ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ПРИ ВНЕПИКОВОМ УПРАВЛЕНИИ ВОДООТЛИВНОЙ УСТАНОВКОЙ

Д. А. Боченков, Ю. П. Сташинов, В.В. Волков.

При оплате электроэнергии горнодобывающим предприятием по двуставочному тарифу существенную часть составляет плата за заявленную мощность в часы максимума нагрузок в энергоснабжающей системе. Поэтому для снижения себестоимости продукции необходимо стремиться к тому, чтобы в данные часы было включено как можно меньше установок большой мощности. Одной из таких установок, которую можно отключать без видимого ущерба безопасности производства и снижения производительности труда, являются главные водоотливные установки шахт и рудников. Их мощность составляет значительную величину в общей доле установленной мощности предприятия.

При такой организации работы необходимым условием является то, чтобы к началу очередного максимума нагрузок полностью освободить водосборник от воды (рис.1).

Рис. 1. Организация работы при прохождении максимумов нагрузок.

При заполнении водосборника водой объем воды в зависимости от времени изменяется по линии . Изменение уровня воды в водосборнике при включении в работу насосного агрегата выражено линией или. Началу включения в работу насосного агрегата соответствует точка . К началу максимума нагрузок уровень воды в водосборнике равен нулю.

Определение времени включения в работу насосного агрегата определяется расчетным путем при заданном притоке и производительности насосного агрегата. Известен алгоритм такой работы, выполняющий вычисление, реализованный на ПЛК.

Однако, принять такую организацию работы возможно лишь в том случае, если заранее известно время наступления пика нагрузок в энергосистеме. Как показывает практика, само время подвержено случайным изменениям в течение периода наблюдений. При этом воспринимаемое наблюдателем поведение наблюдаемой величины, как случайное на самом деле имеет в своем появлении множество закономерностей. Установить эти закономерности обычными способами не представляется возможным.

Поэтому для полноценной организации данного режима работы необходимо иметь точную информацию о моменте наступления пиковых нагрузок. С заданной задачей можно справиться путем использования искусственных нейронных сетей. Прогнозирование случайных недетерминированных величин используется и нашло широкое практическое применение в различных сферах человеческой деятельности.

Организация работы водоотливной установки будет осуществляться по изображенному ниже алгоритму. Предсказание времени очередного максимума осуществляется нейронной сетью. Оно передается в вычислительный блок, который по заданному притоку и количеству воды в данный момент времени определяет время включения насосного агрегата подачей сигнала на пуск.

Рис. 2. Алгоритм работы водоотливной установки.

Прогнозирование осуществляется по предыдущим значениям. При использовании выборки с большим числом данных повышается точность прогноза. Однако это влечет за собой увеличение объема нейронной сети и времени ее работы. Формирование обучающей выборки при заданном числе обучающих примеров изображено ниже на рис.3

Рис. 3. Формирование обучающей выборки.

В столбце располагаются значения предыдущих максимумов нагрузок. Заполнение новых столбцов осуществляется добавлением более нового значения и удалением наиболее старого. Рассмотрено при моменте времени .

Построим нейронную сеть и произведем моделирование ее работы при прогнозировании.

Для прогнозирования используем сеть с радиальными базисными элементами (RBF). Преимуществом данной сети является высокая скорость обучения при сравнительно малых размерах. Сеть RBF представляет собой гетерогенную структуру прямого распространения. Тренировка сети будет осуществляться итерационным способом до тех пор, пока ошибка не станет пренебрежимо малой величиной. Заданное количество циклов обучения принимаем равными по умолчанию. Зададим среднеквадратичную ошибку равной нулю. Сеть имеет двухслойную структуру. Первый слой имеет гауссову функцию активации

,

где – входной сигнал;

– выходной сигнал.

Второй слой спроектированной сети имеет линейную функцию активации.

После прогнозирования происходит вычисление ошибки и сеть тренируется. В процессе тренировки изменяется значения синапсических весов и коэффициентов смещений нейронной сети. Результат тренировки сети изображен ниже на рис.4.

Рис. 4. Результат обучения сетей после тренировок.

По оси абсцисс отложено количество циклов тренировки epochs, а по оси ординат отложена среднеквадратичная ошибка «МSE». Линии 1 соответсвует ошибка в прогнозе при использовании прогнозирования по двум предыдущим значениям максимумов нагрузок, а линии 2 прогнозирование по трем значениям обучающей выборки, линии 3 – по четырем значениям. Как видно, при более сложной структуре сети ошибка прогноза существенно уменьшается с увеличением количества тренировок. Однако увеличение элементов в обучающей выборке приводит к значительному усложнению сети.

Рассмотрим прогнозирование максимумов нагрузок по предыдущим значениям при объеме обучающей выборки, равной соответственно трем и четырем. Результат использования нейронной сети приведен ниже на рис.5.

Рис. 5. График максимумов нагрузок в зимние месяцы.

Звездочками обозначены время реального наступления максимума нагрузок. Линии 2 соответствует использование прогнозирования по трем предыдущим значениям. Как видно, ошибка в прогнозе составляет значительную величину, что недопустимо, так как вызовет неправильное включение в работу насосного агрегата. При увеличении количества обучающей выборки до четырех, точность прогноза возрастает, что изображено линией 3.

Таким образом, нейронная сеть справляется с возложенной на нее задачей. Использование искусственной нейронной сети вместе с вычислительным блоком, позволяющим определять время включения в работу насосного агрегата позволит реализовать полноценный алгоритм работы, который приведен выше. С учетом того, что мощность насосов главного водоотлива составляет сотни киловатт, будет наблюдаться значительный экономический эффект от внедрения данного способа организации работы.

Литература

1. В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин Нейросетевые системы управления.– Высшая школа, 2002.– 184 с.

2. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. – М.: Мир, 1992 – 240 с.