CC BY
10
БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ
Знаенок, В. Н. Влияние конструкции силовых шин на токовую симметрию в ветвях плеча выпрями-тельно-инверторного преобразователя на ЮВТ-транзисторах при их параллельном включении / В. Н. Знаенок, О. В. Мельниченко, А. О. Линьков. -Текст : непосредственный // Известия Транссиба. -2022. - № 2 (50). - С. 74 - 85.
BIBLIOGRAPHIC DESCRIPTION
Znaenok V.N., Melnichenko O.V., Linkov A.O. Influence of the design of power buses on the current symmetry in the branches of the arm of the rectifier-inverter converter on IGBT transistors when they are connected in parallel. Journal of Transsib Railway Studies, 2022, no. 2 (50), pp. 74-85 (In Russian).
УДК 629.4:519.246.8
С. О. Подгорная, Е. А. Сидорова, А. И. Давыдов
Омский государственный университет путей сообщения (ОмГУПС), г. Омск, Российская Федерация
ПРОГНОЗИРОВАНИЕ ПОКАЗАТЕЛЯ ЭНЕРГЕТИЧЕСКОЙ ЭФФЕКТИВНОСТИ ЛОКОМОТИВОВ
Аннотация. Существенная доля расходов ОАО «РЖД» приходится на закупку дизельного топлива и электрической энергии на тягу поездов. В связи с этим особую важность приобретает задача обеспечения рационального потребления энергоресурсов. Ее решение невозможно без четко отлаженной системы планирования и прогнозирования показателей энергетической эффективности локомотивов. В статье предложен метод прогнозирования удельного расхода энергии (УРЭ) на тягу поездов, основанный на определении прогнозных значений перевозочной работы и расхода топливно-энергетических ресурсов методом экстраполяции временных рядов, который заключается в распространении тенденций изменения величин, установленных в прошлом, на будущий период. Отличительными особенностями разработанного метода являются определение индексов сезонности и учет ритмичности изменения показателей. В случаях, если прогнозный период включает в себя месяцы первого или четвертого кварталов, предложена формула для определения прогнозного значения УРЭ с учетом влияния температуры атмосферного воздуха. Выполненные расчеты показали, что применение предложенного метода для структурных подразделений с разным объемом и характером перевозочной работы и уровнем УРЭ обеспечивает достаточно высокую точность прогнозирования энергозатрат на тягу поездов. Метод включен в состав разработанной в ОмГУПСе Методики анализа и прогнозирования расхода топливно-энергетических ресурсов на тягу поездов, внедренной на сети железных дорог Российской Федерации.
Ключевые слова: топливно-энергетические ресурсы, перевозочная работа, удельный расход энергии, прогнозирование, математическая модель, экстраполяция, временной тренд.
Svetlana O. Podgornaya, Еквд А. Sidorova, Alexey I. Davydov
Omsk State Transport University (OSTU), Omsk, the Russian Federation
PREDICTION OF ENERGY EFFICIENCY INDICATOR FOR LOCOMOTIVES
Abstract. A significant share of JSCo «Russian Railways» expenses falls on the purchase of diesel fuel and electric power for train traction. In this connection, the task of ensuring rational consumption of energy resources acquires special importance. Its solution is impossible without a well-functioning system for planning and forecasting the energy efficiency of locomotives. The article proposes a methodfor predicting specific energy consumption (SEC) for train traction, based on determining predicted values of transportation work and fuel and energy resources consumption by extrapolating time series, which consists in spreading the trends in changes in the values established in the past to the future period. A distinctive features of the developed method is the determination of seasonality indices and consideration of the rhythm of changes in the indicators. In cases where the forecast period includes months of the first or fourth quarters, a formula is proposed for determining the forecast value of the SEC, taking into account the influence of the atmospheric air temperature. The calculations performed showed that the application of the proposed methodfor structural divisions with different volume and nature of transportation work and the level of the SEC ensures a sufficiently high accuracy of train traction energy cost forecasting. The method is included in the Methodology for Analysis and Prediction of Fuel and Energy Resources Consumption for Traction of Trains developed by OmGUPS and implemented in the railroad network of the Russian Federation.
Keywords: fuel and energy resources, transportation work, specific energy consumption, forecasting, mathematical model, extrapolation, time trend.
