CC BY
2
С ал ахов Талгат Альбековнч
Приволжский государственный университет путей сообщения (ПривГУПС).
Свободы ул., 2В, г. Самара, 4430^6, Российская Федерация.
А спирант ПривГУ ПС а.
Тел.:+7 (937; 973-99-96.
Е-таП: [email protected]
БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЕЙ
Таыбатамба, х^. С.Оценкаспо со бнссти энергосистемы Замбии в ьщерживагь болвшиетягсвв1е нагрузки/ А. С. Таыбатамба, М. В. Ш евлюгин, Т. А. Сапах с®. -Текст : непосредственный // Известия Транссиба. -2024. -№3(59).-С. 119-122.
Salakhov Taiga t ekovic
Volga State Transport University (VSTU).
Svobody st., 2B, Samara, 443066, the Russian Federation
Postgraduate student of V STU. Phone: +7 (937) 973-99-96. E-mail: [email protected]
BIBLIOGRAPHIC DESCRIPTION
Tambatamba A.S., ShevlyuginM.V , Salakhov TA. Evaluating Zambia's power system capacity for large electrical traction loads. Journal cf Transsib Railway Studies, 2024, no. 3 (59), pp. 119-122 (In Russian).
УДК 681.5
А. С. Маникобский1, Д. А. Яковлев1, А. Ю. Мухопад2
Забайкальский институт железнодорожного транспорта - филиал ФГБОУ ВО «Иркутский государственный университет путей сообщения (ЗабИЖТ ИрГУПС)», г. Чита, Российская Федерация;
^Иркутский государственный университет путей сообщения (ИрГУПС), г. Иркутск, Российская Федерация
АВТОМАТИЗАЦИЯ ПРОЦЕССА ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ С ПРИМЕНЕНИЕМ УПРАВЛЯЮЩЕГО АВТОМАТА
Аннопмщия. Прогнозирование уровня потребления электроэнергии в условиях установившихся рыночных отношений между потребителем и поставщиком электрической энергии является важной задачей. Прогноз электропотребления является ключевым показателем для дальнейшего планирования спроса потребителей и уменьшения затрат на генерацию и трон спорт ировку электроэнергии. В случае составления неточной заявки но пплнируе.мы» пбъем ->ле.к>прг»пптр0.бл<>.н}:я. предпргятие. яымужде.нп закупать урпдлялть чпе.ктриче.суую энергию по заранее невыгодной цене. Таким образом, повышение точности алгоритмов и методов прогнозирования уровня потребления электрической энергии является важной и актуальной задачей. Наиболее успешно с поставленной задачей справляются современные методы прогнозирования> а тленно методы, основанные на призленении нейронных сетей Нейронные сети способны обрабатывать большой объем данных, выделять и обобщать зависимости между значения?.*и, что является преимуществом в сравнении с другими известны?.*и методазли прогнозирования Однако существующие нейронные сети не являются совершенньши решениями и имеют ряд недостатков. При вьмислениирезультата нейронньши сетями по конкретному набору исходных данных не учитььваются дин шика и изменение этих данных. В задаче прогнозирования потребления электрической энергии помиз.ю мгновенных входных данных требуется анализировать предысторию возникновения таких данных. Азтораз/iu предложено повысить точность прогнозирования электропотребления за счет ввода в структуру нейронной сети управляющего автомата. Автомат, обрабатывая входные данные по заданному алгоритму, анализирует динамику изменения временного ряда электропотребления Нейронная сеть в таком случае делает прогноз на основе выделенных характеристик, что позволяет увеличить точность прогнозов и скорость их построения.
Ключевые слова: электропотреблгние, тяга поездов, прогнозирование электропотребления, нейронная сеть, управляющий автомат.
