CC BY
22
дрой «Электрические машины и общая электротехника».
БРНЧ-код: 5093-8463 ЛиШогГО (РИНЦ): 465264
Москалев юрий Владимирович, кандидат технических наук, доцент (Россия), доцент кафедры «Электрические машины и общая электротехника». БРНЧ-код: 1422-1951 ЛиШогГО (РИНЦ): 657144
ЛыСЕнко Виктор Сергеевич, аспирант кафедры «Электрические машины и общая электротехника». БРНЧ-код: 7433-7885 ЛиШогГО (РИНЦ): 978018
Адрес для переписки: [email protected]
Для цитирования
Харламов В. В., Москалев Ю. В., Лысенко В. С. Повышение эффективности использования трехфазных асинхронных электродвигателей при питании от однофазной сети // Омский научный вестник. 2018. № 3 (159). С. 27-31. БОН 10.25206/1813-8225-2018-159-27-31.
Статья поступила в редакцию 05.03.2018 г. © В. В. Харламов, ю. В. Москалев, В. С. Лысенко
уДК 621.311.001.57:519.25 Д. Д. КОМЯКОВ
РО!: 10.25206/1813-8225-2018-159-31-36
Д. В. ПОНОМАРЕВ В. В. ЭРБЕС
Омский государственный университет путей сообщения, г. Омск
РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ДЛЯ ОПРЕДЕЛЕНИЯ ЭФФЕКТИВНОСТИ ЭНЕРГОСБЕРЕГАЮЩИХ УСТРОЙСТВ И ТЕХНОЛОГИЙ В ПРОИЗВОДСТВЕННОМ ПРОЦЕССЕ ПРЕДПРИЯТИЯ_
Статья посвящена разработке программного модуля, позволяющего выполнять непрерывный мониторинг энергоэффективности производственного процесса, а также определять фактическую эффективность применения внедряемых электроустановок, современных энергосберегающих устройств и технологий на основе нечетких нейросетевых моделей производственного процесса. Программный модуль реализует статистическую обработку данных об электропотреблении и объемах выполненной работы, и удобные механизмы по работе с нейросетевыми моделями технологического процесса. Ключевые слова: энергоэффективность производственного процесса, энергосбережение, нечеткие нейронные сети, корреляционный анализ.
В современных условиях производства продукции и услуг между российскими предприятиями растет уровень конкуренции. Для обеспечения конкурентоспособности предприятиям приходится снижать издержки производства. К одной из основных категорий издержек на производстве относится потребление электроэнергии. Для снижения потребления данного вида ресурса предприятия внедряют современные устройства с повышенной энергетической эффективностью и технологии, направленные на снижение потребления электроэнергии. Однако эффективность внедрения данных устройств и технологий на предприятиях в условиях эксплуатации не оценивается, а принимается из данных, заявленных производителем. В боль-
шинстве случаев заявленная эффективность внедрения энергосберегающих устройств и технологий может отличаться от реальности, так как на работу электрооборудования влияет большое количество факторов, как производственных, так и климатических. Также нельзя забывать о человеческом факторе, когда режим работы электроустановок и объем электропотребления на единицу выполненной работы зависит от специалиста, использующего оборудование [1].
Для решения данного типа задач на предприятии требуется специалист со знаниями в области обработки статистических данных, современных методов моделирования процесса электропотребления и производства, что в большинстве случаев
невозможно реализовать из-за отсутствия времени на обучение и т.д. Поэтому авторами разработан программный модуль, позволяющий обрабатывать большие объемы данных по расходу электрической энергии и объему выполненной работы с целью определения энергетической эффективности использования электроустановок, внедрения современных энергосберегающих устройств и технологий и непрерывного мониторинга энергоэффективности производственного процесса.
Программа разработана в качестве модуля автоматизированной системы мониторинга энергетической эффективности производственных процессов. В настоящем программном модуле реализованы три основные функции:
— определение рекомендуемого объема загружаемых выборок;
— загрузка и корреляционный анализ выборок;
— оценка энергетической эффективности производственного процесса.
При нажатии на кнопку «Определить рекомендуемый объем выборки» программа запрашивает Ехсе1-файл с данными об электропотреблении. Рекомендуемый объем выборки рассчитывается для решения задачи по определению объема данных для разработки математической модели процесса электропотребления, выполняющей моделирование с достаточной точностью. Так как при малом объеме выборки точности математической модели может быть недостаточно, а при большом объеме и с-следование становится слишком продолжительным по времени и в некоторых случаях дорогостоящим. Данная математическая модель разрабатывается с целью прогнозирования расхода электроэнергии предприятия и моделирования процесса электропотребления. При этом загружается п значений расхода электроэнергии wi. В зависимости от значения допустимой погрешности полученных данных 81, указываемой в процентах, математического
ожидания = ^ У^1 п и среднеквадратического
п=Х I—-
отклонения 5 = ^^ (еу п - У)2 уП - 1 программой!
