CC BY
35
-n journal of applied informatics
№ 3 (51) 2014 ' -
В. И. Гнатюк, докт. техн. наук, профессор Калининградского государственного технического
университета, [email protected]
А. А. Шейнин, канд. техн. наук, научный сотрудник Калининградского государственного технического
университета, [email protected]
Методика определения оптимальных норм электропотребления
В статье представлен предельный алгоритм нормирования на инфраструктурном объекте (организации) Калининградской области . Дано описание основных этапов методики нормирования, основанной на предельном алгоритме, представлены экспериментальная проверка и экономическая оценка методики . Для реализации методики нормирования разработана программа в системе MatLab . Приведены результаты экспериментальной проверки и экономической оценки методики . Для инфраструктурного объекта за последние пять лет предельный алгоритм превосходит отдельно взятые методы нормирования, как правило, на 50-80% . Минимальное зарегистрированное отклонение составляет 16,5% . Разработанная методика нормирования использовалась для составления программы нормирования ЭП подразделений инфраструктурного объекта на перспективу 6 лет .
Ключевые слова: нормирование, предельный алгоритм, ранговый анализ, кластерный анализ, энергосбережение, инфраструктурный объект, оптимальное управление электропотреблением
Введение
В программных документах социально-экономического развития страны на ближайшую перспективу выдвигаются требования эффективного использования топливно-энергетических ресурсов, согласно которым к 2020 г. энергоемкость ВВП должна быть снижена на 40% [1]. В то же время ряд регионов России с начала 2010 г. испытывает дефицит электрической мощности, вызванный выводом из эксплуатации электрических станций, выработавших парковый ресурс, а также выходом промышленности из мирового финансового кризиса. По оценкам экспертов, износ основных фондов российской энергетики составляет порядка 70%. Кроме того, продолжается рост тарифов на электроэнергию, что объясняется мировой динамикой роста цен на энергоносители [6].
Проблема энергосбережения актуальна и для инфраструктурного объекта (ИО), ко-
торый находится на территории Калининградской области. Отдельными направлениями развития инфраструктурного объекта являются снижение затрат на содержание и внедрение энергосберегающих технологий. Наблюдается противоречие между неуклонным ростом технической оснащенности, увеличением затрат на электроэнергию (ЭЭ), жесткой финансовой политикой, направленной на целевое расходование средств, с одной стороны, и низкой эффективностью работ по внедрению автоматизированной системы контроля и учета электроэнергии (АСКУЭ), нормированию и планированию электропотребления (ЭП), с другой.
В настоящее время вопросы энергосбережения регламентированы Федеральным законом от 23 ноября 2009 г. № 261 «Об энергосбережении и о повышении энергетической эффективности и о внесении изменений в отдельные законодательные акты РФ» [2]. Согласно Закону с 1 января 2010 г. главные
68 у
№ 3 (51) 2014
распределители бюджетных средств осуществляют планирование бюджетных ассигнований на основании данных об объеме фактически потребленных бюджетными учреждениями в 2009 г. ресурсов, и при этом в течение пяти лет должны уменьшать объем на 3%. Таким образом, для исследуемого объекта, находящегося на территории Калининградской области, необходимо снизить объем потребления электроэнергии в 2014 г. на 15% по сравнению с 2009 г. Если в целом снижение ЭП в год на 3% для всего инфраструктурного объекта имеет смысл, то снижение ЭП на 3% в год одинаково для всех подразделений инфраструктурного объекта нецелесообразно. Для одних подразделений это снижение может повлечь сбои в работе, а другие, наоборот, обладают большим потенциалом снижения ЭП. Следовательно, при снижении ЭП объектов на 3% в год, с одной стороны, необходимо учитывать интегральные свойства всего инфраструктурного объекта, а с другой — индивидуальные особенности отдельно взятых подразделений [6].
В связи с этим возникла необходимость в научном подходе к нормированию ЭП подразделений инфраструктурного объекта, в состав которого входит 68 электрохозяйств и затраты которого на электроэнергию в последние годы значительно выросли [5].