Andrey S. MamkovskijDmitrij A. Yakovlev1, Alexander Yu. Mu hop ad2
IZabaikalsk Rail Transport Institute, abranch of Irkutsk State TransportUniversity (2RTI ISTU),
Chita, the Russian Fédération; irkutsk State TransportUniversity (ISTU), Irkutsk, the Russi an Fédération
AUT ОМА T ION OF THE PROCESS OF PREDICTING ELECTRIC С О NSUMP TI ON Ш RAILWAY TRANSPORT USING A CONTROL AUTOMATIC
Abstract. Forecasting the level of electricity consumption in the conditions of established market relations between the consumer and the supplier cf electric energy is an important task. The forecast cf electricity consumption is a key
indicator for further planning of consumer demand, reducing the cost of generating and transporting electricity. In the case of an inaccurate application for the plumed amount of electricity consumption, the company is forced to purchase or sell electric energy at a previously urf,avorable price. Thus, improving the accuracy of algorithms and methods for predicting the level of electric energy consumption is an important and urgent task Modern forecasting methods, namely methods based on the use of neural networks, cope with the task most successfully. Neural networks are able to process a large amount of data, isolate and gener alize dependencies between values, which is an advantage in comparison with other known forecasting methods. However, existing neural networks are not perfect solutions and have a number of disadvantages. When calculating the result by neural networks for a specific set of source data, the dynamics and changes in this data are not taken into account. In the task offorecastingelectric energy consumption, in addition to instantaneous input data, it is necessary to analyze the background cf the occurrence of such data. The authors propose to increase the accuracy cf forecasting power consumption by introducing a control automaton into the structure of the neural network The automaton, processing the input data according to a given algorithm, analyzes the dynamics cf changes in the time series of power consumption. In this case, the neural network makes a forecast based on the selected char acteri sties, which allows you to increase the accuracy of forecasts and the speed of their construction
Keywords: power consumption, tram traction, forecasting cf power consumption, neural network, control automaton.
Основным направлением энергетической стратегии железнодорожного транспорта является снижение расходов электрической энергии (ЭЭ) и сокращение затрат на ее приобретение [1].
ОАО «РЖД» входит в тройку крупнейших потребителей электроэнергии в стране. В 2022 г. компания использовала 48,4 млрд кВт ч (около 4 % от всего потребления). Существующие потребители С АО «РЖД» получают электроэнергию от основного поставщика - ООО «Русэнергосбыт». Поставщик реализует электроэнергию в рамках розничных рынков электрической энергии (РРЭ), приобретенной на оптовом рынке электроэнергии и мощности (ОРЭМе). Правилами функционирования энергорынков установлена обязанность потребителей по точному планированию объемов электропотребления (ЭП). Отклонение в потреблении ЭЭ от запланированной величины ведет к дополнительным издержкам.
Модели ОРЭМа и РРЭ требуют от ОАО «РЖД» решения комплекса задач, из которых основными являются проведение анализа и детального планирования злектропотребления. Это требует совершенствования методов и алгоритмов прогнозирования с применением современных технологий обработки информации. Повышение точности прогнозирования потребления электроэнергии позволит уменьшить затраты на приобретение ЭЭ и существенно улучшить качество управления электр о потреблением электроустановок на железнодорожном транспорте.
Существует ряд отличий в принципах электр о потребления на железнодорожном транспорте от электр о потребления любого другого предприятия. Современные условия работы железнодорожного транспорта характеризуются неравномерностью загрузки системы по времени и сложностью условий эксплуатации, что затрудняет формирование полной исходной базы данных, которая характеризует рассматриваемый обьект [2]. Для тягового электропотребления, которое составляет 85% от общего электр о потребления ОАО «РЖД», характерно скачкообразное изменение обьемов потребления электроэнергии. Все эти факторы осложняют процесс прогнозирования ЭП, что требует совершенствования методов прогноз ирования.
Эффективным способом прогнозирования электропотребления в настоящее время являются нейронные сети (НС). Применение нейронных сетей позволяет строить прогнозы ЭП высокой точности в сравнении с другими известными методами. Это обусловлено тем, что НС способны обрабатывать большой о бьем данных, обобщать и выделять скрытые зависимости между входными и выходными значениями [3, 4]. Нейронные сети позволяют моделировать разного рода зависимости, в основе которых могут быть линейные, обобщенно линейные и нелинейные модели [5].
