CC BY
120
УДК 621.31
В.И. Пантелеев, А.Н. Туликов
Методы искусственного интеллекта в управлении режимами систем электроснабжения предприятий
Фундаментальной задачей управления режимами реактивной мощности и напряжения в системах промышленного электроснабжения является классификация состояний системы. В работе для идентификации состояний предлагается использовать метод двухэтапной идентификации нелинейных зависимостей с помощью нечетких баз званий н гибридных нейроиечеткнх сетей. Описываются последовательность действий и используемый математический аппарат, требуемые вычислительные процедуры.
Задачи максимальной экономии энергетических ресурсов и повышения качества промышленной продукции относятся в современном мире к наиболее актуальным. В области электроэнергетики эти задачи сводятся к снижению потерь электроэнергии в распределительных сетях и улучшению её качества в точках потребления [1]. Эти мероприятия тесно связаны с проблемой компенсации реактивной мощности как наиболее эффективным способом воздействия на параметры режимов систем электроснабжения (СЭС) предприятий. ч Режим реактивной мощности имеет сильное влияние на режим напряжений, а следовательно, и на один из основных показателей качества электроэнергии — отклонение напряжения, которое наносит наибольший ущерб потребителю. Поэтому в настоящее время речь идет о решении проблемы компенсации реактивной мощности и повышении качества напряжения на основе системного подхода {1],
В практике управления СЭС возможен качественно новый подход к принятию решения — от условий наихудшего, самого тяжелого случая к формированию оптимальных управляющих воздействий, соответствующих характеру возмущения в темпе процесса, к адаптации системы управления к текущему режиму.
Это можно обеспечить, во-первых, повышением уровня развития информационной сети, накладываемой в последнее время на СЭС в виде автоматизированных систем контроля и учета электроэнергии (АСКУЭ).
Во-вторых, поскольку СЭС относится к классу сложных систем, в которых закон распределения воздействующих на систему параметров неизвестен и функционирование системы происходит в условиях неопределенности, то переменные системы могут иметь количественно-качественное описание.
В-третьих, совершенствование и развитие новых интеллектуальных технологий в технических, биологических, социальных и других системах обусловило появление множества методов, среди которых первостепенную роль играют методы искусственного интеллекта (нечеткая логика, генетические алгоритмы, нейронные сети) [2] и производные от них гибридные методы (нейронечеткого моделирования, муравьиных колоний и т. д.).
Поэтому необходимо использовать системный и интенсивно развивающийся ситуационный подходы в сочетании с методами искусственного интеллекта, исключая локальные системы из цепи управления и заменяя их централизованными. Интеллектуальные методы являются, в свою очередь, эффективным средством изучения, моделирования и управления сложными системами.
Ситуационное управление режимами реактивной мощности и напряжения СЭС впервые детально исследовалось в работе [3]. При этом, в частности, предполагалось, что СЭС, как в любая другая сложная система, может находиться в различных состояниях. Реализация данного управления на жесткой логике основана на том, что если состояние распознано на основе предварительно составленного словаря признаков (отнесено к соответствующему классу), го к нему применяется план оптимального управления. В противном случае работают алгоритмы оптимизации, идентификации и классификации состояний, последний из которых либо синтезирует новый класс состояний, либо добавляет текущее состояние в известный класс.
В настоящей работе для идентификации состояний предлагается использовать метод двухэтапной идентификации нелинейных зависимостей с помощью нечетких баз знаний [2].
Первый этап — структурная идентификация — представляет собой формирование нечеткой базы знаний, которая грубо отражает взаимосвязь между входами и выходом с помощью лингвистических правил «ЕСЛИ-ТО». Лингвистические правила получаются в результате экстракции нечетких знаний из экспериментальных данных без участия эксперта, т.е. проводятся полные факторные эксперименты с имитационной моделью, адекватной реальному объекту. В качестве факторов (входов) выступают положение регулировочной ступени трансформатора с РПН и относительные значения токов возбуждения определенной группы СД, а в качестве откликов (выходов) модели — значения реактивных мощностей и напряжений в контрольных точках СЭС.
На втором этапе проводится параметрическая идентификация исследуемой зависимости путем нахождения таких параметров нечеткой базы знаний, которые минимизируют отклонения модельных и экспериментальных результатов.
Для идентификации используем гибридную нейронечеткую сеть (ННС), представляющую собой сочетание нечеткой логики и нейронных сетей [3]. Это обусловлено прежде всего тем, что нечеткая логика предоставляет возможность использования экспертных знаний о структуре объекта в виде лингвистических высказываний, а преимуществом нейронных сетей является их способность к обучению.
В качестве алгоритма нечеткого логического вывода используется алгоритм Сугено, функции принадлежности нечетких термов лингвистических переменных — колоколообраэного вида, алгоритм обучения ННС — гибридный алгоритм, объединяющий метод обратного распространения ошибки с методом наименьших квадратов.
