Вопросы прогнозирования качества электроэнергии Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

Технические науки — от теории к практике _________________№ 10 (46), 2015 г

ВОПРОСЫ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА ЭЛЕКТРОЭНЕРГИИ

Лютаревич Александр Геннадьевич

канд. техн. наук, доцент Омского государственного технического университета,

РФ, г. Омск E-mail: l. alexander@inbox. ru

Панкрац Татьяна Владимировна

магистрант группы ЭЭм-153, Омский государственный технический университет,

РФ, г. Омск E-mail: Veimertysya@mail. ru

Бодимер Виктория Андреевна

магистрант группы ЭЭм-153, Омский государственный технический университет,

РФ, г. Омск E-mail: bodi.vik@gmail.com

Юркова Ирина Сергеевна

магистрант группы ЭЭм-154, Омский государственный технический университет,

РФ, г. Омск

СибАК

www.sibac.info

76

ЛГ СибАК

Технические науки — от теории к практике

№ 10 (46)), 2015г.__________________________________________www.sibac.info

QUESTIONS FORECASTING QUALITY OF THE ELECTRIC POWER

Alexander Lyutarevich

candidate of Technical Sciences, assistant professor Omsk State Technical University, Russia, Omsk

Tatiana Pankrats

undergraduate of EEm-153 group, Omsk State Technical University,

Russia, Omsk

Victoria Bodimer

undergraduate of EEm-153 group, Omsk State Technical University,

Russia, Omsk

Irina Yurkova

undergraduate of EEm-154 group, Omsk State Technical University,

Russia, Omsk

АННОТАЦИЯ

Прогнозирование качества электрической энергии является важной научно-технической задачей.

Для более точного прогнозирования качества электрической энергии необходимо разрабатывать прогнозные модели, основанные на зависимостях изменения качества электрической энергии предприятия в реальных условиях эксплуатации.

По полученным исследованиям видно, что для краткосрочного прогноза более подходящей является радиально-базисная функция

Результаты работы можно использовать для прогнозирования качества электроэнергии в точке общего присоединения.

ABSTRACT

Forecasting of quality of electric energy is an important scientific and technical task.

It is necessary to develop the expected models based on dependences of change of quality of electric energy of the enterprise in actual practice of operation for more exact forecasting of quality of electric energy.

According to schedules it is visible that for the short-term forecast radial and basic function is more suitable.

77

Технические науки — от теории к практике __________________№ 10 (46), 2015 г

Results of work can be used for forecasting of quality of the electric power in a point of the general accession.

Ключевые слова: прогнозирование; точность; качество.

Keywords: forecasting; accuracy; quality.

Прогнозирование качества электрической энергии в точках общего присоединения является важной научно-технической задачей [4].

Необходимость точного прогнозирования обусловлена технологическими и экономическими причинами. В настоящее время прогнозирование качества электрической энергии в точках общего присоединения производится на основе метода экспертных оценок, который в большинстве случаев не может обеспечить требуемую точность прогноза.

Для более точного прогнозирования качества электрической энергии необходимо разрабатывать прогнозные модели, основанные на зависимостях изменения качества электрической энергии предприятия в реальных условиях эксплуатации.

График изменения показателя качества электрической энергии в точке общего присоединения, либо на зажимах электроприемников является временным рядом, так как представляет собой ряд мгновенных значений в различные моменты времени.

В настоящее время наиболее распространенными методами прогнозирования являются [2; 5]:

• метод прогнозной экстраполяции;

• корреляционный и регрессионный анализы;

• метод прогнозирования на базе ARIMA моделей;

• адаптивные методы прогнозирования;

• прогнозирование с использованием искусственных нейронных сетей.

Достоинства и недостатки каждого из указанных методов прогнозирования рассмотрены в различных работах [2; 3], все они в той или иной степени отвечают требованиям, предъявляемым к методам прогнозирования качества электроэнергии. Однако, в качестве оптимального метода прогнозирования качества электрической энергии возьмем метод прогнозирования с использованием искусственных нейронных сетей.

Искусственные нейронные сети находят свое применение в различных областях науки и техники, таких как моделирование, анализ временных рядов, обработка сигналов и управление благодаря своей способности обучаться.

СибАК

www.sibac.info

78

Технические науки — от теории к практике № 10 (46)), 2015 г______________________

www.sibac.info

Все искусственные нейронные сети являются совокупностью двух типов элементов — нейронов и связей между ними. Нейроны представляют собой простые обрабатывающие элементы, вычислительные возможности которых ограничиваются правилами комбинирования входных сигналов. Выходной сигнал элемента посылается другим элементам по взвешенным связям, с каждой из которых связан весовой коэффициент [3].

На сегодняшний день известны и широко применяются для решения определенных задач несколько типов искусственных нейронных сетей: многослойный персептрон, сети на основе радиальных базисных функций, карты самоорганизации, рекуррентные нейронные сети.

