Методическое пособие 816

Шаг 1. Сбор текущих измерений параметров ЭЭС. Шаг 2. Оценка текущих параметров.

Шаг 3. Формирование базы данных предыдущих периодов. Шаг 4. Фаззификация исходных данных – БД исходных

периодов, прогноза температуры окружающей среды и освещённости.

Шаг 5. Нормирование и вычисление посредствам ИНС выходного значения прогноза потребления электроэнергии.

Шаг 6. Дефаззификация величины прогноза потребления электроэнергии.

Шаг 7. Фаззификация исходных данных для ННС прогноза генерации – БД предыдущих периодов и величины прогноза потребления электроэнергии.

Шаг 8. Нормирование и вычисление посредствам ИНС выходного значения прогноза выработки электроэнергии.

Шаг 9. Дефаззификация величины прогноза выработки электроэнергии.

Необходимо отметить, что наиболее существенным климатическим фактором, влияющим на функционирование математических моделей ЭЭС является температура окружающей среды. Степень её влияния на показатели ОРЭМ составляет:

–от 2,5 до 6,7 МВт/град при оценки величины мощности (в относительных значениях от величины максимально мощности – 0,2

–0,46 % / град);

–от 2,1 до 8,7 млн. кВтч / град при оценки потребляемой в регионе электроэнергии (в относительных значениях от величины максимального потребления электроэнергии – 0,23 – 0,96 % / град).

При составлении строки значений температурного фактора, в качестве базового значения примем разницу оптимальной температуры (18*С) и средней температуры первого месяца рассматриваемой последовательности (например, январь 2009 года). Оптимальная температура – величина, при которой можно говорить о наименьшем влиянии климатического фактора на рассматриваемую зависимость. Крайне негативный климатический фактор – ситуация, когда температура окружающей среды отличается от оптимальной более чем в 2 раза.

Базовое значение потребления э/э соответствует параметру для января 2010 года. В таблице 5.1 сведены показатели для

181

моделирования ННС прогнозирования требуемой функциональной зависимости.

Моделирование рассматриваемого процесса прогнозирования потребления э/э ТСО производится при помощи пакета Matlab. В рамках предлагаемой модели используется алгоритм нечёткого вывода Мамдани. Структура нейронной сети: 2 – 10 (5/5) – 25 – 1. Термы принадлежности – гауссовского типа (gaussmf), терм выхода – линеаризованная величина (linear). Количество эпох обучения сети – 200.

Таблица 5.1. База правил для ННС прогнозирования потребления э/э

Вычисленные почасовые и посуточные значения прогноза потребления электроэнергии в соответствии с функциональной схемой 5.3, в основе которой лежит нейро-нечёткая сеть с обозначенной структурой, выполненная на основании алгоритма, представим в графическом виде на рис.5.4, 5.5.

182

Рис. 5.4, 5.5 показывают сравнение месячного прогноза потребления электроэнергии методами коэффициента роста/спада и ННС. Сравнительные показатели обоих моделей при этом сведены в таблицу 5.2.

Таблица 5.2. Анализ месячного прогнозирования выработки/потребления

электроэнергии

Анализ статистических данных отчетов МРСК по прогнозированию величины потребляемой и необходимой для генерации электроэнергии с использованием типовых моделей на основе циклических составляющих (учёт средних статистические значения технико-экономических и климатических факторов за краткосрочный: час, день, неделя, месяц «назад»; и долгосрочный: год, несколько лет «назад» период наблюдения) позволяет в среднем добиться точности порядка 3 – 6 %.

Анализ таблиц 5.1–5.2 и графиков (рис. 5.4, 5.5) позволяет сделать вывод о более высоких точностных показателях модели прогнозирования потребления и выработки электроэнергии на базе ННС в сравнении с моделью, которая применяет коэффициента роста/спада потребления. Одной из причин подобного факта является неучёт инерционности процесса потребления как функции от температуры окружающей среды в модели, использующей понятие коэффициента роста/спада потребления. Другой причиной является

184

неучёт слабо формализуемых факторов (к примеру, величины освещённости) и, как следствие, исключение из величины прогноза нагрузки обусловленной данными обстоятельствами.