Предельный алгоритм нормирования
Проведенный анализ особенностей тех-ноценологических и классических методов нормирования показал, что в настоящее время нормирование ЭП инфраструктурных объектов имеет два основных недостатка: классические методы нормирования не учитывают системных свойств подразделений инфраструктурного объекта, техноценоло-гические — индивидуальных свойств подразделений. Для устранения данных недостатков авторами разработаны:
1) предельный алгоритм нормирования, учитывающий особенности классического и техноценологического подходов; 2) мето-
дика нормирования, сочетающая положительные стороны обоих подходов [5].
Нормирование ЭП подразделений инфраструктурного объекта осуществляется в рамках рангового анализа, под которым понимается метод исследования больших технических систем (техноценозов) путем построения ранговых распределений системных показателей на основе статистического анализа с возможностью их последующей оптимизации. На базе стандартных процедур рангового анализа (рис. 1) авторами разработана методика оптимального управления ЭП техноценоза. Для повышения точности стандартных процедур разработаны специальные процедуры, реализующие верификацию, дифлекс, GZ- и ASR-анализ (Adding System Resource). В качестве одного из вариантов реализации ASR-ана-лиза впервые предлагается предельный алгоритм нормирования (ПАН), позволяющий получать значение предельной нормы ЭП [8] с использованием линейной комбинации результатов нормирования отдельными методами, оптимизации вторичных норм по критерию качества нормы, а также уточнения по ASR-отклонению.
Процесс нормирования ЭП объектов тех-ноценоза с помощью ПАН включает следующие этапы (рис. 2):
1) определение границ переменного доверительного интервала (ПДИ, построенного относительно кривой аппроксимации распределения);
2) нормирование ЭП всеми имеющимися в распоряжении методами применительно к каждому объекту;
3) вычисление взвешенных норм с помощью линейной комбинации;
4) реализация оптимизационного процесса и определение лучших вторичных норм;
5) уточнение лучших вторичных норм по ASR-отклонению;
6) получение предельных норм.
В начале работы ПАН из базы данных выделяется ряд информационных подсистем (рис. 3). Фактические известные данные по ЭП в последнем известном временном
№ 3 (51) 2014
Сбор данных по электропотреблению объектов техноценоза
Стандартные процедуры рангового анализа
Формирование базы данных
Интервальное оценивание
Прогнозирование электропотребления
Тонкие процедуры рангового анализа
Верификация
Дифлекс-анализ
GZ-анализ
Г 1 1 Модуль предельного алгоритма нормирования элекгропотребления j
|| Техноценологические методы 1 Классические методы ||
| Single Average Complete Ward K-means I Prognoz Klass
I1---------------------------1 L. jl
Банк данных по электропотреблению
( База M ( Ваза ( \ ( Вазиц / N ^ Данных у J у н°рм у J у ПдИ V J СУБД
Начало Выделение Интер-
предельного M— подсистем — вальное
алгоритма в данных оценивание
Завершение предельного алгоритма
Нормирование различными методами
Методы определения норм Single || Ward ¡Average jj Klass
K-means ¡¡Completel Prognoz
Получение предельных норм
Вычисление Определение
взвешенных вторичных
норм норм
Уточнение норм по ASR-отклонению
Рис. 1. Стандартные и тонкие процедуры рангового анализа
интервале (час, сутки, месяц, год) составляют «Вектор верификации», который выделяется из базы данных для оценки качества получаемых норм. Все остальные известные данные за прошедшие временные интервалы образуют «Матрицу данных». Нормы ЭП на будущем временном интервале определяются как «Вектор нормирования».
Нормирование электропотребления техноценоза при реализации ПАН во многом зависит от показателя качества нормы. Под качеством нормы понимается точность процедуры нормирования по критерию близости полученной нормы к нижней границе ПДИ, построенной применительно к вектору верификации (рис. 4).
Понятие качества нормы основывается на понимании того, что, с одной стороны, норма должна понуждать объекты к сниже-
Рис. 2. Основные этапы предельного алгоритма нормирования
нию ресурсопотребления, и поэтому чем она ниже, тем лучше. Однако, с другой стороны, норма не может опускаться ниже величины, соответствующей значению на нижней границе ПДИ для данного ранга. В противном случае соблюдение нормы приведет к нарушению нормального функционирования оборудования, установленного на объекте.
