CC BY
22
(peasant) farms]. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produkcii rastenievodstva i zhivotnovodstva. 2016; 88: 53-59.
8. Erk A.F., Maksimov S.V. Metodika ocenki ehffektivnosti primeneniya chastotnyh regulyatorov v sostave oborudovaniya gidrosooruzhenij [Cost-benefit analysis procedure of a frequency regulator application as a component of hydraulic works equipment]. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produkcii rastenievodstva i zhivotnovodstva. 2010; 82: 8796.
9. Valge A.M., Volkov V.V., Erk A.F., Erk F.N. Vzaimodejstvie mashin v upravlyaemoj tekhnologicheskoj sisteme [Interaction of
machines in a controlled technological system]. Mekhanizacii i ehlektrifikacii sel'skogo hozyajstva. 1982; 2: 15-17. 10. Erk A.F., Razmuk V.A., Efimova A.N. Ispol'zvanie ehnergosberegayushchih lamp v sistemah osveshcheniya pomeshchenij zhivotnovodcheskogo kompleksa [Application of energy-saving lamps in the lighting systems of livestock houses]. Materialy Mezhdunarodnogo agropromyshlennogo kongressa "Perspektivy innovacionnogo razvitiya agropromyshlennogo kompleksa i sel'skih territory" [Proc. Int. Agro-Ind. Cong. "Perspectives for innovative development of agro-industrial complex and rural territories]. Saint Petersburg: 2014: 182184
УДК 631.3 DOI 10.24411/0131-5226-2018-10030
МНОГОМЕРНЫЙ СТАТИСТИЧЕСКИЙ АНАЛИЗ ИСПОЛЬЗОВАНИЯ ТОПЛИВНО-ЭНЕРГЕТИЧЕСКИХ РЕСУРСОВ СЕЛЬСКОХОЗЯЙСТВЕННЫМИ ПРЕДПРИЯТИЯМИ
ЛЕНИНГРАДСКОЙ ОБЛАСТИ
А.М. Валге, д-р техн. наук; А.Ф. Эрк канд. техн. наук
Е.В. Тимофеев канд. техн. наук;
Институт агроинженерных и экологических проблем сельскохозяйственного производства (ИАЭП) - филиал ФГБНУ ФНАЦ ВИМ, Санкт-Петербург, Россия
В статье представлен анализ выборки из двадцати одного хозяйства Ленинградской области по использованию топливно-энергетических ресурсов. Для этого были применены методы математической статистики и многомерные статистические методы. По данным, полученным из хозяйств, определены основные статистические показатели, средние значения, стандартные отклонения и коэффициенты вариации. Анализ показал, что полученные данные имеют значительный разброс, а коэффициенты вариации изменяются от 30 до 65%. Рассчитанная корреляционная матрица указывает на изменение связи между показателями энергопотребления в достаточно широких пределах - от нулевых значений до достаточно больших значений, что говорит о ее сложном характере. На основе использования факторного и дискриминантного анализа определены «скрытые» факторы, влияющие на энергопотребление и распределение хозяйств по группам эффективности использования энергии. Для этого хозяйства были разделены на три группы. Было выявлено, что хозяйства второй группы имеют наибольший объём производства, потребляют наибольшее количество всех видов энергии, и их продукция имеет наибольшую энергоёмкость. Регрессионный анализ влияния факторов на потребление топливно-энергетических ресурсов показал основное влияние таких факторов как энергоемкость, объем производства продукции и количество потребленной электрической энергии. Построены математические модели влияния факторов на
41
Технологии и технические средства механизированного производства продукции
_растениеводства и животноводства_
основные производственные показатели. Модели позволяют спрогнозировать энергопотребление, а также выполнить оценку энергоэффективности предприятий на основе имеющейся информации. Модели могут быть использованы при разработке производственной программы развития предприятия и при проектировании систем энергообеспечения сельскохозяйственных объектов.