Среди всего многообразия нейронных сетей наилучшим образом в задаче прогнозирования проявили себя рекуррентные нейронные сети (Recurrent neural network,
{ggfglj ШдШ ^^ ИЗВЕСТИЯ Транссиба 129
Автоматизация и управление щщсщргШес к и м и процессами и производствами
КЬЩ) [6]. Рекуррентные нейронные сети используют направленную последовательность связи между узлами (рисунок 1).
В В.№Т результат вычислений на каждом этапе используется в качестве исходных данных для следующего. Благодаря этому рекуррентные нейронные сети могут обрабатывать серии событий во времени или последовательности для получения результата вычислений.
Для использования НС в задаче прогнозирования необходимо ее обучить [7]. Процесс обучения нейронной :ети для прогнозирования тягового электропотребления выглядит следующим образом: на вход нейронной сети подается обучающая выборка, а на выходе сети -экзаменующая, которая используется для оценки прогностических способностей сети. Таким образом, для построения
прогноза необходимы значения ЭП за предыдущие периоды, которые, проходя через нейронную сеть, обрабатываются в соответствии с весовыми коэффициентами, сопоставляются с ожидаемыми значениями, на основе чего анализируются показатели точности решения задачи.
Несмотря на преимущества нейронных сетей в задаче прогнозирования над традиционными вычислениями они не являются совершенными решениями. Нейронная сеть вычисляет результат по конкретному набору исходных данных, не учитывая динамику и изменение этих данных в задаче прогнозирования электропотребления, где помимо мгновенных входных данных требуется анализировать предысторию возникновения таких данных. Для этой цели предлагается использовать управляющие автоматы (УА), На рисунке 2 приведена схема синтеза НС и У А.
Рисунок 1 - Структура прогнозной нейронной сети
База данных
Блок автоматов
Н ейронная сетв
Слои о Слой 1
Рисунок 2 - Схематическое изображение взаимодействий
При помощи УА производится предварительный анализ - выделяются параметры, которые невозможно измерить для одного конкретного входного значения, но которые видны
а2
ОУ
©
Рг И
© —> Ф
12
о*
БС
Ю
©
Уя
а
©
при обзоре всей динамики происходящих процессов. Автоматами анализируются динамика изменения временного ряда электр о потреблен ия и динамика изменения влияющих факторов. Эти параметры обрабатываются нейронной сетью, которая на их основе производит прогноз. Входной слой нейронной сети связан в таком случае не с конкретными значениями процесса электропотребления, а с выделенными характеристиками значений (тренд, сезонность, случайные возмущения), по которым производится прогноз.
В подавляющем числе применений используются автоматы со структурной организацией Мура и Мили (рисунок 3) [8, 9].
При реализации таких систем более 50% затрат оборудования могут составлять УА. Снижения затрат при реализации комбинационных схем достигали за счет сокращения числа состояний, декомпозиции графов или алгоритмов и минимизации систем булевых функций. В настоящее время достигнуто снижение сложности комбинационных схем в 1,2 - 1,5 раза. В связи с этим возникла необходимость разработки новой методологии синтеза У А для уменьшения количества элементов и снижения сложности блока контроля управляющего автомата с контролем состояний [10].
Перед абстрактным синтезом У А в граф-схему алгоритма управления
У;
?таф @
&
Ум
Рг ¿(1+1) (7)
у*
> ос
© ®
Рисунок 3 - Структурная организация автомата Мура и Мили (пушчтирпмс ив л¿¡л шииилтил тишья-и У А Мшш)
(ГСА) вводятся пустые операторы (рисунок 4), которые обозначены как операторы действия Л)... Ау„ но без номера [11]. По ГСА получен граф переходов (рисунок 5).
