CC BY
158
m Энергетика
Ses Power Engineering
Оригинальная статья / Original article
УДК 621.311, 621.331
DOI: 10.21285/1814-3520-2017-10-78-94
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ УСТАНОВКАМИ РАСПРЕДЕЛЕННОЙ ГЕНЕРАЦИИ
© Ю.Н. Булатов1
Братский государственный университет,
Российская Федерация, 665709, г. Братск, ул. Макаренко, 40.
РЕЗЮМЕ. ЦЕЛЬ. Разработка моделей и методов интеллектуальной настройки регуляторов установок распределенной генерации (РГ) для повышения надежности их интеграции в системы электроснабжения железных дорог (СЭЖД). МЕТОДЫ. Для достижения цели использовались методы моделирования электроэнергетических систем (ЭЭС), СЭЖД и систем управления установками РГ в программной среде MATLAB. В основу предлагаемой адаптивной системы управления турбо- или гидрогенераторами положена методика согласованной настройки их регуляторов, разработанная автором, с применением специализированного программного комплекса ARE&ARRF. Для моделирования предлагаемой мультиагентной системы управления (МАСУ) использовались методы агент-ного, событийного и динамического моделирования, реализованные в программной среде AnyLogic. РЕЗУЛЬТАТЫ. Результаты компьютерного моделирования показывают эффективность работы предлагаемого адаптивного блока управления настройками автоматического регулятора возбуждения (АРВ) и частоты вращения (АРЧВ) генератора установки РГ, выражающаяся в уменьшении времени переходного процесса и перерегулировании напряжения и частоты вращения ротора генератора. Предлагаемый метод настройки нечеткого регулятора горизонтально-осевой ветрогенерирующей установки (ВГУ) позволяет составить универсальную базу знаний для эффективной работы ВГУ автономно и в составе сетевого кластера. С использованием разработанной модели на базе платформы AnyLogic выполнен эксперимент для оценки эффективности взаимодействия агентов при изменении мощности установки РГ. Положительный эффект предлагаемой МАСУ заключается в значительном снижении времени регулирования и величины перерегулирования напряжения и частоты в системе электроснабжения. ЗАКЛЮЧЕНИЕ. Сложная задача интеграции установок РГ в СЭЖД может быть решена на основе использования интеллектуальных адаптивных систем управления, основанных на применении генетического алгоритма, нечеткого логического вывода, мультиагентных технологий, а также современных методов цифровой обработки сигналов, таких как вейвлет-преобразование, дискретное быстрое преобразование Фурье и весовые окна. Предлагаемая МАСУ установка РГ обладает свойством адаптивности к изменяющимся условиям, что дает возможность эффективно использовать данную технологию при создании активно-адаптивных сетей интеллектуальных систем электроснабжения.
Ключевые слова: установки распределенной генерации, системы электроснабжения железных дорог, нечеткая система управления, мультиагентная система управления, моделирование.
Формат цитирования: Булатов Ю.Н. Интеллектуальные системы управления установками распределенной генерации // Вестник Иркутского государственного технического университета. 2017. Т. 21. № 10. С. 78-94. DOI: 10.21285/1814-3520-2017-10-78-94
INTELLIGENT CONTROL SYSTEMS FOR DISTRIBUTED GENERATION PLANTS Yu.N. Bulatov
Bratsk State University,
40 Makarenko St., Bratsk 665709, Russian Federation.
ABSTRACT. The PURPOSE of the paper is to develop the models and methods for intelligent setting of distributed generation plant (DGP) regulators to improve the reliability of their integration into railroad power supply systems (RPSS). METHODS. This purpose is achieved through the use of the modeling methods of electric power systems (EPS), RPSS and DGP control systems in MATLAB software. The proposed adaptive control system of turbo or hydro generators is based on the method of coordinated adjustment of their regulators developed by the author using a specialized software complex ARE & ARRF. Agent, event and dynamic simulation methods implemented in AnyLogic simulation software are used to simulate the proposed multi-agent control system (MACS). RESULTS. The results of computer simulations show the efficiency of the proposed adaptive control unit of the automatic regulator of excitation (ARE) and the rotational speed
Булатов Юрий Николаевич, кандидат технических наук, доцент кафедры электроэнергетики и электротехники, e-mail: bulatovyura@yandex.ru
Yuri N. Bulatov, Candidate of technical sciences, Associate Professor of The Department of Electrical Power Engineering and Electrical Engineering, e-mail: bulatovyura@yandex.ru
(ARRS) of DGP regulator which is represented by the reduction of the transient time and overshooting of the generator rotor voltage and rotational speed. The proposed setting method for the fuzzy regulator of the horizontal-axial wind power plant (WPP) enables to compile a universal knowledge base for WPP effective operation in a stand-alone mode and as a part of a network cluster. Using the model developed on AnyLogic platform an experiment has been carried out to evaluate the interaction efficiency of agents when changing DGP capacity. The positive effect of the introduced MACS is in significant reduction of the regulation time and the magnitude of voltage and frequency overshoot in the power supply system. CONCLUSION. On the basis of the results obtained, the following conclusions can be formulated: a complex task of DGP and RPSS integration can be solved through the use of intelligent adaptive control systems based on the use of a genetic algorithm, fuzzy logic inference, multi-agent technologies and modern digital signal processing methods including a wavelet transform, discrete fast Fourier transform and window functions. The proposed MACS of DGP units is adaptive to changing conditions. This feature makes its application efficient when creating active-adaptive networks of intelligent power supply systems.
Keywords: distributed generation plants, railroad power supply systems, fuzzy control system, multi-agent control system, simulation
For citation: Bulatov Yu.N. Intelligent control systems for distributed generation plants. Proceedings of Irkutsk State Technical University. 2017, vol. 21, no.10, pp. 78-94. (in Russian) DOI: 10.21285/1814-3520-2017-10-78-94
Введение
Вопрос применения в электроэнергетических системах (ЭЭС) интеллектуальных алгоритмов управления приобретает особую актуальность. Это связано с развитием концепции интеллектуальных сетей (Smart Grid), которые позволят эффективнее использовать энергетические ресурсы. Данные технологии предусматривают широкое использование установок распределeнной генерации (РГ), представляющих собой совокупность энергоустановок, работающих в непосредственной близости от потребителей. Установки РГ могут объединяться в сетевые энергетические кластеры и работать параллельно с ЭЭС через вставки постоянного тока (ВПТ) [1]; при этом установки РГ могут использоваться для снятия пиковых нагрузок, стабилизации напряжения и частоты, а также для снижения потерь электроэнергии. Однако при параллельной работе установок РГ и ЭЭС усложняются задачи управления режимами и требуется применение адаптивных алгоритмов работы регуляторов.
Установки РГ, работающие на основе синхронных турбо- и гидрогенераторов, позволяют получить достаточно большую
мощность; также представляют интерес ветрогенерирующие установки (ВГУ). В связи с этим в работе представлены методы и алгоритмы интеллектуального управления именно этими установкам РГ, работающими в системах электроснабжения железных дорог (СЭЖД).
