CC BY
15
ЭЛЕКТРОЭНЕРГЕТИКА
УДК 621.317.3/УДК 621.314.2 Алексей Васильевич Манин
Рыбинский государственный авиационный технический университет имени П.А. Соловьева, кандидат технических наук, доцент кафедры электротехники и промышленной электроники, Россия, Рыбинск, e-mail: manin-rgata@mail.ru; root@rgata.ru
Дмитрий Борисович Вайнер
Рыбинский государственный авиационный технический университет имени П. А. Соловьева, аспирант, Россия, Рыбинск, e-mail: dimavdb@yandex.ru
Система мониторинга параметров распределительной сети с корректирующим управлением на основе нейронной сети
Авторское резюме
Состояние вопроса. Управление компенсирующими устройствами осуществляется, как правило, в структуре системы автоматического регулирования с датчиками параметров сети и системой управления, включенными в конкретный узел электрической сети. Однако при этом общее состояние электрической сети по перетокам реактивной мощности не учитывается. В настоящее время наибольшее распространение получили быстродействующие статические компенсаторы реактивной мощности, построенные по принципу косвенной системы компенсации, обладающей рядом недостатков. В связи с этим в целях оптимизации перетоков реактивной мощности и поддержания заданных значений напряжений в узлах сети при резкопеременном характере потребления реактивной мощности необходимо стабилизировать требуемые параметры сети и минимизировать потери электрической энергии от протекания реактивной мощности.
Материалы и методы. В целях повышения энергоэффективности корректирующих устройств в структуре мониторинга предлагается применять статические компенсаторы реактивной мощности на базе магнитовентильных элементов. В целях формирования управляющих воздействий для прогнозирования мощностей потребителей в структуру мониторинга вводится модуль искусственной нейронной сети, обученной на основе модели электросети, описанной методом объединенных матриц и позволяющей вводить поправки на формирование управляющих сигналов на корректирующие устройства главным процессором.
Результаты. Предлагается формировать управляющие сигналы на корректирующие устройства посредством обработки информации, полученной с удаленных датчиков напряжения и тока распределительной сети. Предложена структура мониторинга распределительной сети, позволяющая стабилизировать требуемые параметры сети у потребителей, минимизировать потери электрической энергии от протекания реактивной мощности.
Выводы. Блок нейронных сетей позволяет минимизировать развитие экстремальных и аварийных ситуаций. Применение варианта статических компенсаторов реактивной мощности на базе магнито-
© Манин А.В., Вайнер Д.Б., 2022 Вестник ИГЭУ, 2022, вып. 4, с. 35-45.
вентильных элементов дополнительно повышает энергоэффективность системы мониторинга распределительной сети. Применение в системе мониторинга распределительной сети матричного анализа параметров сети для формирования управляющих сигналов на корректирующие устройства позволяет оптимизировать сети и минимизировать потери на реактивную мощность в целях выбора и установки устройств компенсации реактивной мощности и управления ими. Использование в качестве корректирующего устройства СКРМ на базе магнитовентильных элементов дополнительно повышает эффективность компенсации реактивной мощности в сетях с резкопеременными потребителями.
Ключевые слова: мониторинг, локальная вычислительная сеть, матрицы контурных ЭДС, матрицы контурных сопротивлений и контурных токов, матрица мощностей, статический компенсатор реактивной мощности, искусственная нейронная сеть
Aleksey Vasilyevich Manin
Rybinsk State Aviation Technical University, Candidate of Engineering Sciences, (PhD), Associate Professor of Electrical Engineering and Industrial Electronics Department, Russia, Rybinsk, e-mail: manin-rgata@mail.ru; root@rgata.ru
Dmitriy Borisovich Vyner
Rybinsk State Aviation Technical University, Postgraduate Student, Russia, Rybinsk, e-mail: dimavdb@yandex.ru
System of monitoring parameters of distribution grid with corrective control based on neural network
Abstract
Background. As a rule, the control of compensating devices is carried out in the automatic control system with sensors of network parameters and control system included in a specific node of the electrical network. However, the general state of the electrical network in terms of reactive power flows is not considered. At present, static VAR compensators are mostly spread. They are designed on the principle of an indirect compensation system, which has several disadvantages. In this regard, to optimize reactive power flows and maintain the specified voltage values in the network nodes with an abruptly variable nature of reactive power consumption, it is necessary to stabilize the required network parameters and minimize the loss of electrical energy due to the flow of reactive power.