автоматиче ски выиисляется рекоме ндуемый объем выборки по фо рмуле [2 ]:
Грек =
/ \2 4965
Лр
(1)
7 - 61
где Л - р ——.
100
Графическое отображение загруженных данных [3, 4] выполняется в виде множества точек на плоскости (рис. 1).
Таким образом, на основании выполненного расчета получаем рекомендуемый объем выборки значений расхода электроэнергии, позволяющий достоверно оценить изменения потребления электроэнергии и разработать математическую модель потребления электроэнергии с достаточной точностью.
При нажатии на кнопку «Загрузить выборку для моделирования» открывается Ехсе1-файл с тремя выборками рекомендуемого объема — обучающей, тестирующей и проверочной [5, 6]. Объем обучающей выборки должен соответствовать рекомендуемому объему выборки, а тестирующая и проверочная выборки составлять не менее 10 % от обучающей. Каждая из выборок находится на отдельном листе файла и содержит данные о расходе электрической энергии, значениях контролируемых факторов и продолжительности работы основных групп электрооборудования.
Непосредственно после открытия файла выполняется коррел ционный анализ загруженных данных. Прогя амма явтоматически определяет количество рассматриваемых факторов, размеры оЯучяющей, тестияующей и проверочной выборок. Рассчитыуаются коэффициенты корреляции между факторами и ресхидоя эляктричеукой энергии (общие и яастны е)я а та к же м ежду тарами факторов. Рассмотрим один из способов расчета частного коэффициента корреляции. Для начала рассмотрим пр9ме р, я о ряж тр е-уется най ти коэффициент гор-релции -Iежду еави9бмой пе ременной w (расходом электроэнергии) и влияющим фактором х1 без учета влия Р96 ф ли то ра х2 [7 ]:
Г л г . г
рхр РХ2 ХРХ2
(2)
где Г — чрстнь/й коэффициент корреляции величин w и х1 бег учета влияния фактора х2; г^ , ГР^2' 2 — 2/арньи коэффициенты корреляции между пергменными ш, х1 и х2, рассчитываемые по формуле:
— i=1
ИИ Х л Х )(Р/ л Р )
л )^)2 ^(Р^ / л Р )
(3)
где х.(г = 1, ),..., к) — значения глияющего фактора; Х — среднее знинение нлняющ/го фактора.
Управление
Определить рекомендуемый объем выборки
Загружено данных: 9
Погрвшностьполцченмыхданных!^]: 14,0 * Рекомендуемый объем выборки: 19
Загрузить выборки для моделирования
кВгч 700 600 4 500 400 , 300 200 100
Рис. 1. Определение рекомендуемого объема выборки
2
i=1
Таблица 1
Шкала Чеддока
Коэффициент корреляции Качественная характеристика силы связи
0,1-0,3 Слабая
0,3 - 0,5 Умеренная
0^-0, 7 Заметная
0,7-0,9 Высокая
0,9-0,99 Весьма высокая
Если требуется устранить влияние на расход электроэнергии двух факторов х2 и х3, то по формуле (5) вычисляем предварительно коэффициенты
Г Г
мхх/-х2 ' Г3-Х2
и ГГ
а затем коэффициент:
Г
_ мх я Х2
-Г
шх 3- Х2 х/хз* Х2
мх/ Я2хз
^/ЯГГаХ3ХХ^^-яГ^
(4)
х/хз - х2
который отражает зшисимость между ^ и х1 без учета влияния фактора х2 и х3. Аналогичный расчет производится в случае любого числа влияющих факторов.
В результате появляется возможность исключить из рассмотрения факторы, не влияющие на расход электрической энергии, и зависимые факторы, значения которых имеют сильную корреляционную связь с другими факторами. В первом случае фактор исключается из дальнейшего рассмотрения. Во втором случае исключается тот фактор, у которого корреляционная связь с расходом электроэнергии слабее.
Граничное значение коэффициента корреляции, при превышении которого два фактора будут считаться зависимыми, устанавливается пользователем. При этом качественно охарактеризовать силу связи можно по шкале Чеддока (табл. 1).
Данный анализ позволяет определить зависимости потребления электроэнергии предприятия и факторов производственных (объем работы машин для транспортировки, двигателей и станков) и климатических (продолжительность светового дня, температура и освещенность), а также исключить слабые зависимости. В результате получаем связи с требуемой зависимостью для разработки математической модели с лучшей точностью.
