РОЗРОБКА АЛГОРИТМА ПРОГРАМНОї РЕАЛіЗАЦії МОДЕЛі ПРОГНОЗУВАННЯ ТЕХНіЧНИХ ВТРАТ ЕЛЕКТРОЕНЕРГії В ПОВіТРЯНИХ ЛіНіЯХ ЕЛЕКТРОПЕРЕДАЧі НАПРУГОЮ 6-35 КВ Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 621.311.1

DOI: 10.15587/2313-8416.2016.85480

РОЗРОБКА АЛГОРИТМА ПРОГРАМНО1 РЕАЛ1ЗАЦП МОДЕЛ1 ПРОГНОЗУВАННЯ ТЕХН1ЧНИХ ВТРАТ ЕЛЕКТРОЕНЕРГИ В ПОВ1ТРЯНИХ Л1Н1ЯХ ЕЛЕКТРОПЕРЕДАЧ1 НАПРУГОЮ 6-35 кВ

© В. Л. Бакулевський

DEVELOPMENT OF ALGORITHMS FOR SOFTWARE IMPLEMENTATION OF PREDICTION MODELS OF TECHNICAL ELECTRICITY LOSSES IN 6-35 kV OVERHEAD POWER LINES

© V. Bakulevskiy

Здтснена программа реалгзацгя модел1 прогнозування техтчних втрат електроенергИ в повгтряних лгнгях електропередачi (ЛЕП) напругою 6-35 кВ. Розроблено алгоритм програмно'1' реалгзаци модел1, здшснено опис параметрiв вхiдних змтних та логiчний зв'язок елементiв бази данних (модель «Суттсть-Зв'язок»). Проведено тестування запропонованого программного забезпечення на нових даних та порiвняльний анализ результатiв розрахунку втрат електроенергИ в повтряних ЛЕП, розрахованих в запропонованому програмному забезпеченнi (ПЗ), з даними автоматичноi системи контролю та облжу електроенергИ (АСКОЕ) та з тшими тдходами

Ключовi слова: втрати електроенергИ] повтрят лiнii електропередач, нейронт мережi, модель, программна реалiзацiя

Software implementation of prediction model of technical electricity losses in 6-35 kV overhead power lines (OHPL) is done. The algorithm for software implementation of model is developed, description of input variable parameters and the logical relationship of database elements ("entity-relationship" model) are realized. Testing of the proposed software is done on new data and comparative analysis of calculating electricity losses in overhead power lines, calculated in the proposed software with the data of automated control systems and electricity metering (ACSEM) and other approaches

Keywords: electricity losses, overhead power lines, neural networks, model, software implementation

1. Вступ

Одним з головних завдань енергозбереження Украши е розробка основних напрямшв щодо зни-ження втрат електроенергИ та доведения цього пока-зника до р1вня передових краш £вропейського Союзу та США в енергоспоживанш [1], тому удосконалення прогнозування та розрахунку втрат електроенергИ е актуальним питанням енергозбереження в енергетищ Украши.

Застосування сучасних математичних моделей прогнозування, зокрема нейронних мереж, дозволяе ютотно полшшити точшсть прогнозування, зменшити похибки та значно скоротити час на зб1р шформацН.

Сучасне програмне забезпечення (ПЗ), яке ре-атзоване на нейромережевих моделях, мае ютотш переваги перед традицшним ПЗ зручшшим штерфей-сом, швидшстю роботи, меншим об'емом вх1дно! шформаци та точшшим результатом. Цим обгрунто-вуеться актуальшсть проведення даних дослщжень.

