УДК 621.311
DOI: 10.24412/2071-6168-2023-9-410-411
ПРИМЕНЕНИЕ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОЦЕНКИ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ ЭЛЕКТРОЭНЕРГИИ НА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЯХ
В.И. Бирюлин, Д.В. Куделина
В статье выявлено, что уровень эффективности использования электроэнергии на промышленных предприятиях зависит от факторов, значения которых представляются количественными и качественными данными, в том числе и экспертными оценками. Предложено использовать методы системного анализа и искусственного интеллекта при создании модели для изучения процессов потребления электроэнергии, что позволит находить более обоснованную оценку эффективности использования электроэнергии, чем при использовании математических моделей, основанных на работе с информацией, представленной в количественном виде. Для автоматического формирования знаний с последующим их применением в механизме нечеткого логического вывода использована нечеткая нейронная сеть.
Ключевые слова: энергетическая эффективность, нейронная сеть, электроэнергия, математическая модель, нечёткая логика, потребление электроэнергии, базы знаний.
Промышленные предприятия в настоящее время являются крупными потребителями энергетических ресурсов, в том числе и электроэнергии. Поэтому от эффективности потребления электрической энергии для производственных и других нужд предприятий во многом зависят итоговые результаты функционирования, включая и прибыльность предприятий. Исходя из этого, можно утверждать, что проведение достаточно глубоких исследований процессов использования электрической энергии имеет большую актуальность. Одной из основных целей таких исследований является нахождение обоснованных значений эффективности потребления энергоресурсов на рассматриваемом предприятии. Проведение таких исследований является сложной задачей, даже если рассматривается только потребление электрической энергии без учета других видов энергетических ресурсов.
Проблема решения подобных задач состоит в том, что схема электроснабжения предприятия (от точек приема электроэнергии до электроприемников) представляет собой сложную по своей структуре систему. Также затрудняет решение рассматриваемой задачи наличие многочисленных и разнородных факторов, во многом определяющих уровень эффективности использования энергоресурсов на рассматриваемых предприятиях [1-6]. В зарубежных исследованиях вопросы эффективности использования энергетических ресурсов рассматриваются в большей мере влияния этих процессов на климатические условия [7, 8], что приводит к тому, что данные исследования изучают энергетические проблемы на более высоком уровне структуры общества, чем отдельные промышленные предприятия.
Наличие большого количества разнородных по своей природе факторов, влияющих на уровень эффективности использования электрической энергии, а также имеющаяся в большинстве случаев неполнота и неопределенность в применяемых для исследования процессов энергопотребления данных создает большие сложности при использовании классических математических моделей, включающих в себя линейные и нелинейные алгебраические и дифференциальные уравнения [9]. Также следует учитывать, что для повышения достоверности получаемых результатов следует использовать и знания экспертов в данной предметной области.
Существование неопределенности и неполноты во входных данных при решении задач нахождения оценки эффективности потребления электрической энергии на промышленных предприятиях объясняется многими причинами, главными из которых являются:
- существование в настоящее время значительных сложностей для выполнения исследовательских работ по изучению процессов использования электрической энергии на промышленных предприятиях, создаваемых собственниками предприятий, устанавливающих режим коммерческой тайны для информации о своих предприятиях;
- присутствие неполноты или даже частичного отсутствия необходимых входных данных, представляемых в количественной форме, о функционировании системы электроснабжения предприятия и протекании производственных процессов на рассматриваемом предприятии;
- необходимость использования большого количества критериев, учитывающих различные стороны функционирования как всего предприятия, так и системы электроснабжения и разные формы (как количественная, так и качественная) применяемых исходных данных.
Для преодоления рассмотренных выше проблем в настоящее время широко применяется математический аппарат нечеткой логики. Сейчас он представляет одно из наиболее быстро развивающихся направлений, применяемых для изучения процессов, протекающих в сложных производственных системах [10-12]. Математические модели, основанные на аппарате нечеткой логики, находятся в более близкой связи с человеческим мышлением по сравнению с моделями, состоящими из алгебраических и дифференциальных уравнений, и обеспечивают обработку неопределенности, неполноты исходных данных и применение знаний и опыта экспертов.
