Учебное пособие 800640

Рис. 2. Временные диаграммы сети и нагрузки

71

Вмомент времени t2 напряжение сети проходит через ноль, срабатывают нуль-органы (на рис. 2 – Uн.о.1 и Uн.о.3), но ток нагрузки запаздывает и имеет положительное значение (Iнагр), не давая возможности переключиться тиристорной группе. Uнагр=Uсети+ Uдоб.

Вмомент времени t3 ток нагрузки переходит через ноль, меняя полярность. Происходит запирание тиристорной группы под действием обратного тока. В МК срабатывает внешнее прерывание по сигналу с нуль-органа (Uн.о.2)

иформируется управляющий импульс на открывание второй тиристорной группы (Uy1). Напряжение на нагрузке Uнагр = Uсети. В программе МК запускается таймер отсчёта задержки отпирания первой тиристорной группы. Таким образом, состояние схемы в данный момент времени соответствует состоянию схемы в момент времени t1. Далее процессы в схеме протекают аналогичным образом.

На рис. 2 приведены временные диаграммы работы схемы для угла отпирания α=π/4. Уменьшая его с помощью задатчика напряжения до 0, действую-

щее напряжение на нагрузке будет увеличиваться до значения Uнагр=Uсети+Uдоб. При увеличении угла отпирания до α=π напряжение на нагрузке станет равно Uнагр=Uсети.

Рассмотренный пример приведён для случая использования для активноиндуктивной нагрузки, что выражается в фазовом запаздывании тока нагрузки от напряжения в сети и большем искажении напряжения на нагрузке. Данная схема может также работать на чисто активную нагрузку, в этом случае напряжение и ток нагрузки совпадут по фазе и момент времени t3 совпадёт с моментом времени t2. В остальном алгоритм функционирования будет аналогичен рассмотренному выше.

Рассматриваемая в данной статье физическая модель тиристорного регулятора напряжения обладает рядом важных особенностей.

Во-первых, она универсальна: может использовать в качестве нагрузки электроприёмники различных видов (осветительная аппаратура, электродвигатели переменного тока, нагревательные приборы) и мощностей.

Для обеспечения требуемой электрической мощности и диапазона регулирования напряжения имеется возможность подключения вольтодобавочных трансформаторов, различных по мощности и коэффициенту трансформации.

Во-вторых, применение микроконтроллера в качестве главного звена системы управления даёт широкие возможности для точной настройки параметров регулятора, построения и отладки оптимального алгоритма управления, обеспечивающего максимальную энергоэффективность схемы [4].

Также использование управляющего микроконтроллера является обоснованным при дальнейшем включении данного регулятора в объединённую модель энергетической сети, построенной по принципу Smart – структуры, основными задачами которой являются исследование взаимосвязей потоков электрической и тепловой энергии при различных режимах потребления, позволяющих

72

проводить оптимальное регулирование параметров сети с учётом потребительской нагрузки в режиме реального времени [5].

Литература

1.Лабунцов В.А. Энергетическая электроника. Справочное пособие. М.: Энергия. 1987,

148 с.

2.Зиновьев Г.С. Основы силовой электроники. - Н.: НГТУ, 2004, с.451.

3.Гельман М.В., Лохов С.П. Тиристорные регуляторы переменного напряжения. – М.: Энергия, 1975. – 104 с.

4.Крысанов В.Н. Использование современных микроконтроллерных средств вычисления для управления устройствами «гибких» систем передачи переменного тока «FACTS»/ В.Н. Крысанов, Ю.В. Шарапов//Электротехнические комплексы и системы управления. – 2014. – № 3. – С.62-66.

5.Крысанов В.Н. Особенности реализации технологии Smart Grid в региональных системах электроснабжения / В.Н. Крысанов, А.Л. Руцков, Шукур Омар Шукур Махмуд // Вестник Воронежского государственного технического университета. – 2014.– т.10 – № 5-1.– C. 92-97.