В связи с постоянным ростом стоимости топливно-энергетических ресурсов (ТЭР) проблема их эффективного использования во всех сферах производственной деятельности имеет особую остроту. Одной из наиболее существенных статей расходов ОАО «РЖД» является закупка дизельного топлива и электрической энергии на тягу поездов. На эти цели ежегодно затрачивается более 100 млрд рублей. Энергоэффективность перевозочного процесса определяется удельным расходом энергии (УРЭ) на единицу выполняемой работы [1]. Среди важнейших мер, ориентированных на рациональное потребление ТЭР, - четко отлаженная, научно обоснованная система планирования, нормирования, учета и анализа УРЭ.
Расчет плановых значений УРЭ в разных видах движения и в целом по структурным подразделениям железнодорожного транспорта производится на основе технически обоснованных норм энергозатрат с учетом ожидаемых значений различных эксплуатационных факторов - средней массы поезда, средней технической скорости движения, нагрузки на ось грузового вагона и др. При выполнении перевозочного процесса фактические значения показателей могут отличаться от запланированных. Для решения задачи эффективного управления ресурсами на предприятии любого уровня необходимо учесть эти отличия, в связи с чем возникает необходимость качественного прогнозирования показателей энергопотребления с целью объективной корректировки их плановых значений.
Для прогнозирования показателей энергоэффективности на сети железных дорог используют разные методы, однако они не всегда обеспечивают достаточную точность. В некоторых случаях для прогнозирования УРЭ применяют модели множественной линейной регрессии, причем для разных видов движения виды математической модели различаются. Результаты исследований авторов статьи по прогнозированию УРЭ при помощи регрессионных моделей представлены в работе [2]. При этом рассматривались такие влияющие на УРЭ факторы, как средняя масса грузового поезда, средняя техническая скорость движения, коэффициент участковой скорости, средняя нагрузка на ось грузового вагона, доля порожнего пробега грузовых вагонов, количество остановок поездов, среднемесячная температура атмосферного воздуха и др. Все показатели проверялись на соответствие нормальному закону распределения. Оценка адекватности предложенных моделей при помощи ^-критерия Фишера показала, что все рассматриваемые зависимости адекватны. Статистическая значимость коэффициентов регрессии полученных моделей выполнена с помощью ¿-критерия Стьюдента [3], в результате было выявлено, что некоторые коэффициенты регрессии не являются статистически значимыми. Согласно положениям математической статистики при адекватности математической модели, но присутствии в ней отдельных статистически незначимых коэффициентов она может быть пригодна для принятия некоторых решений, но не для прогнозирования. Анализ значений коэффициентов детерминации полученных регрессионных зависимостей по всем железным дорогам Российской Федерации за несколько лет показал, что в 10 % случаев они имеют низкие значения, что не позволяет обеспечить достаточную точность прогнозирования УРЭ при их применении. Попытка исключить из моделей факторы, регрессионные коэффициенты для которых не являются статистически значимыми, не привела к улучшению результатов.
С учетом того, что полученные результаты оказались неоднозначными (точность и надежность прогнозирования УРЭ в ряде случаев невысокая), проведен ряд дополнительных исследований по формированию регрессионных моделей, в состав которых включены не только качественные показатели использования локомотивов, но и такие факторы, как рабочий и эксплуатируемый парк локомотивов, а также различные их комбинации. Однако это также не привело к повышению точности прогнозирования УРЭ. Следует отметить, что одной из основных проблем при применении регрессионных моделей для прогнозирования УРЭ на тягу поездов является необходимость определения прогнозных значений входящих в них эксплуатационных показателей. В связи с этим возникает задача поиска других путей обеспечения качественного прогнозирования УРЭ.