Такие модели являются основой для построения систем нечеткого логического вывода, служащих для нахождения различных значений, в том числе и оценок эффективности потребляемых энергоресурсов [13-17]. Выходные значения, получаемые в таких системах, имеют простое и наглядное представление, что является преимуществом таких систем, но данные системы также имеют и недостаток, состоящий в том, что они не обеспечивают автоматического формирования новых знаний, используемых для работы систем нечеткого логического вывода. Данный недостаток может заметно снизить обоснованность получаемого результата при работе таких систем. Кроме этого недостатка, следует отметить, что нечеткие правила вывода при разработке систем нечеткого логического вывода создаются экспертами, что придает им некоторую долю субъективности. Также необходимо учитывать, что функции принадлежности, используемые в системах нечеткого логического вывода, определяются в большинстве случаев путем привлечения экспертов, и могут не полностью соответствовать реальным характеристикам рассматриваемой производственной системы.
Отмеченные выше недостатки могут значительно понизить обоснованность получаемых результатов при работе систем нечеткого логического вывода. Чтобы избежать влияния этих недостатков на полученные результаты при исследовании процессов потребления электрической энергии промышленными предприятиями, следует использовать нечеткие или гибридные нейронные сети. Применение гибридных сетей обеспечивает как возможность преодоления неполноты и неопределенности исходных данных, так и автоматическую генерацию новых знаний и правил нечеткого вывода, что в итоге позволяет получать новые знания о процессах потребления энергетических ресурсов на промышленных предприятиях.
Гибридная нейронная сеть может быть определена в виде нейронной сети, структура которой имеет много слоев и не содержит обратных связей [18]. Функционирование этих сетей, применяемых для решения разных задач, требует использования предварительно составленных обучающих выборок исходных данных для определения параметров функций принадлежности [19]. Также следует отметить, что разработка и последующее применение гибридных сетей обеспечивает более полное использование достоинств и частичную компенсацию недостатков нечётких систем и нейронных сетей, чем при применении их как отдельных систем исследования процессов в сложных производственно-технических системах.
Для решения поставленной задачи (получение оценки эффективности использования электрической энергии на промышленных предприятиях) использована гибридная сеть, по своим свойствам наиболее приближенная к системам нечеткого логического вывода, и принадлежащая к сетям, которая называется Adaptive Network Based Fuzzy Inference System, в переводе - адаптивная сеть нечёткого вывода [20], сокращенное название таких сетей ANFIS. Применяемые в этих сетях алгоритмы работы позволяют использовать при первоначальной настройке сети давно известные быстрые алгоритмы первоначального обучения на основе способа обратного распространения ошибки.
Для анализа использования электрической энергии авторами была создана система нечеткого логического вывода, использующая в работе алгоритм Сугено, с применением сети типа ANFIS. Была применена пятислойная нейронная сеть, в которой происходит обработка сигнала по прямому распространению [19]. Конфигурация такой сети приведена на рис. 1.
Рис. 1. Структурная схема сети
Входными данными для разрабатываемой гибридной сети служат факторы, определяющие эффективность использования электрической энергии на предприятии. Выходное значение, получаемое при работе сети, представляет собой оценку уровня эффективности энергопотребления на рассматриваемом предприятии.
Все входные факторы представляются качественными оценками. Исходя из этого, данные факторы должны определяться лингвистическими переменными, или же терм-множествами вида Т = {Ти, Т2ь...Тт}. В каждом множестве термы представляют нечеткие переменные или оценки того или иногофактора - «очень низкий» и далее, а также применяемые для работы с такими переменными принятые при составлении этих множеств синтаксические и семантические правила.
Далее рассмотрим разработку такой гибридной сети на примере анализа процессов потребления и использования электроэнергии. Для работы такой сети используется исходная информация в виде качественных и количественных значений, включая и экспертные оценки. Для упрощения рассмотрения взаимосвязей при функционировании промышленного предприятия все входные факторы разделяются на подгруппы:
- экономические;
- производственные;
- организационные;
- социальные.
