close

Вход

Забыли?

вход по аккаунту

?

Искусственные нейронные сети для настройки параметров оценивания состояния предельного режима электроэнергетической системы..pdf

код для вставкиСкачать
Новые технологии
вания готовится рекомендательная база для
лиц, принимающих решения.
Авторы считают, что в данной работе
новой является идея использования для решения задачи реструктуризации административно-территориального деления аппарата
когнитивных карт, построенных на основании экспертных оценок взаимной зависимости основных социально-экономических показателей развития территорий. Такой подход позволяет выявлять районы как самодостаточные в плане социально-экономических
показателей, так и нуждающиеся в дотациях
из центра. Предлагаемая система поддержки
принятия решений позволяет осуществлять
поиск множества альтернативных вариантов
реструктуризации с обоснованием их эффективности и может применяться для территорий различного пространственного масштаба.
В настоящее время данная система разрабатывается на базе Пензенского государственного университета и апробируется в условиях административно-территориального
деления Пензенской области.
Литература
1. Корытный Л. М. О необходимости и возможности реформирования административнотерриториального деления России // Сборник докладов XXV сессии МАРС / Под ред. С. С. Артоболевского и Л. М. Синцерова. – М.: Институт географии РАН, 2008. С. 5–15.
2. О Федеральной целевой программе «Сокращение различий в социально-экономическом развитии регионов Российской Федерации (2002–2010 годы и до 2015 года)»: Постановление Правительства
Российской Федерации от 11 октября 2001 г. № 717.
3. Об оценке эффективности деятельности органов местного самоуправления городских округов и
муниципальных районов: Указ Президента РФ от 28 апреля 2008 г. № 607.
http://emsu.ru/nmsu/2008/0428_ukaz.htm.
4. Об общих принципах организации местного самоуправления в Российской Федерации: Федеральный закон Российской Федерации от 6 октября 2003 г. № 131-ФЗ.
http://www.rg.ru/2003/10/08/zakonsamouprav.html.
УДК 621.311
ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ ДЛЯ НАСТРОЙКИ
ПАРАМЕТРОВ ОЦЕНИВАНИЯ СОСТОЯНИЯ ПРЕДЕЛЬНОГО
РЕЖИМА ЭЛЕКТРОЭНЕРГЕТИЧЕСКОЙ СИСТЕМЫ
А. М. Глазунова, к. т. н., старший научный сотрудник
Тел.: (3952) 42-35-26, e-mail: glazunova@isem.sei.irk.ru
Е. С. Аксаева, аспирант
Тел.: (3952) 42-35-26, e-mail aksaeva@isem.sei.irk.ru
Институт систем энергетики им. Л. А. Мелентьева Сибирского отделения РАН
(ИСЭМ СО РАН)
http//www.sei.irk.ru
The paper considers calculation of the total transfer capability in each line in the cycle
of on-line control of electric power system. The calculation applies state estimation procedure and artificial neural networks. State estimation is performed on the basis of current
measurements and limited state variables.
В статье рассматривается метод определения общей пропускной способности в цикле управления электроэнергетической системой. Для этого используется метод оценивания состояния и искусственные нейронные сети. Оценивание состояния выполняется по измерениям и по предельным параметрам режима. Искусственные нейронные сети применяются для настройки параметров оценивания состояния предельного режима.
Ключевые слова: оценивание состояния, максимально допустимые перетоки.
Key words: state estimation, maximum admissible power flows.
Работа выполнена при поддержке
гранда ведущей научной школы
НШ1507.2012.8.
Открытое образование •2/2012
29
Новые технологии
Введение
В настоящее время при оперативнодиспетчерском управлении режимами электроэнергетической системы (ЭЭС) контроль
устойчивости и допустимости режима осуществляется на основе значения максимально
допустимого
перетока в контролируемых сечениях.
Расчет
максимально допустимого перетока мощности выполняется задолго
до эксплуатационного режима. Заблаговременность
такого расчета вызывает необходимость учета дополнительных запасов по устойчивости. Это приводит
к неполному использованию пропускной
способности электрической сети [1].
Задачи, связанные с расчетом предельных режимов непосредственно в цикле оперативного управления электроэнергетической системой (ЭЭС) могут быть решены с
помощью методов оценивания состояния
(ОС). Для настройки параметров ОС используются
искусственные нейронные
сети (ИНС).
Целью работы
является настройка
параметров
оценивания предельного режима
для возможности