Показатели энергопотребления зависят от объема перевозочной работы, для прогнозирования которого авторами статьи предложено применять метод экстраполяции временных рядов, заключающийся в распространении тенденций, установленных в прошлом, на будущий период [4]. Временной ряд представляет собой последовательно измеренные через некоторые промежутки времени данные. Основная тенденция изменения значений временного ряда называется временным трендом (далее - тренд) [5]. Построение трендов объемов перевозочной работы в каждом виде движения основано на выполнении ретроспективного анализа динамики их изменения по единицам времени, составляющим прогнозный период - отрезок времени, на который выполняется прогнозирование (в общем случае он равен плановому периоду). По сложившейся практике, если длительность прогнозного периода не превышает одного месяца, то единицей времени прогнозирования являются сутки, в остальных случаях - месяц. При определении тренда используются данные об объемах выполненной работы за базовый период, в который включаются соответствующие данные за прошлый календарный год, предшествующий прогнозному, а также могут включаться данные за предыдущие годы в случае, если в них не было существенного изменения характера перевозочного процесса относительно прошлого года. Прогнозирование выполняется при условии, что от начала прогнозного периода прошло: при прогнозировании на месяц - не менее 15 дней, при прогнозировании на квартал - не менее двух месяцев, при прогнозировании на год - не менее шести месяцев (далее - прошедшая часть прогнозного периода). Схематично временные периоды приведены на рисунке 1.
Базовый период
__*__
Прошедшая часть прогнозного периода
Текущий момент времени
Прогнозный период Рисунок 1 - Наименования периодов времени при прогнозировании
Для построения тренда объемов перевозочной работы предложен алгоритм, графическая схема которого представлена на рисунке 2.
С целью определения тенденции изменения объемов перевозочной работы и нивелирования случайных «выбросов» значений данные об объемах работы за одинаковые календарные единицы времени в наборах данных за однотипные календарные периоды, аналогичные прогнозному периоду (далее - однотипный набор данных), осредняются. В этом случае данные в базовом периоде за каждую единицу времени представляют собой соответствующие средние значения объемов перевозочной работы из однотипных наборов данных.
Построение тренда выполняется на основе расчета индексов сезонности изменения объемов перевозочной работы (далее - индекс сезонности), которые характеризуют в процентах долю объема перевозочной работы за г-ю единицу времени относительно среднего арифметического значения этого показателя для всех рассматриваемых единиц времени.
Для выявления значений объемов перевозочной работы, нарушающих сложившуюся тенденцию, производится оценка колеблемости индексов сезонности по каждой г-й единице времени в однотипных наборах данных с помощью коэффициента вариации [6], который определяется по формуле:
1
Х(4 - А У
_
п -1
А
100,
где А! - индекс сезонности за ¡-ю единицу времени в у-м однотипном наборе данных, %;
п - количество значении индексов сезонности за ¡-ю единицу времени;
А -
среднее значение
индекса сезонности за ¡-ю единицу времени, %.
Если коэффициент вариации VI превышает максимально допустимое значение Ушах, установленное на соответствующем уровне управления ОАО «РЖД», с целью повышения достоверности прогнозирования принимается решение об исключении «проблемного» значения показателя из комплекта исходных данных. Затем осредненный объем перевозочноИ работы определяется заново без учета исключенных значении.
Далее определяются индексы сезонности изменения осредненного объема перевозочноИ работы по ¡-И единице времени. Полученные на их основе значения представляют собой тренд изменения объемов перевозочноИ работы, с помощью которого осуществляется ее прогнозирование.
Расчет осредненного объема перевозочной работы без учета исключенных ее значений и расчет осредненного объема перевозочной работы за единицу времени базового периода
Расчет индексов сезонности изменения объемов перевозочной работы
I
Оценка колеблемости индексов сезонности (расчет и)
Расчет индексов сезонности изменения осредненных объемов
перевозочной работы по соответствующим единицам времени
Принятие решения об исключении значения объема перевозочной работы
Рисунок 2 - Графическая схема алгоритма построения тренда объемов перевозочноИ работы
Необходимым условием для прогнозирования объемов перевозочноИ работы на основе тренда является наличие фактических ее значениИ за каждую единицу времени прошедшеИ части прогнозного и аналогичноИ еИ части базового периода. Вид (сутки или месяц) и количество единиц времени в базовом и прогнозном периодах должны быть одинаковыми.
ОтличительноИ особенностью предложенного метода прогнозирования является учет ритмичности выполнения перевозочноИ работы, которая характеризуется коэффициентом рит-
V
мичности. Этот коэффициент определяет равномерность распределения значений объемов перевозочной работы в каждом временном интервале и рассчитывается в безразмерных единицах по формуле:
к
х $
-, (2)
г=1
х $
г=1
где - индекс сезонности изменения осредненного объема работы за г-ю единицу времени
базового периода, %; к - количество единиц времени в части базового периода, аналогичной прошедшей части прогнозного периода; т - количество единиц времени в базовом периоде.
