CC BY
269
УДК 004.8.032.26 :620.9
А. С. Судавный, магистрант, 8-910-582-55-40, sudavny a@mail.ru, (Россия, Тула, ТулГУ)
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЭЛЕКТРОЭНЕРГЕТИЧЕСКОМ КОМПЛЕКСЕ
Рассмотрена возможность применения искусственных нейронных сетей в электроэнергетическом комплексе, в контексте определения и прогнозирования электроэнергетических потерь и диагностирования силовых трансформаторов.
Ключевые слова: Искусственные нейронные сети, электроэнергетические потери, диагностика, силовые трансформаторы.
Нейронные сети - это современные вычислительные системы, которые преобразуют информацию по образу процессов, происходящих в мозгу человека. Обрабатываемая информация имеет численный характер, что позволяет использовать нейронную сеть, например, в качестве модели объекта с совершенно неизвестными характеристиками [1].
В настоящее время проблема максимально точного определения потерь в электрических сетях особенно актуальна как для сбытовых компаний и компаний поставщиков энергии, так и для потребителей, так как обладая реальными данными о потерях, поставщики могут аргументированно подтверждать тарифы, а энергетики на предприятиях максимально точно прогнозировать потери мощности и затраты на электроэнергию.
Слабая оснащенность сетей системами мониторинга и неравномерная загрузка фаз не даёт возможности достаточно качественного расчёта потерь с использованием существующих нормативных методов [2], так как существующие методы рассматривают общий случай, не предусматривая климатических, некоторых технологических и экономических факторов.
Использование искусственных нейронных сетей (ИНС) позволит осуществлять расчёт потерь с минимальной погрешностью даже в условиях неполноты информации, а также учитывать в расчётах практически неограниченное количество факторов влияющих на электрическую сеть.
Понятие ИНС ввели в 1943 г. У. Маккалок и У. Питерс в статье о логических исчислениях идей и нервной активности. По своей сути ИНС представляют собой систему взаимосвязанных процессоров. После построения модели и её обучения ИНС могут применяться для решения различных задач, таких, как распознавание и классификация образов, принятие решений и управление, кластеризация, прогнозирование, аппроксимация, сжатие данных и ассоциативная память.
Особый интерес для технических приложений, по мнению авторов, представляет нейронно-нечёткая сеть типа ANFIS(Adaptive Neuro-fuzzy Inference System) - адаптивная нейронно-нечёткая система вывода, включающая систему нечеткого логического вывода типа Сугэно. Гибридные
136
Диагностирование, прогнозирование и надежность ...
нейронные сети объединяют в себе достоинства нейронных сетей и систем нечеткого вывода. АОТ^-сети позволяют разрабатывать модели систем в форме правил нечетких продукций, которые обладают наглядностью и простотой содержательной интерпретации, а для построения правил нечетких продукций используются возможности нейронных сетей.
Настройка нейронной сети представляет собой итерационную процедуру нахождения таких параметров системы нечеткого логического вывода, в частности, параметров функций принадлежности, которые минимизируют расхождения между результатами логического вывода и экспериментальными данными, т. е. между действительным и желаемым поведениями системы. Экспериментальные данные, по которым настраиваются функции принадлежности, представляются в виде обучающей и экзаменационной выборки [3].
Структура ННС (нечёткой нейронной сети) представлена на рис.1[4]. Данная ННС состоит из трех слоёв: входного, скрытого - слоя правил, выходного. На вход подаются переменные потерь и во входном слое они нормируются, становясь относительными величинами, находящимися в промежутке [0;1]. Затем в скрытом слое формируются нечеткие правила, т.е. в подслое «ЕСЛИ» на основе входных переменных формируются функции принадлежности, а в подслое «ТО», представляющем собой двухслойную нейронную сеть, где с помощью весовых коэффициентов и нормированных входных переменных формируется выход данного подслоя. Последним этапом в выходном слое, на основе результатов, полученных в слое правил, является четкий выход, являющийся значением потери.