использования полученных результатов в цикле
управления электроэнергетической системой.
Оценивание состояния для вычисления полной пропускной способности
Полная пропускная способность электрической сети – максимальное значение
мощности, которая может быть передана с
учетом условий эксплуатации и параметров
надежности функционирования ЭЭС. Определение полной пропускной способности в
режиме реального времени позволит уменьшить запасы по устойчивости и тем самым
повысить экономическую эффективность
ЭЭС.
Авторы считают, что в данной работе
новыми являются следующие положения:
1) проблема определения полной пропускной способности решается с помощью
метода оценивания состояния;
2) предложенный метод позволяет
определить величину полной пропускной
способности в контролируемых сечениях с
учетом текущих ограничений в режиме реального времени;
3) настройка параметров оценивания
состояния предельного режима выполняется
с помощью искусственной нейронной сети.
ОС предельного режима – это расчет
полной пропускной способности в контролируемых сечениях для текущего режима по
вектору yПР, который выглядит следующим
образом:
y ПР = ( U i ,δ i ,Qi , Pi , Pij ,Qij , PijППР ) ,
где Ui, δi – модуль и фаза напряжения; Qi, Pi –
инъекция активной и реактивной мощности в узле; Pij –
переток активной мощности в линии, не связанной с
контролируемым сечением; Qij – переток реактивной
мощности; PijППР – предельные параметры режима
(ППР).
ППР представляет собой значение максимального перетока активной мощности по
условию статической устойчивости для линии номинальным напряжением от 500 кВ
или по условию нагрева для линии номинальным напряжением до 330 кВ, которую
могла бы передать рассматриваемая линия,
работая автономно. Для получения оценок
измеренных и предельных параметров режима минимизируется критерий при соблюдении законов электрических цепей
1
−1
J = [( y€ − y )T R y−1 ( y€ − y ) + ( y€ППР − y ППР )Т RППР
( y€ППР − y ППР )],
2
Оптимальность оценок максимальных
перетоков активной мощности достигается за
счет подбора весовых коэффициентов RППР.
Для определения весовых коэффициентов, в режиме офлайн выполняются расчеты
30
где y€ , y€ППР – вектор оценок измерений и оценок ППР;
y , y ППР – вектор измерений и ППР;
Ry, RППР – диагональные матрицы весовых
коэффициентов измерений и ППР.
ОС предельных режимов по множеству срезов с разными коэффициентами ППР.
Нейросетевое
коэффициентов
определение
весовых
Открытое образование •2/2012
Новые технологии
ствует определенное сочетание коэффициентов ППР. Примеры в задачнике для обучения
сети Кохонена формируР =ПИ
ются из измеQ =ПИ
6
Р =677
рений инъекQ =148
ций реактивной мощноLn7
Ln5
Tr1
Ln2
Tr3
Ln4
сти.
U =758
U =511
U =720
4
5 11
.9 +
j96
12.5+j154
4.6+j34.2
Тестовые
.
+j28
5
Р
=ППР
+j47
Р =760
испытания
=ПИ
Р
Ln6
ОС предельQ =ПИ
Q =ПИ Q =978 Р =596 Р =ПИ
Р =ПИ Р =871
Р =ПИ Р =0
Q =1033 Q =ПИ
Р =648
Q =ПИ Q =75
Q =0 Q =ПИ
ного режима
Q =54
Р =ППР
U =346
проводились
Р =760
на семиузлоРисунок. Тестовая схема
вой схеме (см.
обученные искусственные нейронные сети
рисунок). Данные о параметрах режима и
(ИНС) [2]. Обучающие задачники создаются
схемы были получены с помощью SCADA и
экспериментальным путем. В процессе этого
WAMS [3]. На схеме значения ППР показаны
эксперимента моделируются изменения акв рамке.
тивной нагрузки в нагрузочном узле и текуВ режиме онлайн с помощью обученной
щие ограничения. Под ограничениями пони- ИНС подбираются весовые коэффициенты для
мается величина реактивной инъекции в уз- линий контролируемого сечения. Контролилах, где установлено компенсирующее уст- руемое сечение состоит из линии 5–6 и линии
ройство. Сеть Кохонена определяет принад- 6–7.
лежность ограничений текущего режима к
В таблице показаны результаты классиодному из классов. Каждому классу соответфикации множества режимов на три класса.
Таблица
Для определения весовых коэффициентов ППР в режиме онлайн используются
н
н
g
3
1
8.
2
9
+j
.1
1
12
0.8+j7.5
g
67
67
g
g
н
g
н
g
н
g
н
g
н
н
g
g
g
н
н
56
7
н
56
№ линии
Входные данные:
инъекции реактивной
нагрузки в нагрузочных узлах
Выходные
данные:
№ класса
1
2
3
5–6
6–7
5–6
6–7
5–6
6–7
1029
–978.2
–53
–53.4
1
1026.6
–978.5
–52.9
–63.2
2
1025.3
–978.6
–52.1
–69.1
3
Во 2-м столбце таблицы представлены
входные данные (инъекции реактивной мощности в нагрузочных узлах) для ИНС. Интерпретация ответов ИНС (весовые коэффициенты перетоков мощности в предельном режиме) представлена в 4-м столбце таблицы.
