Анализ нагрузки электроэнергетической системы на базе новых информационных технологий

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Анализ нагрузки электроэнергетической системы на базе новых информационных технологий

Аннотация

Прогнозирование электрической нагрузки обеспечивает основную исходную информацию для принятия решений при управлении электро-энергетическими системами в процессе планирования их нормальных электрических режимов. На основе прогнозирования нагрузок рассчитываются исходные и оптимальные режимы электроэнергетических системам, оценивается их надежность, экономичность, качество электроэнергии и т. п. С развитием теории искусственного интеллекта в последнее десятилетие было предложено решение задачи прогнозирования нагрузки с использованием моделей на основе экспертных систем и искусственных нейронных. Предпочтение их традиционным моделям обусловлено тем, что не требуется построения модели объекта, не теряется работоспособность при неполной входной информации.

Ключевые слова: нейронные сети, прогнозирование, оптимизация, электроэнергетика. электропотребление нейронный сеть энергетика

Prediction of electrical load provides basic background information for decision-making in the management of electric power systems in the planning process of their normal power mode. Based on the load forecasting calculated initial and optimal regimes of electric power systems, evaluating their reliability, efficiency, power quality, and so on. N. On the development of the theory of artificial intelligence in the last decade was proposed solution to the problem load forecasting using models based on expert systems and artificial neural networks. Pre-respect of their traditional models due to the fact it does not require construction of a model of the object is not lost performance with incomplete input information. They are resistant to noise, have a high performance.

Keywords: neural networks, forecasting, optimization, electricity.

Прогнозирование режимов электропотребления (электрической нагрузки) необходимо для решения практически всего спектра задач текущего планирования и оперативного управления режимами функционирования ЭЭС2. Прогнозирование нагрузки проводится в следующих временных диапазонах иерархии управления ЭЭС [3]:

- оперативном (в пределах текущих суток);

- краткосрочном (сутки-неделя-месяц);

- долгосрочном (месяц-квартал-год).

Первые публикации по методам прогнозирования электрической нагрузки ЭЭС появились на рубеже десятых-двадцатых годов прошлого века [1]. Казалось бы за 80 с лишним лет эта проблема должна быть решена. Тем не менее поток публикаций не убывает, а увеличивается. Основной причиной этого являются все более высокие требования к показателям качества прогнозных расчетов (точности, достоверности, информативности, автоматизируемости, быстродействию и т.п.) и непрерывное развитие самих ЭЭС.

До настоящего времени разработано большое число методов и моделей прогнозирования нагрузки ЭЭС. Их обзор приведен в [1]. Традиционные статистические модели могут быть условно разделены на регрессионные модели и модели на основе временных рядов. Подробное обсуждение этих моделей приведено в [4].

С развитием теории искусственного интеллекта в последнее десятилетие было предложено решение задачи прогнозирования нагрузки с использованием моделей на основе экспертных систем и искусственных нейронных сетей [5]. Предпочтение их традиционным моделям обусловлено тем, что не требуется построения модели объекта, не теряется работоспособность при неполной входной информации. Они обладают устойчивостью к помехам, имеют высокое быстродействие. В большинстве публикаций по прогнозированию нагрузки используется конфигурация ИНС прямого распространения (персептроны) с обучением по методу обратного распространения ошибки

Результаты оптимизации структуры и параметров электрических сетей показали значительные резервы экономии непроизводственных потерь электрической энергии до 20 % от общего объема передаваемой электроэнергии.

Разработанные до настоящего времени модели и методы оптимизации не полностью отражают реальные условия функционирования электрических сетей, и не учитывают проблемы рынка электроэнергии, которые в данный момент негативно влияют на развитие и функционирование электроэнергетики. Поэтому при создании модели, приближенной к реальным условиям функционирования энергосистемы сводится к задаче планирования и управления режимами, в которой некоторые параметры целевой функции и ограничений являются случайными величинами [2].

Оптимизация развития энергетической системы заключается в выборе оптимального варианта развития системы, удовлетворяющему критерию экономической оптимальности. Критерии оптимизации развития энергетический систем основан на минимизации затрат, связанных с развитием системы.