Прогнозное значение объема перевозочной работы на прогнозный период в целом рассчитывается по формуле:
X 4
А = —
(3)
где Аг ч. п - фактическое значение работы за г-ю единицу времени прошедшей части прогнозного периода, 10 тыс. т • км брутто; £ - коэффициент ритмичности работы в базовом периоде.
На основе полученного тренда перевозочной работы определяются прогнозные значения объемов перевозочной работы на каждую г-ю единицу времени оставшейся части прогнозного периода по формуле:
~ А
А = —
т
$1 100
(4)
С целью апробации предложенного метода определены прогнозные значения объемов перевозочной работы во всех видах движения на электрической и дизельной тяге по статистическим отчетным данным за 2018 и 2019 гг. по всем железным дорогам России. Расхождение фактических отчетных данных с соответствующими прогнозными значениями во всех случаях не превышает 5 % [4].
Так как прогнозирование объемов перевозочной работы на основе метода экстраполяции временных рядов показало хорошие результаты, применим указанный метод для прогнозирования расхода ТЭР. С этой целью обработаны данные в грузовом движении на электрической тяге для железной дороги N по месяцам за 2018 г., 2019 г. и январь - июнь 2020 г. За базовый период приняты 2018 и 2019 гг., в качестве прошедшей части прогнозного периода выступал период январь - июнь 2020 г. Прогнозирование расхода ТЭР выполнялось в начале июля на июль - декабрь 2020 г.
Оценка точности прогнозирования любого показателя осуществлялась на основе анализа расхождения соответствующих фактических и прогнозных величин по формуле:
8 =
X - X,
X,
•100,
(5)
где X, X - фактическое и прогнозное значения анализируемого показателя Х за г-ю единицу
времени прогнозного периода соответственно.
Прогнозные значения перевозочной работы и расхода ТЭР, полученные с помощью метода экстраполяции временных рядов, представлены в таблице 1 (выделены полужирным начертанием).
Таблица 1 - Прогнозирование объемов перевозочной работы, расхода ТЭР и УРЭ в грузовом движении на электрической тяге на железной дороге N
Месяц Перевозочная работа, 10 тыс. ткм брутто Расход ТЭР, кВт • ч УРЭ, кВт-ч/10 тыс. ткм б рутто
прогноз факт д, % прогноз факт д , % план прогноз факт д, % д* , %
1 929026 917394 1,3 104928226 105793324 0,8 112,7 110,9 115,3 4,0 2,3
2 837647 833000 0,6 93174143 94400550 1,3 111,1 109,2 113,3 3,8 2,0
3 934283 944485 1,1 111591378 110937314 0,6 120,1 117,3 117,5 0,2 2,2
4 879534 880990 0,2 97711328 96550937 1,2 108,1 109,0 109,6 0,6 1,4
5 867989 880873 1,5 94800054 95067963 0,3 108,7 107,2 107,9 0,7 0,7
6 806212 797950 1,0 88334144 87789185 0,6 109,1 107,6 110,0 2,2 0,8
7 836982 845287 1,0 93371380 93598184 0,2 112,4 109,5 110,7 1,1 1,5
8 850701 836644 1,7 93897132 92258807 1,8 109,7 108,4 110,3 1,8 0,5
9 854143 860668 0,8 96111396 95987585 0,1 107,8 110,5 111,5 0,9 3,4
10 902604 889407 1,5 99323410 98581384 0,8 109,3 108,0 110,8 2,6 1,4
11 869745 857231 1,5 99115101 97730957 1,4 114,7 111,9 114,0 1,9 0,6
12 921478 919476 0,2 108502236 109330449 0,8 120,0 115,6 118,9 2,9 0,9
В среднем за месяц 874195 871950 0,3 98404994 98168887 0,2 113,8 110,4 112,5 1,0 1,1
По окончании прогнозного периода из форм статистической отчетности ОАО «РЖД» получены фактические значения перевозочной работы и расхода ТЭР. В графах 4, 7 таблицы 1 приведены расхождения фактических и прогнозных величин д, диапазон разброса которых для перевозочной работы составляет от 0,2 до 1,7 %, для расхода ТЭР - от 0,1 до 1,8 %.