¡^п^з©
0 Г*П(Г)
_■! _ I ~
Рисунок 5 - Граф перех одов У А
Рисунок 4 - Граф-сх ема алгоритма управления У А с пустыми операторами
ШШШ -ШВЕСТИЯ Транссиба 131
——
Пустые операторы (Ли) вводятся в следующих случаях:
- если к логическому оператору передается управление от двух (или более) других операторов;
- для ликвидации петель;
- для ограничения количества входов к любому оператору до двух;
- если между и а< нет операторов действия.
Структурная схема предлагаемого У А с контролем состояний представлена на рисунке 6.
С7
а«
(Х1
Рг а, ОУ А*- * ос
С?) © (3) б)
ч %
.У1
Уж
а1
1
И-ИЛ И ф
Пуск
Ост
БС ©
СО
У«
С 2
л 1
ос СГ
к >
СчаЮ ®
& ©
Рг ©
У2
Уж
1
&
Рг ©
©
1
1 .
БК
а(1)1
О
12
С4
БВ
сз
ж,
. & I & (14
15) ТЗ
С5"
16) Рб
О
С6
Рисунок б - Структурная сх ема предлагаемого Ух^
Анализ структурной схемы предлагаемого УА позволяет сделать следующие заключения.
1. Используется унитарный (унарный) код для представления состояний а(1).
2. Вместо регистра состояний а(1) используется суммирующий счетчик Сч (9).
3. Введена последовательность блоков БО (11), В.8-трштер (12), схема «И» (13) для определения признака у необходимости прибавления «1» к содержимому счетчика.
4. Введен второй дешифратор Б С (10) для перевода двоичного позиционного кода (ДПК) в унитарный код.
5. Введены элементы «И» (К), «ИЛИ» (15) для переноса состояния КЗ-триггера (12) на дополнительный В.8-трштер (16). В.8-Тригтер (16) дает возможность хранить предыдущее значение у{1 - 1) или текущее значение у для дальнейших вычислений. Необходимость учета значений у{1 - 1) связана с тем, что для некоторых состояний, имеющих два входа (для рисунка 5 это переходы 6, 8, 9, 11), один вюд соответствует у{1 - 1) = 1, а второй у{1 - 1) = 0.
6. Введен блок восстановления БВ (22), определяющий значение а{£) по конкатенации у{1 - 1) с кодом а(1+ 1), обозначенное как а{£)\.
Проведенный анализ известных управляющих автоматов Мура и Мили дал возможность сделать заключение о том, что сложность комбинационных схем автоматов связана с отсутствием адресной подсистемы, так как все множество логических условий ... ад подается на вход схемы переходов и схемы формирования команд У А Мили.
Предложенная методология синтеза определила возможность создания оригинальных структур УА, обеспечивающих снижение затрат на комбинационную схему переходов на постоянное запоминающее устройство (ПЗУ) в С) = 2Я"1 раз или уменьшение количеств а входов программируемой логической матрицы (ПЛМ) схемы переходов в два - три раза [10].
Структурная схема предлагаемой методики прогнозирования представлена нарисунке7.
Рисунок 7 - Структурная схема предлагаемой модели прогнозиров ания
Для задачи прогнозирования внешней средой является формируемая из архива электропотребления база данных, полученная из автоматизированной системы коммерческого учета электроэнергии (АСКУЭ). По окончании сбора данных происходит предварительный анализ данных при помощи управляющих автоматов: выделение характеристик временного ряда, таких как тренд, сезонность и случайные возмущения. Затем выделенные характеристики временного ряда подаются на входы нейронной сети, которые анализируются ею. Далее происходит построение временного ряда текущего ЭП, который сравнивается с реальными показаниями величины ЭП. Если уровень ошибки не превышает допустимых значений, то происходит построение прогноза потребления ЭЭ для заданного периода упреждения. В противном случае происходит диагностика системы на каждом этапе работы
||В|§|| 2024 ИТПГГТИП 1ранссиЬа 133
——
Автоматизация и управление щщсщргШес к и м и процессами и производствами
предлагаемой методики: проверка корректности исходных данных и проверка работоспособности УА и НС.
После построения прогноза необходимого периода упреждения формируется прогнозная база данных, которая будет использована при формировании заявки на закупку ЭЭ.