Построение искусственной нейронной сети состоит из следующих этапов.

1. Выбор конфигурации сети.

2. Проведение ряда экспериментов с различными конфигурациями сети, запоминая при этом «лучшую». Для каждой конфигурации следует провести несколько экспериментов [1].

Многократное повторение экспериментов довольно утомительно, поэтому рекомендуется использовать специализированные программные комплексы [6].

В качестве примера произведем построение модели искусственной нейронной сети для прогнозирования коэффициента искажения синусоидальности кривой напряжения. За основу были взяты данные об изменении коэффициента искажения синусоидальности кривой напряжения бытовых потребителей электроэнергии в течение суток (24 часа) и нормальный закон распределения. Изменения коэффициента искажения синусоидальности кривой напряжения спрогнозировано на 24 часа.

Рисунок 1. Архитектура радиально-базисной функции (опыт 1)

79

Рисунок 2. График изменения коэффициента искажения синусоидальности (опыт 1)

Рисунок 3. Архитектура радиально-базисной функции (опыт 2)

80

Технические науки — от теории к практике № 10 (46)), 2015 г______________________

www.sibac.info

К

и

1 3 5 7 9 11131517192123

t.4

Коэффициент

искажения

синусоидальное

ти (опыт 2)

Коэффициент

искажения

синусоидальное

ти

Предельно

допустимые

значения

Нормально

допустимые

значения

Рисунок 4. График изменения коэффициента искажения синусоидальности (опыт 2)

Рисунок 5. Архитектура радиально-базисной функции (опыт 3)

81

Рисунок 6. График изменения коэффициента искажения синусоидальности (опыт 3)

Рисунок 7. Архитектура многослойного персептрона (опыт 4)

82

Технические науки — от теории к практике № 10 (46)), 2015 г______________________

www.sibac.info

Рисунок 8. График изменения коэффициента искажения синусоидальности (опыт 4)

По графикам видно, что для краткосрочного прогноза более подходящей является радиально-базисная функция, т. к. она анализирует размах входящих значений, среднее отклонение, плотность распределения и выстраивает прогноз с ошибкой 6—7 % от исходных данных. В свою очередь многослойный персептрон, показывает ошибку в районе 10—15 %, из-за того, что ему требуется гораздо большее количество данных, анализируя которые с помощью закона распределения, персептрон выстроит прогнозную модель.

Таким образом, результаты работы можно использовать для прогнозирования качества электроэнергии в точке общего присоединения, что, в последствие, позволит развить теоретическую базу исследований вопросов, связанных с обеспечением потребителей электроэнергией в необходимом количестве и требуемого качества.

Список литературы:

1. Боровиков В.П. Нейроные сети. StatisiticaNeuralNetworks. Методология и технологии современного анализа данных. 2-е издание. Учебник. — М.: Горячая Линия — Телеком, 2008. — 392 с.

2. Воронов И.В. Обзор типов искусственных нейронных сетей и методов их обучения / И.В. Воронов, Е.А. Политов, В.М. Ефременко // Вестник КузГТУ. — 2007. — № 3. — С. 38—42.

3. Круг П.Г. Нейронные сети и нейрокомпьютеры: учеб. пособие. — М.: Издательство МЭИ, 2002. — 176 с.

83

Технические науки — от теории к практике ___________________№ 10 (46), 2015 г

4. Лютаревич А.Г. Оценка дополнительных потерь мощности от снижения качества электрической энергии в элементах систем электроснабжения /

A. Г. Лютаревич, С.Ю. Долингер, В.Н. Горюнов, Д.Г. Сафонов,

B. Т. Черемисин // Омский научный вестник. — 2013. — № 2 (120). —

C. 178—183.

5. Медведев В.С. Нейронные сети / В.С. Медведев, В.Г. Потемкин. — М.: Диалог-МИФИ, 2002. — 496 с.

6. Халафян А.А. Statistica 6. Статистический анализ данных. 3-е изд. Учебник. — М.: ООО «Бином-Пресс», 2007. — 512 с.

СибАК

www.sibac.info

СТАТИСТИЧЕСКАЯ ОЦЕНКА КАЧЕСТВА ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ

Лютаревич Александр Геннадьевич

канд. техн. наук, доцент Омского государственного технического университета,

РФ, г. Омск E-mail: l. alexander@inbox. ru

Панкрац Татьяна Владимировна

магистрант группы ЭЭм-153, Омский государственный технический университет,

РФ, г. Омск E-mail: Veimertysya@mail. ru

Бодимер Виктория Андреевна

магистрант группы ЭЭм-153, Омский государственный технический университет,

РФ, г. Омск E-mail: bodi.vik@gmail.com

Юркова Ирина Сергеевна

магистрант группы ЭЭм-154, Омский государственный технический университет,

РФ, г. Омск

Великий Иван Владиславович

аспирант, Омский государственный технический университет,

РФ, г. Омск

84