Галушкин А.И.

Применение нейрокомпьютеров в энергетических системах

Оглавление

1. Программирование нагрузки.

2. Потокораспределение энергии.

3. Диагностика энергосистем.

4. Стабилизация напряжения в энергосистемах с использованием нейронных сетей.

5. Размещение измерительных устройств на электростанциях с помощью нейронных сетей.

6. Защита силовых трансформаторов с использованием аппарата нейронных сетей.

7. Синхронные генераторы.

8. Управление сетью синхронных генераторов.

9. Управление переключательными инверторами.

Выводы.

Литература. .

Подобная тематика все более и более занимает умы разработчиков и эксплуатационщиков современных энергетических систем [1,2,3]. В работе [4] рассматривается возможность использования искусственных нейронных сетей для быстрого принятия решений в опасной обстановке на энергетических станциях. Проведен анализ специфики возникающих задач и распространенных методов их решения. Изучены различные архитектуры искусственных многослойных нейронных сетей, пригодные для реализации этих методов. Представлены оценки их релевантности. Рассмотрено несколько процедур обучения. Приведены экспериментальные данные. Оценивается перспективность различных направлений дальнейшего прогресса в рассматриваемой области. Еще ранее были опубликованы обзорная работа [5], в которой говорится о том, что нейросетевые вычислительные модели дают большие надежды для улучшения различных аспектов операций на электростанциях. В статье проводится краткий, но исчерпывающий обзор нейронных сетей. Обсуждаются различные парадигмы обучения при использовании нейронной сети для решения оптимизационных задач. Кратко описываются различные применения в энергетике. Они включают предсказание нагрузки, управление безопасностью, оптимизацию обратного давления турбин и моделирование процессов. Здесь способность нейронных сетей обучаться сложному отображению обучающих данных используется для построения оценок или предсказания различных интересующих свойств. Обсуждаются характеристики, которыми должны обладать задачи для возможности применения нейросетевого подхода. Появляются разработки в этой области крупных зарубежных фирм [6]. В данной работе освещается разработанный фирмой метод создания нейронных сетей для оценки систем генерирования электрической энергии, которые работают в 10 раз быстрее, чем при обычной технологии обратного распространения сигналов. Метод использует результаты исследования по применению нейронных сетей для управления промышленности объектами и другими большими системами. Он предусматривает создание сети в трех уровнях: входном внутреннем (скрытом) и выходном на базе самоорганизующихся моделей вместе с правилами обучения. Это позволяет оценивать состояния энергосистемы по задаваемым изображениям и рекомендовать оператору решения при возможных аварийных ситуациях.

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; є обеспечение защиты трансформаторов;

обеспечение устойчивости, оценка динамического состояния и диагностика генераторов;

управление турбогенераторами;

управление сетью генераторов;

управление мощными переключательными системами.

Перечень задач применения нейрокомпьютеров в системах управления энергетическими системами постоянно растет.

1. Прогнозирование нагрузки

Основой для постановок задач прогнозирования нагрузок или потребления электроэнергии были ранние работы [7,8,9,10]. Начиная с 1990-1991 г.г. [11] начинает активно внедряться в задачи прогнозирования нагрузки нейросетевой подход. Эти работы активно развиваются вплоть до настоящего времени [12]. В работе [12] описана реализованная для этих целей голографическая ассоциативная память, реализующая нейронную сеть, и основанная на знаниях экспертная система. Другие нейросетевые системы прогнозирования нагрузки представлены в работах [13-18]. Значительное количество работ посвящено прогнозированию нагрузок с помощью нейрокомпьютеров на короткое время [19-23]. Эти работы являются развитием более ранних работ в этой области, не связанных с нейрокомпьютерами [24-27]. Так в работе [19] рассматривается задача построения краткосрочных предсказаний нагрузок с повышенной точностью. Исследована релевантность нескольких известных моделей. Предложен новый метод прогнозирования, основанный на использовании 3-слойных искусственных нейронных сетей с комбинированной структурой, объединяющих линейные и нелинейные схемы. При модификации весов учитываются только результаты недавних наблюдений. Проведена серия тестовых испытаний, в которых ошибки предсказания не превысили 4-5%.