В настоящее время выполнено множество исследований по применению интеллектуальных технологий в системах электроснабжения [2-8] и, в частности, для решения задач поиска настроек регуляторов [9-11], а также в регуляторах, работающих на основе технологий искусственного интеллекта [12-15]. В данной работе приводится описание разработанных систем управления автоматическими регуляторами возбуждения (АРВ) и частоты вращения (АРЧВ) синхронного генератора установки РГ; горизонтально-осевой ВГУ; несколькими установками РГ, находящимися в различных узлах электрической сети. При этом используются следующие интеллектуальные технологии: генетический алгоритм (ГА); нечеткие множества и нечеткая логика; мультиагентные системы.
Адаптивная система управления регуляторами установок распределенной генерации
Обеспечить устойчивость параллельной работы установок РГ, работающих на основе синхронных турбо- и гидрогене-
раторов, позволяет их оснащение первичными системами автоматического регулирования (АРВ и АРЧВ). Оптимальное
управление при этом требует корректировки настроек АРВ и АРЧВ при существенных изменениях режимов работы установок РГ и СЭЖД. Для повышения устойчивости и надежной интеграции установок РГ в ЭЭС предлагается адаптивная система, выполняющая корректировку настроек АРВ и АРЧВ и построенная на основе системы нечеткого логического вывода. На рис. 1 представлена структурная схема предлагаемой адаптивной системы управления агрегата установки РГ, работающей в СЭЖД.
Принцип действия предлагаемой системы заключается в идентификации режима работы генератора установки РГ и коррекции текущих параметров настройки АРВ и АРЧВ при изменении режима работы. Fuzzy-регулятор с блоком автонастройки представляет собой систему нечеткого логического вывода с модулями идентификации и настройки АРВ и АРЧВ. Входными параметрами fuzzy-регулятора являются текущие значения напряжения и%, частоты
вращения ротора ш8 и мощностей р, (
генератора установки РГ, а также показатели качества электроэнергии (ПКЭ) в сети нетягового потребителя. Выходными параметрами являются оптимальные для теку-
щего режима коэффициенты настройки АРВ и АРЧВ.
Блок автонастройки, позволяющий сформировать базу знаний fuzzy-регулятора, использует алгоритмы методики согласованной настройки АРВ и АРЧВ генераторов установок РГ [16, 17]. Принцип согласованной настройки заключается в учете взаимосвязанности АРВ и АРЧВ при поиске коэффициентов настройки, обеспечивающих минимальные отклонения параметров генератора от номинальных значений, высокие демпферные свойства при электромеханических переходных процессах и требуемый запас устойчивости. Алгоритм согласованной настройки АРВ и АРЧВ генераторов установки РГ состоит из следующих этапов [16, 17]: идентификации объекта управления с использованием вейвлет-преобразования для выделения шума регуляторов; оптимизации настроек регуляторов с помощью генетического алгоритма (ГА); оценки запаса устойчивости.
На этапе идентификации на основе экспериментальных данных составляется математическое описание исследуемой системы в виде характеристического полинома. Для этого замкнутая система «турбина-генератор» представляется структурной схемой, показанной на рис. 2.
Pg> Gg,
ПКЭ
PQI
Fuzzy- регулятор с блоком автонастройки
Fuzzy- controller with auto-tuning unit
U=const
Рис. 1. Структурная схема адаптивной системы управления АРВ и АРЧВ установки РГ: ПКЭ - показатели качества электроэнергии; ДЧ - датчик частоты; ОВ - обмотка возбуждения; СГ - синхронный генератор; Т - турбина; ТН - трансформатор напряжения Fig. 1. Structural scheme of adaptive control system of AER and ARRS of the RG plant: PQI - power quality indicators; FS - frequency sensor; EW - excitation winding; SG -synchronous generator; T - turbine; TV - voltage transformer
Рис. 2. Структурная схема системы «турбина-генератор» Fig. 2. Structural scheme of the "turbine-generator" system
Характеристический полином рассматриваемой системы определяется по следующему выражению:
0м (/ю) = [Е + WG (/ю)-WR (/ю)], (1)
где Е - единичная матрица; ^ (/ю) -
матричная передаточная функция системы «турбина-генератор», определяемая экспериментально как отношения спектров выходных и входных сигналов основных каналов ^, и перекрестных связей ,
^ [18]; ^ (/ю) - матричная передаточная функция регулятора, учитывающая взаимосвязь АРВ и АРЧВ:
WR(jœ) =
WARRS ( jœ) WAEr ( ja) 0 WAEr ( jœ)
где (/ю) - комплексный передаточный коэффициент АРЧВ; (/ю) - комплексный передаточный коэффициент АРВ канала регулирования
по
частоте;
(/ю) - комплексный передаточный
коэффициент АРВ канала регулирования по напряжению.
Исследуемая модель системы «турбина-генератор» с АРВ и АРЧВ может быть
представлена следующими комплексными передаточными коэффициентами, обозначенными на рис. 2:
- комплексный передаточный коэффициент турбины:
а) паровая турбина без учета промежуточного отбора пара: Щ =-1-;
0,2/ю +1
б) паровая турбина с учетом промежуточного отбора пара:
W =
3,6jœ +1,1
0,8( jœ)2 + 4,2}œ +1
в) гидротурбина с учетом гидроуда-
1 - а Т. \ ю ра: Щ =-^— ,
1 + 0,5а-стТВ/Ю
где Тв - постоянная времени гидротурбины; а - положение открытия направляющего аппарата (принимает значения в диапазоне 0-1);
- комплексный передаточный коэффициент тиристорного возбудителя:
W =
1
1
0,001 j ю +1 0,025j® +1
- комплексный передаточный коэффициент АРЧВ:
W
ARRS
k„ + ■
jKœ Л
^ p 0,1 jœ jœ +1J 0,01 jœ +1
где кр, к, ^ - искомые коэффициенты настройки АРЧВ;
- комплексный передаточный коэффициент АРВ канала регулирования по частоте:
_ 1 + 0,5 jœ х
W AER А
0,5 jœ
2 k0œjœ
_| 0,05 KJœ
( 2 jœ +1) ( 0,02 jœ +1) 0,05 jœ +1
- комплексный передаточный коэффициент АРВ канала регулирования по напряжению:
U =1 + 0,5 jœ
W AER
0,5 j œ
^ 0,02 klujœ^
kn„
0,06 j œ +1
J
где кои, ки кот и кс - коэффициенты настройки АРВ.
Получение точных передаточных функций при идентификации требует использования тестовых широкополосных сигналов. При этом вмешательство в процесс эксплуатации систем электроснабжения нежелательно, в связи с этим предлагается пассивный метод идентификации, в котором используется выделенный шум регуляторов с применением вейвлет-преобразования [17].