На рисунке 8 представлено сравнение фактического ЭП с результатами прогноза нейронными сетями и предложенной методикой.
VI, кВт- ч 4 130000
120000 110000 100000 90000
•ТА __
V ♦' "Ч А. /ч £
У Р \ / ч
—г-г-*-
1
2 3 4 5 б 7 2 9 10 11 12 13 14 15 16 17 13 19 20 21 22 23 24 ч —■— -фактическое ЭП;—♦— -прэгнозНС; —•— - прогноз НС-УА Рисунок 3 - Сравнение прогноза ЭП
В качестве исходных данных был использован архив электропотребления тяговой подстанцией Белогорск Забайкальской железной дороги за 2022 г., горизонт прогноза составил 24 ч. При прогнозировании методом, основанным на работе только нейронной сети, величина отклонений составила 6,8%. Временной ряд, построенный с применением предложенной методики, более точно описывает временной ряд фактического ЭП, а величина отклонений составляет 3%, что свидетельствует о ее работоспособности. Таким образом, предложенная методика взаимодействия НС и УА позволяет повысить точность и скорость прогнозирования ЭП. В свою очередь повышение точности прогнозирования потребления электроэнергии позволит уменьшить затраты на приобретение ЭЭ и существенно улучшить качество управления электр о потреблением электроустановок на железнодорожном транспорте.
Список литературы
1. Энергетическая стратегия САО «РЖД» на период до 2020 года и на перспективу до 2030 года, утв. распоряжением ОАО «РЖД» от 14 декабря 2016 г. № 2537р. - Москва : ОАО «РЖД», 2016.-Текст: непосредственный
2. Осипова, В. Э. Применение нейросетевых методов прогнозирования электропотребления на железнодорожном транспорте / В. Э. Осипова, Д. А. Яковлев. - Текст: непосредственный// Современные информационные технологии и ИТ-образование. -2022. -Т. 18. -№ 1.-С. 107-118.
3. Староверов, Б. А. Схемы взаимодействия поставщиков и получателей прогнозов электропотребления на основе использования нейросетевой информационной системы / Б. А. Староверов, И. В. Семенов. - Текст: электронный. - ШХ: ivdon.ru/ru/magazine/archive/ п1у2018/4784 (дата обращения: 10.07.2024)//Инженерный вестник Дона. -2018. -№ 1. -ЕБМ: ХЗМРРМ.
4. Кретов, Д. А. Прогнозирование электр о потребления энерго с бытовой компании с использованием искусственной нейронной сети / Д. А. Кретов, Р. В. Рузанов - Текст : электронный. - ШХ: ivdon.ru/ru/rnagazine/archive/n2y2015/2880 (дата обращения: 10.07.2024) // Инженерный вестник Дона. - 2015. -№ 2. - ЕБМ: 1ГСИШХ.
5. Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль; перевод с английского А. А. Слинкина. - 2-е изд. - Москва : ДМК Пресс, 2018. - 652 с. - Текст : непосредственный.
6. Использование рекуррентных сетей для прогнозирования потребления электроэнергии / С. JI. Подвальный, М. А. Лихотин, А. В. Михайлусов, А. К. Донских. -Текст : непосредственный // Вестник Воронежского государственного технического университета. - 2022. - Т. 18. -ШЗ. - С. 45-50.
7. Шурова, Н. К. Применение программного комплекса MATLAB к прогнозированию электропотребления на тягу поездов / Н. К. Шурова, В. Н. Ли. - Текст : непосредственный // Транспорт Азиатско-Тихоокеанского региона. - 2021. 3 (28). - С. 43-49.
8. Структурная организация управляющих автоматов вычислительных и информационно-измерительных систем / Ю. Ф. Мухопад, А.Ю, Мухопад, Д. Ц. Пунсык-Намжилов, А. С. Маниковский. -Текст: непосредственный// Автометрия. -2021. -Т. 57. -№4. - С. 65-73.