Действительно, применение методов ННС (сеть на основе алгоритма Мамдани) для создания моделей управления региональными системами электроснабжения (в частности, для решения вопросов прогнозирования потребления и генерации электроэнергии) позволяет повысить точность процесса до величины 0,5 – 1,5 % за счёт более учёта не только циклических, но и слабо формализуемых составляющих.

Модификации ННС обладают наилучшими адаптационными способностями к изменениям технико-экономических и климатических параметров, что наглядно видно из выше приведенного сравнения со статистическим методом. Данное обстоятельство позволяет говорить о высокой потенциальной способности рассмотренного класса моделей в структуре современных ЭЭС на базе концепции Smart Grid.

5.2. Программные средства управления режимами низковольтных сетей электроснабжения

Как было отмечено выше, важная роль в оптимизации режимов ЭЭС остается за вопросами функционирования систем эффективного электроснабжения непосредственно потребителей электроэнергии.

Определение оптимальных управлений режимами низковольтных сетей электроснабжения

должно приниматься на основе использования экономического критерия минимизации приведенных народнохозяйственных затрат на распределение электрической энергии. Решение этой проблемы в настоящее время осуществляется на основе рассмотрения ряда взаимосвязанных задач.

Каждая из них характеризуется своими частичными экономическими критериями и математической моделью поведения сети, которым отвечают определенные алгоритмы. В процессе решения используются различные исходные данные, в значительной мере вероятностные и неравноточные.

Как правило, под задачей оптимизации режима низковольтных сетей понимают наилучшее распределение активных

185

и реактивных мощностей между нагрузками, которому отвечает минимум эксплуатационных издержек. Распределение электрической энергии в физическом или стоимостном выражении определяется при минимизации целевой функции И(Z). Последняя зависит от вектора переменных Z, включающего в себя всю совокупность параметров режима.

В зависимости от принятой математической модели оптимизации, определяемой частичной задачей оптимизации и допущениями при составлении модели, в состав Z могут входить

k 't + j k ''t , модули напряжений в некоторых или во всех узлах расчетной схемы, а при необходимости и другие параметры режима и оборудования.

Составляющие вектора Z связаны между собой рядом конкретных условий, накладываемых свойствами электрической сети, техническими характеристиками и условиями надежной работы оборудования. Сюда относятся обеспечение баланса мощностей, ограничение напряжений в узлах, ограничение тока и передаваемой мощности по линиям и т. п.

В такой общей постановке задача оптимизации текущего режима является многоэкстремальной задачей нелинейного математического программирования и для произвольного вида функции И(Z) строгие методы ее решения не разработаны.

Из изложенного следует, что для определения оптимального рабочего режима электрической сети в процессе ее текущей эксплуатации нужно значительное количество информации о параметрах режима и требуется выполнение достаточно сложных расчетов по ее обработке и получению ответа. Для этого требуется достаточно сложное программное и аппаратное обеспечение, осуществляющее получение и обработку информации, а также управление всеми автоматизированными устройствами, имеющимися в системе.

Так, для оптимизации режимов по реактивной мощности можно использовать комплексную программу, которую условно можно разделить на две части (рис. 5.6):

интерфейсная часть, разработанная в удобном, понятном виде, предназначенная для работы с пользователем любого уровня;

186

расчетная часть, которая непосредственно выполняет необходимые расчеты для получения оптимальных режимов.

Винтерфейсную часть комплекса входят программы ввода параметров следующих объектов: линий, трансформаторов, компенсирующих устройств и нагрузок.

Врасчетную часть входят следующие программы: формирования узловой матрицы; формирования векторов узловых токов без оптимизации

мощностей компенсирующих устройств; расчета узловых напряжений;

формирования векторов ограничений узловых токов; расчета оптимальных значений узловых напряжений;

расчета оптимальных значений мощностей компенсирующих устройств.

Для расчета установившегося неоптимального режима используются программы: формирования матриц узловых проводимостей, формирования узловых токов источников, ЛУ разложения матрицы, решение систем уравнений узловых напряжений.