Поэтому гибридная сеть, по существу, выполняет при своей работе функциональное отображение значений п входных факторов, представленных далее в виде вектора входных переменных Хп, на некоторую область значений выходной переменной Q (авторами принимался интервал значений от нуля до 100):
X = (Х 1,... Хп )- е[0,100] (1)
Базы правил вывода или базы знаний для этой сети разрабатывались за два шага. На первом шаге были созданы базы знаний для выполнения промежуточных выводов, каждая из которых работает с приведенными выше подгруппами входных данных. Результатами промежуточного вывода будут являться следующие: переменные, используемые далее для получения окончательного вывода, которые приведены в таблице.
Переменные промежуточного вывода
Переменная Факторы, представляемые переменной
Y1 Экономические
Уг Производственные
Уз Организационные
У4 Социальные
При рассмотрении структуры сети ЛОТК, приведенной на рис. 1, видно, что в слое 2 степени истинности предпосылок каждого правила, входящего в базу знаний этой сети, определяются как произведение входов, что требует обработки всех входных переменных. Работа такого слоя возможна при наличии в этой сети базы знаний, работающей одновременно со всеми входными переменными. Это усложняет составление такой базы знаний при достаточно большом количестве входных факторов из-за необходимости разработки достаточно сложных правил вывода, работающих с большим количеством входных переменных.
Чтобы избежать составления и работы со сложными правилами вывода, следует использовать правила вывода, состоящие из двух частей или ступеней. Первая ступень правила вывода при таком подходе представляет собой промежуточный вывод по той или иной подгруппе входных факторов. Вторая же ступень обеспечивает обработку результатов промежуточных выводов по всем подгруппам рассматриваемых данных. Этот подход требует применения в рассматриваемой сети четырех баз правил промежуточного вывода по числу подгрупп входных данных, представляющих собой первую ступень, и одной базы правил для выполнения окончательного вывода, представляющих собой вторую ступень.
Реализация такого подхода требует внесения изменений в структуру сети АОТК. Эти изменения показаны на рис. 2. Теперь слой под номером 2, в котором производятся вычисления значений степени истинности предпосылок по каждому используемому правилу, должен содержать два подслоя. Каждый из этих подслоев обеспечивает работу первой или второй ступени правил.
Функционирование такого слоя выполняется в следующем порядке: первоначально рассчитываются степени истинности предпосылок каждого правила первой ступени, отражающие влияние входных факторов каждой подгруппы на выходные значения переменных промежуточного вывода. После этого по результирующим данным первого подслоя рассчитываются степени истинности, применяемые во второй ступени базы правил вывода.
Рис. 2. Предлагаемая структура сепш 1Л7 /Л'
Для генерации новых правил вывода (знаний) применяем следующий метод: если сеть имеет п входов или же п применяемых в работе сети переменных, представляемых далее для упрощения записи формул векторным массивом х, и только один выход у (в рассматриваемом случае - это значение оценки эффективности потребления электрической энергии), то такой сети соответствует определенная функция, выражаемая следующей формулой [20]:
У = / (х )+е, (2)
где/(х) - неизвестная функция; 8 - случайная помеха.
Далее, если в исследуемой системе тем или иным способом выполнить исследования протекающих в ней процессов с получением N пар значений переменных х и у, то в этом случае можно создать новые правила вывода, согласно алгоритму, изложенному в [20]. Непосредственно модификация метода генерации новых правил представляет собой изложенные далее действия.
На шаге 3 алгоритма, приведенного в [20], осуществляется проверка истинности неравенства, рассчитываемого как:
|у - у* > I, (3)
где у* - прогнозируемое значение функции у, определенное на предыдущем шаге рассматриваемого алгоритма цент-роидным методом; d - некоторая заранее принятая величина, устанавливающая допустимость выполнения данного неравенства (3).