Следующим этапом методики согласованной настройки является непосредственное определение оптимальных настроек АРВ и АРЧВ генератора установки РГ. В качестве критерия оптимизации
предлагается использовать следующий функционал [11, 17]:
а
J _ J в2 ( ja) da ^ min ,
(2)
где е(]о) = Вж(}о)-Вм(]ю) - рассогласование между желаемым и модельным наборами коэффициентов характеристических полиномов; с - текущее значение частоты из диапазона [0; О ], определяющего «полосу пропускания» системы. В качестве желаемых полиномов могут использоваться полиномы Баттерворта или др.
Представленный функционал (2) имеет большое число локальных экстремумов, в связи с этим поиск глобального минимума в рассматриваемой задаче целесообразно выполнять с помощью генетического алгоритма (ГА). Для поиска оптимальных коэффициентов настройки регуляторов с помощью ГА необходимо определить используемый метод кодирования, влияющий на быстродействие и точность результата. Применяемый ГА, реализованный в системе МДИДБ, использует метод вещественного кодирования. В этом случае отдельный ген представляет собой один из искомых параметров в виде вещественного числа, а их совокупность - хромосому, т.е. возможный набор коэффициентов настройки регуляторов (рис. 3).
Идентификацию и согласованную настройку АРВ и АРЧВ генераторов установки РГ необходимо проводить для различных режимов. Это позволяет создать базу правил, определяющую функционирование адаптивного регулятора установки РГ.
Хромосома / Chromosome
0
100 50 - 3,456 2,759 94,547 15,254 - 4,385
k)u klu к0ш kp ki kd
Рис. 3. Хромосома при вещественном кодировании, состоящая из коэффициентов настройки регуляторов Fig. 3. Chromosome consisting of regulator adjustment factors under real coding
База правил fuzzy-регулятора формируется из продукционных правил типа «Если..., то» с использованием знаний эксперта или блока автонастройки. Для поддержки блока автонастройки и задания параметров настройки АРВ и АРЧВ может применяться разработанный специализированный программный комплекс [19].
Апробация предлагаемой адаптивной системы управления проводилась в системе MATLAb на модели СЭЖД, структурная схема которой показана на рис. 4. Рассматривался район электроснабжения (РЭС) нетяговых потребителей с установкой РГ, включающей два синхронных генератора мощностью по 2,5 МВА каждый, питающих потребителей мощностью 5 МВА. РЭС имел топологию сетевого кластера, который был выполнен на основе ВПТ, и получал питание от первой тяговой подстанции (ТП1) или от второй (ТП2) через продольную линию 6 кВ (рис. 4). Управление установкой РГ осуществлялось с помощью АРВ и АРЧВ с коррекцией их
настройки 1ш2у-регулятором, оборудованным блоком автонастройки.
Оптимальные настройки АРВ и АРЧВ были определены для следующих основных режимов работы установки РГ и сетевого кластера: автономного режима работы установки РГ на максимальную выделенную нагрузку; режима параллельной работы установки РГ и ЭЭС через ВПТ (питание от ТП1); режима параллельной работы установки РГ и ЭЭС через ВПТ (питание от ТП2); режима параллельной работы установки РГ и ЭЭС через байпас (питание от ТП1); режима параллельной работы установки РГ и ЭЭС через байпас (питание от ТП2).
Для анализа влияния предлагаемой адаптивной системы управления согласованной настройкой АРВ и АРЧВ на параметры электромагнитных и электромеханических переходных процессов был выбран режим отключения ВПТ и автоматического подключения питания от ЭЭС через байпас после 0,5 с. В этом режиме происходит
ЭЭС Electrical Power System
110 кВ 110 kV
6 кВ 6 kV
В4
6 6
Bypass PQ В2 Байпас
■о-
Выпрямитель Rectifier |
В3
кВ kV
РГ DG
Generator
Генератор1 рл, Turbine Турбина1
Generator
Генератор2
Turbine1^6™2
Fuzzy- controller with auto-tuning unit
110 kB~
110 kV
27,5 KB 27,5 kV
Fuzzy-controller with auto-tuning uni
6 кВ
6 kV В5
КП CW
Рельсы Rails
P+jQ
Рис. 4. Фрагмент системы электроснабжения железной дороги: ТП - тяговая подстанция; ЭПС - электроподвижной состав; КП - контактный провод; ВПТ - вставка постоянного тока; В - выключатель Fig. 4. Fragment of the railroad power supply system: TS - traction substation; ERS - electric stock; CW - contact wire; DCI - DC insertion; B - breaker
значительное ухудшение показателей качества электроэнергии (ПКЭ), что изменяет диапазон частот собственных колебаний системы и требует корректировки настроек АРВ и АРЧВ, а также ограничения мощности установки РГ [20, 21]. Идентификация рассматриваемого режима может быть выполнена по измеряемым ПКЭ, а именно по коэффициентам несимметрии и несинусоидальности на шинах нетягового потребителя.
Результаты компьютерного моделирования показывают эффективность работы предлагаемого адаптивного блока управления настройками АРВ и АРЧВ генераторов установки РГ, заключающаяся в уменьшении времени переходного процесса и перерегулирования напряжения и ча-
стоты вращения ротора генератора. Результаты моделирования, подтверждающие сформулированные выводы, в виде осциллограмм действующего значения напряжения у потребителя и частоты вращения ротора генератора установки РГ представлены на рис. 5.
Таким образом, использование алгоритмов методики согласованной настройки АРВ и АРЧВ позволяет сформировать базу знаний нечеткой адаптивной системы управления генераторами установки распределенной генерации, работающей в СЭЖД. Для большей эффективности необходимо проводить более детальное ранжирование возможных режимов работы установки РГ и СЭЖД при формировании базы знаний.
a b
Рис. 5. Действующее напряжение на шинах нетягового потребителя (a) и частота вращения ротора генератора (b) при отключении ВПТ и подключении через 0,5 с байпаса для питания от ЭЭС: 1 - без изменения коэффициентов настройки АРВ и АРЧВ; 2 - с использованием fuzzy-регулятора, изменяющего настройки АРВ и АРЧВ Fig. 5. Actual voltage on the buses of the non-traction consumer (a) and generator rotor speed (b) under disconnected DCI and bypass connected in 0.5s for power supply from EPS:
1 - without alteration of AER and ARRS adjustment factors;
2 - using a fuzzy-regulator changing AER and ARRS settings
Нечеткая система управления ветрогенератором и метод ее настройки
На начальном периоде развития ветроэнергетики для ВГУ применялись, в основном, асинхронные генераторы. В России, где среднегодовая скорость ветра во многих регионах составляет примерно 2-5 м/с, перспективным является использование тихоходных ВГУ, оборудованных синхронными генераторами с электромаг-
нитным возбуждением или с возбуждением от постоянных магнитов.