Например, на рис. 2 показан результат обработки загруженных выборок. Два параметра исключены из рассмотрения: «Тпар1», имеющий заметную связь с параметром «Пар1», и «Тпар2», практически не влияющий на расход электрической энергии.
После обработки загруженных данных программа позволяет сформировать отчет о результатах корреляционного анализа с указанием исключенных факторов и причин, по которым они исключены, а также подготовить данные для моделирования. При этом автоматически генерируются файлы с обучающей, тестирующей и проверочной выборками, пригодные для загрузки и последующего нейросетевого моделирования в среде МаЬЬаЪ с нечеткой логикой. Для разработки математической модели прогнозирования расхода электроэнергии предприятия и моделирования процесса электропотребления лучшей точности моделирования разработан алгоритм [8 — 10], представленный на рис. 3.
Оценить энергетическую эффективность можно, получив данные о фактическом электропотреблении моделируемого участка, продолжительности работы электрооборудования и значениях контролируемых факторов. Промоделировав работу электропотребителей при тех же значениях внешних факторов в МаНаЪ, получаем две выборки со значениями расхода электрической энергии: фактического и смоделированного. Выборка фактического расхода электроэнергии формируется на основании показаний счетчиков электроэнергии предприятия, а выборка смоделированного расхода электроэнергии на основании моделирования при подстановке значений влияющих факторов. Программный модуль позволяет сравнить эти выборки на основании критерия ЯМБЕ, задаваемого в процентах. Для это-
Исключенные факторы: Тпар2. Тпар1
Рис. 2. Результат обработки выборок
Рис. 3. Алгоритм выбора параметров структуры, обучения и оценки нечеткой нейронной сети
Управление
Определить рекомендуемый объем выборки
Загружено данных: 64
Погрешность полученных данных {59 6М Р
Рекомендуемый гцревыборки: 18
Загрузить выборки для моделирования
Данные затружел Количество Факторгв: & Размер выборок:
■ обучаю щая 19 •тестирующая: 10
■ проверочная: 7
Граничное знача нирки /.корреляции между Факторами ' '
Сохранить отчёт о корреляционном анализе
20000 18000 16000 14000 12000 10000 V 8000
еооо
4000 2000
13.05
Факлп. -
модель -
10.Й5.2017 Производственный процесс не изменился Г2
12.0Р)Ю17 Производственный процесс изменился. Перерасход: 737,39к8т ч (4,3
13.05.2017 Производственный процесс изменился. Экономия: 1 308,17кВтч (7,5 X] 14.05.2017 Производственный процесс не изменился
Л одгоговить данные для моделирования
Оценить энергоэФРектнвность
Оценить производств, процесс
Я 25Е (Р/ ^5 * с!Т [%у Щ *
Суммарная экономия электроэнергии за весь период: 1 065 кВтч Рис. л. Оценка энлргоэффективности производственного процесса
го надо нажать гаопку «Оценить энергоэффективность».
Отображение фактичр/кнцо и промоделированного посуточного расхода электроэнергии выполняется автоматически в вид, графлга, а регуньнагы сравнения — таблин но (рис. 4). П ри этом з а к аждые сутки рассчитывается значение
Лц =
^ л Ш
Ш
ф ] 100%,
(5)
которое сравнивается с установленным значением ЯМБЕ.
В случае если значение к2 по модулю оказывается меньше ЯМБЕ, то принимается, что в эти сутки производственный процесс не изменился. Если же значение к2 по модулю превышает ЯМБЕ, то производственный процесс изменился. Причем при положительном значении к2 — изменения производственного процесса привели к экономии электроэнергии (повышение энергоэффективности).
34
Рис. 5. оценка эффективности работы электрооборудования
Рис. 6. Алгоритм программы для контроля электропотребления
При отрицательном значении к-эффиГиента к2 речь идет о перерасГодх электроэнергии (сниже-ние энергоэффективности прои зводственнохо процесса).
Более детально Гроанализировать изменения в производственном процессе можно, нмжав яноп-ку «Оценить производохве нгый процес с». При этом программа генерирует файлы с посуточными данны -ми о фактическом времени работы оборудооания и значениях влияющих факторов. Фактическ ое вре—Г работы оборудованиГ определяется по счетчикам наработки времени, установленным ха электр-установки. На основе этих данных и заранеео созданных нейросетевых моделей в Ма^аЪ осГЩестГлхетсГ имитация работы эхектрооборудования (моделируется продолжительность нахождения оборудо ва-ния в рабочем состоянхи при задхнных хначениях влияющих факторов). В итоге для каждой единицы электрооборудования сравниваГтся — актичe ское и смоделированное в °ем я ]х а боты (рис. 5).