Для оценки качества нормирования используются данные, зарезервированные в векторе верификации. Показатель качества нормы ЭП может быть оценен величиной абсолютного или относительного отклонения от нижней границы ПДИ:
тк = \wk - Wj-
-o Wk - w-j AW к =■
(1)
w
Ранг Электропотребление объектов по временным интервалам, кВтч в год
... t - 8 t - 7 t - 6 t - 5 t - 4 t - 3 t - 2 t - 1 t t +1
1 nUl8 Wl7 W16 W15 W14 W13 W12 W11 W10 ?
2 \\ l,W27 W26 W25 W24 W23 W22 W21 W20 ?
3 W38- N4- 4W36 Вектор верификации Хт ^30 ?
4 W48 W4V W45 W44 W43 В W41 W40 ?
5 W58 W57 WW t Вектор нормирования JÇ^ ?
к'* „ч
6 W68 W67 W66 W W63 W62 W61 W60 ?
7 W78 W77 W76 W75 W74 W73 W72 W71 W70 ?
X,
n-1 W(n-1)8 W(n-1)7 W(n-1)6 W(n-1)5 W(n-1)4 W(n-1)3 VJ W(n-1)1 W(n-1)0 ?
n Wn8 Wn7 Wn6 Wn5 Wn4 Wn3 Wn2 Wn1 Wn0 ?
Рис. 3. База данных объектов по ЭП
Ранг объекта г
Рис. 4. К вопросу качества нормы ЭП
№ 3 (51) 2014
где AWk — абсолютный показатель качест-ванормы ЭП к-го объекта техноценоза; AWk — относительный показатель качества нормы; Wk — норма ЭП;
Wk — эмпирическое значение ЭП; W(r) — аппроксимационная кривая рангового распределения;
W¡. — значение ЭП, соответствующее к-му рангу на нижней границе ПДИ.
На первом этапе предельного алгоритма выполняется процедура интервального оценивания. В качестве источника данных используется база данных по ЭП за 1015 предшествующих лет (рис. 3). Интервальное оценивание позволяет определить границы ПДИ для вектора верификации. Нижняя граница ПДИ — гиперболическая кривая, полученная в результате аппроксимации нижних границ доверительных интервалов, рассчитанных для каждого из рангов рангового параметрического распределения для значения доверительной вероятности 95% (рис. 5). Нижняя граница ПДИ, построенная для вектора верификации, в последующем используется для оценки качества норм, полученных на основе матрицы данных.
Следующим этапом предельного алгоритма является нормирование. Для реализации предельного алгоритма нормирования использовалась программа МаАаЬ^2008а. В исследованиях применялись техноцено-логические и классические методы норми-
рования. Техноценологические методы реализуются при помощи кластерного анализа, в частности, используются методы: «Single» (ближнего соседа), «Average» (средней связи), «Complete» (дальнего соседа), «Ward» (Варда) и «К-means» (К-средних) [4]. Классические методы реализуются на основе определения удельных норм «Klass» и прогнозных норм «Prognoz». Следует отметить, что ПАН позволяет оперативно интегрировать в себя любые доступные методы, в том числе и вновь разрабатываемые (рис. 6).
В статье приведен пример реализации метода «К-means» (К-средних). В начале расчетов значения по электропотреблению за последний известный год исследования импортируются из общей базы данных (рис. 7). Далее реализуется функция KMEANS с предполагаемым числом кластеров 10 и мерой в виде квадрата евклидова расстояния между объектами. Визуализация результатов анализа выполняется с помощью специального силуэтного графика, показывающего плотность расположения точек в каждом кластере (рис. 8).
Из рисунка 8 видно, что многие точки в кластерах имеют значения силуэта, большие 0,8, что свидетельствует о хорошей четкости разделения кластеров. В то же время каждый кластер содержит и точки с малыми значениями силуэта, показывающими их близость к соседним кластерам. А в полученном векторе значений «orieans» сосредотачиваются средние значения всех десяти классов (рис. 9).