9 Кудрявцев, В. Б. Теория автоматов : учебник / В. Б. Кудрявцев, С. В. Алешин, А. С. Подколзин. - 2-е изд., испр. и доп. - Москва : Юрайт, 2018. - 320 с. - Текст : непосредственный.
10. Патент № 2793301 С1 Российская Федерация, МПК G11C 11/00. Управляющий автомат с контролем состояний : № 2022118502 : заявлено 05.07.2022 : опубликовано 31.03.2023 / А. Ю. Мухопад, А. С. Маниковский; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Иркутский государственный университет путей сообщения». - Текст : непосредственный.
References
1. Energy strategy of the JSC Russian Railways for the period until 2020 and for the future until 2030, approved, configurations of JSC Russian Railways dated December 14, 2016 No. 2537r. Moscow, JSC Russian Railways Publ., 2016 (In Russian).
2. Osipova V.E., Yakovlev D.A. Place of Neural Network Methods for Predicting Power Consumption in Railway Transport Sovremennye informatsionnye tekhnologii i IT-obrazovanie -Modern Information Technologies and IT-Education, 2022, vol. 18, no. 1, pp. 107-118 (In Russian).
3. Staroverov B.A., Semenov I.V. Ways of interaction between providers and consumers of forecasts of Electrical Power consumption based on Neural Network information system. Inzhenernyi vestnik Dona - Ingineering Journal of Don, 2018, no. 1. Available at: ivdon.ru/ru/magazine/archive/nly2018/4784 (accessed 10.07.2024), EDN: XSMPPN (In Russian).
4. Kretov D.A., Ruzanov R.V. Using of Artificial Neural Network for Forecasting of Electric Power consumption by Energy Provider. Inzhenernyi vestnik Dona - Ingineering Journal of Don, 2015, no. 2. Available at: ivdon.ru/ru/magazine/archive/n2y2015/2880 (accessed 10.07.2024), EDN: UGRTJIX (In Russian).
5. Gudfellou Ya., BendzhioI.,KurviH' A. Glubokoe obuchenie [Deep Learning]. Moscow, DMK Press Publ., 2018, 652 p. (In Russian).
6. Podval'nyi S.L., Likhotin M.A., Mikhailusov A.V, Donskikh А.К Using recurrent networks to predict electricity consumption. Vestnik Voronezhskogo gosudarstvemogp tekknicheskogo uniwrsiteta -The Bulletin of Voronezh State Technical University, 2022, vol. 18, no. 3, pp. 45-50 (In Russian).
7. Shurova N.K., Li V.N. Application of Matlab software package to Forecasting Power Consumption for hauling operation;. Transport Aziatsko-Tikhookeanskogo regiona - Pacific Rim counties transportation system, 2021, no. 3 (28), pp. 43-49 (In Russian).
8. Iviukhopad Yu.F., Iviukhopad A.Yu., Punsyk-Namzhilov D.Ts., Ivianikovskii A.S. The Structural Organization of Control Automata for Computing and Information-Measuring Systems. Avtometnia - OptoelectronicsInstrumentation and Data Processing, 2021, vol. 57, no. 4, pp. 65-73 (In Russian).
9. Kudriavtsev V.B., Aleshin S.V., Podkolzin A.S. Teoriia avtomatov: uchebnik [Automata Theory: textbook]. Moscow, YuraytPubl., 2018, 320 p. (In Russian).
10. Iviukhopad A.Yu., Ivianikovskii A.S. Patent RU2793301 CI, 31.03.2023.
шшш ^^ ИЗВЕСТИЯ Транссиба 135
ИНФОРМАЦИЯ ОБ АВТОРАХ
Маннковскнн х\идрен Сергеевич
Забайкальский институт железнодорожного транспорта - филиал ФГБОУ ВО «Иркутский государственный университет путей сообщения (ЗабИЖТ ИрГУПС)».
Магистральная ул., д. 11, г. Чита, 672040, Российская Федерация.
Старший преподаватель кафедры •хЭпектроснаб-жение», ЗабИЖТ ИрГУПС.