Materials and methods. To improve the energy efficiency of corrective devices, it is proposed to use static VAR compensators based on magnetic valve elements. To generate control actions, an artificial neural network (ANN) module is introduced into the monitoring to predict the capacities of consumers. Such a neural network is based on an electrical network model described by the combined matrix method. The main processor generates control signals for corrective devices.
Results. The authors have proposed to generate control signals for corrective devices by processing information received from remote voltage sensors and current sensors of the distribution grid. The proposed system for monitoring the distribution grid makes it possible to stabilize the required parameters of the network for consumers, to minimize the loss of electrical energy due to the flow of reactive power. Conclusions. The block of neural networks minimizes the emergency situations and accidents. The use of the static VAR compensators based on magnetic valve elements will additionally improve the energy efficiency of the distribution network monitoring system. The use of matrix analysis of network parameters in the distribution network of monitoring system to generate control signals for corrective devices allows optimizing networks in such a way as to minimize reactive power losses to select and install reactive power compensation devices and control them. The use of SVC based on magnetic valve elements as a corrective device improves the efficiency of reactive power compensation in networks with an abruptly variable nature of electrical energy consumption.
Key words: monitoring, Local Area Network, matrix of contour EMF, matrix of contour resistance and contour current, matrix of power, static Var compensator, artificial neural network
DOI: 10.17588/2072-2672.2022.4.035-045
Введение. В настоящее время ведущие научно-исследовательские организации ведут работу, связанную с проектированием электрических сетей с ориентацией на новую концепцию Smart Grid [1]. В осно-
ве Smart Grid лежат активные элементы, обеспечивающие корректировку параметров электрической сети в целях поддержания требуемых энергетических показателей. В частности, подобными устройствами
являются компенсаторы реактивном мощности или другие корректирующие устройства различного схемотехнического решения, например статические компенсаторы реактивной мощности (СКРМ) с возможностью быстродействующего изменения реактивной мощности.
Как правило, управление СКРМ осуществляется посредством автономной системы управления, которая не способна учитывать состояние более удаленных узлов распределенной сети. Более корректное влияние на сеть в целях поддержания требуемых параметров напряжения или коэффициента мощности может быть обеспечено включением СКРМ в конкретный расчетный узел сети, а управление им должно осуществляться управляющим сигналом, оценивающим состояние контролируемой сети. Для этого в мониторинг по состоянию сети включается система управления СКРМ, в результате чего формируется скорректированное управляющее воздействие на блок управления СКРМ и результирующее воздействие на параметры сети будет более оптимальным.
Структурная схема мониторинга сети с силовыми корректирующими устройствами, включающая локальную вычислительную сеть, представлена на рис. 1.
Методы исследования. Работа системы мониторинга осуществляется по следующему алгоритму: с датчиков сети, размещенных в выбранных узлах, информация поступает в блок мониторинга; с блока мониторинга данные поступают в контроллер и сравниваются со значениями соответствующих параметров, установленными оператором; при существенном отклонении текущих параметров сети от нормативных формируются управляющие воздействия на корректирующие исполнительные устройства. В качестве корректирующих устройств помимо быстродействующих компенсаторов реактивной мощности и управляемых конденсаторных батарей могут быть применены симметрирующие устройства, активные фильтры и коммутаторы сети. В этом случае система будет работать в обычном режиме многоуровневой системы автоматического регулирования [2, 3].
V V
Датчик №-1 Датчик №-2 Датчик №-п
1 i 1
АЦП АЦП АЦП
♦
Микро- Микро- Микро-
контроллер контроллер контроллер
1 и +
Модуль для Модуль для Модуль для
передачи передачи передачи
данных в данных в данных в
ЛВС ЛВС ЛВС
Локальная вычислительная сеть (Среда передачи данных)
Устройство FACTS №-1
Устройство FACTS №-2
тгг
Силовой ключ
Устройство FACTS №-n
Модуль для приема данных с ЛВС 1 1 Модуль для приема данных с ЛВС
1 11 В
Micro Controller 1 1 Микроконтроллер
Силовой ключ
Симметрирующее устройство
Модуль для приема данных с ЛВС
i
Микроконтроллер
Силовой ключ
Батареи конденсаторов
Модуль для приема данных с ЛВС
Микроконтроллер
АВР
Рис. 1. Структурная схема системы мониторинга распределительной электрической сети цеха предприятия
37
Передача данных мониторинга осуществляется с использованием Ethernet технологий через локально-вычислительную сеть, которая имеет легко масштабируемую архитектуру.