При решении задач управления ветрогенератором появляются трудно разрешимые традиционными методами проблемы. Ветроэнергетический агрегат является нелинейным и нестационарным объектом, для управления которым можно использо-
вать нечеткие (fuzzy) регуляторы (НР) [19].
Мощность горизонтально-осевой ве-тротурбины, получившей широкое распространение, возможно регулировать путем изменения длины лопастей и угла их поворота. В работе [19] рассматривается способ регулирования выходной мощности и соответственно частоты вращения горизонтально-осевой ВГУ посредством механизма поворота лопастей ветроколеса с помощью электропривода: при большом отклонении лопастей от плоскости вращения ветроко-леса мощность, вырабатываемая ветро-турбиной, снижается.
Для моделирования ВГУ и системы управления угла поворота лопастей использовалась интегрированная среда MATLAB. В качестве механизма поворота лопасти предлагается применять сервопривод с редуктором, модель которого была создана в пакете Simulink системы MATLAB [19]. В состав предлагаемого нечеткого регулятора ВГУ, схема которого представлена на рис. 6, входят: блоки фаз-зификации и деффазификации; база знаний, содержащая базу нечетких переменных и базу правил; блок вывода, использующий алгоритм Мамдани или Сугено. Для
настройки НР не требуется математическое описание объекта управления. Достаточно иметь представление о поведении объекта. Используя эти знания, можно составить базу правил, состоящую из продукционных правил типа «Если..., то». На вход предлагаемого 1ш2у-регулятора для управления мощностью и частотой вращения ротора генератора ВГУ предлагается подавать сигналы, имена лингвистических переменных с соответствующими терм-множествами, которые представлены в таблице.
Для формирования экспертной базы знаний нечетких правил предлагается экспериментальным путем получать зависимости механической мощности ВГУ от частоты вращения ротора при различных углах поворота лопастей и скорости ветра. Полученные зависимости разбиваются на интервалы, соответствующие терм-множествам лингвистических переменных, представленных в таблице. На основе полученных зависимостей строится соответствующая база правил, учитывающая основной критерий - приближение к точке максимальной мощности ВГУ в данных условиях.
Лингвистические переменные и терм-множества нечеткой системы управления ВГУ _Linguistic variables and term-sets of the WPP fuzzy control system_
Имя лингвистической переменной / Name of a linguistic variable Имя и обозначение термов / Name and designation of terms
Отклонение частоты вращения ротора, da / Rotor speed deviation, da NB - отрицательное большое / negative big; NS - отрицательное малое / negative small; Z - нулевое / zero; PS - положительное малое / positive small; PB -положительное большое / positive big
Заданное значение мощности ВГУ, P 2 / Set value of WPP power, P 2 VS - очень малое / very small; S - малое / small; A - среднее / average; B - большое / big; M - максимальное / maximum
Скорость ветра, V / Wind speed, V W- слабая / weak; B - базовая / basic; S - сильная / strong
Приращение механической мощности, dPm / Mechanical power increment, dPm N - отрицательное / negative; Z - нулевое / zero; P - положительное / positive
Угол поворота лопастей, Angle / Blade angle, Angle Z - нулевой / zero; VS - очень малый / very small; S - малый / small; A - средний / average; B - большой / big; VB - очень большой / very big; L - предельный / limiting
База знаний Knowledge base
P
m
База нечетких переменных Base of fuzzy variables
База правил Rules base
I
dP
Блок фаззификации
Блок вывода Inference block
Fuzzy-регулятор Fuzzy-regulator
Block of defuzzification Блок деффазификации
I
V
Block of fuzzification
алгоритм Mame Мамдани или Сугено
ani or Sugeno algorithm
Угол поворота лопастей (Angle)
Angle of the blades (Angle)
Рис. 6. Схема нечеткого (fuzzy) регулятора угла поворота лопастей Fig. 6. Blade angle fuzzy controller scheme
В программе FIS Editor системы MATLAB была разработана и настроена по описанной методике система нечеткого логического вывода для управления ВГУ с использованием алгоритма Сугено. Проведенные исследования на модели ВГУ, работающей автономно на выделенную нагрузку [19], показали эффективность ра-
боты предлагаемого fuzzy-регулятора, заключающуюся в поддержании заданного значения мощности, частоты и напряжения у потребителя при подключении дополнительной нагрузки. Исследования также проводились на модели фрагмента СЭЖД, схема которой представлена на рис. 7.
6 кВ 6 kV
Bypass В Байпас 6 кВ 6 kV
ВПТ DCI
Rectifier Выпрямитель
* // *
Инвертор Inverter
Rectifier Выпрямитель
Rails
Frequency Частот; Power Мощность Wind speed Скорость ветра
Угол поворота лопастей Angle of the blades
Рис. 7. Фрагмент системы электроснабжения железной дороги: ТП - тяговая подстанция; ЭПС - электроподвижной состав; КП - контактный провод; ВПТ - вставка постоянного тока; В - выключатель; БСГ- безредукторный синхронный генератор; Т- трансформатор Fig. 7. Fragment of the power supply system of a railroad: TS - traction substation; ERS - electric stock; CW - contact wire; DCI - DC insertion; B - breaker; GSG - gearless synchronous generator; T - transformer
В качестве возмущения рассматривалось отключение основного питания на время 0,8 с. При совместной работе установки РГ и ВГУ с 1ш2у-регулятором напряжение на шинах нетягового потребителя сохраняется на уровне, близком к номинальному. При отключении ВГУ не удается
поддерживать напряжение на номинальном уровне и качество электроэнергии снижается. Соответствующие осциллограммы мгновенного значения напряжения на шинах нетягового потребителя представлены на рис. 8.
a b
Рис. 8. Напряжение на шинах нетягового потребителя при отключении основного питания: a - в составе сетевого кластера работают РГ и ВГУ; b - ВГУ отключена Fig. 8. Voltage on non-traction consumer buses under cut-off main power supply: a - DG and WPP operate as a part of the network cluster; b - WPP is disabled
Мультиагентная система управления установками РГ активных потребителей
Внедрение концепции интеллектуальных электроэнергетических систем с активно-адаптивными сетями (ИЭЭС ААС) требует проработки отдельных технологических задач, в число которых входят вопросы активности потребителей электроэнергии (ЭЭ).
Активный потребитель может быть определен как участник рынка электроэнергии, имеющий возможность маневрирования энергопотреблением, участвующий в управлении спросом, самостоятельно формирующий требования по объемам и качеству потребляемой ЭЭ, а также по составу получаемых энергетических услуг [22]. При этом активный потребитель, как правило, характеризуется наличием следующего оборудования: энергопотребляющего оборудования, способного к переносу во времени нагрузки; установок РГ, оснащенных системами управления; накопителей электроэнергии.