Отдельно рассматриваются нейросетевые подходы, связанные с почасовым прогнозированием потребления энергии. В работе [28] рассмотрены факторы и исходные данные, используемые в прогнозировании нагрузок на энергетические системы. Описано применение нейронных сетей для такого прогнозирования. Задача сформулирована как задача распознавания образов. Основным фактором, влияющим на потребление электрической энергии и газа, приняты погодные условия. Рассмотрена структура нейронной сети, состоящей из 24 подсистем (по одной на каждый час суток). Описан процесс обучения сети на основе ретроспективных данных. Прогнозирование выполняется с упреждением в 5 час. Изложено содержание испытаний сети. Получены удовлетворительные результаты. Ведется совершенствование нейронной сети для прогнозирования с 3-месячным упреждением. Подобные результаты получены в работах [19,30]. Прогнозирование пикового потребления электроэнергии (в субботние и воскресные дни и праздники) потребует специального нейросетевого подхода [31,32]. В работе [31] описываются принципы и механизм прогнозирования пика потребления электрической энергии, основанного на регрессионном анализе. Предлагается структура и алгоритм обучения нейронной сети для решения задачи прогнозирования пика потребления электрической энергии на следующий день. Описываются модель нейрона, структура многослойной нейронной сети, методы ускорения обучения нейронной сети. Предложенные структура и алгоритм нейронной сети позволяют учитывать возможные изменения пика потребления электрической энергии из-за атмофсерных явлений. Представлены результаты использования нейронной сети для прогнозирования.

2. Потокораспределение энергии

Задача оптимального потокораспределения энергии в электрических сетях является важной при управлении современными энергосистемами. Частной задачей при этом является определение оптимальной мощности, производимой каждым узлом сети в текущий момент времени. В нейросетевом логическом базисе эта задача решается как классическая задача нелинейной оптимизации. В работе [33] разработан метод представления чисел в нейронных сетях хопфилдовского типа, не требующий столь большого числа нейронов, как при представлении числа в двоичном коде с помощью (0, 1) нейронов. Метод основан на использовании нейронов со значениями из непрерывного интервала. Проведена оценка точности, достижимой в таких устройствах. Приведено подробное описание разработанного алгоритма обучения. В качестве примера использования предлагаемой методики приведена нейронная сеть для оптимизации распределения нагрузки при передаче электроэнергии. Приведены результаты экспериментальных испытаний подхода на модельных данных. В работе [33] отмечено, что серьезным ограничением на использование хопфилдовских нейронных сетей для задач комбинаторной оптимизации является отсутствие удобного механизма нейронной сети, а существующие методы позволяют представить в сетях только ограниченные числа. В `%'c+lb b% анализа функции Ляпунова предложен метод выбора пороговой функции нейрона таким образом, чтобы непрерывное большое число представлялось непрерывной переменной состояния нейрона, что снимает проблему размерности нейронной сети. На этой основе предложен метод нейросетевого решения задачи определения оптимальной нагрузки электростанций при известных потребностях. В работе [34] исследуется проблема построения системы управления распределенной энергетической системой. Система рассматривается как нейронная система. Предлагается построить экспертную систему для управления. Достоинством предложенного решения является высокая оперативность формирования управляющего воздействия по сравнению с традиционными системами управления, в которых осуществляется принцип построения экспертной системы управления и результаты ее экспериментального использования. В работе [35] рассмотрены приближенные методы оценки потоко распределения в сложнозамкнутой сети электроэнергетической системы, полученные с применением узловых и контурных матричных уравнений. Описанные алгоритмы используют методику размыкания контуров и основы теории чувствительности, что позволяет оперативно учитывать изменения параметров режима. Методика используется для получения ускоренных алгоритмов оценки потокораспределения при выполнении массовых проектных и эксплуатационных инженерных расчетов при наличии переменной исходной информации. В работе [36] рассмотрена задача автоматизированного управления потреблением энергии. Представлено подробное описание нового проекта. Разработана методика решения этой задачи и построения систем автоматизированного распределения энергии. Предложен предварительный вариант оригинального интерфейса пользователя, обеспечивающий возможность работы даже неподготовленному пользователю. Приведены примеры, демонстрирующие возможности нового устройства. В работе [37] разработан пакет программ, реализующий экспертную систему BEAMES для управления большим потоком энергии в зданиях. Приведено описание постановки задачи, структура новой экспертной системы, ее особенностей, связанных с характером прикладной области, примеров работы, демонстрирующих эффективность экономии энергии в реальных условиях, планов дальнейших разработок и внедрения экспертной системы BEAMES. Последние результаты работ в этой области изложены в [38-44]. В работе [45] представлено описание нейросетевого алгоритма обеспечения максимальной нагрузки в электрических сетях.