Следует отметить, что ряд современных распределительных сетей характеризуется резкопеременным потреблением реактивной мощности. Из этого обстоятельства вытекает необходимость введения в структуру управляющего мониторинга блока нейронных сетей с прогнозированием режимных ситуаций.
Прогнозирование нагрузок должно выполняться на основе данных мониторинга, причем следует отметить, что характер изменения активных и реактивных нагрузок практически совпадает. Следовательно, для прогнозирования реактивных нагрузок выбираются искусственные нейронные сети (ИНС), действующие на основе математической теории нечетких множеств, так называемые нечеткие сети.
Такие сети имеют конфигурацию, представленную на рис. 2.
Рис. 2. Конфигурация схемы управления нейронной сетью
Обработка нечеткой информации заключается в следующем. Данные с датчиков распределительной сети цеха переводятся в значения лингвистических переменных в блоке «фаззификатор». Следующим этапом выполняется процедура нечеткого вывода на множестве продукционных правил, таким образом формируются выходные лингвистические значения, которые переводятся в точные значения результатов вычислений в блоке «дефаззи-фикатор». Выходные данные «дефаззифи-катора» формируют управляющие воздействия на исполнительные механизмы. Такая схема является основой нечеткого контроллера, используемого в системах интеллектуального управления.
Ключевым блоком конфигурации сети является блок логики принятия решений. Основываясь на правилах нечетких мно-
жеств, сеть принимает решение о характере нагрузки. Решения принимаются в результате прохождения сигналов через структуру нейронной сети, состоящей из последовательностей нейронов, которые являются преобразовательными элементами. Преобразование происходит посредством передаточной функции. В частности, для прогнозирования нагрузок методом нечетких множеств применяется колоколооб-разная, треугольная либо трапециевидная форма.
Колоколообразная функция имеет следующий вид:
(
ц f (х) = exp-
X - u
Л
2bf
(1)
Для прогнозирования нагрузок была выбрана структура трехслойной нейронной сети (рис. 3), которая является наиболее оптимальной с точки зрения достоверности и быстродействия обрабатываемых сигналов, а также соответствия следующим требованиям:
- сеть должная состоять из одного промежуточного слоя;
- количество нейронов промежуточного слоя должно быть равным половине суммы выходного и входного слоев;
- выходной слой должен состоять из одного нейрона, который определяет прогнозное значение нагрузки.
Первый слой вычисляет функцию принадлежности для каждого входного сигнала, выходные значения слоя являются результатами, соответствующими каждому правилу нейрона.
Во втором слое вычисляется результат для каждого нечеткого правила.
В третьем слое вычисляется результат по всей структуре нейронной сети и формируется четкий вывод.
Непосредственно прогнозирование нагрузки заключается в принятии решений на основе данных мониторинга распределительной сети. Для этой цели применяется метод инверсии нейронной сети (инверсия нейронной сети - процесс определения входного вектора для получения желаемого выхода при наборе сигналов). Такой метод позволяет соотнести входные данные (данные с датчиков) и значения, характеризующие, например, соответствующий аварийный режим, наброс нагрузки и др.
Qi(t)w1
(Ql(t)w111 + Q2(t)w121 + Qs(t)w13i +...+ Qk(t)w1ki)f
Q(t+t*){[(Ql(t)w1ii + Q2(t)w121 + Qs(t)w131 +■■■+ Qk(t)w1k1)fw2n] + + [(Qi(t)w1i2 + Q2(t)w122 + Qs(t)w132 +... + Qk(t)w1k2)fw22i] +
+ [(Qi(t)w1i,k+1/2 + Q2(t)w12,k+1/2 + Q3(t)w13_k+1/2 +.■■+ Qk(t)w1k^k+1/2)fW2k^+1/2,i]}f
Рис. 3. Структура ИНС для прогнозирования реактивной нагрузки
Задача инверсии для единичной выборки заключается в минимизации погрешности между реальными и прогнозными значениями.
Обучающая последовательность составляет 5-104 выборок. Обучение ИНС выполнено на процессоре Celeron 1800, время обучения - 10 с с числом итераций обучения 300-500.
Характер потребления реактивной мощности и параметры нагрузки цеха постоянно меняются, что требует периодической адаптации значений весов модели прогнозирования. Для этого рекомендуется использовать модель сети на основе топологического метода, позволяющего осуществлять быстродействующую процедуру переобучения ИНС на новых выборках данных.
