Технические науки/5.Энергетика

К.т.н. Павлюков В.С., инж. Ёжиков Н.И.

ФГБОУ ВПО «Южно-Уральский государственный университет»(НИУ), Россия

Моделирование системы анализа режимных параметров электрических сетей с использованием нейронных сетей

Аннотация. Рассмотрен подход моделирования самообучающейся системы применительно к управлению режимами электрических систем на базе одной из современных технологий, использующей элементы искусственного интеллекта.

Задача. Развитие в электроэнергетике страны новых условий и форм работы между производителями и потребителями электроэнергии требует ответственного взаимоотношения между ними. Поэтому задача создания модели повышения качества и надежности управления режимами электрических сетей является весьма актуальной на сегодняшний день. Данная задача тесно связана с применением инновационных технологий, основанных на достижениях новейших математических и информационных разработок, которые можно эффективно внедрять в область управления нормальными и анормальными параметрами режимов электрических систем.

Теоретическая часть. К таким инновационным технологиям, которые можно использовать для создания модели управления режимами электрических сетей, можно отнести быстро и системно развивающееся направление, основанное на применении элементов искусственного интеллекта. К достоинствам новых технологий можно отнести хорошую возможность их работы с форматами неформализованных данных, способность к обобщению, обучению и самообучению. Внедрению современных и нетрадиционных технологий в практику управления побуждают появления прогрессивных информационных технических средств[1-4] и методов анализа их на значимость и достоверность[5].

С позиции системного подхода применение элементов искусственного интеллекта в различных отраслях промышленности позволяет исключить участие человека в тех задачах, где нельзя физические процессы описать линейными и нелинейными алгоритмами, либо данные алгоритмы будут неоправданно сложны. Примерами являются различные задачи оптимизации технологических процессов производства, анализа данных и распознавание образов (изображения, звуки, запахи и пр.). Также положительным качеством технологий является крайне высокая отказоустойчивость и низкий процент ошибок.

В электронергетике на сегодняшний день нейросетевые технологии применяются для решения задач, связанных с прогнозом нагрузок потребителей[6], управлением процессами генерации электроэнергии на электростанциях[7-10]. Проведенный анализ показал, что нейросетевые технологии можно также применить в области моделирования функций аппаратов защиты вместо устройств, построенных на основе жесткой релейной логики.

Особенностью релейной защиты и микропроцессорных терминалов защит является необходимость перенастройки их при включении нового потребителя в существующую сеть, либо при отключении потребителя, что приводит к перебоям в электроснабжении и может привести к крупным авариям. Данных ситуаций можно избежать, используя самообучающиеся и самокорректирующиеся системы, основанных на использовании элементов искусственного интеллекта, и в частности – искусственных нейронных сетей.

Для создания нейронной сети необходимо разработать ее топологию, определить стратегию обучения и алгоритм процедуры тестирования. Элементы сети связаны между собой в послойную топологию с прямой передачей сигналов. Количество входных и выходных элементов определяется условиями решаемой задачи.

Исходными данными для эксплуатирующихся на сегодняшний момент шкафов релейной защиты и микропроцессорных терминалов являются значения токов и напряжений на трех фазах, поэтому входной или сенсорный слой предлагаемой нейронной сети будет содержать семь элементов (Рис.1): три элемента, принимающих значения напряжений на каждой фазе, три элемента, принимающих значения токов, текущих по каждой фазе и один элемент, принимающий точное значение времени для сбора статистики. В практической реализации сенсорного слоя наиболее целесообразно будет использовать измерительные трансформаторы токов и напряжений для получения значений и гальванической развязки управляемой и управляющей сетей и датчик системы GPS либо ГЛОНАСС для получения точного астрономического времени.

Следующим слоем нейронной сети является так называемый активаторный слой, он содержит в себе минимум шесть элементов, которые в математической модели можно описать сложными функциями. Данные элементы реагируют на резкое повышение или падение значений входных данных и на текущие значения, что позволит выявлять аварийную ситуацию до того момента, когда возникнут физические повреждения элементов защищаемой электроэнергетической системы.

Выходной слой состоит из двух нейронов, назначение которых будет раскрыто при описании алгоритма работы всего элемента искусственного интеллекта.

Обучение данной модели нейронной сети заключается в изменении коэффициентов функций нейронов активаторного слоя, поэтому первичное обучение должно проходить на базе другой обученной системы, либо на базе работающей релейной защиты, чтобы наиболее точно подобрать коэффициенты для защиты элемента конкретной электроэнергетической системы. Для данного обучения предназначен так называемый обучающий слой, состоящий из двух нейронов, имеющих память, которые принимают данные от сенсорного слоя и активаторного слоя и связаны с имеющейся защитой. Алгоритм работы данного слоя заключается в том, что нейроны в течение длительного времени изменяют коэффициенты активационных функций для предотвращения ошибок как первого (ложноположительные срабатывания), так и второго (ложноотрицательные срабатывания) рода. Также в течение длительного времени снимаются показания токов и напряжений для выявления среднего значения, превышение которого будет означать аварийную ситуацию. Для значения напряжения также следует учитывать нижнюю границу, потому что снижение напряжения в сети ниже уровня, определяемых номинальными значениями для электрических систем и предусмотренных ГОСТ и ПУЭ, также является аварийной ситуацией.

Для автоматической подстройки системы обучающий слой продолжает работать и во время работы всей системы. Если в течение длительного времени средние значения токов превышают установленные средние значения, то данные значения заменяются на текущие.