По полученному набору весовых коэффициентов выполняется ОС предельного режима.
В 5-м столбце таблицы показаны значения
предельных перетоков мощности в сечении.
Заключение
В работе предложен новый метод для
определения полной пропускной способности в контролируемом сечении электроэнергетической системы. При использовании
Весовые
коэффициенты
Предельный переток P, Вт
По линии
4
590
590
890
890
1200
1200
По сечению
5
346.1
366.9
337.7
359.2
333.2
355
713
696.9
688.2
предложенного метода необходимо рассчитать предельные параметры режима и задать
оптимальные весовые коэффициенты.
В режиме реального времени оптимальные весовые коэффициенты определяются с
помощью искусственной нейронной сети.
Входными данными для ИНС являются параметры текущего режима. В работе особое
внимание уделяется созданию обучающего
задачника, процесс формирования которого
достаточно трудоемкий и длительный. Но
это не влияет на быстродействие работы
ИНС, поскольку указанный процесс выполняется в режиме офлайн.
Литература
1. Available Transfer Capability Definitions and Determination: A framework for determining available
transfer capabilities of the interconnected transmission networks for a commercially viable electricity market. –
North American Electric Reliability Council, 1996. http://www.westgov.org/wieb/wind/06-96NERCatc.pdf.
Открытое образование •2/2012
31
Новые технологии
2. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. – М.: Мир, 1992. 186 с.
3. Глазунова А. М., Колосок И. Н., Коркина Е. С. Новые источники информации при управлении
режимами электроэнергетических систем // Информационные технологии в науке, социологии, экономике и бизнесе: Труды XXXVI Международной конференции. – Гурзуф, Украина, 2009. С. 97–99.
УДК 62-501.72:681.326.7
ВРЕМЕННАЯ ОПТИМИЗАЦИЯ АЛГОРИТМА СИСТЕМНОГО
ВЗАИМНОГО ИНФОРМАЦИОННОГО СОГЛАСОВАНИЯ
В МНОГОКОМПЛЕКСНЫХ МНОГОМАШИННЫХ
ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМАХ
А. В. Лобанов, д. т. н., ученый секретарь
Тел.: (499) 731-15-03, e-mail:lav@se.zgrad.ru
ОАО «НИИ «Субмикрон»
http://www.submicron.ru
И. В. Ашарина, к. т. н., доцент
Тел.: (499) 732-05-81, e-mail: asharinairina@mail.ru
Национальный исследовательский университет «МИЭТ»
http://miet.ru
This paper considers: 1) the optimization rules of the time characteristics for the
process of mutual informative agreement in multicomplex processor networks using multilevel synchronization, 2) the ways for achieving the present goal.
В данной работе предлагаются: 1) определение условий оптимизации временных характеристик процесса взаимного информационного согласования в многокомплексных вычислительных системах при использовании многоуровневой синхронизации, 2) пути решения поставленной задачи.
Ключевые слова: многопроцессорные системы, репликация задач, отказоустойчивость, взаимное
информационное согласование.
Keywords: multiprocessor systems, task replication, fault-tolerance, reaching information agreement.
Организация сбое- и отказоустойчивых
параллельных многозадачных вычислений в
многомашинных вычислительных системах и
сетях ЦВМ, основанная на введении
динамической избыточности
[1],
должна использовать механизм взаимного информационного согласования (ВИС), обеспечивающего
согласованность необходимых системных данных в условиях возникновения допустимого количества враждебных неисправностей [2]. В таких системах каждый
комплекс представляет собой подсистему
взаимосвязанных ЦВМ, удовлетворяющую
определенным структурным требованиям [3,
32
4], и решает методом репликации одну из задач заданного множества. Межзадачный обмен информацией между двумя непересекающимися комплексами в этом случае осуществляется при помощи ЦВМ и каналов
связи, принадлежащих среде межкомплексных посылок между этими комплексами. В
[5] представлен метод выделения в системе
комплекса заданной аппаратурной избыточности. В [6] предложен метод выделения в
системе необходимой межкомплексной среды посылок.
Алгоритм системного ВИС (СВИС) в
этом случае состоит из трех периодов:
1) внутрикомплексного ВИС, в процессе которого каждая исправная ЦВМ каждого комплекса определяет одинаковый для всех
ЦВМ этого комплекса вектор согласованных
значений (ВСЗ) этого комплекса; 2) межкомплексного обмена, при выполнении которого
комплексы обмениваются копиями собст-
Открытое образование •2/2012
1/--страниц
Пожаловаться на содержимое документа