Корректирующие воздействия на параметры электрической сети должны опираться на прогнозные значения параметров нагрузки, которые должны быть максимально приближены к реальным значениям. Максимальная приближенность возможна только в случае хорошо обученной нейронной сети, что достигается при наличии массива данных, соответствующих связанным значениям входных и выходных параметров. Подобные значения могут быть получены в результате моделирования всех возможных режимов распределительной сети.
Современная распределительная сеть предприятия представляет собой сложную распределенную систему с постоянно меняющимися параметрами, режимами работы и структурой. При этом необ-
ходимо учитывать, что на современном промышленном предприятии невозможно проведение полномасштабных экспериментальных исследований в силу технологических, технических, экономических и других причин.
Из вышеизложенного следует, что любое полномасштабное моделирование распределительной сети возможно только как имитационное моделирование.
Модель может быть построена на основе анализа энергетических процессов в электрической сети классическим методом с составлением и решением системы уравнений Кирхгофа. Однако это представляет собой достаточно сложный и трудоемкий процесс, требующий большого внимания и определенного опыта [5].
Для создания подобной обучающей модели предлагается использовать метод объединенных матриц, суть которого заключается в следующем [6, 7]. Исследуемую электрическую сеть заменяют электромагнитной цепью, под которой понимается совокупность электрических и магнитных цепей, связанных системой обмоток. Процессы такой цепи описываются системой уравнений для комплексных переменных:
Е = ZEL + ZEM Ф
-K'K
K >
0 = ZMeIK + ZM Фк,
где ZE
yM ZK
ZE
EM
(2)
Z^E - матрицы контур-
ных сопротивлений электрической цепи, магнитной цепи, электромагнитной и магнитоэлектрической связи; Ек, 1К - матрицы контурных ЭДС и контурных токов.
Решением этой системы является матрица контурных токов:
К -
7Е - 7е
7к 7К
ЕМ
(7М Г.
тМЕ
-к ■
(3)
Матрицы контурных сопротивлений, ЭДС и токов связаны с матрицами ветве-
вых сопротивлений 7е , ветвевых ЭДС Ев и
токов 1в соотношениями:
т
1' (4)
ЕК - ГЕЕЕВ , 1В - ГТЕ1К >
7Е - Г ^Гт
7к - 1 ЕЕ 7В 1 ЕЕ ,
где ГЕЕ - контурно-ветвевая матрица электрической цепи, элементами которой д/ являются числа 1, - 1 или 0 в зависимости от следующих условий: входит в /-й контур /-я ветвь в том же направлении; входит в него в противоположном направлении; вообще с ним не связана.
В соответствии с (3) и (4) для сети, не содержащей трансформаторных элементов, получим следующее выражение:
В - ГТЕ (ГЕЕZEBГT^EГ ГЕЕЕВ . (5)
С помощью матрицы 1В и комплексно сопряженной матрицы /в может быть получена матрица мощностей:
8в=1в.*сИад(2§)*Тв, (6)
где б'/ад - функция, формирующая матрицу-столбец диагональных элементов из диагональных элементов матрицы , являющейся аргументом; операция (.*) соответствует поэлементному умножению элементов матриц.
Если представить распределительную сеть параллельным соединением потребителей с действующей в ней гармонической ЭДС Е с внутренним сопротивлением г0, сопротивлениями нагрузок 71, 7п, подключенными посредством проводов, обладающих сопротивлениями 21, 2Ъ..., 2п, то матрицы сопротивлений и матрицы ЭДС будут иметь следующий вид:
Л
(2° 0 0 . . 0
0 71+г1 0 . . 0
7е -В<п+1, п+1> 0 0 72 + г2 . .. 0
,0 0 0. . 7п + гп
Е
В<п+1,1>
( Е Л 0
V 0У<п+1,1>
(7)
Матрица сопротивлений проводов г имеет активную г и индуктивную L составляющие:
г - г + (8)
Компоненты матрицы активных сопротивлений могут быть определены через их размеры. В частности, для матрицы активных сопротивлений имеем
(
4
г - — л
М. 0 б2
П Р212
00
0
Л
Рп'п
- 4 рб л
(9)
п У
где
Р-
б -
(Р1 0 . . 0 Л ('1 0 .. . 0 Л
0 Р2 . . 0 , 1 - 0 '2 . . 0
V 0 0 . . Рп у V 0 0 .. . 'п у
(б 0. .. 0
0 б2 . .. 0
(10)
0 0
'п у
Результаты исследования. Параметры проводных соединений распределительной сети конкретного цеха заносятся в данные матрицы сопротивлений, на основе которых формируются значения токов, мощностей и напряжений в требуемых узлах сети.