Ключевые слова: анализ; энергосбережение; модель; экономический эффект; фактор
MULTIDIMENSIONAL STATISTICAL ANALYSIS OF FUEL AND ENERGY RESOURCES USE ON AGRICULTURAL ENTERPRISES IN LENINGRAD REGION
A.M. Valge, DSc (Engineering); A.F. Erk, Cand. Sc. (Engineering)
E.V. Timofeev, Cand. Sc. (Engineering);
Institute for Engineering and Environmental Problems in Agricultural Production (IEEP) - branch of FSBSI FSAC VIM, Saint Petersburg, Russia
The article describes the outcomes of analysis of twenty-one farms in Leningrad Region in terms of fuel and energy resources use. Methods of mathematical statistics and multidimensional statistical methods were applied. Based on the farm data, the main statistical indicators, average values, standard deviation and variation coefficients were determined. Analysis showed the considerable scatter in the data obtained, with variation coefficients being in the range from 30 to 65%. According to the calculated correlation matrix, the relationship between the indices of power consumption also varied in a wide range - from zero to sufficiently big values that indicated its complex nature. Based on factorial and discriminant analysis, the "hidden" factors were identified, which affected the energy consumption and the grouping of farms in terms of energy efficiency. For this purpose, the farms were divided into three groups. The farms of the second group were found to have the largest production volume, biggest consumption of all kinds of energy, and their products had the greatest energy intensity. Regression analysis identified the energy intensity, production volume and the amount of electricity consumed to be the major factors, which influenced the consumption of fuel and energy resources. Mathematical models of the influence of factors on the main production indicators were created. These models allow to predict the energy consumption and to assess the energy efficiency of enterprises based on available information. They can be used to make the production programs for the enterprise development and to design the power supply systems for agricultural facilities.
Keywords: analysis; energy saving; model; economic effect; factor.
Введение
При производстве сельскохозяйственной продукции значительные затраты приходятся на топливо-энергетические ресурсы, потребление которых по хозяйствам не однозначно и имеет большой разброс[1,2,3]. Для определения
особенностей использования ресурсов, были использована выборка данных по двадцати
хозяйствам Ленинградской области, таблица 1.
Материалы и методы
Анализ данных выполнен с использованием математической статистики и многомерных статистических методов. По данным табл. 1 определены основные статистические показатели, средние, сигма, коэффициенты вариации, приведены внизу
таблицы. Полученные результаты показывают, что данные имеют значительный разброс, а коэффициента вариации изменяются от 30 до 65%, поэтому представляет значительный интерес получение показателей и характеристик, позволяющих выявить особенности областей и республик и выявить их возможные особенности и классификацию.
Рассчитанная корреляционная матрица, табл. 2, показала, что связь между показателями энергопотребления изменяется в достаточно широких пределах, от нулевых значений, до достаточно больших значений, что говорит о сложных взаимосвязях между показателями энергопотребления.
Для дальнейшего анализа данных были использованы факторный и
дискриминантные анализы [1], позволяющие выявить некоторые скрытые факторы, оказывающие влияние на анализируемые показатели, а так же выполнить группировку данных.
Расчеты выполнены с использованием статистического пакета [2].
Основу многомерных статистических методов составляют операции матричной алгебры, и в частности, вычисление собственных чисел и векторов матрицы Фишера размерностью m х п .
В нашем случае размерность матрицы составляет 21 х 8(табл. 1).
Данные энергопотребления сельскохозяйственных предприятий Ленинградской области
Номер хозяйства Энергоемкость т.у.т./тыс. руб. Объем производства продукции, тыс. руб. Потребление ТЭР, т.у.т. Количество потребленной электрической энергии, т.у.т. Количество потраченного моторное топливо, т.у.т. Количество техники, ед. Количество работников, чел. Доля платы за ТЭР в стоимости произведенной продукции, %
1 2 3 4 5 6 7 8
1. 0,0096 59,6 560 318,0 259,5 37 108 21,5
2. 0 88 1250 809,2 408 54 129 18,6
3. 0,0087 102 900 416,5 425 69 133 14,9
4. 0,01 105 1070 595,3 472 49 150 17
5. 0,014 106 1470 657,0 756 66 108 23,7
6. 0,0086 108 930 401,0 485 50 151 13,2