2. Аналiз лггературних даних та постановка проблеми

В [2] пропонуеться б1льш повно врахувати ктматичш фактори, автор [4] пропонуе врахувати топограф1чш умови м1сцевосп, яш безпосередньо пов'язаш з деякими ктматичними факторами, в [5] врахування кл1матичних фактор1в пропонуеться замь

стити визначеними коефщентами, автор [6] пропонуе адаптивне короткочасне прогнозування наванта-жень з використанням погодних умов, в [7] пропонуеться короткочасне прогнозування електричного на-вантаження енергосистеми ввд залежно! модел погоди. В [8] на приклад1 доведено, що похибка розрахунку втрат електроенергИ в повиряних лш1ях може бути значною, якщо не врахувати метеодаш В [9] пропонуеться враховувати режим роботи повиряних ЛЕП в екстремальних погодних умовах при розрахунку !х навантажувально1 здатносп. В [10] увага акце-нтуеться на необхщносп бшьш детального досль дження впливу метеофактор1в на втрати електроенергИ в обладнанш, тому що юнуе досить великий ввд-соток невизначеносл в цьому питанш.

Сьогодш в багатьох програмних засобах, як1 застосовуються в укра!нських енергокомпашях, при розрахунках та прогнозуванш не враховуеться навиъ температурний фактор, який пропонуе [11], що приз-водить до значних похибок [3, 9, 12].

Також в роботах украшських [2-4] та закор-донних фах1вц1в [6-10] увага акцентуеться на необ-хвдносп удосконалення методолопчного i техшчного забезпечення, бiльш точного та повного врахування факторiв, що впливають на втрати електроенергИ в обладнанш, а також застосуванш полшшених мето-дiв та моделей розрахунку та прогнозування втрат

електроенергп з подальшим впровадженням у сучас-не програмне забезпечення [3, 9, 12, 13].

Застарше ПЗ деяких енергопостачальних ком-панш Укра!ни не вщповщае сучасним вимогам, погано працюе в умовах неповноти шформаци та мае не-зручний штерфейс [3, 13]. Тому розробка полшшено-го ПЗ з застосуванням сучасних математичних моделей обумовлюе необхщшсть даного дослвдження.

3. Мета та задачi досл1дження

Метою дослщження е розробка алгоритму програмно!' реал1зацй' модел1 прогнозування техшч-них втрат електроенергй' в повиряних лшях елект-ропередач1 (ЛЕП) напругою 6-35 кВ.

Для досягнення мети сформульоваш та вирь шеш задача

- розроблено алгоритм програмно! реал1зацп моделц

- здшснено опис параметр1в вхвдних змшних та лопчний зв'язок елеменпв бази данних (модель «Сутшсть-Зв'язок»);

- проведено тестування запропонованого про-грамного забезпечення на нових даних та пор1вняль-ний анал1з результаив розрахунку втрат електроенергп в повиряних ЛЕП, розрахованих в запропонова-ному ПЗ, з даними АСКОЕ та з шшими тдходами.

4. Матерiали та методи дослвдження про-грамноТ реалiзащТ моделi прогнозування техшч-них втрат електроенергй' в повггряних ЛЕП напругою 6-35 кВ

Матер1али, методи та результати дослвдження впливу кл1матичних фактор1в на техшчш втрати електроенергй', а також методи розробки модел нейро-мереж1 для розрахунку та прогнозування техшчних втрат електроенергп в повиряних ЛЕП напругою 635 кВ, наведеш в [14].

В [14] була запропонована модель штучно! нейронно! мереж1 (ШНМ) для завдання планування техшчних втрат електроенергй в повиряних ЛЕП напругою 6-35 кВ з наступними параметрами:

- архиектура - багатошаровой персептрон, 7 нейрошв у входному шар1, 5 нейрошв - в приховано-му шар1 i 1 вих1дний нейрон;

- вхвдш змiннi: активне навантаження ПЛ, но-мiнальна напруга ПЛ, перерiз проводу ПЛ, довжина проводу ПЛ, середньодобова температура повиря, швидк1сть виру, наявшсть опадiв;

- вихiдна змшна - технiчнi втрати активно! електроенергп в ПЛ;

- об'еми виборок: навчальна - 250 спостере-жень, контрольна - 250 спостережень, тестова -232 спостереження;

- функщя активацп - лопстична; алгоритм на-вчання - в 2 етапи: на першому етапi - метод швид-кого поширення, на другому - метод Левенберга-Марквардта.