Развитие концепции активного потребителя требует создания систем управ-
ления, обеспечивающих надежное функционирование установок РГ в ИЭЭС с доступом к рынкам электроэнергии. Централизованное управление многочисленными установками РГ не будет достаточно эффективным, что связано, в основном, с необходимостью передачи больших объемов информации в центр для выработки управляющих воздействий. Преодоление указанных затруднений возможно путем применения агентного подхода [23-31].
В основе рассматриваемой ниже мультиагентной системы управления (МА-СУ) установками РГ активных потребителей промышленной группы заложены алгоритмы и технологии управления согласованной настройкой АРВ и АРЧВ с системой нечеткого логического вывода, описываемой в данной статье.
На основе МАСУ может быть реализован новый подход к интеллектуальному управлению системами электроснабжения с активными потребителями. При этом в качестве агента будем представлять про-
граммно-аппаратный модуль, обладающий следующими свойствами [1, 2, 5]: полной или частичной независимостью; отсутствием у конкретного агента полной информации об объекте управления и внешней среде.
Предлагаемая МАСУ установками РГ может быть представлена структурной схемой, показанной на рис. 9 и включающей многомерный объект управления с множеством входных U и выходных Y параметров. МАСУ имеет сетевую структуру, в которой множество агентов ранжировано на кластеры, образованные основными агентами, выполняющими задачи определения оптимальных параметров регуляторов и системы в целом, и вспомогательными агентами, распределенными по объектам управления и служащими для решения локальных задач.
Для формализованного описания МАСУ можно использовать следующее кортежное определение [30]:
MACS: {(AF),(E),P,S},
п
где (AF) = U AFk - совокупность агентов;
к=1
(e) - множество состояний объектов
управления и окружающей среды; P - вектор-функция восприятия; S - вектор-функция поведения.
Промышленные активные потребители имеют собственные источники генерации, использующие, в основном, газотурбинные и парогазовые технологии; при этом выработка электроэнергии осуществляется с помощью синхронных генераторов, оборудованных АРВ и АРЧВ. В работе [30] приведена структура предлагаемой МАСУ установками РГ активных потребителей, агенты которой должны обладать следующим базовым набором свойств: активностью, автономностью, общительностью и целенаправленностью.
Для активных потребителей, оснащенных широким набором установок РГ, подключенных в различных точках сети, должен быть предусмотрен агент-координатор - главный интеллектуальный агент. Его основная функция состоит в согласовании работы агентов отдельных установок РГ и учете индивидуальных особенностей и возможностей каждого потребителя ЭЭ. Такой агент может быть реализован как виртуальная электростанция (Virtual Power Plant - VPP) [5]. Связь агентов в рассматриваемой системе может быть представлена событийной моделью, описываемой с помощью Joiner-сети [32]. На рис. 10 представлена Joiner-сеть событийной модели сценария МАСУ для двух активных потребителей с установками РГ.
Сеть агентов Network of agents
ИЭ EE
Многомерный объект управления /
Multi-dimensional controlled object
Y
Data highway Магистраль передачи информации
Рис. 9. Структурная схема МАСУ: ИЭ - исполнительные элементы; U - вектор управлений; Y - вектор выходных параметров
Fig. 9. MACS structure flow-chart: EE - executive elements; U - vector of controls; Y - vector of output parameters
Узлами иотег-сети являются процессы работы агентов и события, которые генерируют агенты после окончания своей работы. Процессы связываются между собой с помощью входных и выходных событий, обозначенных на рис. 10 окружностями. Выходные события одного процесса могут являться входными для другого, иначе говоря - инициирующими запуск иного агента.
Ниже приводятся описания основных функций агентов, обозначенных на рис. 10:
1. Агент-координатор (Дурр) выдает графики нагрузок агрегатов агентам задания мощности (АЗМ), принимает сообщения от других агентов, а также человека-оператора, в соответствии с которыми может корректировать эти графики.
2. Агент диагностирования (До) осуществляет диагностирование агрегата с использованием нейронных сетей и посылает сообщения агенту-координатору и АЗМ при выходе диагностируемых параметров за допустимые пределы.
3. Агент задания мощности (Аг) на основе команд от агентов виртуальной электростанции воздействует на механизм управления турбиной; в случае необходи-
мости корректирует задание, сообщая об этом агенту-координатору. При поступлении сообщений от До может ограничивать мощность агрегата.
4. Агент идентификации и моделирования (Дм) при изменении режима выполняет процедуру идентификации [17], результаты которой передаются агентам А и Ад.
5. Агент согласованной настройки (Дб) использует модель, полученную Ам, для определения оптимальной согласованной настройки АРВ и АРЧВ [11, 16, 17] и передает полученные значения коэффициентов настройки агенту автонастройки и агенту главного модуля установки РГ.
6. Агент автонастройки (Ад) использует технологии нечетких систем управления, накапливает базу знаний настроек АРВ и АРЧВ [33], проверяет эти настройки с помощью агента Ам и в случае получения положительного эффекта изменяет текущие настройки через агента главного модуля установки РГ.
7. Агент спроса электроэнергии (А5р) передает Дурр информацию о запланированном (прогнозируемом) спросе на электроэнергию активного потребителя.
Рис. 10. Joiner-сеть событийной модели сценария МАСУ активных потребителей Fig. 10. Joiner-network of the event model for an active consumer MACS scenario
8. Агент системы аккумулирования электроэнергии (Ааас) контролирует накопители электроэнергии и передает соответствующую информацию Д5р и агенту главного модуля установки РГ.
9. Агент главного модуля установки РГ (Атшп) обеспечивает интерфейс оператору для выбора режима работы установки РГ и планирования графика нагрузки. Данный агент позволяет изменять настройки АРВ и АРЧВ установки РГ.
Моделирование предлагаемой МА-СУ установок РГ активных потребителей выполнялось в системе АпуЬодю [34]. Целью моделирования было определение эффективности управления установками РГ, в связи с этим в модели не учитывались накопители электроэнергии, агенты систем аккумулирования электроэнергии и агенты спроса электроэнергии. Основу модели составляет система дифференциальных уравнений, описанная в работе [29].
С использованием разработанной модели был выполнен эксперимент по
— Напряжение генератора, о.е
Generator voltage, p.u. î.os --
о. es J—.-;-.-;-
133 IrO ISO 160 170
Частота вращения ротора, о.е Rotor speed, p.u.
1 г
■"I---- 1 1 1 11 IP H L 1 1 " 1 1 ----i--- 1 il ----1--- I ---T------ i 1 ---T---- ■ ----1------
130 KG 13Û ¡¿a Ï7Û
a
оценке эффективности взаимодействия агентов при изменении мощности одной из установок РГ. Нагрузка изменялась в момент времени 135 с, что не соответствовало исходному графику нагрузки. В результате положительных ответов от агента диагностирования было отправлено сообщение агенту-координатору от АЗМ об изменении генерируемой активной мощности. На основании этого агент автонастройки, используя свою базу знаний, провел уточнение коэффициентов настройки АРВ и АРЧВ. Результаты работы модели в виде зависимостей от времени напряжения и частоты вращения ротора генератора представлены на рис. 11 .