Приведенные матричные соотношения будут использованы для формирования образов протекающих процессов в рассматриваемой цепи, а также для решения ряда задач анализа.
Представленная матричная модель рассматриваемой сети учитывает все параметры проводящих линий и работу потребителей практически в реальном режиме времени, что обеспечивает более высокое быстродействие системы управления на основе мониторинга сети, по сравнению с применением в модели других топологических методов.
Однако реальная распределительная сеть цеха представляет большую совокупность радиальных и магистральных линий и наличие множества нагрузок с разнохарактерным потреблением мощности, а также с нелинейными вольт-амперными характери-
стиками. В этом случае система анализа представляет собой сложную структуру, не позволяющую быстро оценивать изменяющиеся параметры сети. Для этого предлагается произвести блочное деление отдельных участков и осуществлять быстродействующий анализ методом селекции для каждого интересуемого блока.
Варианты блочного представления исходной и преобразованной схем приведены на рис. 4,а и рис. 4,б соответственно, где факт исключения части контуров компенсируется заменой матрицы контур-
ных сопротивлений
на матрицу Ъ
1 >
утолщенными линиями при этом выделена группа оставшихся 2^, 213, 231, 231, а тонкими - группа 212, 221, 222, 223, 232, исчезнувших в результате преобразования блоков.
Система уравнений (4) соответствует преобразованию приведенной на рис. 5 и содержащей г контуров с источниками ЭДС, д контуров с нагрузками и р промежуточных контуров исходной электрической цепи (ЭЦ) к эквивалентной ЭЦ, изображенной на рис. 6, отличающейся от исходной тем, что из нее исключены все промежуточные контуры.
б)
Рис. 4. Блочные варианты схем: а - исходной; б - преобразованной
1-1-1—
]г—1—^ ЭЦ -11.
Е1® 1 11 t t Ь 1 Zзз V
а)
Z11 1-' '- ЭЦ' -1
(Й) 1 11 * •''У
Zl
г+1,г+1
Zl
г+2,г+2
Zl
г+р,г+р
Z
н и н и Н 1-|
1 1г+1 ^ Иг+2 * Иг+р t
Zl
г+р+1 ,г+р+1
Z
г+р+2,г+р+2
Zl
г+p+q,г+p+q
Рис. 5. Схема исходной электрической цепи
ъ
22
Z
33
Z1,1 ^Z1,1 IH
e1© Г
Z2,2 ^Z2,2 e2Ô Г
er© f
r+p+1,r+p+1
1 ir+p+fU Zr+p+1,r+p+1 r+p+2,r+p+2
Z
r+p+2,r+p+2
r+p+q,r+p+q
r-^flZ,
ir+p+q Zr+p+q,r+p+q
Рис. 6. Схема эквивалентной электрической цепи
Для произвольной ЭЦ, содержащей п контуров и описываемой матричным уравнением
(11)
Е = И
матрицы ЭДС будут иметь следующий вид:
( E(1) > Г Z(1,1) Z(1,2) . . Z(1,n -1) Z(1,n)
0 Z(2,1) Z(2,2) . . Z(2,n-1) Z(2, n)
0 Z(n -1,1) Z(n -1,2) . . Z(n -1, n -1) Z(n -1, n)
0 V / V Z(n,1) Z(n,2) . . Z(n, n -1) Z(n, n)
(12)
Из (12) следует: Z„ = Z(1,1), Z12 = Z(1,2 : n -1), Z13 = Z(1 , n),
Z21 = Z(2 : n-1, 1), Z22 = Z(2 : n-1,2: n -1), Z23 = Z(2: n-1, n), Z31 = Z(n, 1), Z32 = Z(n, 2 : n -1), Z33 = Z(n, n)
и
I(n) =-2-1,231, ( Z^ + AZn,)-1 E(1), где
Z11, = Z(1,1) - Z(1,2 : n - 1)Z 1 (2 : n -1,2 : n - 1)Z(1, n); Z33I; = Z(n, n) - Z(n.2 : n - 1)Z (2 : n -1,2 : n - 1)Z(2, n -1, n); Z3E = Z(1,n) -Z(2 : n -1,1)Z-1 (2 : n -1,2 : n - 1)Z(2 : n -1, n); Z31z = Z(n. 1) - Z(n.2 : n - 1)Z \2:n -1,2:n - 1)Z(2 : n -1,1);
AZ11, = Z'
(13)
(14)
13!^-33,^"31, ■
Следует отметить, что в общем случае нумерация контуров не соответствует принятому допущению. Поэтому, чтобы сделать результаты более универсальными, введем в анализ две матрицы: матрицу перестановок номеров источников Р(/,1) и матрицу перестановок номеров нагрузок Цк,п), которые составлены таким образом, чтобы произведение Р(/,1)ЕК осуществляло перестановку 1-го и /-го элементов вектора ЭДС ЕК, а произведение Цк,п)/К - перестановку п-го и к-го элементов вектора токов /К .