Также представляет интерес метод диагностики, использующий треугольник Дюваля и возможность его моделирования с помощью ИНС. Для диагностики с помощью этого метода используются три газа, растворённых в трансформаторном масле: СН4, С2Н2, С2Н4. Суть метода заключается в следующем: рассматривается равносторонний треугольник, каждая сторона которого соответствует одному из трёх газов. Сам треугольник разбит на 7 зон, соответствующих определённому дефекту :РБ - частичные разряды, Б1- разряды малой интенсивности, Б2-разряды большой интенсивности, Т1- термическое воздействие температурой менее 300 °С , Т2-термическое воздействие температурой от 300 до 700 °С, Т3- термическое воздействие температурой свыше 700 °С, БТ- смешанное электрическое и термическое воздействие [5]. Затем рассчитывается концентрация газов СН4, С2Н2, С2Н4, и их сумма принимается за 100 %. Следующим шагом определяют пропорциональное соотношение газов в процентах, и получившиеся значения откладывают по соответствующим осям. На пересечении прямых, проходящих через отложенные точки, отмечают точку, находящуюся в одной из 7 зон. На рис. 2 изображён треугольник Дюваля.
Описанный выше процесс может быть смоделирован с помощью ИНС. Весь алгоритм действий будет представлен трёхслойной нейронной
сетью с 3 входами, соответствующими концентрациям газов СН4, С2Н2, С2Н4 , и семью выходами, соответствующими 7 областям в треугольники Дюваля. Работа нейронной сети заключается в следующем: на вход подаются значения концентраций газов, затем в скрытом слое происходит наложение правил, в выходном слое данные классифицируются и выбирается область, в которой произошла ошибка. Для правильной работы сети необходимо её обучение, которое происходит путём подачи обучающей выборки, а затем с помощью проверочных данных вычисляется ошибка. Так, если ошибка на проверочных данных уменьшается, то сеть проводит обобщение, т.е. «обучается». Когда ошибка достигает необходимого минимума, обучение прекращают.
(ЕСЛИ)
Скрытый слой (Слой правил)
Рис. 1. Структура нейронной нечёткой сети
\
РО Т1 Т2
80 60 М 20 » % С2Н2
Рис. 2. Треугольник Дюваля
138
Диагностирование, прогнозирование и надежность ...
В заключение можно отметить, что применяя на практике ИНС, можно добиться исключительно точных и достоверных прогнозов по потерям, которые позволят добиться снижения тарифов и быстро решать задачи текущего планирования и оперативного управления режимами функционирования ЭЭС, а также автоматизировать и значительно ускорить процесс диагностики трансформаторов и производить его в режиме реального времени.
Список литературы
1. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечёткие системы: пер. с пол. И. Д. Рудинского. М.: Горячая линия - Телеком, 2006.452 с.
2. Инструкция по организации в Министерстве энергетики РФ работы по расчёту и обоснованию нормативов технологических потерь электроэнергии при её передаче по электрическим сетям. Утв. Приказом Минэнерго РФ № 326 от 30.12.2008.
3. Nauck D., Klawonn F., Kruse R. Foundations of Neuro-Fuzzy Systems. N.Y.:John Wiley & Sons, 1997. 305 p.
4. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование электрических нагрузок при оперативном управлении электроэнергетическими системами на основе нейросетевых структур. Сыктывкар :КНУ УрО РАН, 2008. 77 с.
5. Duval, de Pablo A., Interpretation of gas-in-oil analysis using new IEC publication 60599 and IEC TC 10 databases // IEEE. Electrical Insulation Magazine. 2001. Vol.17. No.2, P.31-41.
A.S. Sudavny
APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN THE ELECTRICITY SECTOR
In this paper the possibility of using artificial neural networks in the electricity sector, in the context of determining and predicting losses of electricity and diagnosis of power transformers.
Key words: Artificial neural networks, electric power loss, diagnostics, power transformers.
Получено 19.06.12
