CC BY
0
tem. The most important results are: a detailed consideration of the fuzzy inference systems developing process for evaluating the efficiency of energy use on the example of an industrial enterprise; developed knowledge bases along with inference rules, both for intermediate and final conclusions. The significance of the results is obtaining qualitative characteristics for the interval values of the resulting assessment, including certain recommendations for further actions to manage the energy economy of the enterprise.
Keywords: regional energy system, energy efficiency, fuel and energy resources, effectiveness evaluation, information uncertainty, fuzzy logic, mathematical model, the knowledge base.
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИССЛЕДОВАНИЯ РАБОТЫ АСИНХРОННОГО ЭЛЕКТРОПРИВОДА ПРИ ОТКЛОНЕНИИ НАПРЯЖЕНИЯ В СЕЛЬСКОХОЗЯЙСТВЕННЫХ СЕТЯХ Бирюлин Владимир Иванович, к.т.н., доцент Куделина Дарья Васильевна, к.т.н., доцент Юго-Западный государственный университет, г.Курск, Россия
В статье рассматриваются вопросы, связанные с анализом работы асинхронных электродвигателей с фазным ротором, представляющих собой самую многочисленную группу в составе электроприемников промышленных и сельскохозяйственных предприятий, при возникновении в питающей электрической сети отклонений напряжения от номинального значения, особенно при выходе этих значений за нормативные пределы или же при нарушениях качества электроэнергии. Показано на примере результатов, полученных как авторами статьи, так и приведенными в других научно-технических источниках, что возникновение значительных изменений уровня напряжения в питающих электрических сетях не является таким уж редким событием. Рассмотрены недостатки математического моделирования работы асинхронных электродвигателей с помощью статических характеристик. Предложено применение для этой цели нейронной сети, позволяющей успешно выполнять такое моделирование.
Ключевые слова: качество электроэнергии, асинхронный электродвигатель, напряжение, статические характеристики, моделирование, потребление мощности, нейронная сеть.
Электроэнергия в современном мире является одним из видов товарной продукции и должна поэтому обладать определенным качеством. Это качество определяется как соответствие определенным нормативным документам ГОСТ 32144-2013 Электрическая энергия. Совместимость технических средств электромагнитная. Нормы качества электрической энергии в системах электроснабжения общего назначения» [1, 2]. Согласно данному ГОСТ производится разделение контролируемых характеристик напряжения в электрической сети или же показателей качества электроэнергии, на две группы:
- продолжительные изменения характеристик напряжения;
- случайные события.
Группа продолжительных изменений характеристик напряжения включает в себя длительные отклонения данных характеристик напряжения от своих номинальных значений. Они возникают в электрических сетях под действием изменений нагрузки потребителей (например, разница между суточным максимумом и суточным минимумом) или же из-за наличия в составе потребителей разных электроприемников со специфическими режимами работы, создающих быстрые колебания напряжения, искажения синусоидальной формы кривой сетевого напряжения, а также значительную разницу мощности нагрузки между отдельными фазами в электрических сетях потребителей.
Нарушения требуемого качества электрической энергии в настоящее время могут возникать довольно часто. Для примера на рис.1 приведен график измерений отклонений значений фазных напряжений в трехфазной электрической сети на одном энергетическом объекте в течение календарных суток. Данный график был получен авторами статьи при проведении измерений показателей качества электроэнергии в точке передачи электрической энергии от энергоснабжающей организации к потребителям.
Рисунок 1 - Суточный график изменений значений отклонений фазных напряжений от номинального значения
На этом графике показаны отклонения фазных напряжений, усредненные за период 10 минут. Линии графиков имеют следующие цвета: фаза А - желтый цвет, фаза В - зеленый, фаза С - красный. По кривым отклонений напряжений, приведенным на данном графике, можно сделать вывод о значительных изменениях фазных напряжений в течение суток, особенно
фаз А и В, а также о том, что за период проведенных измерений зафиксировано нарушение требований ГОСТ 32144-2013 - в фазе В положительное отклонение напряжения превышает нормативное значение, равное 10%.