Програмна реалiзацiя запропоновано! моделi здiйснюеться в програмi STATISTICA Neural Networks (Нейронш Мереж1) американсько! фiрми StatSoft, доцшьшсть застосування i переваги яко! наведет в [14, 15].

Файл запропоновано! ШНМ збережений в формат PMML, що дозволяе безпосередньо запустити його в системi STATISTICA. Також збережений файл бази даних (БД), яка була використана для навчання та тестування запропоновано! моделi нейромереж На основi наведено! шформаци та з урахуванням вимог [13-16], розроблений алгоритм програмно! реалiзацi! моделi.

Для побудови логiчного зв'язку елементiв БД був застосований тдхвд, заснований на вдеях семантичного моделювання - модель «Сутшсть-Зв'язок» (ER-модель) [13]. Цей шдхвд передбачае створення лопчно! структу-ри БД системи для перетворення !! в подальшому в на-бiр пов'язаних елеменпв. При цьому вхiднi параметри (тобто складовi БД) представляються у виглядi таблиць. За допомогою БД можна осмислити i проаналiзувати обробленi в системi данi i вщносини мгж ними.

Далi розглядаеться вибiр параметрiв вхвдних змiнних. Умовно вхiднi змiннi для зручносп роздше-нi на категорп, для кожно! змiнно!' проведено деталь-ний опис:

- активне навантаження ЛЕП;

- технiчнi данi ЛЕП (номшальна напруга, пе-рерiз проводу, довжина проводу);

- метеодаш (середньодобова температура повиря, атмосферш опади, швидшсть вiтру).

Проводиться порiвняльний аналiз розрахунку втрат електроенергй' в повиряних ЛЕП, аналопчний аналiзу, який проведений при перевiрцi адекватностi отриманих результапв [14], але замiсть результапв запропонованого пдходу в [14], наведенi результати, яю отриманi в запропонованому програмному забезпеченi. Дослвдження проводиться в повиряних ЛЕП напругою 35 кВ дшянки Любашвка - Демидове (провод марки АС-50) та ЛЕП напругою 10 кВ дшянки Демидове -Бобрик (провщ марки АС-25) Котовських електричних мереж кожну добу протягом всього 2008 року. При цьому втрати в ЛЕП розраховат за рiзними подходами: 1 пщхвд - без урахування клiматичних факторiв; 2 пд-хщ - з урахуванням прийнято! середньорiчно!' темпера-тури та без урахування шших ктматичних фактор1в [11]; ПЗ - результати, яш отримат в запропонованому програмному забезпеченi. Результати розрахунюв порь внюються з даними АСКОЕ повиряних ЛЕП.

5. Результати дослдження програмноТ реаль заци моделi прогнозування технiчних втрат електроенергй в повiтряних ЛЕП напругою 6-35 кВ

Розроблений алгоритм програмно! реалiзацiя моделi передбачае послщовне виконання наступних етапiв (рис. 1).

Запуск чбереженого файла запропоновано!' ШНМ в nporpaMi STATISTICA Neural Networks.

Запуск в 1II11M чбереженого файла БД

Введения значень вхйших змшних 1

Вихщна змшна Рис. 1. Алгоритм програмно! реатзацп моделi

Po3po6neHa Mogenb «cyTHicTb/3B'a3oK» B^ gna nporpaMHoi' peani3a^i' 3anp0n0H0BaH0i' ffiHM npegcra-BneHa Ha puc. 2.

Po3po6neHHH geTanbHHH onuc Bu6opy napaMeT-piB BxigHHx 3MiHHux, HaßegeHHH b Ta6n. 1-3.