Учитывая, что произведение матрицы на ее транспонированную матрицу дает
(15)
единичную матрицу, из (14) получим эквивалентную запись:
Цк.п)/(п) = -Цк.л^з3^з12х х^+д^)-1 рт (у,1)Р( у, 1 )Е(1).
На основании свойств матрицы перестановок
Р( у, 1)Е(1) = Е( у), Цк,п)/(п) = /(к)
из выражения (14) получим выражение для
тока
I(k) = -L(k.n)Z3-3,Z31, х х( Zn^+AZn,)-1 PT ( j,1 )E( j ).
0
0
mnk
Введем функцию селекции цепи = is(Z,E, mf, j,k), (17)
определяющую в ЭЦ с заданной матрицей контурных сопротивлений Z комплексную амплитуду тока, вызванного действием т-й гармоники источника ЭДС e(t) = Eejkat, находящегося в j-м контуре, на нагрузку k-го контура.
Для ее вычисления воспользуемся матричным соотношением
mnk
= -L(k.n)Z^ (jma)Z.
"31Z
■Н г (18)
11 (утш) + АЪ111 (]тш)\ РТ (у,1)Е(у),
при этом все блоки сопротивлений определяются приведенной выше системой уравнений (13).
Предлагаемый метод блочной селекции с использованием программы МДТЬДВ позволяет определять амплитуды и действующие значения токов любой гармоники в любом контуре ЭЦ с известными сопротивлениями, вызванными действием заданных источников ЭДС в электрической цепи при наличии потребителей с нелинейной ВАХ. Метод так же позволяет решать задачи оптимизации сети по следующим критериям: минимизации потерь от протекания реактивных токов в электрической сети; обеспечению экономически обоснованного совф, и формировать образы для модуля нейронной сети и, соответственно, управляющие сигналы на корректирующие устройства.
Следует отметить, что в качестве корректирующего исполнительного устройства рекомендуется применять быстродействующий компенсатор, позволяющий непрерывно отслеживать поток реактивной мощности в рассматриваемом узле или линии и обладающий высокими удельными технико-экономическими показателями. В настоящее время наибольшее распространение получили СКРМ, построенные по принципу косвенной системы компенсации (рис. 7). В подобном СКРМ параллельно конденсаторной батарее большой емкости С подключается тиристорно-регулируемый дроссель L [8].
При изменении угла управления тиристоров У81-У82 во всем диапазоне регулирования индуктивная проводимость дросселя изменяется от максимального значения до нуля, а эквивалентная проводимость СКРМ при этом изменяется от минимального до максимального значения. Недостатка-
ми такой СКРМ являются большие массога-баритные показатели и удельные потери элементов: конденсаторной батареи, дросселей и тиристорных регуляторов.
:C
^ £vsi2 £VS
Tl
Рис. 7. СКРМ косвенной системы компенсации реактивной мощности
Наиболее приемлемым вариантом СКРМ, имеющим лучшие удельные показатели и аналогичные динамические характеристики, является статический компенсатор, выполненный на базе магнитовентильных элементов (МВЭ), однофазное исполнение которого представлено на рис. 8 [3].
Работа СКРМ на базе МВЭ представляет интерес с точки зрения быстродействия и минимизации удельных массогаба-ритных показателей. Его работа основана на переключении посредством У8 ключа двух предельных состояний, которые характеризуются максимальной генерируемой мощностью (ключ закрыт) и минимальной реактивной (нулевой) мощностью (ключ открыт). Для первого режима характерно состояние, когда конденсатор С находится под большим напряжением посредством вольтодобавки. При втором режиме, когда ключ открыт, конденсатор "отсекается" от сети и имеет с ней только электромагнитную связь [2].