3. Диагностика энергосистем

Оценка состояния системы является весьма важной компонентой диспетчерского наблюдения и контроля таких гигантских систем, как системы генерации и передачи электроэнергии и промышленные системы. В работе [46] предлагается 2 метода построения нейронных сетей для оценки переменных состояния системы. Один метод основан на обратном распространении сигналов в нейронных сетях. Второй метод использует самоорганизующиеся модули, которые селективно активизируются в зависимости от входного набора. Второй метод характеризуется коротким временем обучения нейронных сетей. В работе [47] приводятся результаты исследований по использованию техники искусственных нейронных сетей для оценки качества работы технических систем, в частности - динамической устойчивости электроэнергетических систем. Метод нейронных сетей может быть полезен в качестве вспомогательного средства для персонала электроэнергетических систем в их оперативной работе, а также при проектировании и анализе электроэнергетических систем. На базе полученных данных о параметрах работы электроэнергетической системы происходит самообучение нейронной сети в автономном режиме, а при получении запроса нейронная сеть выдает оценку степени устойчивости системы и отдельных ее частей. Действие предложенного метода иллюстрируется на примере экспериментальной нейронной сети, моделирующей систему, состоящую из 9 шинных линий и трех генераторов. Для такой небольшой системы использована трехслойная нейронная сеть, содержащая 60 нейронов (по количеству входных переменных). Приводятся результаты испытаний нейронной сети, которые расцениваются как обнадеживающие. Для подавляющего большинства предложенных ситуаций нейронная сеть правильно определила устойчивые контуры в электроэнергетической системе. Анализируются нерешенные проблемы, связанные с использованием нейронных сетей и намечаются направления дальнейших исследований в этой области. В работе [48] разработана нейронная сеть для осуществления оперативного управления и слежения за неопределенными ситуациями в ходе работы электростанций. Проведена классификация возможных неполадок; разработаны методы получения их предсказаний, определения существования устойчивых режимов работы в случае повреждений и выяснения их допустимости с точки зрения термальных и прочих ограничений по безопасности. Рассмотрены также возможности оптимизации выбора обучающей информации. Приведены примеры построения отображений неисправностей на режимы с помощью метода моделируемого подавления. В работе [49] разработан новый метод определения весов связей и порогов элементов нейронной сети Хопфилда, основанный на использовании вместо процедур обучения алгоритмов оптимизации. С помощью алгоритмов линейного программирования максимизируется вероятность правильной классификации. Описаны: формальная постановка задачи, структура нейронной сети, алгоритм оптимизации, примеры реальных задач классификации непредвиденных ситуаций, результаты проведенных экспериментальных испытаний, результаты сравнения со стандартными процедурами обучения. В работе [50] рассмотрена проблема интерпретации большого ко личества одновременных сигналов тревоги в центре управления элект рическими сетями в условиях стресса. Отмечено, что традиционные методы принятия решений в данной ситуации оказываются малопригодными, поскольку сильно зависят от конкретной конфигурации электрической сети. Предложено использовать для анализа множественных сигналов тревоги и выделения исходной причины нейронную сеть. Предварительные результаты моделирования показывают, что такой нейросетевой интеллектуальный процессор может быть применен для энергетических систем различной конфигурации с алгоритмами. В работе [51] представлены предварительные результаты исследования возможностей нейронно-сетевых систем как средства обучения и оперативной помощи диспетчеру, следящему за безопасностью на энергетических станциях. Описана структура нейронной сети, процедура выбора обучающей (-d.`, f(( и обучения. Приведенные экспериментальные данные свидетельствуют о возможности построения реальных систем с повышенной надежностью, учитывающей возможность возникновения разнообразных непредвиденных опасных ситуаций. В работе [52] предложен новый метод оценки состояния элект ростанций с помощью искусственных нейронных сетей. Построены квад ратичные уравнения, описывающие состояние. Вместо использования для линеаризации метода Ньютона-Рафсона используется непосредственное нейросетевое решение задачи минимизации. Энергия сети Хоп филда имеет вид E=-1/2V_5t_0NV-I_5t_0V, где пороговый вектор I соответс твует коэффициенту Лагранжа. Описан метод выбора функции Лагранжа для штрафной функции. Представлены результаты проведенных испы таний нового метода. Нейронные сети являются эффективным аппаратом диагностики энергетических систем исследуемым как в поздних [53-56] работах так и в работах последних лет [57-76].