Для обобщенной оценки качества прогнозирования по формуле (1) рассчитан коэффициент вариации, значение которого для перевозочной работы на оставшуюся часть прогнозного периода составило 1,2 %, для расхода ТЭР - 1 %. Анализ полученных данных свидетельствует о том, что прогнозные значения расхода ТЭР определены с достаточно высокой точностью.
Аналогичным образом применим метод экстраполяции временных рядов (далее - метод прямого прогнозирования (ПП)) для прогнозирования УРЭ. Результаты расчетов приведены в графах 8 - 12 таблицы 1. При применении метода ПП для прогнозирования УРЭ прогнозные значения показателя существенно отличаются от фактических, а в семи месяцах из 12 оказались хуже, чем плановые. Значение коэффициента вариации на оставшуюся часть прогнозного периода составило 2 %. Диапазон разброса фактических и прогнозных значений УРЭ составил от 0,2 до 4 %, фактических и плановых значений (графа 12 таблицы 1) - от 0,5 до 3,4 %. Разброс значений при прогнозировании УРЭ в среднем в 1,6 раза больше, чем при прогнозировании тем же методом объемов перевозочной работы, т. е. качество прогнозирования УРЭ оказалось ниже. Возможно, такое различие обусловлено тем, что объем перевозочной работы, расход ТЭР и удельный расход энергоресурсов имеют разные темпы изменения, которые характеризуются цепным темпом прироста т. Он показывает, на сколько процентов значение рассматриваемого показателя в следующем месяце отличается от его значения в предыдущем месяце [3].
Цепной темп прироста значений показателя П рассчитывается по формуле:
т =
'П. ^ —^ -1
V П.-1 У
• 100, (6)
где П., Пч - значения показателя в текущем и предыдущем месяцах соответственно.
Изменение цепного темпа прироста объемов перевозочной работы, расхода ТЭР и УРЭ приведено на рисунке 3.
15
10
■15
А
И 11 >\ и _1
ч 1! 1! * \ Аь / //
Ч У \ и \ Л_ \ жг К у "гГ _/_
А 1 ч * V Л\ 1 / * л / /' Л м \ 1 Т и У РЭ
\ч V § } г \ \ / ! / // 1 " Прпрппчпиняя пя^птя
1 г Расход ТЭР
5
Месяц
Ш
11
Рисунок 3 - Изменение цепного темпа прироста объемов перевозочной работы, расхода ТЭР и УРЭ на железной дороге N в 2020 г.
Как следует из рисунка 3, цепной темп прироста представленных показателей разный и колеблется в диапазоне от -13 до 17,5 %. В отдельные месяцы т для УРЭ находится в проти-вофазе с цепными темпами прироста объемов перевозочной работы и расхода ТЭР вследствие изменения структуры грузопотока или условий эксплуатации. В связи с этим предложено определять прогнозные значения удельного расхода ТЭР на основе спрогнозированных методом экстраполяции временных рядов показателей выполненной работы и расхода ТЭР по традиционным формулам:
в к-м виде движения (кроме маневровой работы) -
В
А,
(7)
где Вк, Ак - прогнозные значения расхода ТЭР, кВт • ч (кг), и объема перевозочной работы, 10 тыс. ткм брутто, соответственно; на маневровой работе (МР) -
Ь =
МР
100 • В
L
(8)
усл
где В, Lусл - прогнозные значения расхода ТЭР, кВт • ч (кг), и условного пробега, лок. • км, на
маневровой работе соответственно.
Прогнозные значения всех фигурирующих в формулах (7) и (8) показателей определяются методом экстраполяции временных рядов.
Для структурного подразделения (СП) в целом прогнозное значение УРЭ на тягу поездов можно вычислить по формуле:
ЬСП =
Е ьк • Ак+ьмр 1ЛЛ _к_100
Е А
03ВЕСТИЯ Транссиба
к
к
Учитывая тот факт, что прогнозное значение УРЭ определяется не в результате применения ПП, а на основе спрогнозированных методом ПП показателей работы и расхода ТЭР, предложенный метод его расчета предложено называть методом косвенного прогнозирования (КП). Для апробации метода КП выполнен расчет прогнозных значений УРЭ в грузовом движении на электрической тяге на железной дороге N на июль - декабрь 2020 г. на основе данных по месяцам за 2018, 2019 гг. и январь - июнь 2020 г. Результаты расчета приведены в таблице 2.