THE PHYSICAL MODEL OF VOLTAGE REGULATORS LOAD

OF INDUSTRIAL ENTERPRISES

V.N. Krysanov, A.S. Govorov

Voronezh State Technical University

In article examines the implementation of the physical model of thyristor AC voltage regulator with microcontroller control, working in an active-inductive load

Keywords: physical modeling, thyristor voltage regulator, MCU control, energy efficiency

73

УДК 62 - 503.57, 681.5.01

МОДЕЛИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ ЭЛЕКТРОПРИВОДОМ ЦИКЛА ФОРМОВАНИЯ КАРАМЕЛИ С ИСПОЛЬЗОВАНИЕМ НЕЧЁТКОЙ НЕЙРОННОЙ СЕТИ

В.Н. Крысанов, В.С. Некрылов, Е.А. Натаров

Воронежский государственный технический университет

Vlad.nekr.j4w@gmail.ru

В статье рассматриваются вопросы имитационного моделирования системы управления исполнительным электроприводом технологического цикла формования карамели с применением принципов нечётких нейронных сетей

Ключевые слова: имитационное моделирование, технологический цикл формования карамели, система управления, нечёткая нейронная сеть

Карамель по объему производства занимает одно из первых мест среди различных видов кондитерских изделий. Для выпуска продукции высокого качества с минимальными затратами сырья и энергоносителей необходимо в течение всего технологического процесса приготовления карамельного сиропа (уваривания сиропа) осуществлять его постоянный технохимический контроль. Основными контролируемыми параметрами являются процентное содержания сахара (концентрация сахара) в сиропе, температура сиропа, время продолжительности обработки, вязкость сиропа в слегка охлажденном состоянии [1].

В случае применения существующих систем автоматизации, как правило, не выделяют в явном виде решение задачи технико-экономической оптимизации. Полагается, что частичное выполнение ограничений доводит величину потерь в себестоимости производства до экономически обоснованного уровня. Применение такого подхода объясняется высокой размерностью процессов, их нелинейностью и сложностью аналитического описания, необходимого для классических методов (в том числе и адаптивных), применяемых в существующих системах управления. Однако, уровень невосполнимых потерь при этом, в значительной мере увеличивает стоимость продукции (снижает ее конкурентоспособность) и затрагивает вопрос оптимального использования ресурсов в современных условиях глобализации общества.

Эффективным решением подобных вопросов служат нечёткие нейронные сети (ННС), алгоритмы и методы на их основе. Их практическое применение позволяет наиболее полно выполнить технико-экономическую оптимизацию по средствам оценки производства «в целом» на основе т.н. информационного метода (или метода «черного ящика»). Невозможность получения строгих аналитических зависимостей во всех циклах производства компенсируется аппроксимацией векторов состояния по известным переменным и взаимосвязям между ними. Методы ННС могут с высокой степенью эффективности служить в основных, вспомогательных, консультативных системах управления, позволяют более гибкое (чем классические принципы организации) применение экспертных методов воздействия и контроля за процессами.

74

Рассмотрим возможности по применению ННС к циклу формования карамели.

Тракт формователя карамели является объектом с распределенными параметрами, так как температурные режимы смеси и содержания в ней сахара не одинаковы по зонам аппарата. Объект управления обладает значительными инерционными свойствами как по каналу стабилизации температурного режима массы, так и по каналу регулирования концентрации сахара в ней.

Составим уравнения основных процессов формования карамели:

где x1(t) [0;(0,3 1,2) 103], кг/ч – величина производительности по массе ка-

рамели; x2(t) [0;1], о.е. – показатель качества карамели; x3(t) [a0; x3max], руб.

– величина суммарных затрат на технологический процесс; wprivod [0,01;0,8],

об/мин – угловая суммарная скорость привода продвижных валов; v2 [0,25;0,88], м/мин – линейная скорость подачи воды; T [45;81], С – распределение температуры по зонам формователя; p [0,03;0,07], МПа – распределение давления пара по зонам формователя; , , , , , ,k,l – коэффициенты технологического процесса в соответствующих нормирующих единицах измерения; a0 – величина нетехнических затрат на ведение процесса.

x2(t) выражается в заданных значениях требуемой концентрации сахара в карамели и количество примесей. Стоит заметить, что величина x1(t) в конечном счёте определяет условную выручку данного цикла (можно представить в виде вклада в конечную валовую выручку предприятия), а x3(t) – величину условной себестоимости в единицу времени. Тогда поставленная задача минимизации себестоимости цикла формования будет сводится к минимизации величины x3(t) с совместным нахождением x2(t) в диапазоне максимально близком к единице при произвольном изменении x1(t).