Оценка режима работы оборудования выполняется на основании разности между сходелирован-ным и фактическим врем енем раеоты каждой единицы электрооборудования:
Ai =t м л .
(6)
Отрицательное значение М означает, что оборудование работало неэффективно. Если же оборудование работало эффек тивно, то факгич есеое время работы окажется меньше смоделированного и At будет положительно. Однако не любое отклонение времени работы оборудования ит мод-льного значения следует объяснять изменением режима
его работы. В случае если разница 5о м--/00 %
ое
не превышает установленного значения, принимается, что режим работы рассматриваемого оборудования не изменился. Описанные ранее расчеты по определению энергетической эффективности производственного процесса можно представить в виде алгоритма (рис. 6).
Применение данного программного модуля открывает огромные возможности для анализа эффективности вырабатываемых решений по оптимизации производственного процесса.
Библиографический список
граммирования. М.: Вильямс, 2000. 832 с. ISBN 5-8459-0066-2, 0-672-31781-8.
4. Тейксейра С., Пачеко К. Delphi 5. Руководство разработчика. В 2 т. Т. 2. Разработка компонентов и работа с базами данных. М.: Вильямс, 2000. 992 с. ISBN 5-8459-0067-0, 0-67231781-8.
5. Комякова О. А. Возможности искусственных нейронных сетей как аппарата для прогнозирования расхода электрической энергии на предприятиях железнодорожного транспорта // Омский научный вестник. 2013. № 2 (120). С. 264-266.
6. Горбань А. Н., Дунин-Барковский В. Л., Кирдин А. Н. [и др.]. Нейроинформатика: моногр. Новосибирск: Наука, 1998. 296 с.
7. Яновский Л. П., Буховец А. Г. Введение в эконометрику / под ред. Л. П. Яновского. 3-е изд., стер. М.: КНОРУС, 2013. 256 с. ISBN 978-5-406-00945-1.
8. Дьяконов В. П., Круглов В. В. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Пи-тер.2001. 480 с. ISBN 5-318-00004-5.
9. Комяков А. А., Эрбес В. В., Гателюк О. А. Сравнитель-н й анализ структуры нечеткой нейронной сети для формирования модели электропотребления в системе тягового электроснабжения // Известия Транссиба. 2015. № 2 (22). С. 64-71.
10. Шумилова Г. П., Готман Н. Э., Старцева Т. Б. Прогнозирование электрических нагрузок при оперативном управлении электроэнергетическими системами на основе нейронных структур: моногр. Сыктывкар: КНЦ УрО РАН. 2008. 78 с.
КОМЯКОВ Александр Анатольевич, кандидат технических наук, доцент (Россия), доцент кафедры «Теоретическая электротехника». БРШ-код: 3775-1920 ЛиШогГО (РИНЦ): 514132 Адрес для переписки: [email protected] ПОНОМАРЕВ Антон Витальевич, кандидат технических наук, доцент (Россия), доцент кафедры «Теоретическая электротехника». БРШ-код: 8927-5050 ЛиШогГО (РИНЦ): 514134
Адрес для переписки: [email protected] ЭРБЕС Виктор Владимирович, кандидат технических наук, старший научный сотрудник НИЧ. БРШ-код: 6438-6900 АШ^гГО (РИНЦ): 728432 Адрес для переписки: [email protected]
1. Черемисин В. Т., Никифоров М. М. Система контроля и оперативного управления потреблением топливно-энергетических ресурсов // Железнодорожный транспорт. 2010. № 11. С. 64-66.
2. Комяков А. А., Эрбес В. В., Гателюк О. А. Апробация алгоритма оценки эффективности энергосберегающих устройств и технологий в системе тягового электроснабжения // Известия Транссиба. 2014. № 4 (20). С. 79-85.
3. Тейксейра С., Пачеко К. Delphi 5. Руководство разработчика. В 2 т. Т. 1. Основные методы и технологии про-
Для цитирования
Комяков А. А., Пономарев А. В., Эрбес В. В. Разработка программного комплекса для определения эффективности энергосберегающих устройств и технологий в производственном процессе предприятия// Омский научный вестник. 2018. № 3 (159). С. 31-36. Э01: 10.25206/1813-8225-2018-159-31-36.
Статья поступила в редакцию 13.03.2018 г. © А. А. Комяков, А. В. Пономарев, В. В. Эрбес