7. 0,0063 124 780 363,1 352 34 117 10,8
8. 0,0077 126 980 503,7 478 42 154 13
9. 0,0068 134 910 456,1 427 47 157 9,6
10. 0,0081 147 1190 480,6 714 50 146 8,96
11. 0,008 150 1196 699,3 497 34 112 9,28
12. 0,008 163 1170 587,4 539 48 187 10,3
13. 0,0049 166 1010 382,1 620 50 102 8,5
14. 0,0055 171 950 490,2 312 36 141 6,9
15. 0,0059 182 1090 620,8 470 58 167 10,4
16. 0,007 237 1820 862,6 721 77 146 14,3
17. 0,011 245 2320 665,9 585 65 206 7,83
Таблица 1
18. 0,0064 256 1640 891,9 745 81 279 8,2
19. 0,0083 297 2480 1493,4 905 78 551 9,3
20. 0,0075 336 2540 1187,5 1246 91 346 9,35
21. 0,0053 363 1930 972,2 644 77 243 7
Среднее 0,0075 174,55 1342,2 659,70 574,31 56,8 182,52 12,03
Сигма 0,0027 83,72 568,34 294,59 224,23 17,0 104,01 4,75
Коэф. вар. 36,14 47,97 42,34 44,66 39,04 29,9 56,98 39,45
Таблица 2
Корреляционная матрица данных энергопотребления сельскохозяйственных предприятий
Ленинградской области
-0,1102 0,1101 -0,0928 0,1704 0,0651 0,0167 0,3193
0,8508 0,7752 0,7138 0,7369 0,7208 -0,6226
0,8765 0,8248 0,8104 0,7634 -0,3134
0,7501 0,7464 0,8648 -0,2194
0,7945 0,6639 -0,2197
0,6385 -0,1100
-0,3678
Факторный анализ
Факторный анализ [4] позволяет выделить отдельные группы факторов, отличающиеся по некоторым признакам, оказывающим влияние на совокупность факторов данной группы (некоторые скрытые факторы), не оцениваемые числовыми значениями, но которым можно придать некоторый обобщенный смысл оказывающего влияния). Для этого общая дисперсия матрицы разбивается на некоторое количество ортогональных составляющих, называемых «факторами».
Число факторов изменяется
исследователем, и в процессе расчета сводится до минимального значения (2 .. .5 ), что впоследствии облегчает интерпретацию полученных результатов. В результате первого расчета получается число факторов, равное числу столбцов исходной матрицы, что соответствует 100% дисперсии матрицы. На последующих шагах расчета доля дисперсии уменьшается последовательно до 90%, 85%, 80%, чем достигается отбрасывание составляющих факторов с небольшой долей в общей дисперсии матрицы.
Основу факторного анализа составляет матричный алгоритм определения собственных чисел информационной матрицы Фишера, что достигается решением матричного уравнения [4]:
Г11 — Л Г12 ... Г1т
г -Л
'22 Л2
... г__ - Л
= 0'
(1)
где г i j - коэффициент парной корреляции 1 и ] факторов; л - 1-ое собственное число;
Каждому собственному числу
соответствует собственный вектор. По полученным собственным значениям вычисляются накопленные отношения:
^ =£ Л , (2)
где Л - 1-ое собственное число; ] - номер
собственного числа, большего или равного заданной константе, ] изменяется от 1 до к1 ; т - число собственных значений матрицы. Для каждого из факторов вычисляется нагрузка:
= V-л/Л
где V
(3)
элементы нормированного
г
г
2т
г
г
т1
т2
собственного вектора.
Суммарная нагрузка факторов определяется по формуле:
п2=£«г
Коэффициенты матрицы факторов
соотношением:
а,.,.
(4)
нормализованной определяются
b =
(5)
Для анализа ограничимся накопленным отношением собственных значений > 0.5.
Расчет собственных значений показал, для данного уровня имеется, по крайней мере, имеется четыре собственных значения, рис. 1.
Scree Plot
Рассчитанные по формулам (1 ... 5) факторные нагрузки повернуты в п - мерном пространстве случайным образом, а их абсолютные значения зависят от угла проекции на оси координат. Для более четкого выявления влияния факторов в алгоритме факторного анализа
предусмотрено несколько процедур вращения векторов. Основной из этих методов является процедура VARIMAX, использование которой позволяет значительно повысить точность выделения действующих факторов.
4
Factor
Рис. 1. Расчётные значения собственных чисел корреляционной матрицы Фишера
Дальнейшие расчеты выполнены для трех скрытых фактора. После выполнения расчётов и процедуры Лаптах" получены следующие результаты, табл. 3.
Таблица 3
Распределение величины энергоёмкости производства по факторам
5
4
3
0
0
2
6
8
№ Наименование показателей 1 фактор 2 фактор 3 фактор
1 Энергоемкость т.у.т./тыс. руб. - - 0,98
2 Объем производства продукции, тыс. руб. 0,79 - -
3 Потребление ТЭР, т.у.т. 0,92 - -
4 Количество потребленной электрической энергии, т.у.т. 0,94 - -
5 Количество потраченного моторное топливо, т.у.т. 0,87 - -
6 Количество техники, ед. 0,91 - -
7 Количество работников, чел. 0,82 - -
8 Доля платы за ТЭР в стоимости произведенной продукции % - -0,97 -
Как видно во всех случаях вероятности принадлежности к факторам больше 0,79, что подтверждает высокую достоверность распределения показателей.