Если это неравенство выполняется, то сформировано новое правило, которое может быть занесено в базу знаний, что означает автоматическое получение нового знания. Но следует учитывать, что при автоматическом получении новых правил могут генерироваться в том или ином количестве правила, имеющие малую ценность, и добавление их в базу знаний приведет в основном к увеличению объема этой базы и не скажется на эффективности работы гибридной сети. Чтобы избежать нецелесообразного расширения базы знаний, следует выполнить проверку новых правил на целесообразность их дальнейшего использования с привлечением опыта экспертов, участвующих в разработке данной гибридной сети. Для этой цели необходимо приведенную формулу (3) изменить к следующему виду:
|у - у*| > I ■ к, (4)
где к - вес рассматриваемого нового правила, определяемый на основе оценок экспертов.
Предлагаемая модификация метода получения новых правил в гибридной сети позволяет включать в базу знаний действительно важные правила вывода, использование которых приводит к повышению обоснованности оценок эффективности энергопотребления промышленных предприятий.
В данной статье рассмотрено применение нечеткой логики и нейронных сетей для создания модели исследования процессов использования электроэнергии на промышленных предприятиях для получения значений оценки эффективности этих процессов с помощью гибридной или нечеткой нейронной сети. Такая сеть построена на основе иерархического подхода в разработке и применении баз правил нечеткого вывода, что обеспечивает высокую эффективность работы экспертов при создании сети вследствие небольших объема информации, с которым работает каждый эксперт, привлекаемый для создания гибридной сети. Автоматическое создание новых правил вывода с последующим отбором для включения в базу позволяет повысить обоснованность оценки энергоэффективности промышленных предприятий.
Благодарности: исследование выполнено при финансовой поддержке Министерства высшего образования и науки Российской Федерации (Государственное задание «Исследование алгоритмов, моделей и методов повышения эффективности функционирования сложных технических систем», проект № 0851-2020-0032).
Список литературы
1. Ермолаев К.А. Влияние процессов энергосбережения и повышения энергоэффективности на инновационное развитие национальных экономик // Экономический анализ: теория и практика. 2017. Т. 16. Вып. 1. С. 82-92. doi: 10.24891/ea.16.1.82.
2. Лебедев В.А. Эксергетический метод оценки энергоэффективности оборудования систем энергообеспечения предприятий минерально-сырьевого комплекса // Записки Горного института. 2016. Т.219. С. 435-443. doi: 10.18454/PML2016.3.435.
3. Мельник А.Н., Ермолаев К.А. Концептуальные основы управления энергосбережением и повышением энергоэффективности на промышленном предприятии в условиях его инновационного развития // Экономический анализ: теория и практика. 2019. Т. 18, № 1. С. 22-39. doi: 10.24891/ea.18.1.22.
4. Кокшаров В.А. Методический подход оценки приоритетов энергетической политики промышленного предприятия // Статистика и Экономика. 2015. № 2. С. 72-77. doi: 10.21686/2500-3925-2015-2-72-77.
5. Макаркин Н.П., Горина А.П., Алферина О.Н. и др. Эффективность использования ресурсного потенциала предприятия: методика оценки // Фундаментальные исследования. 2019. № 11. С. 89-94. doi: 10.17513/fr.42592.
6. Криворотов В. В., Калина А. В., Савельева А. И. Оценка энергоэффективности компаний медной промышленности: теория и практика // Известия Уральского государственного экономического университета. 2018. Т. 19, № 4. С. 107-116. doi: 10.29141/2073-1019-2018-19-5-8.
7. Cornelis Marine. Energy efficiency, the overlooked climate emergency solution // Экономическая политика. 2020. Т. 15. № 2. С. 48-67. doi: 10.18288/1994-5124-2020-2-48-67.
8. Koronen, C., Ähman, M., Nilsson, L.J. Data centres in future European energy systems-energy efficiency, integration and policy. Energy Efficiency 13, pp. 129-144, 2020. doi: 10.1007/s12053-019-09833-8.
9. Кокшаров В.А. Систематизация факторов энергоэффективности промышленного предприятия // Вестник Пермского университета. Сер. «Экономика». 2016. № 1(28). С. 147-156.