4 1,5x10s
1х105
: 0,5х105
20
30
40 50 60
Ранг объекта r
Рис. 5. Построение границ ПДИ
Методы нормирования
Kmeans Single Average Complete Ward Klass Prognozl
1 271700 271700 256563 256563 299929 469238 271700
2 271700 271700 256563 256563 299929 427731 271700
3 271700 271700 256563 256563 299929
< 271700 271700 255563 256563 299929 нормы
5 271700 271700 256563 256563 2999 2äi ZCTO3Ü3
е 271700 271700 256563 256563 299929 254071 256563
271700 271700 256563 256563 299929 228602 256563
3 84 256563 256563 152563 197883 176094
9 Ранг 54 256563 256563 152563 191883 176094
10 N 1UÜдч ujJ 64 100920 108643 152563 167568 176094
11 176094 63264 100920 108643 152563 161147 100920
Рис. 6. Фрагмент базы данных норм
71
№ 3 (51) 2014
Рис. 7. Порядок реализации метода «Kmeans»
Рис. 8. Характеристики 10 кластеров метода «Kmeans»
Далее средние значения кластеров присваиваются всем рангам (в соответствии с принадлежностью рангов к кластерам). Присвоение осуществляется с помощью подпрограммы Matlab-R2008a — «1. All cluster
Рис. 9. Распределение рангов по кластерам
analisys (k-means).m». Результаты присвоения рангам средних значений кластеров представлены на рис. 10.
Результаты реализации метода к-сред-них представлены на рис. 11. Нормы, полученные с помощью метода к-средних, для дальнейших расчетов записываются в базу норм.
После нормирования рассчитываются весовые коэффициенты слагаемых линейной комбинации для определения взвешенных норм ЭП. Полученная на этапе норми-
72
№ 3 (51) 2014
Рис. 10. Распределение рангов по кластерам
менительно к каждому объекту реализуется линейная комбинация, позволяющая получить наилучшую норму ЭП для данного объекта техноценоза на данном временном интервале (рис. 12).
Для расчета весовых коэффициентов методов нормирования необходимо предварительно определить отклонения значений норм от значений на нижней границе ПДИ. При этом используется абсолютный показатель качества нормирования ЭП к-го объекта техноценоза
Д^к =
-
(2)
Рис. 11. Результаты метода ^-средних
рования совокупность норм оценивается по критерию близости к нижней границе ПДИ, построенного применительно к вектору верификации. На основе оценок норм формируется матрица весовых коэффициентов методов нормирования. При этом применяется алгоритм расчета, реализующий принцип предпочтения: чем лучше норма, полученная данным методом, тем выше его весовой коэффициент (сумма последних для объекта равна единице). Затем при-
где *Мк — норма, полученная ьм методом для к-го объекта;
— значение, соответствующее к-му рангу на нижней границе ПДИ, к=1,...,^ где N — общее число объектов.
Веса, назначаемые 1-м методам нормирования для к-го объекта техноценоза, находятся с помощью следующих выражений:
V = G /1G;
1=1
Ок = 1-Д^ / JJДWt
я
1К. = 1,
(3)
1=1
Гк Ранг объекта г
Рис. 12. Линейная комбинация методов нормирования
73
I=1
№ 3 (51) 2014
где V/ — вес /-го метода нормирования для к-го объекта;
q — общее количество реализуемых методов нормирования;
\ — вспомогательный формальный индекс суммирования, = 1,...^.
В итоге для каждого объекта получается взвешенная норма
Wk = ]Г (Vi ■ Wk ), i = 1
n.
(4)
Далее нормы уточняются вторичным нормированием с последующей оптимизацией (рис. 14), под которой понимается итерационный процесс определения лучшей вторичной нормы по критерию минимальной близости к нижней границе ПДИ. На каждом последующем шаге итерации используется норма, полученная на предыдущем шаге. Процесс повторяется до тех пор, пока значение вторичной нормы не приблизится максимально близко к нижней границе ПДИ. Полученное итоговое значение называется лучшей вторичной нормой:
—vt -vt
Wkext = Wk min,
k = 1
(5)
где Wkext — лучшая вторичная норма к-го объекта;
—V
к тт — вторичная норма, имеющая минимальное отклонение от нижней границы ПДИ.