Ограниченный объем данной статьи не позволяет привести и другие аналогичные графики, на которых фиксировались выходы значений отклонения напряжения за установленные границы. Поэтому при анализе работы систем электроснабжения с подключенными к ним потребителями вероятны как большие изменения напряжений в интервале нормативных значений (допустимая величина отклонений ±10%), так и выходы уровней напряжений за допустимые границы. Данный вывод подтверждается и другими научно-техническими источниками, в которых приведены результаты исследований проблемы качества электроэнергии [3-5].
При отклонениях питающих напряжений на вводах электроприемников от номинальных значений неизбежно происходит изменение потребления из электрической сети как активной, так и реактивной мощности [6]. Это изменение наиболее просто определяется по статическим характеристикам [7, 8], представляющим собой зависимость потребления активной и реактивной мощности тем или иным электроприемником от величины приложенного к нему напряжения.
Среди электроприемников промышленных и сельскохозяйственных предприятий асинхронные электродвигатели с короткозамкнутым ротором в большинстве случае являются наиболее многочисленной группой. Следовательно, исследование их работы при возникновении более или менее значительных отклонений питающего напряжения от номинального значения оказывает сильное влияние на функционирование системы электроснабжения (меняется значение потребляемой мощности, передаваемой по электрическим сетям) и на характер протекания процессов в технологическом оборудовании, для привода которого служат эти электродвигатели.
При изменении величины питающего напряжения происходит изменение частоты вращения ротора асинхронного двигателя и потребление ими из сети активной и реактивной мощности. Влияние отклонения напряжения на потребляемую мощность из сети у асинхронных двигателей проявляется достаточно сложным образом, что подтверждается исследованиями, приведенными в [9, 10].
Исходя из данных этих источников статические характеристики асинхронных электродвигателей могут быт представлены полиномами второй степени, применение которых усложняет сложная зависимость коэффициентов данных полиномов от номинальной мощности и величины загрузки рассматриваемого электродвигателя, характеристики приводимого производственного механизма и некоторых других факторов.
Поэтому использование таких статических характеристик в расчетах режимов работы асинхронных электродвигателей сопряжено со значительными трудностями, причем основная доля этой сложности обеспечивается тем, что в литературных источниках коэффициенты полиномов
приведены с некоторым разбросом, что негативно влияет на точность получаемых расчетов при возникновении необходимости в использовании промежуточных значений.
Для решения данной проблемы можно привлечь методы искусственного интеллекта, в частности, нейронные сети, предоставляющие широкие возможности для обработки информации. С помощью этих сетей в настоящее время успешно решаются сложные задачи диагностики состояния и определения неисправностей оборудования, оценка устойчивости энергосистемы, а также задачи краткосрочного прогнозирования потребления топлива, выработки мощности энергетическими предприятиями, потребления электрической и тепловой энергии в различных сферах. По сравнению с традиционными методами математической статистики, классификации и аппроксимации, эти технологии обеспечивают достаточно высокое качество решений при меньших затратах [11, 12].
Они позволяют выявлять нелинейные закономерности в сильно зашум-ленных неоднородных данных, дают хорошие результаты при большом числе входных параметров и обеспечивают адекватные решения при относительно небольших объемах данных. Рассмотрим применение нейронных сетей для нахождения значений активной мощности, потребляемой асинхронным электродвигателем при изменении напряжения в питающей сети с учетом изменяющейся нагрузки на валу электродвигателя.
Для обучения создаваемой сети была подготовлена большая выборка исходных данных, часть которой приведена в табл.1.
Таблица 1 - Обучающая выборка данных
и* Кз Р
1,0 1,02 1,16
1,0 0,92 0,93
1,0 0,85 0,87
0,9 1,02 1,16
0,9 0,92 0,92
0,9 0,85 0,83
0,8 1,02 1,15
0,8 0,92 0,91
0,8 0,85 0,83
В этой таблице предоставлены следующие исходные данные:
*
- и представляет собой величину питающего напряжения в относительных единицах;
- Кз коэффициент загрузки рассматриваемого асинхронного электродвигателя;
*
- Р представляет собой значение активной мощности в относительных единицах.