Рассмотрим реальную ситуацию работы цикла формования карамели в связи с соседними технологическими процессами. В ходе прохождения этапов неминуемо возникают временные задержки в обработке потока сырья, что приводит к увеличению затрат на электро- и теплоэнергию, снижает эффективность труда рабочего персонала. По этой причине (при заданных этапах производства) уровень качества карамели – x2(t) – целесообразно не доводить до уровня 1 (что в о.е. означает максимальную очистку и степень концентрации), а поддерживать в неком приемлемом диапазоне – 0,75 – 0,9 о.е., достаточном для проведения следующей ступени производства. При этом, для каждого такого «допущения» требуется полноценный анализ всей цепочки технологического процесса и совмещение с параметрами экономической модели как в прогноз-

75

ном, так и в режиме реального времени. Подобный подход невозможно осуществить классическими методами, ввиду отсутствия точных аналитических зависимостей всех факторов производства. Поэтому применяются смешанные алгоритмы реализации, в ходе которых часть параметров управления имеет точное аналитическое описание и относительно легко реализуется. Оптимизация же слабоформализуемых параметров (качество стружки, сока, кристаллов) и их влияние на процесс «в целом», как правило, оценивается с помощью экспертной системы. В задачу предлагаемой ННС входит уточнение решений принимаемых экспертами с возможностью оценки полифакторной задачи и выработки наилучшего алгоритма с позиций получения наибольшей чистой прибыли. Иными словами, ННС призвана учесть прогнозные сценарии в пространстве многих слабоформализованных переменных и на основании этого выдавать соответствующие управляющие воздействия.

Предложим для реализации нейро-нечетких принципов организации цикла формования модель, состоящую из взаимосвязанных искусственной нейронной сети (ИНС) – представленной прямой и инверсной моделями объекта управления (ОУ) и нечёткой системы (НС) – формирования обучающих алгоритмов (рис. 1).

Рис. 1. Функциональная схема СУ цикла формования карамели

Первоначально экспериментальные данные, соответствующие уравнениям (1-3) вносятся в базу данных ННС и ИНС 2.

В ходе работы аппарата НС1 использует текущее изменение воспроизводимого вектора управляющих функций – g( pr , v2,T, p) и выхода прямой мо-

дели объекта – y( pr , v2,T, p). Прямая модель – ИНС 2 обучается по прогнозу ошибки – e( pr , v2,T, p), формируемому НС 2. В результате подобной настрой-

ки сеть ИНС 1, являющаяся управляющим контроллером, реализует инверсную модель ОУ.

76

В качестве базы для реализации ИНС применяются 2 блока со структурой многослойного персептрона в Matlab 2014a со следующими параметрами: количество нейронов скрытого слоя – 100; выборка интервала – 0,2 с; количество элементов задержки на входе – 2; тренировочная выборка – 1200; количество эпох обучения – 400; алгоритм настройки – trainbr.

ННС реализуется посредствам структуры ANFIS: алгоритм обучения – Сугено; количество входных векторов – 4; количество выходных векторов – 3; тип сети – гибридная; число эпох обучения – 100; ошибка обучения – 5,12 10 4 .

Взаимосвязи исследуемых величин в трёхмерной области состояний после обучения ННС представлены на рис. 2.

Рис. 2. Взаимосвязи переменных в трёхмерном пространстве состояний: x1(t) f (wprivod (T,p),v2(T,p)) (a); x2(t) f (wprivod (T,p),v2(T,p)) (б); x3(t) f (p,T)

(в); x3(t) f (wprivod ,T) (г); x3(t) f (wprivod , p) (д); x3(t) f (x1(t),x2(t)) (е)

Как видно из анализа рис. 2е, при вариациях функций x1(t) и x2(t) в широком диапазоне изменяется и x3(t) – от нормированной величины затрат a0 0,4

77

до 1,0. При этом, следует отметить, что в качестве рабочего режима в настоящее время применяется ситуация, при которой x1(t) 0,85, x2(t) 0,85, при которых x3(t) 0,91. В тоже время, при реализации подобной оценки (при помощи СУ с ННС) для других этапов производства возможно более точное выполнение условия (3) и, при прогнозировании величины чистой прибыли предприятия – выражение (1), выработка величин производительности – x1i (t), отличных от принятых экспериментальным путём.

Так результаты проведённого математического моделирования свидетельствуют о возможности снижения величины затрат – x3(t) в случае изменения соответствующих уровней аргументов.