4.Стабилизация напряжения с энергосистемах с использованием нейронных сетей

Данная задача начала привлекать специалистов в области нейронных сетей в последние годы [75,76].

5. Размещение измерительных устройств на электростанциях с помощью нейронных сетей

В работе [77] предложена методика использования генетических алгоритмов для поиска оптимального решения в задаче о размещении измерительных датчиков на электростанциях, предназначенных для контроля безопасности. Проведены испытания в реальных задачах. Показано, что генетический алгоритм дает вполне удовлетворительные решения при числе измерений порядка 10 в 11 степени; относительная ошибка составляет 0,102%.

6. Защита силовых трансформаторов с использованием аппарата нейронных сетей

Решение данной задачи представлено в работе [78].

7. Синхронные генераторы

Аппарат нейронных сетей применяется здесь в основном для решения трех задач: є анализа устойчивости; є диагностики; є оценки динамического состояния синхронных генераторов. В работе [79] предложена методика нового варианта нейронной сети, основанной на адаптивном резонансе, - нечеткой системы ARTMAP - для исследования устойчивости стабильных состояний синхронного генератора. Описана модель генератора, учитывающая особенности работы регулятора напряжений стабилизатора системы. Показаны основные отличия ARTMAP от .!kg-ke архитектур адаптивного резонанса. В ходе испытаний проводились сравнения новой системы с нейронными сетями, обучаемыми с помощью обратного распространения. Представлена сводка полученных экспериментальных результатов, де монстрирующая превосходство нового метода. В работе [80] указаны недостатки некоторых известных методов разработки нелинейных управляющих систем для синхронных генераторов. Рассмотрена задача выбора и определения параметров генератора и линия соединения его с энергосистемой. Описана математическая модель генератора, выраженная системой трех нелинейных дифференциальных уравнений. Модель обеспечивает имитацию электромеханических и электромагнитных переходных процессов. Разработан нелинейный контроллер, основанный на трехслойной нейронной сети. Представлена и описана структурная схема контроллера. Для обучения сети использован алгоритм обратного распространения. Изложены содержание и результат имитационного моделирования контроллера. Установлено, что даже при больших отклонениях параметров обеспечивается надежная оценка динамического состояния наблюдаемого генератора, при этом погрешности уменьшаются в 4-5 раз. В работе [81] предложен метод применения искусственных нейронных сетей для обнаружения внутренних неисправностей индукционных машин, обеспечивающий работу в режиме реального времени и использующий результаты непосредственных измерений режима работы мотора без сложных математических моделей. Описана специфика задачи. Исследованы нейронные сети с равной степенью сложности и точности, в том числе нейронные сети со связями высших порядков. Изучено влияние шумовых помех. Приведены результаты экспериментов, подтверждающие надежность предлагаемой методики. В работе [82] предложена рекуррентная многослойная нейронная сеть для идентификации нелинейных систем с многими входами и многими выходами и управления с самонастройкой. Разработана эффективная стратегия управления в режиме реального времени. Описаны правила модификации параметров нейронной сети в ходе обучения с учителем. Приведен пример использования системы для управления синхронизированным энергетическим генератором при наличии отклонений от нормального режима работы. Представлена сводка результатов, полученных в ходе проведения экспериментальных исследований работы системы. Различные аспекты управления работой синхронных генераторов представлены в работах [83-87].