10. Шаталова, О.М. Об использовании нечетких вычислений в решении проблемы неопределенности при оценке эффективности технологических инноваций на предприятии // Вестник ЮУрГУ. Экономика и менеджмент. 2018. Т. 12, № 3. С. 83-91. doi: 10.14529/em180309.
11. Шаталова, О.М. Основные положения методики информационного обеспечения в оценке эффективности технологических инноваций методами нечеткого моделирования // Вестник ЮУрГУ. Экономика и менеджмент. 2018. Т. 12, № 4. С. 102-112. doi: 10.14529/em180413.
12. Леденева Т. М., Решетников А.Д. Особенности реализации механизма нечеткого логического вывода в нечетких системах // Международный научно-исследовательский журнал. 2021. № 6 (108) Часть 1. С. 107-117. doi: 10.23670/IRJ.2021.108.6.018
13. Голосовский М.С., Богомолов А.В., Теребов Д.С., и др. Алгоритм настройки системы нечёткого логического вывода типа Мамдани // Вестник ЮУрГУ. Математика. Механика. Физика. 2018. №3. C. 19-29. doi: 10.14529/mmph180303.
14. Шилова С.В., Бурмистрова О.Н. Композиция Мамдани в моделях нечеткого анализа как нечеткий аналог подстановок зависимостей // Современные наукоемкие технологии. 2021. № 10. С. 102-107. doi: 10.17513/snt.38861.
15. Segismundo S. I., Luis R. Mamdani fuzzy systems for modeling and simulation: a critical assessment // SSR. 2017. Vol. 21(3). doi: 10.2139/ssrn.2900827.
16. Zulfikar W.B., Jumadi, Prasetyo P.K., Ramdhani M.A. Implementation of Mamdani Fuzzy Method in Employee Promotion System. IOP Conf. Series: Materials Science and Engineering. 2017. Vol. 288. doi: 10.1088/1757-899X/288/1/012147.
17. Dwi Fibriayora A. A. I., Gandhiadi G. K., Tastrawati N. K. T., Eka N. Kencana. Application of Mamdani fuzzy method to determine round bread production at pt Vanessa bakery. E-Jurnal Matematika. 2019. Vol. 8(3), pp. 204-210. doi: 10.24843/MTK.2019.v08.i03.p254/.
18. Нгуен Данг Минь. Влияние обучающих выборок на процесс обучения адаптивных нейро-нечётких сетей для решения задачи классификации деталей // Международный научно-исследовательский журнал. 2013. № 4 (11) Часть 1. С. 106-110. doi: 10.18454/IRJ.2227-6017.
19. Саенко И. Б., Скорик Ф. А., Котенко И. В. Мониторинг и прогнозирование состояния компьютерных сетей на основе применения гибридных нейронных сетей // Изв. вузов. Приборостроение. 2016. Т. 59/ № 10. С. 795800. doi: 10.17586/0021-3454-2016-59-10-795-800.
20. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. 2-е изд., стереотип. М.: Горячая линия-Телеком, 2002. 382 с.
Бирюлин Владимир Иванович, канд. техн. наук, доцент, [email protected], Россия, Курск, Юго-Западный государственный университет,
Куделина Дарья Васильевна, канд. техн. наук, доцент, [email protected], Россия, Курск, Юго-Западный государственный университет
FUZZY NEURAL NETWORKS APPLICATION TO ASSESS THE ELECTRICITY EFFICIENCY USE IN INDUSTRIAL
ENTERPRISES
V.I. Biryulin, D. V. Kudelina 418
The article reveals that the level of efficiency in the electricity use at industrial enterprises depends on factors, the values of which are represented by quantitative and qualitative data, including expert estimates. It is proposed to use methods of system analysis and artificial intelligence when creating a model for studying the electricity consumption processes, which will make it possible to find a more reasonable assessment of the electricity efficiency use than when using mathematical models based on working with information presented in quantitative form. A fuzzy neural network is used to automatically generate knowledge with its subsequent application in the fuzzy logical inference mechanism.
