CC BY
6
УДК 621.3
DOI: 10.24412/2071-6168-2021-12-27-32
АНАЛИЗ ИСПОЛЬЗОВАНИЯ МЕТОДОВ ПАРАЛЛЕЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИИ В ЭЛЕКТРОЭНЕРГЕТИКЕ
Е.П. Зацепин, О.Я. Шачнев, А.Я. Шачнев
В статье рассмотрено использование нейронных сетей в системах управления электрического оборудования, а также для общего анализа систем электроснабжения и их физических величин. Показана целесообразность развития данного направления для комплексного анализа вышеуказанных элементов. Показана одна из возможных математических моделей нейронной сети и её реализация в программном продукте Matlab Neural Network Toolbox.
Ключевые слова: нейронные сети, весовой коэффициент, энергетическая эффективность, анализ нагрузок, статистический анализ.
На сегодняшний день множество управляющих систем в области электроснабжения работают посредством упрощенного статистического анализа. В рамках «Энергетической стратегии - 2035» разрабатываются и внедряются множество интеллектуальных систем управления потоками мощности, автоматизации перехода на необходимые режимы работы, оперативного реагирования и другие системы [1]. Разрабатываемые управляющие устройства обычно привязаны к конкретным объектам и имеют слабую унификацию [2]. Для того, чтобы определить основную «базу» исходных управляющих систем в области электроснабжения, необходимо провести анализ типа внедряемого математического аппарата.
Аналитику данных в программных комплексах и управляющих системах можно условно разделить на:
- методы простого математического анализа - применение заранее прописанных формул и вывод информации с минимальными промежуточными данными [3];
- методы анализа, основанных на элементарной высшей математике - применение продвинутых математических решений, влияющих на точность выводимых результатов [3];
- методы анализа, основанных на дискретной математике - сложные вычисления с применением векторного анализа, теории множеств, математической логики и др [4];
- методы комбинированного использования вышеуказанных методик - сложный многомерный классификационный анализ с необходимой точностью результатов и с возможным анализом промежуточных значений [4];
- методы параллельной обработки информации - применение в различных структурах систем электроснабжения обучаемой нейронной сети.
Проведем анализ потенциала использования параллельной обработки информации в системах электроснабжения.
Нейронные сети - мощный метод моделирования, позволяющий воспроизводить сложные нелинейные зависимости. Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможность применять нейронные сети для решения широкого класса технических задач. На основе нейронных сетей возможно разработать много программных систем для применения в таких вопросах, как прогнозирование и оценка технико-экономических параметров [5]. Нейронные сети обучают на примерах. Разработчик нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от разработчика требуется набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты [6]. Для эффективного использования нейронных сетей необходимо наличие достаточного объема обучающей выборки, используя которую нейронную сеть можно обучить. В соответствии с приведенным описанием математическая модель нейрона представляет собой суммирующий пороговый элемент (рис. 1).
Все алгоритмы обучения нейросетей являются разновидностями алгоритма обучения по методу коррекции ошибки, которая осуществляется по-разному. Идея изменения весов НС сводится к нахождению общей меры качества сети, в качестве которой обычно выбирают функцию ошибки сети. Тогда, чтобы подобрать нужные веса, необходимо минимизировать функцию
27
ошибки [7]. Самым распространенным методом поиска минимума является метод градиентного спуска. Для случая функции с одной переменной веса изменяются в направлении, противоположном производной, т. е. справедлива формула
Ж"+1 = Ж" - И ■ Г'(Ж), (1)
где h - некоторый уровень обучения, шаг изменения; - производная функции качества
НС для одной переменной.
71 71
Рис. 1. Математическая модель искусственного нейрона
Для функции F от п переменных и единичного вектора е в пространстве Я" ||е|| = 1, е е Я", дифференциал выражается формулой
д Р(Ж) _ Пш,г(Ж + ер -г(Ж)) (2)
е г
Для случая е = (0, 0...1...0) определим частный дифференциал из (2)
д^(Ж) _-
limt ^о (F (wh w2,..., wi+et..... wn ) " F (W))
г
Таким образом, антиградиент - это набор следующих дифференциалов:
дг (Ж) _ ((-дг (^х -дг (^2),..., -дг (^),..., -дг (м>п ))Т. (3)
Для определения обобщенной функции ошибки рассмотрим обучающую выборку {(х^ У)}, где к = 1, ..., К. Накопленная по всем эпохам ошибка
( m 2 ^
I1/2O - sir .