Условие (5) выполняется при минимизации разницы между вторичной нормой к-объ-екта и значением на нижней границе ПДИ:
AWk =
wi-w;
^ min , k = 1,..., N, (5)
-V
где Wk — вторичная норма к-го объекта, полученная на л-й итерации оптимизационного процесса;
W;
значение, соответствующее к-му ран-
гу на нижней границе ПДИ; N — общее число объектов.
Процесс вторичного нормирования относится к типу безусловных задач одномерной оптимизации, которая реализуется в соответствии с критерием (5).
Алгоритм последовательно включает два цикла, первый из которых предназначен для формирования базы вторичных норм объектов, а второй — для фиксации лучшей вторичной нормы по каждому объекту.
3 Microsoft Excel - vz All Objekt 2010 with klass
Рис. 13. Порядок реализации оптимизационного процесса
74
№ 3 (51) 2014
На заключительном этапе выполнения предельного алгоритма осуществляется дополнительное уточнение норм ЭП, производится только для объектов, лучшие вторичные нормы которых выходят за границы ПДИ и образуют совокупность так называемых «аномальных норм».
Реализация уточняющей процедуры заключается в вычитании (или добавлении) из лучшей вторичной нормы, соответствующей ее рангу АвЯ-отклонения, под которым понимается отклонение лучшей вторичной нормы от значения нижней или верхней границы ПДИ (в зависимости от того, где расположена лучшая норма) с учетом коэффициента управляющего воздействия. Чем больше АвЯ-отклонение, тем больше коэффициент управляющего воздействия. Таким образом, при реализации вычислительных процедур данного этапа предельного алгоритма значение лучшей вторичной нормы к-го объекта увеличивается или уменьшается на величину АвЯ-отклонения, умноженную на коэффициент управляющего воздействия (рис. 14). В итоге получается предельная норма ЭП (она же — результирующая АвЯ-норма) для к-го объекта техноценоза с учетом лучшей вторичной нормы, АвЯ-от-клонения и коэффициента управляющего воздействия:
же нижней границы. Кроме того, ASR-откло-нение определяется в зависимости от положения самой точки относительно границ ПДИ для объектов:
— лучшая вторичная норма которых лежит выше верхней границы ПДИ:
\АвН _ лк =
М^м -
(7)
— лучшая вторичная норма которых лежит ниже нижней границы ПДИ:
дАвЯ _ лк =
Мквх1 -
(8)
Коэффициент управляющего воздействия ставится в прямую зависимость от величины ASR-отклонения. При этом он приобретает смысл линейного весового коэффициента, полученного отдельно на каждом из двух подмножеств аномальных норм:
к, = л А
?/ X л
АвЯ j ,
(9)
где Ку1 — коэффициент управляющего воздействия, определяемый для 1-й аномальной нормы;
h — общее количество аномальных норм в подмножестве;
} — вспомогательный формальный индекс суммирования.
= Мк = Мке* + Л АвЯК
ук'
(6)
где Мк — результирующая норма ЭП, полученная для к-го объекта;
— предельная норма к-го объекта;
-V!
Мкел — лучшая вторичная норма, полученная по результатам оптимизационного процесса;
Л/вЯ — ASR-отклонение, рассчитанное для к-го объекта;
Кук — коэффициент управляющего воздействия к-го объекта.
В выражении (7) знак «минус» ставится в том случае, если точка находится выше верхней границы ПДИ, а «плюс» — если ни-
Таким образом, уточнение осуществляется с целью определения предельных (результирующих) норм и реализуется для объектов, лучшие вторичные нормы которых выходят за пределы границ ПДИ (рис. 15).