Key words: energy efficiency, neural network, electricity, mathematical model, fuzzy logic, electricity consumption, knowledge base.
Biryulin Vladimir Ivanovich, candidate of technical sciences, docent, [email protected], Russia, Kursk, Southwest State University,
Kudelina Daria Vasilievna, candidate of technical sciences, docent, [email protected], Russia, Kursk, Southwest State University
УДК 621.311.1.018.3
DOI: 10.24412/2071-6168-2023-9-414-415
ВЛИЯНИЕ НЕЛИНЕЙНОЙ НАГРУЗКИ НА КОНДЕНСАТОРНЫЕ БАТАРЕИ И РЕЖИМЫ РАБОТЫ СИСТЕМ ЭЛЕКТРОСНАБЖЕНИЯ СРЕДНЕГО НАПРЯЖЕНИЯ
Чжан Цзысюань, В.А. Сериков, В.Н. Костин
Выполнен анализ режимов работы систем электроснабжения с нелинейной нагрузкой и линейной нагрузками и конденсаторной батареей. Нелинейная нагрузка, линейная нагрузка и конденсаторная установка подключена к обмотке распределительного трансформатора 110/10 кВ. Рассмотрены режимы суточного изменения линейной нагрузки и соответствующего регулирования мощности конденсаторной батареи для системы электроснабжения среднего напряжения. Определены мощности конденсаторов, при которых возникают резонансные режимы на канонических гармониках. Показано, что при суточном регулировании мощности конденсаторных батарей, качество напряжения может не соответствовать требованиям показателей качества электроэнергии, а сами конденсаторные установки могут быть перегружены токами высших гармоник.
Ключевые слова: имитационное моделирование, нелинейная нагрузка, высшие гармоники, качество напряжения, конденсаторная батарея, токовая перегрузка.
Причиной появления в электрических сетях высших гармоник тока и, следовательно, причиной искажения кривых тока являются нелинейные элементы. Растекание гармоник тока по распределительной сети, имеющей сопротивления, обуславливает появление высших гармоник напряжения и, соответственно, искажение формы напряжения. В качестве нелинейной нагрузки могут выступать вентильные преобразователи, которые широко применяются в промышленности для регулируемого электропривода, электролизных установок, гальванических ванн и других электротехнологических установок, а также на электрифицированном железнодорожном транспорте [1-6].
Высшие гармоники напряжения и тока негативно влияют практически на все элементы системы электроснабжения. Основными факторами негативного воздействия гармоник на элементы системы электроснабжения являются [7-12]:
- значительное увеличение токов высших гармоник вследствие резонансных явлений;
- снижение эффективности процессов генерации, передачи, использования электроэнергии;
- ускорение старения изоляции электрооборудования и сокращение вследствие этого срока его службы;
- ложные срабатывания некоторого оборудования.
В настоящей работе рассматривается система электроснабжения, включающая трансформатор Т напряжением 110/10кВ, работающий на линейную (Н) и нелинейную (выпрямитель В) нагрузки и конденсаторную батарею (БК), предназначенную для компенсации реактивной мощности линейной нагрузки (см. рис. 1).
Исследование режимов работы рассматриваемой системы электроснабжения выполняется в программных комплексах Multisim и Simulink МЛТЬЛБ. Multisim обладает интерактивной схемотехнической средой для мгновенной визуализации и анализа режима электрических и электронных схем. Simulink МЛТЬЛБ содержит библиотеку блоков SimPowerSystems для имитационного моделирования электротехнических устройств. Используя возможности Simulink и SimPowerSystems, можно не только имитировать работу устройств во временной области, но и выполнять различные виды анализа режимов.
Трансформатор Т рассматривался как источник питания СЭС и представлялся трехфазной системой напряжений Ц1, Ы2, Ш за приведенными к стороне низкого напряжения активным и индуктивным сопротивлениями
Я = кинн 103 и Хт = ^%и™ 103, (1)
т я2 т 100^
° т ном Ши^т ном
где АРк - потери мощности (кВт) в режиме номинальной нагрузки трансформатора (потери короткого замыкания).
419