8. Управление сетью синхронных генераторов

Одной из первых работ по применению нейронных сетей для управления сетью синхронных генераторов является работа [89]. Оптимизация работ больших электрических энергетических систем с помощью нейронных сетей сопряжена с повышенными требованиями к точности характеристик вход-выход сети и ее обучения. Ранее (1993 г.) авторами работы [89] получено решение задачи итеративным использованием многослойной нейронной сети обратногораспространения, вычисляющей необходимый знак изменений выходной мощности электрических генераторов. Однако алгоритм обратного распространения создает определенные трудности. Предложено использование для той же цели созданной авторами (1990 г.) структурированной нейронной сети. Дано теоретическое и математическое обоснование такого метода. Показана и рассмотрена схема структурированной сети. Она содержит входной, воспринимающий, ассоциативные слои, логические элементы и механизм обратной связи. Входной образ классифицируется по нескольким классам. Описана процедура оптимизации. Представлены и проанализированы графики с результаты имитационного моделирования. По сравнению с сетью обратного распространения результаты оптимизации незначительно хуже, но реализация гораздо проще. В работах [90,91] представлена один из последних результатов исследований по применению нейронных сетей в управлении сетью синхронных генераторов. Управлению турбогенераторами с помощью нейронных сетей посвящены работы [92-94].

9. Управление переключательными инверторами.

В работах [95-98] описывается стратегия управления мощными переключательными инверторами, основанная на применении нейронных сетей. Необходимость в новых принципах управления для инверторов вызвана тем, что в высокочастотных инверторах быстро растут переключательные потери мощности. В связи с этим оправдан интерес к нейронным сетям, обладающим высокой скоростью обработки данных, отказоустойчивостью по отношению к неправильным соединениям (благодаря своей распределенной структуре) и способностью к самообучению. Параллельный механизм обработки данных в нейронных сетях хорошо приспособлен к действиям с нелинейными параметрами инверторов. Эти свойства нейронных сетей использованы в управляющем устройстве трехфазного инвертора с широтно-импульсной модуляцией, для которого нейронная сеть создает нужные командные сигналы на включение и выключение коммутационных элементов. Описывается построение такой нейронной сети и техника ее обучения. Приводятся результаты имитационного моделирования инверторов с нейронными сетями, показавшие перспективность нового метода управления инверторами.

Литература

1. Artificial neural networks for power systems: a literature survey. D.Niebur (Swiss Federal Inst. of Technol., Lausanne, Switzerland). Int. J. Eng. Intell. Syst. Electr. Eng. Commun. (UK), vol.1, no.3, p.133-58 (Dec. 1993),[received: 11 Oct 1994].

2. Конференция по адаптивным разумным энергетическим систе-мам. Adaptive intelligent Energy Systems Conference // Pattern Re cogn.- 1995.- 28, N10.- p.1453-1634.

3. T.Y. Hammons. Artificial Intelligence in Power system En-gineering. IEEE Power Eng. Review. Febr. 1994 (11-15).

4. Возможности использования искусственных нейронных сетей в работе энергетических систем. 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.

5. Mathur Anoop, Samad Tariq. Нейронные сети - учебник для энергетики. Neural Networks - A Tutorial for the Power industry. Pros. Amer. Power Conf. Vol.52. 52nd Annu Meet. Amer. Powre Conf., Chicago, III, 1990. p.239-244.

6. Новый подход фирмы <Тосиба> ускоряет конструкцию нейронной сети для оценки крупномасштабных систем. Toshiba technique speeds up neural network construction for large-scale system evaluation // Jap. Autom. Rev.,- 1989. - N47 - p.5.

7. P.C.Gupta. , IEEE Trans., PAS-90 (1971), p. 824-832.