В результате факторного анализа выделились следующие факторы, влияющие на энергообеспечение производства: - объем производства (1 фактор);
- доля платы за ТЭР в стоимости произведенной продукции (2 фактор);
- энергоемкость т.у.т./тыс. руб. (3 фактор);
Эти факторы являются определяющими среди анализируемого множества и оказывают основное влияние на показатели энергопотребления в хозяйствах.
Анализ корреляционной таблицы
показывает, внутри анализируемого множества теснота связей между показателями изменяются в широких пределах и можно сделать предположение, что анализируемая совокупность не однозначна и возможно её расщепление на некоторые подмножества, имеющими статистически значимое отличие.
Для подтверждения этого
предположения был выполнен
дискриминантный анализ данных.
Дискриминантный анализ
Дискриминантный анализ позволяет выполнить проверку гипотезы априорного расщепления исходной совокупности данных на некоторое количество подмножеств, выполненное на основе интуитивного анализа совокупности. Основу дискриминантного анализа составляет расчет дискриминантных функций, позволяющих провести гиперплоскости расчленения исходного множества на некоторое количество подмножеств. Для каждого представителя исходного множества рассчитываются вероятности
принадлежности к каждой из гиперплоскостей, и из рассчитанного множества выбирается максимальное значение. Алгоритм дискриминантного анализа состоит из следующих основных действий.
Исходное множество априорно разбивается на некоторое количество групп (подмножеств). В каждой из групп для каждой из переменных определяются средние значения:
(6)
где Щ - количество данных в к-ой группе; j
- номер переменной в группе 1, т.
Для каждой из групп рассчитывается сумма произведений отклонений от средних:
где j=1,m; 1=1,т; переменных.
Далее рассчитывается дисперсионная матрица:
ч
I ^
Б = к=1
т - число
объединенная
(8)
где q - число групп разбиения множества.
По всем группам рассчитывается общее среднее:
I п
X :
(9)
I п
D2
(10)
Рассчитывается обобщенная статистика Махалонобиса V:
V = 2 2^2Л (% - X)(Хк - X)
где dij - обратные элементы объединенной дисперсионной матрицы D.
Обобщенная D2 - статистика служит для проверки гипотезы о соответствии рассчитанной дискриминантной функции к области допустимых функций. Сравнение выполняется путем расчета F - критерия и сравнения его с табличным значением. Другим, более простым методом является использование сравнительной вероятности принадлежности элементов множества к конкретной группе подмножеств. Для этого для каждой из дискриминантных функций рассчитываются коэффициенты:
С,к =
I d^
3 =1
,3Х,к
Далее рассчитывается константа уравнения:
1
т т
уХИсХИс
(11) свободная
(12)
Сс к = - 21 14
2 3 =1 ' =1
Для каждого элемента группы вычисляется значение дискриминантной функции:
/к =1 СзкХгзк + С0к , (13)
"к
=1 (Х1,3,к - Хзк )(Х1,3,к - Х1к ) ,
(7)
к=1
к
к=1
к
п
к
Plot of Discriminant Functions
Col_10 1 2 3
0,4 Function 1
Рис. 2. Распределение хозяйств по энергоемкости производства в координатах двух дискриминантных функций
Из всех дискриминантных функций определяется наибольшая и рассчитывается ее вероятность: 1
Pl =
(14)
I (fk - Il )
k=1
где
Il
значение
наибольшей дискриминантной функции; L - индекс наибольшей дискриминантной функции.
Алгоритм реализован в
модифицированном статистическом пакете
[5] .
В результате выполненного
дискриминантного анализа получено, что анализируемые данные со 100 % вероятностью представляют совокупность из трёх групп:
1 группа - 6, 8, 10, 13 хозяйства (всего 4);
2 группа - 1, 2, 3, 4, 5, 15, 16, 17, 18, 19, 20, 21 хозяйства (всего 12);
3 группа - 7, 9, 11, 12,14 хозяйства (всего 5);
В графическом виде распределение хозяйств в координатах двух дискриминантных функций представлено на рис.2, крестиком помечены центры каждого из распределений.