Ha 0CH0Bi 3anp0n0H0BaH0r0 anropuTMy nporpaMHoi' peani3a^i' Mogeni (puc. 1), Mogeni «cyTHicTb/ 3B'a3oK» B^ gna nporpaMHoi' peani3a^i' 3anponoHoBa-Hoi fflHM (pnc. 2) Ta 3 ypaxyBaHHaM Bu6opy napaMeT-piB BxigHux 3MiHHux (Ta6n. 1-3), 3anp0n0H0BaH0 npo-rpaMHe 3a6e3neneHHH (n3) gna BupimeHHa gaHoro 3aBgaHHa. Ha 6a3i 3anponoHoBaHoi fflHM Ta B^, aKa

3acTocoByBanacb npu HaBnaHHi Ta TecTyBaHHi BKa3aHoi fflHM, npu BBegeHHi 3HaneHb BxigHux 3mmhux, npo-rpaMa aBToMaTHHHo nporao3ye 3HaneHHa BuxigHoi 3MiHHoi (BTpaTH eneKTpoeHeprii). nporHo3yBaHHa 3gincHMeTbca gna ko^hoto gHa, ^o 3MeHmye noxu6Ky po3paxyHKy.

Pe3ynbTaTH po3paxyHKy BigxuneHHa BTpaT eneKTpoeHeprii', aKi po3paxoBaHi 3a pi3HHMH nigxogaMu, a Taxo® b 3anponoHoBaHoMy n3, b noBirpaHux HEn Hanpyroro 35 kB (npoBig AC-50) Ta 10 kB (npoBig AC-25) Big gaHux ACKOE npoTaroM 2008 poKy, HaBe-geHi b Ta6n. 4.

Phc. 2. Mogenb «cyTHicTb/3B'a3oK» B^, gna nporpaMHoi' peani3a^i' 3anponoHoBaHoi fflHM

Ta6nuua 1

BxigHa 3MiHHa «aKTuBHe HaßaHTa^eHHa HEn»

BxigHa 3MiHHa iH^opMaqia ^ogo 3MiHHoi Tun 3MiHHoi ^iana3oH 3HaneHb 3MiHHoi

aKTHBHe HaßaHTa^eHHa HEn go6oBe 3HaneHHa 3a ninunbHHKaMH aKTHBHoi eneKTpoeHeprii a6o 3a gaHHMH ACKOE F [0; ®]

Ta6nuua 2

KaTeropia BxigHHx 3MiHHHx «TexHiqHi gaHi HEn»_

BxigHa 3MiHHa iH^opMa^a ^ogo 3MiH-Hoi Tun 3MiHHoi ^iana3oH 3HaneHb 3MiHHoi

HoMiHanbHa Hanpyra HEn o6uparoTbca 3a Texmn-hhmh gaHHMH BignoBig-hhx HEn F 6; 10; 35 kb

nepepi3 npoBogy HEn 10; 16; 25; 35; 50; 70; 95; 120; 150; 185; 240 mm2

goB^HHa npoBogy HEn [0; ®]

Ta6nuua 3

KaTeropia BxigHHx 3MiHHHx «MeTeogaHi»_

BxigHa 3MiHHa Iн$opмaцia^ogo 3MiHHoi Tun 3MiHHoi fliana3oH 3HaneHb 3MiHHoi

cepegHbogo6oBa TeMnepaTypa noBiT-pa ycepegHeHe go6oBe 3Ha-neHHa (3a MeTeogaHHMu) F [0; ®]

mBHgKicTb BiTpy [0; ®]

arnoc^epm onagu OnagiB HeMae: Oo = 1. npu HaaBHocTi onagiB 3HaneHHa ^ o6upaeTbca 3 [14] (b 3ane®Hocri Big nepepi3y npoBogy Ta Tuny onagiB)

Ta6guua 4

Pe3ygbTarH po3paxyHKy ßigxuge HHa BTpaT egeKTpoeHeprii', aKi po3paxoBaHi 3a pi3HHMH nigxogaMH, a TaKo® b 3anponoHOBaHOMy n3, b noßhpaHHx HEn HanpyroM 35 kB (npoßig AC-50) Ta 10 kB (npoßig AC-25) Big gaHux _ACKOE npoTaroM 2008 poKy_