к=1 к=1^ i=1 J
Формула модификации весов НС
K j K E =S (E ) = S
(4)
Wn+1 = Wn - h -SE / SW (5)
уточняется для различных видов функции активации [8]. Для линейной функции F(t) = t, НС формирует каждый выход как скалярное произведение весов на вектор входов: Oi =< Wi,Xi > и градиент будет равен
SE / dW = -(Yi - Oi) - X, (6)
где Yi - желаемый выход; Oi - полученный выход; X - вектор выхода.
Таким образом, на основании (6) получаем формулу изменения весов
Wn+1 = Wn - h - (Yi - Oi) - X.
Если значением § назвать разницу (Yi - О,), то получим формулу
Wn+1 = Wn -h-§-X,
что является алгоритмом обучения по § - правилу.
На основании вышесказанного, проведём пример обучения нейронной сети посредством программного пакета Matlab Neural Network Toolbox, который запускается в отдельном окне посредством команды «nntool» в командной строке. Отметим, что интерфейс NNTool допускает работу только с простейшими нейронными сетями (их большинство при решении электротехнических задач), но при этом пользователь выигрывает во времени и эффективности решения прикладных задач.
Network I Data Name-
network
Network Properties Network Type:
Feed-forward backprop
Input data: Target data: Training function: Adaption learning function: Performance function: Number of layers:
Properties for Layer 1 w
Number of neurons: 10 Transfer Function:
(Select an Input)
(Select a Target)
TRAIN LM ▼
LEARN G DM »
Q View I ( Restore Defaults
ф Help
Create
Ф CI о:
Рис. 2. Вводные параметры интерфейса nntool
Если же необходимо рассмотреть более сложные нейронные сети, то необходимо пользоваться любыми доступными командами в командной строке, отражающие конкретные способы обучения одного или нескольких нейронных сетей [9, 10]. На рис. 3 после выбора вида обучения нейронной сети, мы должны определиться с нейро-слоями, а также с весовыми коэффициентами.
View | Train | Simulate | Adapt | Reinitialize Weights | View/Edit Weights]_
Hidden Layer
Output Layer
Рис. 3. Общая математическая модель выбранной нейронной сети
После загрузки импортируемых данных, задаем параметры тренировки нейронной сети. От данных настроек зависит время тренировки и количество итераций. Однако можно достигнуть эффект «перетренировки», который заключается в экспоненциальном возрастании ошибки после вывода периода её минимальных значений.
View) Train | Simulate Adapt Reinitialize Weights | View/Edit Weights
Training Info
Training Parameters
showWindow
showCom m a n d Li n e
show
epochs
time
goal
min_grad max_fail
true mu 0.001
false mu. dec 0.1
25 mu. in с 10
1000 mu. тан 10000000000
Inf
0
le-05
Чз Train Network
Рис. 4. Задача параметров тренировки нейронной сети
29
Соответственно, результатом обучения нейронной сети выступает количество итераций, величина возникающей ошибки и степень точности.
Neural Network
Hidden Lay.
Algorithms-
Data Division: Random (dividerand) Training: Levenberg-Marquardt (trainlm) Performance: Mean Squared Error (mse) Derivative: Default (defaultderiv)
Progre
Epoch: Time:
Performance:
Gradient:
Mu:
Validation Checks:
17.8 27.4 0.00100 0
0.00
1.00e-05 l.OOe-t-lO 5
Plots
|j Performance ~~jj (plotperform)
[ Training State ~~j (plottrainstate)
Regression (plotregression)
Plot Interval: U
1 epochs
Minimum gradient reached.
[ ^ Stop Training J [ ^ Cancel J
Рис. 5. Результаты тренировки нейронной сети
После обучения нейронной сети можно вывести графики (рис. 5) для оценки качества обучения сети с прямой передачей сигнала на выбранной обучающей последовательности и просмотреть значения синаптических весов для различных слоев созданной нейронной сети.