Результаты моделирования показали положительный эффект использования МАСУ, заключающийся в значительном снижении времени регулирования и величины перерегулирования, а также в улучшении качества переходного процесса.
Напряжение генератора, о.е Generator voltage, p.u.
1.03-
I / Nw*
О,-SE - г--Л-/!-
I /
I /
0.9 - у
O. Èi J-.-т-г-т-i—
130 11С 150 160 170
Частота вращения ротора, о.е Rotor speed p.u.
îià 1« tsa au i?a
b
Рис. 11. Осциллограммы напряжения и частоты вращения ротора генератора при изменении нагрузки: a - при работе МАСУ; b - при отсутствии МАСУ Fig. 11. Oscillograms of generator voltage and rotor speed under load alteration: a - under MACS operation; b - in the absence of MACS
Заключение
1. Предложена адаптивная система управления параметрами регуляторов установки распределенной генерации, базу знаний которой позволяет сформировать блок автонастройки, основанный на применении методики согласованной настройки регуляторов и интеллектуальных технологий.
2. Результаты компьютерного моделирования позволяют сделать вывод об эффективности применения нечеткого адаптивного блока управления согласованной настройкой автоматических регуляторов генератора установки распределенной генерации. При использовании интеллектуальной системы управления уменьшается время переходного процесса, перерегулирование напряжения и частоты генератора, а также обеспечивается устойчивость и живучесть системы электроснабжения в различных режимах работы.
3. Предложена методика настройки нечеткого регулятора ветрогенератора, позволяющая формировать базу правил
1. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг. Сетевые кластеры в системах электроснабжения железных дорог: монография. Иркутск: ИрГУПС, 2015. 205 с.
2. Morzhin Yu.I., Shakaryan Yu.G., Kucherov Yu.N. et al. Smart Grid Concept for Unified National Electrical Network of Russia // CD. Preprints of proceedings of IEEE PES Innovative Smart Grid Technologies Europe 2011, Manchester Dec. 5-7 2011. Manchester, GB: IEEE, The University of Manchester, 2011. Panel session 5D. P. 1-5.
3. Torriti J. Demand Side Management for the European Supergrid: Occupancy variances of European single-person households // Energy Policy. 2012, vol. 44, pp. 199-206.
4. Mohsen F.N., Amin M.S., Hashim H. Application of smart power grid in developing countries, IEEE 7th International Power Engineering and Optimization Conference (PEOCO), 2013. D0I:10.1109/PE0C0.2013.6564586.
5. Bernd M. Buchholz, Zbigniew A. Styczynski. Smart Grids - Fundamentals and Technologies in Electricity Networks // Springer-Verlag Berlin Heidelberg, 2014. 396 p.
6. Закарюкин В.П., Крюков А.В., Черепанов А.В. Интеллектуальные технологии управления качеством электроэнергии: монография. Иркутск: Изд-во
для эффективной работы ВГУ в различных режимах.
4. Предложена структура и иотег-сеть событийной модели мультиагентной системы управления установками распределенной генерации, реализованными на основе синхронных генераторов. Положительный эффект предлагаемой мультиа-гентной системы управления активными потребителями заключается в значительном снижении времени регулирования и величины перерегулирования напряжения и частоты в системе электроснабжения. Результаты имитационного моделирования разработанной мультиагентной системы управления установками распределенной генерации позволяют сделать вывод об ее адаптивности к изменяющимся условиям, что дает возможность эффективно использовать данную технологию при создании активно-адаптивных сетей интеллектуальных систем электроснабжения.
ий список
ИрНИТУ, 2015. 218 с.
7. Magdi S. Mahmoud, Fouad M. AL-Sunni Control and Optimization of Distributed Generation Systems. Cham: Springer International Publishing : Imprint: Springer, 2015. 578 p.
8. Martinez Cesena E. A., Capuder T., Mancarella P. Flexible distributed multienergy generation system expansion planning under uncertainty // IEEE Transaction on Smart Grid. 2016, vol. 7, pp. 348-357.
9. Chen Y., Ma Y., Yun W. Application of Improved Genetic Algorithm in PID Controller Parameters Optimization // Telkomnika. 2013, vol. 11, no. 3, pp. 15241530.
10. Jaen-Cuellar A.Y., Romero-Troncoso R. de J., Morales-Velazquez L., Osornio-Rios R.A. PID-Controller Tuning Optimization with Genetic Algorithms in Servo Systems // International Journal of Advanced Robotic Systems. 2013, vol. 10, pp. 324-337. DOI: 10.5772/56697.
11. Bulatov Yu.N., Kryukov A.V. "Optimization of automatic regulator settings of the distributed generation plants on the basis of genetic algorithm", 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). IEEE Conference Publications. 2016, pp. 1-6. DOI: 10.1109/ICIEAM.2016.7911456.
12. Evgenije Adzic et al. Maximum Power Search in Wind Turbine Based on Fuzzy Logic Control / Evgenije Adzic, Zoran Ivanovic, Milan Adzic, Vladimir Katic // Acta Polytechnica Hungarica. 2009, vol. 6, no. 1, pp. 131-149.
13. Voropai N.I., Etingov P.V. Two-Stage Adaptive Fuzzy PSS Application to Power Systems // Proc. of International Conference on Electrical Engineering ICEE'2001, July 22-26, Xi'an, China, 2001, vol. 1, pp. 314-318.
14. Беляев А.Н., Смоловик С.В. Проектирование адаптивных автоматических регуляторов возбуждения с помощью нейронечеткого моделирования // Электричество. 2002. №3. С. 2-9.
15. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг. Нечеткие регуляторы для ветрогенерирующих установок // Известия вузов. Проблемы энергетики. 2014. № 7-8. С. 60-69.
16. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг. Согласованная настройка регуляторов установок распределенной генерации, работающих в системе электроснабжения железной дороги // Системы. Методы. Технологии. 2015. № 1 (25). С. 94-102.
17. Булатов Ю.Н., Крюков А.В. Применение вейвлет-преобразования и генетических алгоритмов для настройки автоматических регуляторов установок распределенной генерации // Научный вестник Новосибирского государственного технического университета. 2016. Т. 63. № 2. С. 7-22.
18. Игнатьев И.В., Булатов Ю.Н. Модели и методы настройки систем регулирования возбуждения генераторов на основе экспериментальных данных: монография. Братск: Изд-во БрГУ, 2016. 278 с.
19. Булатов Ю.Н., Игнатьев И.В. Программный комплекс для идентификации электроэнергетических систем и оптимизации коэффициентов стабилизации автоматических регуляторов возбуждения // Системы. Методы. Технологии. 2010. № 4 (8). С. 106-113.