Тел.:+7 (924) 277-22-43.
Е-таП: [email protected]
Яковлев Дмитрий х\лександровкч
Забайкальский институт железнодорожного транспорта - филиал ФГБОУ ВО «Иркутский государственный университет путей сообщения (ЗабИЖТ ИрГУПС)».
Магистральная ул., д. 11, г. Чита, 672040, Российская Федерация.
Кандидат технических наук, доцент кафедры «Электроснабжение», ЗабИЖТ ИрГУПС.
Тел.:+7 (914) 502-22-20.
Е-таП: [email protected]
М ухо пад х\лек сандр Юр ьевнч
Иркутский государств енньш университет путей сообщения (ИрГУПС).
Черньплевского ул., д. 15, г. Иркутск, 664074, Российская Федерация.
Доктор технических наук, профессор кафедры «Авт оматиз ация пр оизв од ств енных пр оце с с ов », ИрГУПС.
Тел.:+7 (902) 172-45-53.
Е-таП: [email protected]
БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ
INFORMATION ABOUT THE AUTHORS
Manikovskij Atidrej Sergewich
Zabaikalsk Rail Transport Institute, a branch of Irkutsk State Transport University (2RTIISTU).
11, Magstralnaya st., Chita, 672040, the Russian Federation
Senior lecturer of the department «Power Supply», 2RTI ISTU.
Phone: +7 (924) 277-22-42. E-tnail: [email protected]
Yakovlev D m itrij A le ksa nd rov ic h
Zabaikalsk Rail Transport Institute, a branch of Irkutsk State Transport University (2 RT I ISTU).
11, Magstralnaya st., Chita, 672040, the Russian Federation.
Ph. D. in Engineering, associate professor of the department «Power Supply», 2RTI ISTU.
Phone:+7 (914) 502-22-20.
E-mail: [email protected]
M u ho p a d A le ksa nd rY u r'ev ich
Irkutsk State Transport University (ISTU).
15, Chernyshevskogo st., Irkutsk, 664074, the Russian Federation.
Doctor of Sciences in Engineering, professor of the departm ent «Automation of production processe s», ISTU.
Phone.: +7 (902) 172-45-53.
E-mail: jcm ggmail.ru
BIBLIOGRAPHIC DESCRIPTION
Маниковский, А. С. хАвтоматизщия процесса прогнозирования злектропотребления на железнодорожном транспорте с применением управляющего автомата / А. С. Маниковский, Д. х^. Яковлев, А. Ю. Мухопад. - Текст : непосредственный // Известия Транссиба -2024. 3 (59).-С. 122 - 136.
Manikovskij A .S., Y akovlev D.A., Muhopad A.Yu. x^utotriation of the process of forecasting power consumption in railway transport using a control automatic. Jour rial of Transsib Railway Studies, 2024, no. 3 (59), pp. 122-136 (InRussian).
Уважаемые коллеги!
Редакция научно-технического журнала «Известия Транссиба» приглашает Вас публиковать результаты научных исследований по тематическим направлениям журнала, соответствующим научным специальностям Номенклатуры научных специальностей, по которьпл присуждаются ученые степени, утвержденной приказом Минобрнауки России от 24 февраля 2021 г.№ 112:
2.9.3. По движной состав железных дорог, тяга поездов и электрификация;
2.9.4. У пр авл ени е пр оц ее с ами пер ев оз ок;
2.9.2. Железнодороя-сньшпуть, изыскание и проектирование железных дорог;
2.9.1. Транспортные и транспоргно-технологические системы страны, ее регионов и городов, организация производства на транспорте;
2.4.6. Теоретическая и прикладная теплотехника;
2.4.5. Энергетические системы и комплексы;
2.4.3. Эп ектр оэнергетик а;
2.4.2. Электротехнические комплексы и системы;
2.3.3. х^вт оматиз ация и управление технологическими процессами и производств ами.
Материалы просим высылать ответственному секретарю редакционного совета журнала Иванченко Владимиру Ивановичу по электронной почте: [email protected].
¡нора
2024