Как видно из рис.2, все три множества локализированы и между собой не пересекаются.
Для сравнительного анализа в табл. 3 приведены средние значения по группам хозяйств.
Таблица 3
Оценка средних значений показателей по группам
Номер групп распределения хозяйств Энергоемкость т.у.т./т. руб. Объем производства продукции, т. Руб. Потребление ТЭР, тыс. т.у.т. Количество потребленной электрической энергии, т.у.т. Количество потраченного моторное топливо, т.у.т. Количество техники, ед. Количество работников, чел. Доля платы за ТЭР в стоимости произведенной продукции
1 2 3 4 5 6 7 8
1 0,0073 136,75 1027,50 441,85 574,25 48,00 138,25 10,92
2 0,0078 198,05 1589,17 790,86 636,38 66,83 213,83 13,51
3 0,0069 148,40 1001,20 519,22 425,40 39,80 142,80 9,38
3,2
0,2
-0,8
1,8
2,8
-3,6
-1,6
2,4
4,4
Анализируя данные табл. 4 можно отметить, что хозяйства второй группы имеют наибольший объём производства, потребляют наибольшее количество всех видов энергии, но их продукция имеет наибольшую энергоёмкость.
Анализ влияния факторов на показатели производства
Для анализа влияния показателей использования топливно-энергетических ресурсов на производственную деятельность был выполнен множественный
регрессионный пошаговый анализ. Рассматривалось влияние всех
анализируемых факторов на анализируемую переменную и пошаговым методом
отбрасывались незначимые переменные и оставлялись только статистически значимые 1. Анализ влияния факторов на объём производства
В результате выполненных расчетов получено уравнение регрессии (15), коэффициенты уравнения значимы на уровне Р = 0,95, коэффициент детерминации
составляет R2 = 89.83 .
У2 = 89,94 + 0,066 • X 3 +1,6 • X 6 - 7,88 • X 8
(15)
Степень влияния факторов на зависимую переменную: X 3, X 6, X 8 , т.е.
- потребление ТЭР,тыс. т.у.т.;
- количество техники, ед.;
- доля платы за ТЭР в стоимости произведенной продукции
Совпадение экспериментальных и расчётных данных приведено на рис. 3.
- объем производства продукции, т. руб.;
- количество потребленной электрической энергии, т.у.т.;
(X 1000,0) 3
2,5 2
о' 1,5 О
1
0,5 0
8 12 16 row number
8 12 16 row number
Рис. 3. Совпадение экспериментальных и расчётных по уравнению 15 данных
2. Анализ влияния факторов на потребление ТЭР
В результате расчетов получено
уравнение регрессии (16), коэффициенты уравнения значимы на уровне P = 0,95, коэффициент детерминации составляет
R2 = 88,6.
Y3 = -218,33 + 44094,1 • X1 + 3,05 • X2 +1,056 • X 4
(16)
Степень влияния факторов на зависимую переменную: X1, X 2, X 4, т. е. - энергоемкость т.у.т./т. руб.;
Рис. 4. Совпадение экспериментальных и расчётных по уравнению 16 данных
3. Анализ влияния факторов на энергоёмкость производства
В результате расчетов получено
уравнение регрессии (17), коэффициенты уравнения значимы на уровне Р = 0,95, коэффициент детерминации составляет Я2 = 61,0.
У3 = 0,0023 + 0,0000054 • X3 - 0,000015 • X 4 + +0,000021 • X7 + 0,000035 • X 8
(17)
Степень влияния факторов на зависимую переменную: X 8, X 7, X 3, X 4, т. е.
- доля платы за ТЭР в стоимости произведенной продукции;
- количество работников, чел.;
- потребление ТЭР, тыс. т.у.т.;
- количество потребленной электрической энергии, т.у.т.;
Совпадение экспериментальных и расчётных данных приведено на рис. 5.
(X 0,001) 15
8 12 16 row number
Рис. 5. Совпадение экспериментальных и расчётных по уравнению 17 данных
Выводы
Использование топливно-
энергетических ресурсов на
сельхозяйственных предприятиях
Ленинградской области отличаются большим разнообразием, что затрудняет их анализ при оценке эффективности их использования. Для выявления
особенностей показателей были выполнены факторный и кластерный анализы, которые позволили основные влияющие факторы и выполнить классификацию предприятий.