Программа расчета неоптимального установившегося режима включает в себя алгоритм треугольного разложения матрицы и итерационный алгоритм решения системы нелинейных уравнений подобный методу Гаусса-Зейделя, модифицированный для решения сетевых нелинейных задач [54, 56-60]. Особенностью итерационного алгоритма является то, что на каждой последующей итерации для определения узловых токов источников используется значения узловых напряжений, полученное на предыдущей итерации.

187

Рис. 5.6. Блок-схема типового программного обеспечения

188

Для расчета оптимального режима используется программа условной оптимизации с нелинейными ограничениями. В качестве исходных данных для этой программы используется узловые напряжения, рассчитанные для неоптимального режима. Оптимизация производится градиентным методом квадратичного программирования.

Как уже отмечалось ранее, всем таким программным продуктам свойственна недостаточная точность расчетов, определяемая наличием слабо формализуемых и непредсказуемо изменяемых параметров. Поэтому целесообразно дополнять такие программы блоками с ННС. Последние являются сочетанием искусственных нейронных сетей и принципов организации нечётких систем управления (СУ). В результате реализуется мощный инструмент преобразования входных / выходных пространств состояния (посредствам нейронных сетей), обладающий простотой интерпретации исходных и конечных данных (за счёт построения нечеткой структуры, в том числе, с применением лингвистического программирования) [119].

Напомним основные свойства рассматриваемых СУ на их базе: массовый параллелизм обработки данных; гибкое функциональное преобразование входного пространства состояний в выходное; отказоустойчивость в смысле монотонного, а не катастрофического изменения качества решения задачи, в зависимости от числа вышедших из строя элементов [120].

5.2.1. Программные средства управления рабочими режимами автоматизированных электроприводов с использованием ННС

Особый интерес представляет применение ННС к распределённым системам управления (РСУ) низковольтных сетей электроснабжения. Основная идея РСУ заключается в построении разветвлённой системы ввода – вывода и децентрализации обработки данных, за счёт которых организуется оптимизация решаемых задач. Примерами практического применения ННС в подобных случаях могут являться:

–химическая промышленность (управление процессами в реакторах);

–металлургическая промышленность (предсказание дефектов металлов);

189

– нефтегазовая промышленность (локализация и устранение аварийных ситуаций в трубопроводах) [121].

С учётом интенсивной реализации принципов «Smart grid» на всех уровнях производства и распределения ТЭР, наибольший интерес в числе приложений ННС представляют энергетические РСУ, такие, как электрические и тепловые сети. При этом основными задачами применения ННС в этом случае можно считать: прогнозирование нагрузок в сетях, управление распределением потоков энергии; диагностика сетей, отработка аварийных ситуаций. Объектами РСУ с применением ННС являются: линии электропередач, промышленные предприятия, элементы систем ЖКХ (городские ЦТП, ИТП).

Так, например, проведённые исследования искусственных нейронных сетей применительно к исполнительным устройствам нижнего уровня организации структур ЖКХ (системы «преобразователь частоты – асинхронный двигатель») посредствам математического моделирования, дают возможность говорить об увеличении их энергоэффективности за счёт комплексного учёта стохастических переменных на величину 5 – 7% [51].

Внастоящее время частотное управление является для асинхронного электропривода (ЭП) своего рода техническим стандартом, на базе которого проектируется большинство современных автоматизированных электроприводов разнообразных электромеханических систем [122].

Данное обстоятельство связано, прежде всего, с достижениями в области силовой электроники и микропроцессорной техники, на основе которых были разработаны преобразователи частоты (ПЧ), обеспечивающие управление асинхронным двигателем (АД) с энергетическими и динамическими показателями, соизмеримыми или превосходящими показатели многих автоматизированных систем ЭП.

Взависимости от принципов управления, различают два класса ПЧ: модульные (скалярные) и векторные. Диапазон регулирования, точностные и энергетические характеристики в случае векторного управления значительно выше чем у ПЧ с модульным управлением. Но стоимость векторных ПЧ обычно превышает стоимость модульных ПЧ, рассчитанных на ту же мощность.

190