вычислительный эксперимент
Экспериментальная проверка методики [7] проводилась по абсолютному показателю качества нормы ЭП (1). Сравнение по критерию минимума суммарного абсолютного отклонения от нижней границы ПДИ предельных норм, полученных предложенным методом, с нормами, полученными другими методами, а также с фактическими значениями ЭП показало предпочтитель-
75
№ 3(51) 2014
CD
О
Ранг объекта г
Рис. 14. Получение результирующей (предельной) нормы
Лучшие вторичные нормы
Границы ПДИ ' от границ ПДИ
1 луч en HOpiutm
204&BÛ5
S I 411496
10 3S33SS
11 359160 31J723
236276 23M79
В
JÜT
4209610 26020W 513625
423285 361025: 315140I 276251 2*587з| 218745
4600764 2909031 545S64 469125 401102 345597 30374Э 263597 241677
игш
МГИ1
Выше ПДИ
const Ниже ПДИ
107129
■ ...
Коэффициент упр воздействия
+ K,t . ПН на 2011
игш
МГВ1
со гш «гш
0,221
const
о.оза
0.09«
D.12S 0.004 Û.D02 const
4209749 2763451
435139
370027 3591ST 313727 286420
Предельные нормы
16S-1 _
Рис. 15. Экранная форма отображения предельных норм
Ранг
ность предложенного алгоритма (рис. 16). Таким образом, для рассматриваемого инфраструктурного объекта на основе данных за последние пять лет (2006-2010) результаты применения предельного алгоритма превосходят отдельно взятые методы нормирования, как правило, на 50-80%, но не менее чем на 16,5%.
По результатам экономической оценки разработанного алгоритма по критерию суммарного абсолютного отклонения проведен расчет перерасхода электроэнергии относительно нижней границы ПДИ в денежном эквиваленте, результаты которого показаны на гистограмме (рис. 17), наглядно отражающей преимущество предельного алгоритма по сравнению с остальными
методами нормирования. Кроме того, рассчитаны вероятные затраты на ЭЭ при нормировании различными методами, которые показаны на гистограмме (рис. 18), также отображающей преимущество предельного алгоритма нормирования.
Анализ результатов показывает, как с каждым этапом предельного алгоритма нормирования происходит постепенное снижение норм. Из всех норм, полученных на этапе нормирования, лучшее значение имеет норма, полученная методом прогнозных норм (вероятные затраты составляют 35,96 млн руб.). Согласно результатам, получаемым на основе линейной комбинации и получения взвешенных норм, стоимость вероятных затрат составляет 35,27 млн руб.,
о
Dû
£ S ?
Ii •8 £ (D
О )S
5 ©
CP I
СО ¥
:> !
^ X
^ I-
О о
3500 3000 2500 2000 1500 1000 500 0
(О
с го
<D
Е
та с
00
ф
та
<D >
<с
¿2 ш
Œ
Е о О
тз
s—
ГО
(О (О
го
N О С
та о
I- °
£ см
3s
го
I
¡1 ® О
m к
к го
* ¥
3 * 5
з аг
^ 1_ О ц и I
tu го
ч s
tu о
Методы нормирования
Рис. 16. Диаграмма абсолютных отклонений, рассчитанных разными методами нормирования
76
№ 3 (51) 2014
8062
6910 6870 6550 6438
6056
5223 5060
3649
CK 3252
ш u
u U) ш (Л N X 0 3 го Ш 5 ГС л
u Klass го ш Е K Ward Е С та 1 Я» М
W > < О GL го о СО I
Методы нормирования
Рис. 17. Перерасход ЭЭ инфраструктурного объекта относительно нижней границы ПДИ
42 40 38 36 34 32 30
37,23 36,85
Методы нормирования
Рис. 18. Вероятные затраты на ЭЭ при нормировании инфраструктурного объекта
35,27
34,85
Таблица 1
Программа нормирования ЭП подразделений инфраструктурного объекта
Код объекта ЭП, МВт-ч Предельная норма по годам, МВт-ч в год
2009 2010 2011 2012 2013 2014 2015
1 1433,4 1404,5 1364,7 1324,9 1293,3 1261,3 1248,7
2 1789,0 1609,2 1565,9 1520,3 1487,6 1474,4 1430,2
3 388,4 435,1 408,9 397,1 397,8 393,6 389,7
4 222,2 174,2 170,3 165,4 163,7 159,3 156,1
Всего 18778,8 18082,6 17658,8 17144,5 16503,8 16161,5 15892,8
а после оптимизации — 34,85 млн руб. Благодаря уточнению лучших вторичных норм по /вЯ-отклонению и получению предельных норм удается снизить стоимость вероятных затрат до 34,01 млн руб. Таким образом, применение методики нормирования с использованием предельного алгоритма позволяет снизить годовые затраты на обеспечение инфраструктурного объекта минимум на 1,95 млн рублей.