Таблица 2 - Прогнозирование УРЭ в грузовом движении на электрической тяге на железной дороге N
Месяц Прогноз Фактический УРЭ, кВт • ч/10 тыс. ткм брутто 3 , % Плановый УРЭ, кВт • ч/10 тыс. ткм брутто 3* , %
работа, 10 тыс. ткм брутто расход ТЭР, кВт • ч УРЭ, кВт • ч/10 тыс. ткм брутто
1 929026 104928226 112,9 115,3 2,1 112,7 2,3
2 837647 93174143 111,2 113,3 1,8 111,1 2,0
3 934283 111591378 119,4 117,5 1,7 120,1 2,2
4 879534 97711328 111,1 109,6 1,4 108,1 1,4
5 867989 94800054 109,2 107,9 1,2 108,7 0,7
6 806212 88334144 109,6 110,0 0,4 109,1 0,8
7 836982 93371380 111,6 110,7 0,7 112,4 1,5
8 850701 93897132 110,4 110,3 0,1 109,7 0,5
9 854143 96111396 112,5 111,5 0,9 107,8 3,4
10 902604 99323410 110,0 110,8 0,7 109,3 1,4
11 869745 99115101 114,0 114,0 0,0 114,7 0,6
12 921478 108502236 117,7 118,9 1,0 120,0 0,9
В среднем за месяц 874195 98404994 112,6 112,5 0,1 113,8 1,1
В 70 % случаев прогнозные значения УРЭ, определенные методом КП, оказались ближе к фактическим и в половине случаев расхождение их с фактом ниже, чем факта с планом (3*), т. е. точность прогнозирования данным методом выше по сравнению с методом ПП. Расхождения прогноза и факта не превышают 2,1 %, коэффициент вариации равен 0,7 %, что меньше, чем при прогнозировании методом ПП.
Для подтверждения достоверности метода КП выполнен расчет прогнозных значений удельных энергозатрат в грузовом движении на электрической тяге по всем железным дорогам РФ по данным, приведенным выше, на 2020 г. Расхождения прогнозных и фактических значений УРЭ для железных дорог с разным объемом перевозочной работы и уровнем энергопотребления не превышают 2 %, что свидетельствует о высокой точности прогнозирования.
Для примера приведем результаты прогнозирования УРЭ методами ПП и КП, когда прошла не половина прогнозного периода, а только его четверть. На рисунке 4 представлены расхождения фактических и прогнозных значений УРЭ при прогнозировании его двумя указанными методами на период с апреля по декабрь 2020 г. в разных видах движения по сети железных дорог РФ.
Как следует из рисунка 4, расхождения фактических и прогнозных величин УРЭ методом КП почти во всех случаях ниже, чем методом ПП. Анализ полученных результатов свидетельствует о том, что предложенный способ прогнозирования УРЭ методом КП позволяет с достаточно высокой точностью определять его ожидаемые значения.
По мере истечения каждой последующей единицы времени прогнозного периода прогнозные значения УРЭ могут уточняться рассмотренным выше методом в зависимости от сложившихся условий выполнения перевозочного процесса. Для этого необходимо выполнить процедуру прогнозирования заново с учетом большей длительности прошедшей части прогнозного периода.
5 6 7
Месяц
Е-ПП;
а
Е-ПП; в
Е - ПП;
г
Рисунок 4 - Погрешность прогнозирования УРЭ методами 1111 и КП: грузовое (а), пассажирское (б), хозяйственное (в) движение и маневровая работа (г)
В Омском государственном университете путей сообщения в 2010 г. выполнены детальные исследования по определению зависимости УРЭ от температуры атмосферного воздуха, на основе которых разработана Методика оценки влияния температуры атмосферного воздуха на расход ТЭР на тягу поездов [7]. С учетом положений этой Методики, если прогнозный период включает в себя месяцы первого или четвертого кварталов, в которых ожидается существенное изменение средней температуры атмосферного воздуха относительно соответствующей температуры в базовом периоде, то прогнозные значения УРЭ на каждый такой месяц необходимо уточнить, рассчитав их по формуле:
ъ,: = ъ
0 ш
I баз.г I
1 ,/йГ -~г) 100
(10)
где ЪГ - прогнозное значение УРЭ на ¿-й месяц оставшейся части прогнозного периода; рт - коэффициент влияния температуры атмосферного воздуха на УРЭ, %/°С;
баз. г
- среднемесячная температура атмосферного воздуха за ¿-й месяц базового периода, °С;
- ожидаемое значение среднемесячной температуры атмосферного воздуха в ¿-м месяце прогнозного периода.