Управляющий сигнал
Рис. 8. СКРМ на базе магнитовентильных элементов
L
ф
ф
Для амплитуды первой гармоники тока СКРМ можно получить соотношение для реактивной мощности - мощности сдвига, являющейся функцией угла управления тиристоров а [9]:
Q(a) = - UmIm3 [л - (Р - а) + sín(p - а)] sin + 2л ('
+
Umlllmэ 2л
[(ß -а) - sin(P - а)] sin Ф(1),
(19)
где ф(1) - угол сдвига фазы первой гармоники тока относительно напряжения сети; Р - угол проводимости тиристора.
Регулировочная характеристика СКРМ на базе МВЭ представлена на рис. 9.
О*, кВАр
1
0,5
а, эл. град
Рис. 9. Регулировочная характеристика СКРМ на базе магнитовентильных элементов
Как показал анализ электрических параметров, предлагаемый вариант компенсатора обладает высокими удельными показателями: бдр = 0,5 Оскрм; Окб = 0,5 Оскрм; /уэ = 0,3 /ном; ДР = 10 Вт/кВАр (ДР - удельные потери мощности в СКРМ).
Выводы. Применение в системе мониторинга параметров распределительной сети с корректирующим управлением модуля нейронной сети позволяет оптимизировать перетоки реактивной мощности и поддерживать заданные значения напряжений в узлах сети при резкопеременном характере потребления реактивной мощности. Точность поддержания заданных значений напряжения, как показали результаты испытаний, составляет 95 %. Для обучения нейронной сети формируется модель рассматриваемой распределительной сети цеха с параметрами проводной системы электроснабжения и нагрузок, которая реализована по методу объединенных матриц [10]. Предлагаемая топологическая модель позволяет оптимизировать сеть по желаемым критериям, минимизировать потери на реактивную мощность в целях вы-
бора и установки устройств компенсации реактивной мощности и управления ими.
Для обеспечения быстродействия при обучении нейронной сети, а также корреляции [11] управляющих воздействий на силовые исполнительные устройства предлагается использовать модель сети с селекцией отдельных кластеров. При этом коррекция управляющих воздействий происходит практически в реальном режиме времени.
Использование в качестве быстродействующего корректирующего устройства СКРМ на базе магнитовентильных элементов в комбинации с тиристорнопод-ключаемыми конденсаторными батареями дополнительно повышает эффективность компенсации реактивной мощности в сетях с резкопеременным характером потребления электрической энергии.
Список литературы
1. Бейсенов К.С. Проблемы и перспективы развития электроэнергетики в современных условиях // Молодой ученый. - 2017. -№ 20(154). - С. 235-237.
2. Манин А.В., Вайнер Д.Б. Быстродействующее симметрирующее устройство на базе магнитовентильных элементов одноплечевой нагрузки // Annali d'Italia. - 2021. - Vol. 1, No. 16. - P. 74-79.
3. Статический компенсатор реактивной мощности на базе магнитовентильных элементов / А.В. Манин, А.В. Юдин, А.Н. Грошев, О.А. Москалева // Вестник Рыбинской государственной авиационной технологической академии имени П.А. Соловьева. - 2011. - № 1(19). -С. 117-122.
4. Билалова А.И. Разработка моделей прогнозирования в сфере энергосбережения // Молодежь. Наука. Технологии (МНТК-2017): сб. науч. тр. Междунар. науч-техн. конф. студентов и молодых ученых. - Новосибирск, 2017. -С. 11-15.
5. Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и их приложения. -Казань: Изд-во Казан. ун-та, 2018. - 121 с.
6. Юдин В.В. Расчет линейных электромагнитных цепей методом объединенных матриц // Электричество. - 1987. - № 7. - С. 63-67.
7. Ребенков Е.С. Теория электромагнитного поля: учеб. пособие / ФГБОУВО «РХТУ им. Менделеева». - Новомосковск, 2017. - 71 с.
8. Кобзистый О.В., Юндин М.А. Комбинированное компенсирующее устройство на реактивных элементах // Вестник аграрной науки Дона. - 2018. - № 54. - С. 46-50.
9. Манин А.В., Юдин А.В., Вайнер Д.Б. Регулятор реактивной мощности для комбини-
0
рованной компенсирующей установки // Гуманитарные, естественно-научные и технические аспекты современности: материалы XXXIII Все-рос. науч.-практ. конф. В 2 ч. Ч. 1. - Ростов н/Д, 2021. - С. 317-321.