20. Булатов Ю.Н., Крюков А.В. Влияние несимметричной нагрузки на работу турбогенераторов установок распределенной генерации // Системы. Методы. Технологии. 2016. № 3 (31). С. 85-93.
21. Булатов Ю.Н., Крюков А.В. Влияние нелинейной нагрузки на работу турбогенераторов установок распределенной генерации // Системы. Методы. Технологии. 2016. № 4 (32). С. 95-100.
22. Волкова И.О., Губко М.В., Сальникова Е.А. Активный потребитель: задача оптимизации потребления электроэнергии и собственной генерации // Проблемы управления. 2013. № 6. С. 53-61.
23. Strassner J. Using Agents and Autonomic Computing to Build Next Generation Seamless Mobility Services // Keynote Lecture. International Conference on Autonomous Agents and Multi-agent Systems (AAMAS
2007), Honolulu, Hawaii, 2007, vol. 1, p. 1. DOI: 10.1145/1329125.1329127.
24. De Loach S.A. Moving multi-agent systems from research to practice // Int. J. Agent-Oriented Software Engineering. 2009, vol. 3, no. 4, pp. 378-382.
25. Скобелев П. О. Мультиагентные технологии в промышленных применениях: к 20-летию основания Самарской научной школы мультиагентных систем // Мехатроника, автоматизация, управление. 2010. № 12. С. 33-46.
26. Leitao P., Vrba P. Recent Developments and Future Trends of Industrial Agents // Proceedings of HoloMAS-2011, Holonic and Multi-Agent Systems for Manufacturing, Volume 6867 of the series Lecture Notes in Computer Science. Springer Verlag. 20112012. P. 15-28.
27. Miiller J., Fisher К. Application Impact of Multiagent Systems and Technologies: A Survey // In Agent-Oriented Software Engineering book series. Springer. 2013. pp. 1-26.
28. Массель Л.В., Гальперов В.И. Разработка мно-гоагентных систем распределенного решения энергетических задач с использованием агентных сценариев // Известия Томского политехнического университета. 2015. T. 326. № 5. С. 45-53.
29. Булатов Ю.Н., Крюков А.В. Мультиагентная система управления установками распределенной генерации // Известия высших учебных заведений. Проблемы энергетики. 2015. № 11-12. С. 97-107.
30. Булатов Ю.Н., Крюков А.В. Мультиагентные технологии управления в системах электроснабжения с активными потребителями // Труды Братского государственного университета. Серия Естественные и инженерные науки. 2016. Т. 2. С. 145-154.
31. Булатов Ю.Н., Крюков А.В., Куцый А.П. Мультиа-гентный подход к управлению режимами систем электроснабжения железных дорог // Вестник Иркутского государственного технического университета. 2017. Т. 21. № 4 (123). С. 108-126. DOI: 10.21285/1814-3520-2017-4-108-126
32. Столяров Л.Н., Новик К.В. Joiner-сеть для моделирования взаимодействующих параллельных процессов // Моделирование процессов управления. Моск. физ.-тех.. ин-т. М., 2004. С. 81-97.
33. Приходько М.А., Булатов Ю.Н., Игнатьев И.В. Адаптивный блок согласованной настройки автоматических регуляторов возбуждения и частоты вращения генераторов электростанций // Труды Братского государственного университета. Серия Естественные и инженерные науки. 2014. Т. 1. С. 265269.
34. Инструмент имитационного моделирования AnyLogic [Электронный ресурс]: сайт AnyLogic. URL: // http://www.anylogic.ru/ (03.07.2017).
References
1. Bulatov Yu.N., Kryukov A.V., Tran Duy Hung. zheleznyh dorog [Network Clusters in Railway Power
Setevye klastery v sistemah jelektrosnabzhenija Supply Systems]. Irkutsk, 2015, 205 p. (In Russian)
2. Morzhin Yu.I., Shakaryan Yu.G., Kucherov Yu.N. et al. Smart Grid Concept for Unified National Electrical Network of Russia // CD. Preprints of proceedings of IEEE PES Innovative Smart Grid Technologies Europe 2011, Manchester Dec. 5-7 2011. Manchester, GB: IEEE, The University of Manchester, 2011. Panel session 5D, pp. 1-5.
3. Torriti J. Demand Side Management for the European Supergrid: Occupancy variances of European single-person households // Energy Policy. 2012, vol. 44, pp. 199-206.
4. Mohsen F.N., Amin M.S., Hashim H. Application of Smart Power Grid in Developing Countries, IEEE 7th International Power Engineering and Optimization Conference (PEOCO), 2013. D0I:10.1109/PE0C0.2013.6564586.
5. Bernd M. Buchholz, Zbigniew A. Styczynski. Smart Grids - Fundamentals and Technologies in Electricity Networks // Springer-Verlag Berlin Heidelberg, 2014, 396 p.
6. Zakaryukin V.P., Kryukov A.V., Cherepanov A.V. Intellektual'nye tehnologii upravleniya kachestvom el-ektroenergii [Intelligent Technologies of Electric Power Quality Management]. Irkutsk, 2015, 218 p. (In Russian)
7. Magdi S. Mahmoud, Fouad M. AL-Sunni Control and Optimization of Distributed Generation Systems. Cham: Springer International Publishing: Imprint: Springer, 2015, 578 p.
8. Martínez Ceseña E. A., Capuder T., Mancarella P. Flexible Distributed Multienergy Generation System Expansion Planning under Uncertainty // IEEE Transaction on Smart Grid. 2016, vol. 7, pp. 348-357.
9. Chen Y., Ma Y., Yun W. Application of Improved Genetic Algorithm in PID Controller Parameters Optimization // Telkomnika. 2013, vol. 11, no. 3, pp. 15241530.
10. Jaen-Cuellar A.Y., Romero-Troncoso R. de J., Morales-Velazquez L., Osornio-Rios R.A. PID-Controller Tuning Optimization with Genetic Algorithms in Servo Systems // International Journal of Advanced Robotic Systems. 2013, vol. 10, pp. 324-337. DOI: 10.5772/56697.
11. Bulatov Yu.N., Kryukov A.V. "Optimization of Automatic Regulator Settings of the Distributed Generation Plants on the Basis of Genetic Algorithm", 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). IEEE Conference Publications. 2016, pp. 1-6. DOI: 10.1109/ICIEAM.2016.7911456.
12. Evgenije Adzic et al. Maximum Power Search in Wind Turbine Based on Fuzzy Logic Control / Evgenije Adzic, Zoran Ivanovic, Milan Adzic, Vladimir Katic // Acta Polytechnica Hungarica. 2009, vol. 6, no. 1, pp. 131-149.
13. Voropai N.I., Etingov P.V. Two-Stage Adaptive Fuzzy PSS Application to Power Systems // Proc. of International Conference on Electrical Engineering ICEE'2001, July 22-26, Xi'an, China, 2001, vol. 1, pp. 314-318.