Micaub BTpaTH egeKTpoeHeprii', thc. KBTrog

noßiTpaHa HEn 35 kB, npoßig AC-50 noßiTpaHa HEn 10 kB, npoßig AC-25

ACKOE, thc. KBTrog 1 nigxig, thc. KBTrog 2 nigxig, thc. KBTrog n3, thc. KBTrog ACKOE, thc. KBTrog 1 nigxig, thc. KBTrog 2 nigxig, thc. KBTrog n3, thc. KBTrog

CineHb 2,924 3,515 3,326 2,837 0,861 0,935 0,839 0,869

Hmthh 3,154 3,612 3,401 2,843 0,813 0,746 0,783 0,821

Bepe3eHb 2,837 3,437 3,124 2,523 0,722 0,810 0,809 0,708

KßiTeHb 2,753 3,215 2,970 2,519 0,921 0,750 0,794 0,847

TpaßeHb 2,875 3,502 2,994 2,882 1,183 1,023 1,065 1,102

^epßeHb 2,265 2,751 2,587 2,274 1,184 1,019 1,109 1,107

HuneHb 2,132 1,678 1,794 1,924 1,019 1,019 0,889 0,962

CepneHb 2,378 2,874 2,675 2,282 1,678 1,453 1,787 1,712

BepeceHb 2,252 2,736 2,495 2,362 1,050 0,908 0,979 0,993

^oßTeHb 2,315 2,795 2,428 2,378 1,461 1,235 1,256 1,524

HucTonag 2,453 2,902 2,688 2,489 0,516 0,413 0,422 0,492

rpygeHb 2,518 3,023 2,869 2,496 0,545 0,648 0,482 0,554

CepegHe ßig-HocHe ßigxu-geHHa nigxogy (n3), % - 20,04 10,45 3,39 - 8,30 6,17 2,19

6. BlICIIOBK'll

1. Po3po6geHo agropHTM nporpaMHol' peagi3auii Mogegi, aKHH BKgMHae eTanu: 3anycK 36epe®eHoro $anga 3anponoHOBaHOi fflHM b nporpaMi STATISTICA Neural Networks; 3anycK b 3anponoHoßamö fflHM 36epe®eHoro $anga B^, aKa BHKopucraHa npu npoeKTyBaHHi fflHM, 3 HaßHa^bHOM, KompogbHoM Ta TecroßoM ßu6ipKaMu; ßße-geHHa 3HaneHb ßxigHux 3MiHHux; aBTOMarHHHe orpuMaHHa 3HaneHHa BuxigHoi 3MiHHoi.

2. 3giöcHeHo onuc napaMeTpiß ßxigHux 3MiHHux Ta goriHHHH 3ß'a3oK egeMemiß 6a3H gaHux (Mogegb «CyTHicTb-3ß'a3oK»). Ha ocHoßi 3anponoHoßaHoi Mogegi HeöpoMepe®i peagi3oßaHo i 3anponoHoßaHo gga no-gagbmoro BHKopucraHHa nporpaMHe 3a6e3neneHHa gga po3paxyHKy Ta nporHo3yßaHHa BTpaT egeKTpoeHeprii' b noßiTpaHux HEn HanpyroM 6-35 kB, aKe Mae HacTynHi nepeßaru:

- nporpaMHa peagi3auia 3anponoHoßaHoi Mogegi 3gincHMeTbca b nporpaMi STATISTICA Neural Networks (HenpoHHi Mepe®i) aMepuKaHCbKoi $ipMH StatSoft, aKa Mae nepeßaru nopißHaHo 3 aHagoriHHHMH nporpaMaMu;

- CHCTeMa cnpoeKToßaHa y ßurgagi «KgieHT-cepßepHoro» gogaTKa;