Для определения влияния факторов на основные производственные показатели выполнен множественный регрессионный
анализ. Наиболее сильное влияние на энергоемкость продукции предприятия оказывают объём производства и
потребление ТЭР.
Определены математические модели влияния факторов на основные производственные показатели. Данные модели могут быть использованы при проектировании систем энергообеспечения сельскохозяйственных объектов. Они позволяют спрогнозировать
энергопотребление и могут быть использованы при планировании
производственной программы развития предприятия. Также данные закономерности позволяют произвести оценку
энергоэффективности предприятий на основе имеющейся информации.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Бровцин В.Н., Эрк А.Ф., Бычкова О.В. Сравнительный анализ энергоэффективностисельскохозяйственных предприятий молочного направления / В.Н.Бровцин, А.Ф.Эрк, О.В.Бычкова // Теоретический и научно-практический журнал «Механизации и электрификации сельского хозяйства» - 2014.- №5.- С. 22-24
2. Эрк А.Ф.,Судаченко В.Н. Методы повышения надежности энергообеспечения крестьянских (фермерских) хозяйств. // Технологии и технические средства механизированного производства продукции растениеводства и животноводства / ИАЭП. - С-Пб, 2016. - № 88. - С.53-59.
3. Эрк А.Ф., Судаченко В.Н., Бутримова Е.И. Эффективность использования энергоресурсов в сельхозпредприятиях молочного направления // Технологии и технические средства механизированного производства продукции растениеводства и
животноводства / ИАЭП. - С-Пб, 2016. - № 89. - С.12-19.
4. Компьютерная биометрика / Под ред. В.Н. Носова. - М.: Изд-во МГУ, 1990. - 232 с. ISBN 5- 211-00920-7.
5. Дюк В. Обработка данных на ПК в примерах. - СПб: Питер, 1997. -240 с.: ил. ISBN 5- 88782 -339 -9.
6. Тимофеев Е.В. Повышение эффективности производства кормов из трав в условиях Северо-Запада Российской Федерации путем моделирования процессов кормопроизводства и формировании оптимальных технологий диссертация на соискание ученой степени кандидата технических наук / Северо-Западный научно-исследовательский институт механизации и электрификации сельского хозяйства. // Санкт-Петербург, 2010
7. Валге А.М., Тимофеев Е.В., Структура алгоритма управления ресурсным обеспечением сельскохозяйственного
производства / Технологии и технические средства механизированного производства продукции растениеводства и
животноводства. // 2008. № 80. С. 169-177.
8. Валге А.М., Тимофеев Е.В. Проектирование технологий сельскохозяйственного производства на основе использования СУБД. / Известия Санкт-Петербургского государственного аграрного университета. //Санкт-Петербургский политологический журнал. 2009. № 14. С. 210.
9. Тимофеев Е.В. Анализ эффективности ресурсного обеспечения производства
сельскохозяйственной продукции
математическими методами / Технологии и технические средства механизированного производства продукции растениеводства и животноводства. // 2007. № 79. С. 74-78. 10. Тимофеев Е.В. Инфокоммуникационная система для мониторинга и управления сельскохозяйственных агрегатов / Сельское хозяйство - драйвер российской экономики (для обсуждения и выработки решений) Материалы международного конгресса. Оргкомитет международной
агропромышленной выставки - ярмарки "Агрорусь-2016". // 2016. С. 261-262.
REFERENCES
1. Brovtsin V.N., Erk A.F., Bychkova O.V. Sravnitel'nyj analiz energoehffektivnosti sel'skohozyaj stvennyh predpriyatij molochnogo napravleniya [Comparative analysis of energy efficiency of dairy farms]. Mekhanizaciya i ehlektrifikaciya sel'skogo hozyajstva. 2014; 5: 22-24.
2. Erk A.F., Sudachenko V.N. Metody povysheniya nadezhnosti ehnergoobespecheniya krest'yanskih (fermerskih) hozyajstv [Methods to improve reliability of power supply of private (peasant) farms] . Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produkcii rastenievodstva i zhivotnovodstva. 2016; 88: 53-59.
3. Erk A.F., Sudachenko V.N., Butrimova E.I. Effektivnost' ispol'zovaniya ehnergoresursov v sel'hozpredpriyatii molochnogo napravleniya [Efficiency of energy use in dairy cattle husbandry]. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produkcii rastenievodstva i zhivotnovodstva. 2016; 89: 1218.