14. Belyaev A.N., Smolovik S.V. Design of Adaptive Automatic Excitation Regulators Using Neuron-Fuzzy Modeling. Jelektrichestvo [Electricity]. 2002, no. 3, pp. 2-9. (In Russian)
15. Bulatov Yu.N., Kryukov A.V., Tran Duy Hung. Fuzzy Regulators for Wind Generators. Izvestija vuzov. Problemy jenergetiki [Proceedings of the Higher Educational Institutions. Energy sector problems]. 2014, no. 7-8, pp .60-69. (In Russian)
16. Bulatov Yu.N., Kryukov A.V., Tran Duy Hung. Matched Setting of Distributed Generation Plant Controllers Operating in Railway Power Supply System. Sistemy. Metody. Tehnologii [Systems. Methods. Technologies]. 2015, no. 1 (25), pp. 94-102. (In Russian)
17. Bulatov Yu.N., Kryukov A.V. Application of the Wavelet Transform and Genetic Algorithms for Tuning Automatic Regulators of Distributed Generators. Nauchnyi vestnik Novosibirskogo gosudarstvennogo tekhnicheskogo universiteta [Scientific bulletin of NSTU]. 2016, vol. 63, no. 2, pp. 7-22. (In Russian)
18. Ignat'ev I.V., Bulatov Yu.N. Modeli i metody nastro-jki sistem regulirovaniya vozbuzhdeniya generatorov na osnove eksperimental'nyh dannyh [Models and Methods of Tuning Generator Excitation Control Systems on the Basis of Experimental Data]. Bratsk, 2016, 278 p. (In Russian)
19. Bulatov Yu.N., Ignat'ev I.V. Program Complex for Identification of Electropower Systems and Optimization of Stabilization Factors of Automatic Field Regulators. Sistemy. Metody. Tehnologii [Systems. Methods. Technologies]. 2010, no. 4 (8), pp. 106-113. (In Russian)
20. Bulatov Yu.N., Kryukov A.V. Influence of Asymmetric Load on Turbine Distributed Generation Plant Operation. Sistemy. Metody. Tehnologii [Systems. Methods. Technologies]. 2016, no. 3 (31), pp. 85-93. (in Russian)
21. Bulatov Yu.N., Kryukov A.V. Influence of Nonlinear Loads on the Operation of Turbo Generators on Distributed Generation Plants. Sistemy. Metody. Tehnologii [Systems. Methods. Technologies]. 2016, no. 4(32), pp. 95-100. (In Russian)
22. Volkova I.O., Gubko M.V., Salnikova E.A. Active Consumer: Problem of Joint Optimization of Energy Consumption and Local Generation. Problemy uprav-lenija [Control Problems]. 2013, no. 6, pp. 53-61. (In Russian)
23. Strassner J. Using Agents and Autonomic Computing to Build Next Generation Seamless Mobility Services // Keynote Lecture. International Conference on Autonomous Agents and Multi-agent Systems (AAMAS 2007), Honolulu, Hawaii, 2007, vol. 1, p. 1. DOI: 10.1145/1329125.1329127.
24. De Loach S.A. Moving Multi-Agent Systems from Research to Practice // Int. J. Agent-Oriented Software Engineering. 2009, vol. 3, no. 4, pp. 378-382.
25. Skobelev P.O. Multi-Agent Technology for Industrial Applications: Towards 20-year Anniversary of Samara Scientific School of Multi-Agent Systems. Mehatroni-ka, avtomatizacija, upravlenie [Mechatronics, Automation, Control]. 2010, no. 12, pp. 33-46. (In Russian)
26. Leitao P., Vrba P. Recent Developments and Future Trends of Industrial Agents // Proceedings of HoloMAS-2011, Holonic and Multi-Agent Systems for Manufacturing, Volume 6867 of the series Lecture Notes in Computer Science. Springer Verlag. 2011 —
2012, pp. 15-28.
27. Miiller J., Fisher K. Application Impact of Multiagent Systems and Technologies: A Survey // In Agent-Oriented Software Engineering book series. Springer.
2013, pp. 1-26.
28. Massel L.V., Galperov V.I. Development of multiagent systems for distributed solution of power engineering problems using agent-based scenarios. Izvestija Tomskogo politehnicheskogo universiteta [Bulletin of the Tomsk Polytechnic University]. 2015, vol. 326, no. 5, pp. 45-53. (In Russian)
29. Bulatov Yu.N., Kryukov A.V. Distributed Generation Plants Multi-Agent Controlling System. Izvestiya vys-shikh uchebnykh zavedenii. Problemy energetiki. [Proceedings of the Higher Educational Institutions. Energy sector problems]. 2015, no. 11-12, pp. 97-107. (In Russian)
30. Bulatov Yu.N., Kryukov A.V. Multi-Agent Control Technologies in Power Supply Systems with Active Consumers. Trudy Bratskogo gosudarstvennogo uni-versiteta. Serija: Estestvennye i inzhenernye nauki [Proceedings of the Bratsk State University. Series:
Критерии авторства
Булатов Ю.Н. полностью подготовил статью и несет ответственность за плагиат.
Конфликт интересов
Автор заявляет об отсутствии конфликта интересов.
Статья поступила 04.09.2017 г.
Natural and Engineering Sciences]. 2016, vol. 2, pp. 145-154. (In Russian)
31. Bulatov Yu.N, Kryukov A.V., Kutsiy A.P. MultiAgent Approach to Railroad Power Supply System Modes Control. Vestnik Irkutskogo gosudarstvennogo tehnicheskogo universiteta [Proceedings of Irkutsk State Technical University]. 2017, vol. 21, no. 4, pp. 108-126. (in Russian) DOI: 10.21285/1814-35202017-4-108-126
32. Stolyarov L.N., Novik K.V. Joiner-set' dlya mod-elirovaniya vzaimodejstvuyuschih parallel'nyh pro-cessov [Joiner-Network for Interacting Parallel Processes Simulation]. In: Modelirovanie protsessov uprav-leniya [Modelling of control processes]. Moscow, 2004, pp. 81-97. (In Russian)
33. Prihod'ko M.A., Bulatov Yu.N., Ignat'ev I.V. Adaptive Block of Matching Tuning of Automatic Regulators of Generator Excitation and Rotational Frequency at Power Plants. Trudy Bratskogo gosudarstvennogo uni-versiteta. Seriya "Estestvennye i inzhenernye nauki" [Proceedings of Bratsk State University. Series: Natural and Engineering Sciences]. 2014, vol. 1, pp. 26-269. (In Russian)
34. Instrument imitacionnogo modelirovaniya AnyLogic [AnyLogic Simulation Tool]. Available at: //http://www.anylogic.ru/ (accessed 03 July 2017).
Authorship criteria
Yuri N. Bulatov has written the article, prepared it for publication and bears the responsibility for plagiarism.
Conflict of interests
The author declares that there is no conflict of interests regarding the publication of this article.
The article was received 04 September 2017
