Использована модель прогнозирования получасовых электрических нагрузок предприятия ОАО "Сумыхимпром", основанная на использовании самоорганизующихся нейронных сетей с предварительной кластеризацией данных обучающей выборки. Программным путем на ЭВМ был выполнен прогноз электропотребления, при этом полученные результаты представлены в графическом виде. Точность прогнозируемых значений составила в большинстве случаев 0,5 - 2,8 %, в худшем случае 3,65 - 5 %.

Предложена модель прогнозирования электрических нагрузок промышленного предприятия ОАО "Сумыхимпром". Наиболее перспективным является метод, основанный на использовании искусственных нейронных сетей. Выполнен прогноз электропотребления с помощью нескольких типов нейронных сетей и предложен наиболее точный вариант. Точность прогнозируемых значений в наихудшем случае составляла 4 - 6 %, а в большинстве случаев находилась в пределе 1 - 3 %.

Использована модель прогнозирования получасовых электрических нагрузок предприятия с непрерывным циклом производства, основанная на использовании искусственных вейвлет-нейронных сетей. Программным путем на ЭВМ был выполнен прогноз получасовых электрических нагрузок, при этом полученные результаты представлены в графическом и табличном виде. Точность прогнозируемых значений в большинстве случаев находилась в пределах 0,3 - 2,2 %, максимальная погрешность - 3,26 %.

Использована модель прогнозирования получасовых электрических нагрузок предприятия с непрерывным циклом производства, основанная на использовании радиально-базисных искусственных нейронных сетей. Программным путем на ЭВМ выполнен прогноз получасовых электрических нагрузок, при этом полученные результаты представлены в графическом и в табличном виде. Точность прогнозируемых значений составила в большинстве случаев 0,3 - 1,5 %, в наихудшем - 3,8 %.

Проведена оптимизация потерь активной электроэнергии в соединительных кабелях, связывающих потребителей с источниками электроэнергии. Для данной схемы потребителей производилась компенсация реактивной мощности с помощью компенсирующих устройств (КУ), благодаря чему уменьшались потери активной мощности. Задача оптимизации позволяет расставить КУ по узлам таким образом, чтобы потери стали минимальными.