Рис. 5. Оценка качества обучения нейронной сети
Таким образом мы рассмотрели порядок обучения нейронной сети на примере программного пакета Matlab Neural Network Toolbox. Использование обучаемых сетей обеспечит возможности по прогнозированию графиков энергопотребления, надежностных показателей малых электрических ветвей и больших многоуровневых сетей. Анализ входящих физических параметров возможно использовать и в системах управления различных электрических устройств, в том числе и в рассмотренных ранее устройствах СТАТКОМ [2, 11]. Также машинное зрение использует обученную выборку для выявления требуемого оборудования на основании анализа видеоспектра.
Список литературы
1. Analysis of power quality in presence of frequency distortions / V. Zatsepina, E. Zatsepin, O. Ya. Shachnev [et al.] // E3s web of conferences, Prague, Czech Republic, 14-15 мая 2020 года. - Prague, Czech Republic: EDP Sciences, 2020. P. 01019. DOI 10.1051/e3sconf/202017801019.
2. Zatsepina, V. I. Improving Eefficiency of High-Power Plants through Modernization STATCOM Devices / V. I. Zatsepina, E. P. Zatsepin, O. Y. Shachnev // Proceedings - 2019 1st International Conference on Control Systems, Mathematical Modelling, Automation and Energy Efficiency, SUMMA 2019, Lipetsk, 2022 ноября 2019 года. Lipetsk: Institute of Electrical and Electronics Engineers Inc., 2019. P. 673-678. DOI 10.1109/SUMMA48161.2019.8947553.
3. Zatsepina, V. I. Analysis of Load Indicators Power Grid Complex when Feeding Differentiated Consumer / V. I. Zatsepina, E. P. Zatsepin, O. Ya. Shachnev // 2019 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2019, Sochi, 25-29 марта 2019 года. Sochi, 2019. P. 8742998. DOI 10.1109/ICIEAM.2019.8742998.
4. Зацепина, В. И. Выявление негативных факторов с последующим их устранением в системах с резкопеременными нагрузками / В. И. Зацепина, О. Я. Шачнев, А. В. Бурлаков // Вести высших учебных заведений Черноземья. 2019. № 1(55). С. 33-43.
5. Zatsepina, V. I. Ensuring effective functioning of compensating device STATCOM in metallurgical enterprises / V. I. Zatsepina, E. P. Zatsepin, O. Y. Shachnev // 2018 International Russian Automation Conference, RusAutoCon 2018, Sochi, 09-16 сентября 2018 года. Sochi, 2018. P. 8501660. DOI 10.1109/RUSAUTOCON.2018.8501660.
6. Зацепина, В. И. Использование методов статистического анализа в системах с дуговыми сталеплавильными печами / В.И. Зацепина, О.Я. Шачнев // Известия Тульского государственного университета. Технические науки. 2018. Вып. 12. С. 148-153.
7. Зацепин Е.П. К вопросу об эффективности функционирования дуговых сталеплавильных печей переменного тока // Вести Высших учебных заведений Черноземья. Научный журнал. 2012. № 2. С. 23-30.
8. Зацепин Е.П., Зацепина В.И., Шачнев О.Я. Апробация использования wavelet-преобразования при выявлении негативных факторов в системах электроснабжения с резкопе-ременными нагрузками // Научные проблемы транспорта Сибири и Дальнего Востока. Научный журнал. 2015. №1. С. 186-188.
9. Зацепин Е.П., Шачнев О.Я. Особенности анализа резкопеременных нагрузок в системах электроснабжения // Вести Высших учебных заведений Черноземья. Научный журнал. 2015. № 2. С. 17-22.
10. Зацепин Е.П., Зацепина В.И. Качество электрической энергии по напряжению в системах электроснабжения металлургических предприятий // Вести Высших учебных заведений Черноземья. Научный журнал. 2013. № 1. С. 21-25.
11. Шпиганович А.А. Функционирование систем электроснабжения. Монография. г. Липецк. 2015. 212 с.