10. Симонов Н., Ивенев Н. Опыт и перспективы применения искусственных нейронных сетей в электроэнергетике // Электроэнергия. Передача и распределение. - 2019. -№ S4(15). - С. 42-48.
11. Свид. о государственной регистрации RU 2675620 C1 от 21.12.2018. Способ управления мощностью статического компенсатора реактивной мощности, работающего в сети синусоидального переменного напряжения / Д.И. Панфилов, М.Г. Асташев. - Роспатент, 2018.
References
1. Beysenov, K.S. Problemy i perspektivy razvitiya elektroenergetiki v sovremennykh uslovi-yakh [Problems and promising trends for development of electric power industry in modern conditions]. Molodoy uchenyy, 2017, no. 20(154), pp. 235-237.
2. Manin, A.V., Vayner, D.B. By-strodeystvuyushchee simmetriruyushchee ustroystvo na baze magnitoventil'nykh elementov od-noplechevoy nagruzki [High-speed balancing device based on single-arm load magnetic valve elements]. Annali d'ltalia, 2021, vol. 1, no. 16, pp. 74-79.
3. Manin, A.V., Yudin, A.V., Groshev, A.N., Moskaleva, O.A. Staticheskiy kompensator reak-tivnoy moshchnosti na baze magnitoventil'nykh elementov [Static reactive power compensator based on magnetic valve elements]. Vestnik Ry-binskoy gosudarstvennoy aviatsionnoy tekhnolog-icheskoy akademii imeni P.A. Solov'eva, 2011, no. 1(19) pp. 117-122.
4. Bilalova, A.I. Razrabotka modeley prognozirovaniya v sfere energosberezheniya [Development of forecasting models in the field of energy saving]. Sbornik nauchnykh trudov mezhdu-narodnoy nauchno-tekhnicheskoy konferentsii stu-dentov i molodykh uchenykh «Molodezh'. Nauka. Tekhnologii (MNTK-2017)» [Proceedings of research papers of international scientific and tech-
nical conference of students and young researches]. Novosibirsk, 2017, pp. 11-15.
5. Gafarov, F.M., Galimyanov, A.F. Is-kusstvennye neyronnye seti i ikh prilozheniya [Artificial neural networks and their applications]. Kazan': Izdatel'stvo Kazanskogo universiteta, 2018. 121 p.
6. Yudin, V.V. Raschet lineynykh elektro-magnitnykh tsepey metodom ob"edinennykh matrits [Calculation of linear electromagnetic circuits by the method of combined matrices]. Elektrichestvo, 1987, no. 7, pp. 63-67.
7. Rebenkov, E.S. Teoriya elektromagnit-nogo polya [Electromagnetic field theory]. Novomoskovsk, 2017. 71 p.
8. Kobzistyy, O.V., Yundin, M.A. Kom-binirovannoe kompensiruyushcheye ustroystvo na reaktivnykh elementakh [Combined compensating device based on reactive elements]. Vestnik agrarnoy nauki Dona, 2018, no. 54, pp. 46-50.
9. Manin, A.V., Yudin, A.V., Vayner, D.B. Regulyator reaktivnoy moshchnosti dlya kom-binirovannoy kompensiruyushchey ustanovki [Reactive power controller for combined compensating unit]. Materialy XXXIII Vserossiyskoy nauchno-prakticheskoy konferentsii «Gumanitarnye, estestvennonauchnye i tekhnicheskie aspekty sov-remennosti». V2 ch. Ch. 1 [Proceedings of XXXIII all Russian scientific conference "Humanitarian, natural science, and technical aspects of today's world". In 2 part, part 1]. Rostov-na-Donu, 2021, pp. 317-321.
10. Simonov, N., Ivenev, N. Opyt i perspek-tivy primeneniya iskusstvennykh neyronnykh setey v elektroenergetike [Experience and promising trends to use artificial neural networks in the electric power industry]. Elektroenergiya. Peredacha i raspredelenie, 2019, no. S4(15), pp. 42-48.
11. Panfilov, D.I., Astashev, M.G. Sposob upravleniya moshchnost'yu staticheskogo kompensatora reaktivnoy moshchnosti, rabotay-ushchego v seti sinusoidal'nogo peremennogo napryazheniya [Method to control power of static reactive power compensator operating in a sinusoidal alternating voltage network]. Svidetel'stvo o gosudarstvennoy registratsii RU 2675620 C1 ot 21.12.2018. Rospatent, 2018.