- imep^eHC nporpaMHoro 3a6e3neneHHa po3po6-geHHH TaKHM hhhom, ^o6 Hagaru KopucryBaHy MaKCHMa-gbHi 3pyHHocTi i MiHiMagbHy KigbKicTb po6oTH 3 öoro 6o-Ky. npu BßegeHHi 3HaneHb ßxigHux 3MiHHux (ßpyHHy hh aßToMaTHHHo), nporpaMa aBTOMarHHHo nporHo3ye 3HaneH-Ha BuxigHoi 3MiHHoi (ßrpara egeKTpoeHeprii);

- $aüg 3anponoHoßaHoi fflHM 36epe®eHHH b $opMaTi PMML, ^o go3ßogae 6e3nocepegHbo 3anycTH-th noro b CHCTeMi STATISTICA. TaKo® 36epe®eHHH $aüg 6a3H gaHux (B^), aKa BHKopucTaHa gga HaßHaHHa Ta TecTyßaHHa 3anponoHoßaHoi ffiHM;

- Mo®guBHH 3anuc b oKpeMHH $ang CTaTHCTHH-hhx gaHux Mogegi, ßxigHux i BuxigHoi 3MiHHoi Ta öoro 36epe®eHHa;

- 3anuc b 6a3y gogarKoßux gaHux ßxigHux napaMeTpiß (ßpyHHy a6o aßToMaTHHHo), b ToMy Hucgi mo®-gHBHH 3anuc peTpocneKTHßHux gaHux TegeMeTpii b 6a3y gaHux (MeTeoyMoB);

- nporHo3yßaHHa 3giöcHMeTbca gga Ko®Horo gHa, ^o 3MeHmye noxu6Ky po3paxyHKy;

- aßTOMaTHHHe 36epe®eHHa pe3ygbTaTy nporHo-3yßaHHa b oKpeMoMy ^aftgi, a TaKo® aHagi3iß Ha ßcix eTanax po6oTH n3, Mo®gußicTb ix gpyKy;

- aßTOMaTHHHe caMoHaBHaHHa i aKicHe nporHo-3yßaHHa 3anponoHoßaHoi ffiHM Ha rnmin B^,, to6to CHCTeMa Mae bhcokhh pißeHb aganTauii go 3MiHH ßxig-Hux napaMeTpiB;

- aHagi3 CTaTHCTHHHux napaMeTpiß Ta rpa^iHHe ßigo6pa®eHHa ßxigHux 3MiHHux, BuxigHoi 3MiHHoi Ta Mogegi ßuigoMy;

- Mo®gußicTb iHTerpyßaHHa b iHmi nporpaMHi KoMngeKCH Ta cucreMH.

3. B pe3ygbTaTi nopißHagbHoro aHagi3y pe3ygb-Tariß po3paxyHKy BTpaT egeKTpoeHeprii', npoßegeHoro gga noßhpaHHx HEn HanpyroM 35 kB gigaHKH Hro6a-mißKa - ^eMugoße (npoßig MapKH AC-50) Ta HEn HanpyroM 10 kB gigaHKH ^,eMHgoße - Bo6puK (npoßig MapKH AC-25) KoTOßCbKux egeKipuHHux Mepe® npoTa-roM BCboro 2008 poKy, BCTaHoßgeHo, ^o pe3ygbTaTH BTpaT egeKTpoeHeprii', aKi po3paxoßaHi Ha 3anponoHo-ßaHoMy n3, nopißHaHo 3 o^iuiÖHHM nigxogoM, ßuaßH-guca ToHHimuM b cepegHboMy Ha 7 % npu po3paxyHKy piHHux BTpaT egeKTpoeHeprii' b noßiTpaHiö HEn 35 kB HM6amißKa - ^eMugoße Ta Ha 4 % npu po3paxyHKy piHHux BTpaT egeKTpoeHeprii' b noßiTpaHiö HEn 10 kB ^,eMHgoße - Bo6puK.