Значения исходных данных в относительных единицах рассчитывались по следующим формулам.
Напряжение электрической сети:
*
и = иизм/ Uном, (1)
где иизм - измеренное значение напряжения в питающей электрической сети;
ином - номинальное напряжение электрической сети. Активная мощность, потребляемая электродвигателем из сети:
Р Ризм/Pном, (2)
где Ризм - измеренное значение потребляемой активной мощности из питающей электрической сети;
Рном - номинальное напряжение электрической сети. На основании полученных экспериментальным путем исходных данных была создана нейронная сеть для нахождения значений потребляемой мощности асинхронным электродвигателем при изменениях нагрузки на двигатель и напряжения в питающей электрической сети. Из большого числа программных систем, позволяющих создавать и работать с нейронными сетями, была выбрана компьютерная система научно-технических расчетов МЛТЬЛВ, зарекомендовавшая себя как средство, предоставляющее пользователям большие возможности по работе с нейронными сетями (не уступающей в этом специализированным компьютерным пакетам, ориентированным именно на работу с нейронными сетями) и обеспечивающую при этом достаточную простоту и удобство работы с созданными сетями.
Действия по созданию и работе с нейронной сетью производились в следующем порядке. Предварительно в рабочем пространстве системы
МЛТЬЛВ была организована матрица ёаии1, содержащая значения Кзагр и * *
и и вектор-столбец уухоё, содержащий значения Р . Эти матрица и вектор представляют собой обучающую выборку данных. После этого непосредственно создавалась нейронная сеть под названием asdwig следующей командой МЛТЬЛВ:
asdwig = newlind(dann1, vyxod). Эта команда автоматически создает нейронную сеть и одновременно запускает процесс настройки или обучения созданной сети, после чего она
готова к работе. Созданная сеть имеет два входа, на которые подаются
*
значения Кзагр и и, а с выхода сети снимается величина мощности Р, потребляемая асинхронным двигателем при введенных значениях.
Цель обучения нейронной сети состоит в корректировке весовых коэффициентов связей между внутренними слоями сети [13]. Сам процесс обучения происходит следующим образом: входные данные подаются в нейронную сеть, где проходят обработку внутри структуры. Далее сеть вычисляет выходные значения, которые сравнивает с требуемыми выходными данными. Если данные не совпадают, то нейронная сеть корректирует весовые коэффициенты внутри структуры до тех пор, пока выходные данные не станут отличаться от заданной точности.
Последующая работа с созданной нейронной сетью сводится к форми-
*
рованию и подаче на входы сети вектора столбца значений Кзагр и и . Выходное значение Р рассчитывается при этом автоматически. Это выполняется функцией МЛТЬЛВ вида:
yy=sim(asdwig,v1), где V! - вектор входных данных.
В качестве примера приведем в табл.2. значения мощности АД, рассчитанные при помощи созданной нейронной сети.
Таблица 2 - Значения мощности, потребляемой _асинхронным электродвигателем_
и* Кз Р
0,95 1,02 1,164
0,95 0,92 0,933
0,95 0,85 0,836
0,95 0,78 0,704
0,95 0,66 0,498
0,95 0,56 0,323
Таким образом, создание и дальнейшая работа со специализированной нейронной сетью позволяет достаточно просто определять мощность, потребляемую асинхронным электродвигателем при отклонениях напряжения питающей электрической сети от номинального значения, в широком диапазоне изменения входных данных.
Список литературы
1. Наумов А. А. Обеспечение требуемого качества электрической энергии // Известия высших учебных заведений. Проблемы энергетики. 2020. Т. 22. № 1. С. 85-92. doi: 10.30724/1998-9903-2020-22-1-85-92
2. Коверникова Л.И., Суднова В.В., Шамонов Р.Г. и др. Качество электрической энергии: современное состояние, проблемы и предложения по их решению. Новосибирск: Наука, 2017. 219 с.