Для мониторинга энергетической эффективности перевозочного процесса, проводимого вышестоящими подразделениями, важнейшим показателем является прогнозное значение УРЭ в целом по эксплуатационному локомотивному (моторвагонному) депо. Это значение является индикатором внедрения программ повышения энергоэффективности. С учетом корректировки по температуре атмосферного воздуха прогнозное значение УРЭ для структурного подразделения на период прогнозирования можно определить по формуле:
б
X
Bф +1
Ьсп =
Г L \
у.2т + ьт ■ усл'
Lu ukt ^ умр i л лл
k 100 V У
у у A
ik
где B* - фактический расход ТЭР за время, прошедшее от начала прогнозного периода до момента прогнозирования; A - прогнозное значение работы в k-м виде движения на i-й месяц
оставшейся части прогнозного периода.
Результаты многочисленных расчетов, выполненных для всех видов движения и в целом для разных структурных подразделений по месяцам 2018 - 2020 гг., показали высокую сходимость фактических и спрогнозированных методом КП значений УРЭ. В ряде случаев прогнозные значения УРЭ отличались от запланированных более чем на 3 %, что обусловило необходимость выполнения корректировки плановых норм УРЭ [8].
Разработанный авторами статьи метод прогнозирования показателя энергетической эффективности локомотивов внедрен на сети железных дорог РФ и за время использования показал высокую работоспособность.
Список литературы
1. Энергетическая стратегия холдинга «Российские железные дороги» на период до 2020 года и на перспективу до 2030 года / Утверждена распоряжением ОАО «РЖД» от 14 декабря 2016 г. № 2537р. - Москва : 2016. - 76 с. - Текст : непосредственный.
2. Сидорова, Е. А. Применение регрессионных моделей для прогнозирования удельного расхода электроэнергии на тягу поездов / Е. А. Сидорова, А. И. Давыдов, С. О. Подгорная. -Текст : непосредственный // Новая наука: стратегии и векторы развития : в 3 ч. -Стерлитамак : ООО «Агентство международных исследований», 2016. - Ч. 2. - С. 233-239.
3. Годин, А. М. Статистика / А. М. Годин. - Москва : Дашков и Ко, 2017. - 412 с. -Текст : непосредственный.
4. Сидорова, Е. А. Методология прогнозирования объемов перевозочной работы на основе построения временных трендов / Е. А. Сидорова, А. И. Давыдов, С. О. Вялкова. - Текст : непосредственный // Известия Транссиба. - 2014. - № 3 (19). - C. 119-126.
5. Афанасьев, В. Н. Анализ временных рядов и прогнозирование / В. Н. Афанасьев, М. М. Юзбашев. - Москва : Финансы и статистика; Инфра-М, 2010. - 320 с. - Текст : непосредственный.
6. Халафян, А. А. Статистический анализ данных / А. А. Халафян. - Москва : Бином-Пресс, 2007. - 512 с. - Текст : непосредственный.
7. Методика оценки влияния температуры атмосферного воздуха на расход топливно-энергетических ресурсов на тягу поездов / Утверждена распоряжением ОАО «РЖД» от 02 апреля 2012. № 640р. - Москва : 2012. - Текст : непосредственный.
8. Сидорова, Е. А. Оценка необходимости корректировки плановой нормы удельного расхода энергоресурсов на тягу поездов / Е. А. Сидорова, С. О. Подгорная. - Текст : непосредственный // Мехатроника, автоматизация и управление на транспорте : материалы II всерос. науч.-практ. конф. - Самара : Самарский гос. ун-т путей сообщения, 2020. - С. 82-84.
References
1. Energy Strategy of JSCo RZD until 2020 and towards 2030. No. 2537r. Moscow, 2016. 76 p. (In Russian).
2. Sidorova E. A., Davydov A. I., Podgornaya S. O. [Application of regression models for forecasting specific electricity consumption for train traction]. Novaja nauka: strategii i vektory razvitija: v 3 chastiakh [New Science: strategies and vectors of development: in 3 parts]. Sterlitamak, 2016, vol. 2, pp. 233-239 (In Russian).