Многие вопросы функционирования энергосистем можно решать с помощью системного подхода [1]. Системный подход в поиске оптимальных способов управления должен удовлетворять следующим требованиям:

- решения должны предусматривать возможности сведения алгоритмов управления воедино на стыках между подсистемами. Такой подход позволяет быстро наращивать систему управления и совершенствовать следующую ступень иерархии;

- решения не должны зависеть от развития самой системы управления, т. е. способы управления должны быть инвариантными по отношению к развитию системы управления, а также по отношению к конкретным частным случаям, например, к развитию подсистемы. Так, необходимо предусматривать максимальную типизацию аппаратов. С точки зрения системного подхода к подготовке алгоритмов более сложным случаем будет управление при неполной информации, т. к. при этом необходимо предусматривать алгоритмы восстановления исходной информации. Управление же при полной информации требует более простых алгоритмов. Общим критерием оптимальности управления может служить суммарный ущерб, обусловленный недоотпуском электроэнергии и ухудшением параметров режима в аварийном и послеаварийном режимах. Наряду с общими критериями оптимальности управления возможно применение частных критериев, относящихся к отдельным этапам развития аварии в энергосистеме.

Существуют различные технические реализации нейронных сетей, в том числе нейроимитаторы, то есть компьютерные модели нейронных сетей. Нейроимитаторы являются гибкими средствами для изучения сетей и работы с ними. С неироимитаторами можно выполнять различные операции - обучать, определять наиболее и наименее значимые связи, контрастировать, то есть удалять наименее значимые связи и т. д.

Применение нейронных сетей в электроэнергетике позволяет оптимизировать процесс производства и распределения электроэнергии, управлять безопасностью и режимами функционирования энергосистем. Ниже представлен перечень основных задач, решаемых нейрокомпьютерами в современных энергетических системах:

- предсказание нагрузки;

- прогнозирование температуры окружающей среды с целью прогнозирования нагрузки;

- управление потоками электроэнергии в сетях;

- обеспечение максимальной мощности;

- регулирование напряжения;

-диагностика энергосистем с целью определения неисправностей;

- оптимизация размещения датчиков для контроля безопасности энергосистем;

- мониторинг безопасности энергосистем;

- обеспечение защиты трансформаторов;

- обеспечение устойчивости, оценка динамического состояния и диагностика генераторов;

- управление турбогенераторами;

- управление сетью генераторов;

Перечень задач применения нейрокомпьютеров в системах управления энергетическими системами постоянно растет. Ранее некоторые из этих задач решались статистическими и численными методами, использовалось моделирование и методика оперативного управления режимами функционирования электроэнергетических систем. Но развитие технологии нейросетей позволило расширить круг решаемых задач по оценке состояния энергосистемы. Таким образом, применение нейросетевых технологий для оптимального управления энергосистемами является перспективной тематикой, требующей дальнейшего развития и внедрения.

Список литературы

1. Клима И. Оптимизация энергетических систем. М.: Высш. 1991. 303с.

2. Савченко Н. А., Субботин О. В. Методы оптимизации энергетических систем // Вестник ДГМА. Вып. 2(4)/ ДГМА Краматорск, 2006. C.190 - 196.

3. Руденко Ю.Н., Семенова В.А. Автоматизация диспетчерского управления в электроэнергетике

4. Круглов В.В., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Изд-во физ.-мат. лит-ры,

5. Меламед М.А. Современные методы анализа и прогнозирования режимов электропотребления в электроэнергетических системах // Итоги науки и техники. Серия Энергетические системы и их автоматизация. 1988,. Т.4. С.4-111

1. Klima I. Optimizatsiya energeticheskikh sistem. M.: Vyssh. 1991. 303s.

2. Savchenko N. A., Subbotin O. V. Metody optimizatsii energeticheskikh sistem // Vestnik DGMA. Vyp. 2(4)/ DGMA Kramatorsk, 2006. C.190 - 196.

3. Rudenko Yu.N., Semenova V.A. Avtomatizatsiya dispetcherskogo upravleniya v elektroenergetike // Vestnik DGMA. Vyp. 2(4)/ DGMA Kramatorsk, 2006. C.190 - 196

4. Kruglov V.V., Golunov R.Yu. Nechetkaya logika i iskusstvennye neyronnye seti. - M.: Izd-vo fiz.-mat. lit-ry,,

5. Melamed M.A. Sovremennye metody analiza i prognozirovaniya rezhimov elektropotrebleniya v elektroenergeticheskikh sistemakh // Itogi nauki i tekhniki. Seriya Energeticheskie sistemy i ikh avtomatizatsiya. 1988,. T.4. S.4-111

Размещено на Allbest.ru