Лиература

1. Комплексна державна програма енергозбереження Украши [Текст]. - Кабшету Мгшстрш Украши, 1997. -№ 148. - Режим доступу: http://zakon3.rada.gov.ua/laws/ show/148-97-%D0%BF

2. Красовський, П. Ю. Фактори, що впливають на динамжу техшчних втрат у лшях електропередач [Текст] / П. Ю. Красовський // Пращ Дшпропетровського нащо-нального прничого ушверситету. - 2006. - № 3.

3. Мирошник, А. А. Уточненные алгоритмы расчета потерь электроэнергии в сетях 0,38 кВ в реальном времени [Текст] / А. А. Мирошник // Проблемы региональной энергетики. - 2010. - Т. 2, № 13. - С. 35-42.

4. Турбш, С. В. Удосконалення методш визначення ктматичних навантажень на повгтряш лшй з урахуванням топограф1чних особливостей мкцевосп [Текст] / С. В. Турбш // Енергетика та електрифжащя. - 2007. - № 10. - С. 3-9.

5. Hamid, B. Automated load forecasting using neural networks [Text] / B. Hamid, M. Walter // Proc. Amer. Power Conf. - Chicago, 1992. - Vol. 54. - P. 1149 - 1153.

6. Gupta, P. C. Adaptive short-term forecasting of hourly loads using weather in formation [Text] / P. C. Gupta, K. Yamada // IEEE Transactions on Power Apparatus and Systems. - 1972. - Vol. PAS-91, Issue 5. - P. 2085-2094. doi: 10.1109/tpas.1972.293541

7. Panuska, V. Short-term forecasting of electric power system load from a weather dependent model [Text] / V. Pa-nuska // IFAC Symp.1977. autom. contr. and prot. electr. power syst. - Melbourne, 1977. - P. 414-418.

8. Воротницкий, В. Э. Оценка погрешностей расчета переменных потерь электроэнергии в ВЛ из-за неучета метеоусловий [Текст] / В. Э. Воротницкий, О. В. Туркина // Энергосистемы и электрические сети. - 2008. - № 10.

9. Левченко, И. И. Нагрузочная способность и мониторинг воздушных линий электропередачи в экстремальных погодных условиях [Текст] / И. И. Левченко, Е. И. Сацук // Электричество. - 2008. - № 4. - С. 2-8.

10. Железко, Ю. С. Потери электроенергии в электрических сетях, зависящие от погодных условий [Текст] / Ю. С. Железко // Электрические станции. - 2004. - № 11.

11. Методика визначення технолопчних витрат електроенергИ у трансформаторах i лшшх електропереда-вання [Текст]. - Мгшстерство енергетики та вугшьно! про-мисловосл Украши, 2011. - № 532. - Режим доступу: http://www.mega-billing.com/files/metodika_vtrat.pdf

12. Осипов, Д. С. Учет нагрева токоведущих частей в расчетах потерь мощности и электроэнергии при несинусоидальных режимах систем электроснабжения [Текст]: дис. ... канд. техн. наук / Д. С. Осипов. - Омск: РГБ, 2005.

13. Глебов, А. А. Модель краткосрочного прогнозирования элек-тропотребления с помощью нейро-нечетких систем [Текст]: дис. ... канд. техн. наук / А. А. Глебов. -Астрахань: РГБ, 2007. - 21 c.

14. Bakulevskiy, V. Research into the influence of climatic factors on the losses of electric energy in overhead power transmission lines [Text] / V. Bakulevskiy // Eastern-European Journal of Enterprise Technologies. - 2016. - Vol. 5, Issue 8 (83). doi: 10.15587/1729-4061.2016.80072

15. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа даннях

[Текст] / под ред. В. П. Боровиков. - М.: Горячая линия-Телеком, 2008. - 392 с.

16. Нейронные сети. STATISTICA Neural Networks [Текст] - М.: Горячая линия-Телеком. - 2001. - 654 с.