4. Komp'yuternaya biometrika. Pod red. V.N. Nosova [Computer-aided biometrics. Ed. V.N.Nosov]. M.: MGU Publishers, 1990: 232.
5. Dyuk V. Obrabotka dannyh na PK v primerah [PC data processing in examples]. SPb: Piter, 1997: 240.
6. Timofeev E.V. Povyshenie ehffektivnosti proizvodstva kormov iz trav v usloviyah Severo-Zapada Rossijskoj Federacii putem modelirovaniya processov kormoproizvodstva i formirovaniya optimal'nyh tekhnologij. Diss. kand. tekhn. nauk [Improving the efficiency of grass forage making in the North-West of the Russian Federation by modeling the feed production processes and formation of optimal technologies. Cand. techn. sc. diss.]. Saint Petersburg: SZNIIMESH, 2010: 182.
7. Valge A.M., Timofeev E.V., Struktura algoritma upravleniya resursnym obespecheniem sel'skohozyajstvennogo proizvodstva [Structure of control algorithm for resource support of agricultural production]. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produkcii rastenievodstva i zhivotnovodstva. 2008; 80: 169-177.
8. Valge A.M., Timofeev E.V. Proektirovanie tekhnologij sel'skohozyajstvennogo proizvodstva na osnove ispol'zovaniya SUBD [Creation of agricultural production technologies with the use of DBMS]. Izvestiya Sankt-Peterburgskogo
gosudarstvennogo agrarnogo universiteta. 2009; 14: 210.
9. Timofeev E.V. Analiz ehffektivnosti resursnogo obespecheniya proizvodstva sel'skohozyaj stvennoj produkcii
matematicheskimi metodami [Effectiveness analysis of resource support of agricultural production by mathematical methods]. Tekhnologii i tekhnicheskie sredstva mekhanizirovannogo proizvodstva produkcii rastenievodstva i zhivotnovodstva. 2007; 79: 74-
78. 10.Timofeev E.V. Infokommunikacionnaya sistema dlya monitoringa i upravleniya sel'skohozyajstvennyh agregatov. Materialy mezhdunarodnogo agropromyshlennogo
kongressa "Sel'skoe hozyajstvo - drajver rossijskoj ehkonomiki" [Information and communication system for monitoring and control of agricultural tractor/implement systems. Proc. Int. Agro-Ind. Cong "Agriculture as the driver of Russian economy"]. Saint Petersburg: 2016: 261-262.
УДК 621.311.24, 620.9, 004.8 DOI 10.24411/0131-5226-2018-10031
ПОИСК ОПТИМАЛЬНЫХ ФУНКЦИЙ ПРИНАДЛЕЖНОСТИ НЕЧЕТКИХ МНОЖЕСТВ ДЛЯ ОПТИМИЗАЦИИ СИСТЕМ УПРАВЛЕНИЯ ВЕТРОЭНЕРГЕТИЧЕСКОЙ УСТАНОВКОЙ
Н.В. Зубова, канд. техн. наук; В.Д. Рудых
Новосибирский государственный технический университет, Новосибирск, Россия
Ветроэнергетика является бурно развивающейся и перспективной отраслью возобновляемой энергетики. Энергия ветра с каждым годом занимает всё большую долю в общемировом производстве электроэнергии, так как данный источник энергии находится в свободном доступе, нескончаем и безвреден для окружающей среды. Одним из ее недостатков остается необходимость повышения конкурентоспособности энергии, получаемой от ветра, по отношению к энергии, получаемой из традиционных источников топлива. На сегодняшний день это достигается совершенствованием систем управления. Все чаще в работах отечественных и зарубежных ученых встречается разработка новых интеллектуальных способов управления, которые позволяют регулировать выработку ветроэнергетических установок в зависимости от тех или иных условий ее работы. К таким способам управления относятся, в том числе, и контроллеры, в основу которых заложены алгоритмы на основе нечеткой логики, управляющие различными контурами ветроустановок. В данной статье рассмотрена идея поиска оптимальных функций принадлежности для нечетких множеств входных и выходных переменных, используемых в алгоритмах на основе нечеткой логики для повышения энергоэффективности ветроэнергетической установки. В результате проведенного исследования было установлено, что использование симметричных гауссовских функций принадлежности дает наиболее быстрый результат сходимости в точку оптимальной мощности.
Ключевые слова: энергия ветра; ветроэнергетическая установка; нечеткая логика; функция принадлежности; энергоэффективность.