3. Godin A. M. Statistika [Statistics]. Moscow, Dashkov & Co, 2017, 412 p. (In Russian).
4. Sidorova E. A., Davydov A. I., Vyalkova S. O. Methodology of forecasting the volume of transportation work based on the construction of time trends. Izvestiia Transsiba - Journal of Transsib Railway Studies, 2014, no. 3 (19), pp. 119-126 (In Russian).
5. Afanas'ev V. N., Iuzbashev M. M. Analiz vremennykh riadov i prognozirovanie [Time Series Analysis and Forecasting]. Moscow, INFRA-M, 2010, 320 p. (In Russian).
6. Khalafian A. A. Statisticheskii analiz dannykh: uchebnik, vtoroe izdanie [Statistical analysis of the data]. Moscow, Binom, 2007, 512 p. (In Russian).
7. Methodology for assessing the impact of atmospheric air temperature on the consumption of fuel and energy resources for traction trains. No. 640r. Moscow, 2012 (In Russian).
8. Sidorova E. A., Podgornaya S. O. [Assessment of the need to adjust the planned norm of specific consumption of energy resources for traction trains]. Mehatronika, avtomatizacija i uprav-lenie na transporte: II-j Vserossijskaja nauchno-prakticheskaja konferencija [Mechatronics, automation and control on transport: II-nd All-Russian scientific-practical conference]. Samara, 2020, pp. 82-84 (In Russian).
ИНФОРМАЦИЯ ОБ АВТОРАХ
Подгорная Светлана Олеговна
Омский государственный университет путей сообщения (ОмГУПС).
Маркса пр., д. 35, г. Омск, 644046, Российская Федерация.
Старший преподаватель кафедры «Информатика и компьютерная графика», ОмГУПС.
Тел.: +7 (3812) 31-18-66.
E-mail: ps.light@mail.ru
Сидорова Елена Анатольевна
Омский государственный университет путей сообщения (ОмГУПС).
Маркса пр., д. 35, г. Омск, 644046, Российская Федерация.
Доктор технических наук, заведующая кафедрой «Информатика и компьютерная графика», ОмГУПС.
Тел.: +7 (3812) 31-18-66.
E-mail: armsid@mail.ru
Давыдов Алексей Игоревич
Омский государственный университет путей сообщения (ОмГУПС).
Маркса пр., д. 35, г. Омск, 644046, Российская Федерация.
Кандидат технических наук, доцент кафедры «Информатика и компьютерная графика», ОмГУПС.
Тел.: +7 (3812) 31-18-66.
E-mail: DavydovAI@bk.ru
INFORMATION ABOUT THE AUTHORS
Podgornaya Svetlana Olegovna
Omsk State Transport University (OSTU).
35, Marx av., Omsk, 644046, the Russian Federation.
Senior teacher of the department «Computer science and computer graphics», OSTU.
Phone: +7 (3812) 31-18-66.
E-mail: ps.light@mail.ru
Sidorova Elena Anatolievna
Omsk State Transport University (OSTU).
35, Marx av., Omsk, 644046, the Russian Federation.
Doctor of Sciences in Engineering, Professor, head of the department «Computer science and computer graphics», OSTU.
Phone: +7 (3812) 31-18-66.
E-mail: armsid@mail.ru
Davydov Alexey Igorevich
Omsk State Transport University (OSTU).
35, Marx av., Omsk, 644046, the Russian Federation.
Ph. D. in Engineering, associate professor of the department «Computer science and computer graphics», OSTU.
Phone: +7 (3812) 31-18-66.
E-mail: DavydovAI@bk.ru
БИБЛИОГРАФИЧЕСКОЕ ОПИСАНИЕ СТАТЬИ BIBLIOGRAPHIC DESCRIPTION
Подгорная, С. О. Прогнозирование показателя энергетической эффективности локомотивов / С. О. Подгорная, Е. А. Сидорова, А. И. Давыдов. -Текст : непосредственный // Известия Транссиба. -2022. - № 2 (50). - С. 85 - 95.
Podgornaya S. O., Sidorova E. A., Davydov A. I. Prediction of energy efficiency indicator for locomotives. Journal of Transsib Railway Studies, 2022, no. 2 (50), pp. 85-95 (In Russian).