References

1. The Cabinet of Ministers of Ukraine (1997). A comprehensive state program of energy saving in Ukraine, 148. Available at: http://zakon3.rada.gov.ua/laws/show/148-97-%D0%BF

2. Krasovsky, P. Y. (2006). Factors affecting the dynamics of technical losses in power lines. Proceedings of the Dnipropetrovsk National Mining University, 3.

3. Miroshnik, A. A. (2010). Refined algorithms for calculating the energy losses in networks 0,38 kV in real time. Regional energy issues, 2 (13), 35-42.

4. Turbin, S. V. (2007). Improving methods for determining environmental loads on air routes taking into consideration subject topographical features of the area. Energy and Electrification, 10, 3-9.

5. Hamid, B. (1992). Automated load forecasting using neural networks. Proc. Amer. Power Conf. Chicago, 54, 1149-1153.

6. Gupta, P., Yamada, K. (1972). Adaptive Short-Term Forecasting of Hourly Loads Using Weather Information. IEEE Transactions on Power Apparatus and Systems, PAS-91 (5), 2085-2094. doi: 10.1109/tpas.1972.293541

7. Panuska, V. (1977). Short-term forecasting of electric power system load from a weather dependent model. IFAC Symp. autom. contr. and prot. electr. power syst. Melbourne, 414-418.

8. Vorotnitsky, V. E., Turkina, O. V. (2008). Estimation of variable energy losses error in overhead lines because of the weather conditions neglect. Energy systems and electrical networks, 10.

9. Levchenko, I. I., Satsuk, E. I. (2008). Carrying capacity and monitoring of overhead power lines in extreme weather conditions. Electricity, 4, 2-8.

10. Zhelezko, Y. S. (2004). Loss of electric energy in electric grids, depending on weather conditions. Power station, 11.

11. Ministry of Energy and Coal Industry of Ukraine (2011). Method for determining the technological power consumption of transshaper and power lines, 532. Available at: http: //www. mega-billing .com/files/metodika_vtrat. pdf

12. Osipov, D. S. (2005). Recording of heating of current-carrying parts in the calculation of the power loss and power at non-sinusoidal modes of electric power systems. Omsk: RGB.

13. Glebov, A. A. (2007). Model of short-term forecasting of power consumption by using neuro-fuzzy systems. Astrakhan: RGB, 21.

14. Bakulevskiy, V. (2016). Research into the influence of climatic factors on the losses of electric energy in overhead power transmission lines. Eastern-European Journal of Enterprise Technologies, 5/8 (83), 4-8. doi: 10.15587/1729-4061. 2016.80072

15. Borovikov, V. P. (Ed.) (2008). Neural networks. Statistica Neural Networks. Methodology and technology of modern data analysis. Moscow, Hotline-Telecom, 392.

16. Neural networks. STATISTICA Neural Networks (2001). Moscow: Hotline-Telecom, 654.

Рекомендовано до публкаци д-р техн. наук Бойко А. А.

Дата надходження рукопису 03.11.2016

EaKyneBCbKHH BonogHMHp .neomgoBHH, BHKjagan, rojoBa цнкповоï komîcîï, HnraoBa komîcî» ejeKTpoTexmHHHx guc-цнптiн, MexamKo-TexHonoriHHHH TexHiKyM OgectKoï Ha^oHantHoï aKageMiï xapnoBux TexHOJoriiï, Byji. ^0pH0M0pctK0-ro K03a^TBa, 12, m. Ogeca, yKpaïHa, 65003, E-mail: bakulevsky_80@mail.ru

Bakulevskiy Vladimir, Lecturer, Head of cyclic commission, The cycle commission of electrotechnical disciplines, Mechanics and Technology College of Odessa National Academy of Food Technologies, Chornomors'kogo kozactva str., 12, Odesa, Ukraine, 65003, E-mail: bakulevsky_80@mail.ru