3. Рахимов О.С., Мирзоев Д.Н., Грачева Е.И. Экспериментальное исследование показателей качества и потерь электроэнергии в низковольтных сельских электрических сетях // Известия высших учебных заведений. Проблемы энергетики. 2021. Т.23. №3. С. 209-222. doi: 10.30724/1998-9903-2021-23-3-209-222
4. Коверникова Л.И., Тульский В.Н., Шамонов Р.Н. Качество электроэнергии в ЕЭС России: Текущие проблемы и необходимые решения // Электроэнергия: Передача и распределение. 2016. № 2(35). С. 28-38.
5. Семёнов А.С., Бондарев В.А., Заголило С.А. Контроль качества электроэнергии и анализ полученных результатов при измерении напряжения // Фундаментальные исследования. 2017. № 9. С. 86-92. doi: 10.17513/й\41709
6. Дед А.В., Сикорский С.П., Смирнов П.С. Результаты измерений показателей качества электроэнергии в системах электроснабжения предприятий и организаций // Омский научный вестник. 2018. № 2 (158). С. 60-64. doi: 10.25206/1813-8225-2018-158-6064.
7. Конюхова Е.А. Регулирование электропотребления в системах электроснабжения напряжением 6-10/0, 4 кВ с учетом статических характеристик нагрузки и вероятностных показателей параметров режимов // Электричество. 2007. № 9. С. 41-47.
8. Белов Г.А. Исследование статических характеристик составных импульсных преобразователей // Электричество. 2005. № 5. С. 39-46.
9. Конюхова Е.А. Режимы напряжений и компенсация реактивной мощности в цеховых электрических сетях. М.: НТФ «Энергопрогресс», 2000. 56 с.
10. Савина Н.В., Бодруг Н.С. Оценка возможности обеспечения качества электроэнергии в части отклонения напряжения потребителями // Известия высших учебных заведений. Проблемы энергетики. 2018. Т. 20. № 11-12. С. 3-15. doi:10.30724/1998-9903-2018-20-11-12-3-15.
11. Liu T., Mei H., Sun Q., Zhou H. Application of neural network in fault location of optical transport network. China Communications, 2019, vol. 16, no. 10, pp. 214-225. doi: 10.23919/JCC.2019.10.014.
12. Suárez-Varela J., Almasan P., Ferriol-Galmés M., Rusek K., Geyer F., Cheng X., Shi X., Xiao S., Scarselli F., Cabellos-Aparicio A., Barlet-Ros P. Graph neural networks for communication networks: context, use cases and opportunities. IEEE Network, 2023, vol. 37, no. 3, pp. 146-153. doi: 10.1109/MNET.123.2100773.
13. Дьяконов В.П., Круглов В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. М.: Солон-пресс, 2020. 454 с.
Biryulin Vladimir Ivanovich1, Candidate of Technical Sciences, Associate Professor Kudelina Daria Vasilievna2, Candidate of Technical Sciences, Associate Professor 1Southwest State University, Kursk, Russia 2Southwest State University, Kursk, Russia
NEURAL NETWORKS USING FOR RESEARCH OPERATION OF AN ASYNCHRONOUS ELECTRIC DRIVE DURING VOLTAGE DEVIATION
Abstract: The article discusses issues related to the analysis of the asynchronous electric motors operation with a wound rotor, which represent the largest group in the electrical receivers of industrial and agricultural enterprises, when voltage deviations from the nominal value occur in the supply electrical network, especially when these values exceed standard limits or in case of power quality violations. It is shown by the example of the results obtained both by the authors of the article and those cited in other scientific and technical sources that the occurrence of significant changes in the voltage level in the supply electrical networks is not such a rare event. The disadvantages of mathematical modeling of the operation of asynchronous electric motors using static characteristics are considered. It is proposed to use a neural network for this purpose, which makes it possible to successfully perform such modeling. Key words: power quality, asynchronous electric motor, voltage, static characteristics, modeling, power consumption, neural network.