Для формирования конечного сигнала введен суммирующий слой, состоящий из сумматоров. В случае срабатывания любого элемента

Условные обозначения:

s – нейроны сенсорного слоя;

A – нейроны активаторного слоя;

T – нейроны обучающего слоя;

Sum – нейроны суммирующего слоя;

O – элементы выходного слоя

Рис. 1. Топология разработанной нейронной сети.

активаторного слоя на выходе суммирующего слоя будет логическая единица,

означающая аварийную ситуацию.

Последним слоем рассматриваемой модели нейронной сети является выходной слой, состоящий из двух элементов, один из которых срабатывает в случае аварии и подает сигнал выключения на коммутационный аппарат – выключатель, а второй, работая постоянно, формирует сигнал диспетчеру, сообщая, таким образом, о нормальной работе системы, о выходе за средние значения режимных параметров и об аварийных ситуациях. Элемент, формирующий сигнал диспетчеру, принимает следующие виды данных: информацию с сенсорного слоя, далее с активаторного слоя и с обучающего слоя. Элемент, формирующий сигнал для выключателя, принимает информацию только с суммирующего слоя.

В процессе проведенных исследований была сформирована модель нейронной сети, реализующая функции некоторых элементов защиты электроэнергетических систем. На данной стадии элемент искусственного интеллекта является пятислойной сетью с частичной обратной связью, служащей для процесса самообучения в течение всего времени работы описанной модели.

Экспериментальная часть. Для реализации упрощенного примера данной искусственной нейронной сети была выбрана среда разработки Borland Delphi 7 в операционной системеWindows XP и старше. Для внесения случайного или псевдослучайного значения в пределах 10% от заданного значения используется функция «random». Для отладки нейронной сети генерировались значения токов или напряжений с разбросом, допустим в 5%, от среднего значения, которое можно получить, используя ретроспективную информацию из баз данных оперативно-информационных комплексов реальных региональных сетей или задавать иным путем. Для реализации задачи были разработаны специальные функции, например, реализующие резкое повышение и понижение значения тока, соответственно, примерно на 25% и 10% от текущего значения с добавлением случайной величины, резкое повышение и понижение величины напряжения, соответственно на 30% и 20% от текущего значения с добавлением случайной величины и другие функции.

Выполненная апробация разработанной модели и проведенный анализ полученных данных для указанной задачи на тестовых примерах, характеризует разработанную систему как достаточно достоверную и почти 2-3,0% ошибку в определении режимных параметров можно считать хорошим результатом. Для сравнения приведем погрешности микропроцессорного терминала типа SPAC-810-У2 производителя ООО «АББ Автоматизация» г. Чебоксары для комплектных распределительных устройств 10 кВ, которые при измерении токов составляет от 1 до 5%, а напряжений – 0,5-5%.

Выводы. Главными преимуществами использования элементов искусственного интеллекта перед классическими методами управления являются наличие распараллеливание алгоритмов и нечеткой логики, благодаря чему происходит постоянный анализ и оптимизация режимов работы. Распараллеливание приводит к ускорению работы классических алгоритмов и дает возможность объединения нескольких систем по режимным параметрам в одну, что, как правило, выгодно как с точки зрения потребляемых ресурсов, так и с точки зрения удобства для обслуживающего персонала электротехнических объектов. При модификации нейронной сети оптимальное число нейронов может изменяться.

Литература:

1. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.– 2-е изд., стереотип. – М.: Горячая линия – Телеком, 2002. – 382 с.

2. Горбань А.Н. Нейронные сети на персональном компьютере: монография / А.Н. Горбань, Д.А. Россиев; Отв. ред. В.И. Быков. – Новосибирск: Наука; Сиб. изд. фирма РАН, 1996. – 275 с.

3. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. – 344 с.

4. Галушкин А.И. Теория нейронных сетей. – М.: ИПРЖР, 2000. – 416 с.

5. Охтилев М.Ю. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов [Текст] / М.Ю. Охтилев, Б.В. Соколов, Р.М. Юсупов. – М.: Наука, 2006. – 410 с.

6. Conceptual approach to the application neural networks for short-term load forecasting / Peng T.M., Hubele N.F., Karady G.G. // IEEE Int. Symp. Circuits and Syst., New Orleans La, May 1-3, 1990, vol.4 – New York (N.Y.), 1990 – P. 2942 –2945.

7. Potential of artificial neural networks in power system operation / Damborg M.J., El-Sharkawi M.A., Aggoune M.E., Marks II R.J. // IEEE Int. Symp. Circuits and Syst., New Orleans, La, May 1-3, 1990. Vol.4 - New York (N.Y.), 1990. – P. 2933-2937.

8. Dynamic state estimation of a synchronous generator using neural-networks techniques: Prepr. Pap. Control'92: Conf. // IEEE Int. Symp. Circuits and Syst., New Orleans, La, May 1-3, 1990. Vol.4 – New York (N.Y.), 1990.

9. Self-Tuning adaptive control of multi-input, multi-output nonlinear systems using multilayer recurrent neural networks with application to synchronous power generators / Sudharsanan S.I., Muhsin I., Sundareshan M.K. // IEEE Int. Conf. Neural Networks, San Francisco, Calif., March 29– Apr.1 1993: ICNN'93. Vol.3. – Piscataway (N.J.), 1993 – P. 1307-1312.

10. Jensen C.A., Reed R.D., Marks II R.J., El-Sharkawi M.A., Jang J.B., Miyamoto R.T., Anderson G.M., Eggen C.J. Inversion of feedforward neural networks: algorithms and applications // Accepted for publication in Proceedings of the IEEE. – 1999. – P. 1-18.