При помощи разработанной методики нормирования с использованием предельного алгоритма составлена программа нормирования ЭП подразделений инфраструктурного объекта на перспективу в 6 лет (с 2010 по 2015 г.). Результаты расчетов представлены в табл. 1. Данная программа нормирования может приниматься в качестве нормативного документа для управления ЭП подразделениями инфраструктурного объекта, в рамках реализа-
ции ФЗ от 23 ноября 2009 г. № 261. При поступлении новых фактических данных по ЭП программа может ежегодно уточняться при помощи предельного алгоритма нормирования.
Заключение
Таким образом, в результате проведенных исследований создана методика снижения затрат на обеспечение инфраструктурного объекта за счет предъявления подразделениям научно обоснованных предельных норм расходования ЭЭ, комплексной автоматизации ее контроля и учета.
Экономическая оценка показала преимущество использования предельного алгоритма по сравнению с отдельно взятыми методами нормирования.
Получены и всесторонне проанализированы нормы электропотребления объектов
№ 3 (51) 2014
представленного предприятия на среднесрочную перспективу. Разработана программа нормирования до 2015 г. Данная программа нормирования позволит ежегодно предъявлять объектам представленного предприятия научно обоснованные предельные нормы, что в результате приведет к ежегодному снижению электропотребления регионального электротехнического комплекса.
Кроме того, разработанная методика нормирования ЭП, основанная на предельном алгоритме, может применяться на других инфраструктурных объектах, на промышленных предприятиях и в организациях [7, 8].
Список литературы
1. Указ Президента РФ от 4 июня 2008 г. № 889 «О некоторых мерах по повышению энергетической и экологической эффективности российской экономики» // http://www.rg.ru/2008/06/07/ ukaz-dok.html.
2. Федеральный закон от 23 ноября 2009 г. № 261 «Об энергосбережении и о повышении энергетической эффективности и о внесении изменений в отдельные законодательные акты РФ» (Российская газета от 27.11.2009).
3. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности: справочное издание. М.: Финансы и статистика, 1989. — 607 с.
4. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. — 1022 с.
5. Гнатюк В. И. Оптимальное управление электропотреблением регионального электротехнического комплекса (техноценоза): монография. М.: Изд-во ИНП РАН, 2006. — 147 с.
6. Кудрин Б. И. Электроснабжение промышленных предприятий: учебник для вузов. М.: Интермет инжиниринг, 2005. — 672 с.
7. Шейнин А. А., Гнатюк В. И. Нормирование электропотребления инфраструктурных объектов с учетом системных свойств: статья (издание из перечня ВАК) // Известия вузов. Электромеханика. Новочеркасск: ЮРГТУ. 2010. № 4. С. 59-63.
8. Шейнин А. А., Гнатюк В. И. Научно обоснованное нормирование электропотребления в ситуационном центре: статья // Науч. сборник «Ситуационные центры 2010». Москва: РАГС. 2011. С. 21-26.
V. Gnatyuk, Dr. of Technical Sciences, Professor, Kaliningrad State Technical University, [email protected] A. Sheynin, Ph. D, Research Associate, Kaliningrad State Technical University, [email protected]
Determinig the optimal rates of electrical power consumption
The paper deals with rationing limits of electrical power consumption based on the enterprises in Kaliningrad region. We present an algorithm providing the optimal rates decision making. As an environment for the implementation of the limits evaluation determining algorithm Matlab-R2008a package was used. The results of experimental verification and economic evaluation techniques are presented.
Keywords: electricity, energy, electricity rationing, limiting algorithm.