Зацепин Евгений Петрович, канд. техн. наук, доцент, заведующий кафедрой, ezats@mail.ru, Россия, Липецк, Липецкий государственный технический университет,
Шачнев Олег Ярославович, канд. техн. наук, доцент, sh. ol. ya@,yandex. ru, Россия, Липецк, Липецкий государственный технический университет,
Шачнев Александр Ярославович, генеральный директор, sh.ol.ya@yandex.ru, Россия, Липецк, АО «Липецкая городская энергетическая компания»
ANALYSIS OF THE USE OF PARALLEL PROCESSING METHODS INFORMATION PROCESSING IN THE ELECTRIC POWER INDUSTRY
E.P. Zatsepin, O.Ya. Shachnev, A.Ya. Shachnev
The article discusses the use of neural networks in control systems of electrical equipment, as well as for the general analysis of power supply systems and their physical quantities. The expediency of developing this direction for a comprehensive analysis of the above elements is shown. One of the possible mathematical models of a neural network and its implementation in the Matlab Neural Network Toolbox software product is shown.
Key words: neural networks, weighting factor, energy efficiency, load analysis, statistical
analysis.
Zatsepin Eugene Petrovich, doctor of technical sciences, professor, ezats@mail. com, Russia, Lipetsk, Lipetsk State Technical University,
Shachnev Oleg Yaroslavovich, candidate of technical sciences, docent, sh.ol.ya@yandex.ru, Russia, Lipetsk, Lipetsk State Technical University,
Alexander Yaroslavovich Shachnev, general director, sh.ol.ya@yandex.ru, Russia, Lipetsk, Lipetsk City Energy Company JSC
УДК 621.3
DOI: 10.24412/2071-6168-2021-12-32-39
ПОВЫШЕНИЕ БЕЗОТКАЗНОСТИ РАСПРЕДЕЛИТЕЛЬНЫХ УСТРОЙСТВ СОБСТВЕННЫХ НУЖД СИСТЕМ ЭЛЕКТРОСНАБЖЕНИЯ ПОСРЕДСТВОМ ИНТЕГРАЦИИ ТЕРМИНАЛОВ ЗАЩИТ ЭЛЕКТРОДВИГАТЕЛЕЙ В АСУ ТП РУСН
В.И. Зацепина, Е.Ю. Вобликов
Надежное и безотказное функционирование системы электроснабжения собственных нужд электрической станции позволяет обеспечивать источники электрической энергии требуемым режимом работы. Распределительное устройство собственных нужд (далее РУСН) является основным органом собственных нужд электрических станций и подстанций. Для удобства обслуживания и эксплуатации РУСН выполняются в комплектном исполнении и по мере возможности однотипными. Электрическая схема РУСН должна обладать надежным и безотказным резервированием и оснащена современными необходимыми защитами. Управление РУСН в современном исполнении должно выполняться дистанционно и местно. В настоящее время для осуществления операций и контроля в РУСН внедряются автоматизированные системы управления технологическим процессом (далее АСУ ТП) с применением микропроцессорных устройств. Применение микропроцессорных устройств в технологии системы электроснабжения обеспечивает электроэнергетический объект такими преимуществами как интеграция защитных функций в одно устройство, самодиагностика, предоставление картины с полной информацией, удобство управления операциями, программирование защитных функций, экономия человеческих ресурсов, обеспечение безотказности и надежности функционирования системы электроснабжения.
Ключевые слова: распределительные устройства, АСУ ТП, электродвигатели, терминалы, системы электроснабжения, микропроцессорные устройства, защиты.
Электрическая схема РУСН должна обладать как надежным и безотказным резервированием, так и оснащена современными необходимыми защитами. Выполнение операций с РУСН, в соответствии с современными возможностями, следует выполнять местно и дистанционно с применением микропроцессорных устройств, объединенных в автоматизированные системы управления технологическим процессом. Такие системы позволяют интегрировать защитные функции в одно устройство, обладают самодиагностикой, предоставляют полную информацию, удобны в управлении операциями, имеют орган программирования защитных функций, экономят человеческие ресурсы, таким образом обеспечивают безотказностью и надежностью функционирования системы электроснабжения.Микропроцессорные защиты предназначены для защиты таких типовых защищаемых объектов как генераторы, трансформаторы, шины, линии, электрические двигатели, которые непосредственно связаны с РУСН и для защиты персонала от электрических воздействий, вызванных нарушением нормальной схемы электроснабжения. Микропроцессорные защиты системы электроснабжения входят в состав терминалов, объединяющих в себе полный функциональный набор, необходимый надежной и безотказной работы электрооборудования.