Обученная подобным образом ННС адекватно отражает взаимосвязь между управляющими параметрами и параметрами состояния СЭС.
Задача оптимизации состояния СЭС, в свою очередь, заключается в том, чтобы найти такой вектор управляющих параметров и такой вектор параметров состояния, чтобы показатель качества состояния (суммарные потери активной мощности в СЭС) достигал своего минимального значения при условии соблюдения ограничений на управляющие параметры и параметры состояния.
В качестве алгоритма оптимизации используется простой генетический алгоритм [2]. Если принять, что каждая особь популяции является точкой в координатном пространстве факторов оптимизационной задачи, а приспособленность особи — соответствующим значением целевой функции (суммарных потерь активной мощности в СЭС в зависимости от независимых переменных или факторов), то популяцию особей можно рассматривать как множество координатных точек в этом пространстве, а процесс эволюции — как движение этих точек в -сторону оптимальных значений целевой функции.
Для решения задачи классификации используется кластерный анализ [3]. Исследуемая совокупность данных представляет собой конечное множество элементов (множество объектов кластеризации — множество исследуемых состояний объекта управления), каждый из которых количественно представляет некоторое свойство или характеристику элементов рассматриваемой проблемной области. В качестве признаков используются положения регулировочной ступени трансформатора с РПН и относительные значения токов возбуждения выделенных групп СД.
В качестве целевой функции рассматривается сумма квадратов взвешенных отклонений координат объектов кластеризации от центров искомых нечетких кластеров. Решение задачи нечеткой кластеризации возможно методом нечетких с-средних [3].
Результаты нечеткой кластеризации представляются в форме обычного четкого разбиения методом дефаззификации по принципу максимального значения функции принадлежности.
Распознавание состояний СЭС заключается в определении принадлежности / непринадлежности текущего состояния к одному из известных классов согласно априорной классификации на основании измерений параметров состояния и управляющих параметров.
В качестве методики распознавания используется методика классификации состояний . СЭС на основе нечеткой кластеризации данных. Отличие в отношении рассматриваемой задачи состоит лишь в характере данных для кластеризации, т. е. в качестве признаков используются параметры состояния: значения реактивных мощностей и напряжений в контрольных точках СЭС.
В качестве множества объектов кластеризации используется множество всех состояний объекта плюс одно распознаваемое (текущее) состояние, которое в тот или иной момеят
времени поступает на входы объекта исследования. Решение о принадлежности текущего состояния некоторому классу принимается на основании меры близости, в качестве которой используется мера представления результатов нечеткой кластеризации в форме четкого разбиения методом максимального значения функции принадлежности.
Выводы
1. Практически бесконечное множество состояний СЭС можно разбить на конечное число классов по количеству технически осуществимых планов оптимального управления.
2. Отнести текущее состояние СЭС к одному из известных классов позволяют результаты решения задачи идентификации и измерения параметров состояния — реактивных мощностей и напряжений в контрольных точках.
3. Развитие реализации ситуационного управления на основе современного уровня интеллектуальных технологий влечет за собой построение новых методик идентификации, оптимизации, классификации и распознавания состояний СЭС.
Литература
1. Пантелеев В.И. Управление режимами реактивной мощности и напряжения промышленного предприятия / В.И. Пантелеев, А.Н. Филатов. - Красноярск : ИПЦ КГТУ, 2005. -125 с.
2. Митюшкин Ю.И. Soft computing: идентификация закономерностей нечеткими базами знаний / Ю.И. Митюшкин, Б.И. Мокин, А.П. Ротштейн; М-во образования и науки Украины, Винницкий гос. техн. ун-т. - Впшиця : Утверсум-Втниця, 2002. - 145 с.
3. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH / A.B. Леонен-ков. - СПб. : БХВ-Петербург, 2003, - 736 с.
Пантелеев Василий Иванович
Д-р техн. наук, проф., зав. каф. электроснабжения и электрического транспорта Сибирского
федерального университета
Тел.: (3912) 27 56 65
Эл. почта: pvi.05@mail.ru.
Туликов Александр Николаевич
Аспирант каф. электроснабжения и электрического транспорта Сибирского федерального
университета
Тел.: (3902) 25 37 60
Эл. почта: tulikoff@maiI.ru.
V.I. Panteleev, A.N. Tulikov
Methods of an artificial intellect in management of electrosupply systems modes of the enterprises
Fundamental problem of management of modes of jet capacity and a voltage in systems of industrial electrosupply is classification of conditions of system. In the work for identification of conditions it is offered to use a method double-stage identifications of nonlinear dependences by means of fuzzy knowledge bases and hybrid neuro-fuzzy networks. The sequence of actions and the used mathematical tools, demanded computing procedures is described.