Кроме того, рис. 2 (а – д) демонстрируют возможности нейро-нечётких СУ при оценке затрат на использование потоков тепло- и электроэнергии, что само по себе является важной задачей в работе производственных предприятий. Также, при этом, становится возможным анализ амортизации оборудования без применения дополнительных средств [2 – 4].

В рамках решения задачи построения СУЭП цикла формования карамели целесообразным является предложение создания прогнозно-корректирующей (или основной) ННС, сопряжённой с аналогичными системами производства и последующим созданием значительно более адаптивного производства в целом (в сравнении с применяемой реализацией), позволяющей добиться лучших результатов оптимизации. Особо стоит отметить сопоставимость затрат на организацию ННС и классических подходов, что обусловлено одинаковой базой измерительной и исполнительной аппаратуры (датчики, заслонки, ключи), применяемой в обоих случаях.

Литература

1.Теоретические основы построения эффективных АСУ ТП. Автор: А.М. Литюга, Н.В. Клиначёв, В.М. Мазуров, 2002 г.

2.Крысанов, В.Н. Применение принципов нейро-нечётких (ННС) для прогнозирования потребления электроэнергии в производственной сфере/В.Н.Крысанов,А.Л.Руцков//Вестник Воронежского государственного технического университета. – 2013. – Т.9 – № 6-3. – С.62-66.

3.Крысанов, В.Н. Применение нейро-нечётких сетей для распределённых объектов / В.Н. Крысанов, А.Л. Руцков // Электротехнические комплексы и системы управления. – 2013. – № 1. – С. 50-57.

4.Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. Кн. 8: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. – М.: ИПРЖР, 2002. – 480 с.: ил.

SIMULATION OF THE ELECTRICAL CONTROL SYSTEM MOLDING CYCLE

OF CARAMEL USING FUZZY NEURAL NETWORK

V.N. Krysanov, V.S. Nekrylov, E.A. Natarov

Voronezh State Technical University

The article considers issues on simulation modeling of control system Executive electric drive of the technological cycle of formation of caramel with the application of the principles of fuzzy neural networks

Keywords: simulation modeling, technological cycle of formation of caramel, control system, fuzzy neural network

78

УДК 621.316.726, 681.5.01

РАЗРАБОТКА АДАПТИВНОЙ АСУТП ТЕПЛОСНАБЖЕНИЯ НА ПРИМЕРЕ ИНДИВИДУАЛЬНОГО ТЕПЛОВОГО ПУНКТА

В.Н. Крысанов, С.В. Доценко

Воронежский государственный технический университет

Docentik10@mail.ru

В статье рассматриваются вопросы повышения эффективности функционирования автоматической системы управления технологическим процессом индивидуального теплового пункта по критерию минимизации потерь теплового и электрического потоков

Ключевые слова: индивидуальный тепловой пункт, частотный электропривод, адаптивные системы управления, повышение энергетической эффективности

Индивидуальный тепловой пункт (ИТП) является базовым (наряду с ЦТП) элементом теплораспределительных сетей. По этой причине задачи оптимизации функционирования данного класса объектов являются весьма актуальной проблемой. Следует отметить следующие сложности, характерные для многих подобных структур в настоящее время [1]:

–применение технически непрогрессивных технологий (элеваторный принцип подачи теплоносителя; преднамеренное применение «перетопов»);

–наличие неуправляемого и низкоэнергоэффективного ЭП, низкий уровень внедрения современного оборудования на основе устройств плавного пуска и ПЧ;

–отсутствие гибких СУ;

–отсутствие комплексного решения вопросов диспечеризации, контроля состояния трубопровода, систем предупреждения и устранения аварийных ситуаций.

В связи с этим, видится целесообразным переход к регулируемым ЭП на базе ПЧ и УПП и централизованных СУ ИТП на базе адаптивных подсистем (SCADA-систем) для задач многопараметрической оптимизации.

Пользуясь СП 41 – 101 – 95 «Проектирование тепловых пунктов» [2] примем тепловую мощность ИТП P = 10 МВт.

В соответствии с СП 41 – 101 – 95 [2], а также СНиП 2.04.07 – 86 [3], определим основные количественные показатели для типового ИТП, организованного по двухступенчатой схеме присоединения с независимым присоединением систем отопления в ИТП и ИТП. В качестве основных параметров пред-

ставленного объекта рассмотрим тепловую производительность – QSP и требования по давлению в элементах трубопровода – Pn для ИТП.

79