Внимание! Это ознакомительный вариант работы с системой, войдите или зарегистрируйтесь.
Размещение рекламы | Пользовательское соглашение | Тарифы |





Институт повышения квалификации специалистов релейной защиты и автоматики

 
Онлайн Электрик > Электронная конференция «Электроэнергетика. Новые технологии»

Дата приоритета: 13.03.2012
Код ГРНТИ: 44.29.37
Сертификат участника: Скачать
Прислать статью

Прогнозирование потерь электроэнергии в распределительных сетях на основе нейронных сетей

Кольцов Ю.В, канд. физ.-мат. наук, доцент кафедры Информационных технологий
Бобошко Е.В., аспирант кафедры Информационных технологий
ФГБОУ ВПО «Кубанский государственный университет»

     Прогнозирование потерь электрической энергии (ЭЭ) в электросетях является одной из важнейших задач в работе энергосбытовых организаций. Это необходимо как для решения задач внутриобъектного технико-экономического регулирования работы сетей, так и для представления отчетной информации вышестоящим организациям. В настоящее время требования к качеству расчета и прогноза потерь ЭЭ постоянно возрастают – это объясняется переходом на рыночную систему отношений в электроэнергетике.
     Наиболее трудным является прогнозирование в сетях 0,4 – 20 кВ. С одной стороны, это связано с большой длиной и разветвленностью схем сетей. Для сетей 0,4 кВ дополнительной сложностью может являться неравномерная загрузка фаз. С другой стороны, слабая оснащенность системами наблюдения обуславливает недостаток информации о режимах и нагрузках [1].
     Расчет потерь ЭЭ в сетях напряжением 0,4 – 20 кВ нормативными методами [2] ведется на основании единственного режима, а также по обобщенным характеристикам нагрузки. Естественно, в такой ситуации погрешность может быть довольно большой. Это заставляет искать новые подходы к решению рассматриваемой задачи. В данной работе предложена методика расчета и прогнозирования потерь ЭЭ, основанная на использовании аппарата искусственных нейронных сетей (ИНС).
     Основной проблемой при расчете потерь ЭЭ при помощи ИНС в сетях 0,4 – 20 кВ является недостаток статистических данных для обучения ИНС. Последнее обусловлено недостаточной оснащенностью подстанций средствами телеизмерений, а также нерегулярной фиксацией параметров режима.
     Для решения проблемы нехватки статистической информации в [3] предложено обучать ИНС, используя данные, полученные в результате математического моделирования работы электрической сети за расчетные периоды. Модель при этом строится на основе известных обобщенных параметров работы сети и характеризующих ее нагрузки в течение продолжительного срока. Полнота и адекватность модели зависит от объема этих начальных данных о характере нагрузок сети. При построении модели режимов есть возможность учитывать также и противоречивую информацию о нагрузках, заключающаяся в поиске среднего значения, в наибольшей степени удовлетворяющего противоречивым параметрам.
     Расчет и прогноз потерь ЭЭ на основе ИНС, обученных на модельных данных, реализован в специально разработанной программе «ИссТП» («Исследование технических потерь»). Программа позволяет задать для данного фидера схему сети, обобщенные параметры о характере нагрузок (как для фидера в целом, так и для отдельных узлов) и на основе введенных данных строит модель режимов. Далее, для генерации обучающей выборки параметры режимов модели изменяются посредством случайных отклонений мощности нагрузки в нагрузочных узлах. Полученная таким образом обучающая выборка, содержащая произвольно задаваемый набор параметров, используются для обучения нейронной сети. Работа с системой «ИссТП» в рамках производственного процесса заключается в расчете потерь посредством построенной нейронной сети для выбранного фидера [3].
     В результате экспериментов было выяснено, что наиболее эффективными архитектурами ИНС для решения задач оценки и прогноза потерь ЭЭ являются многослойный персептрон и сеть каскадной корреляции Фальмана [4]. При этом для многослойного перспетрона наименьшее значение ошибки было достигнуто при обучении посредством последовательного использования метода обратного распространения ошибки и метода сопряженных градиентов.
     Эффективность предложенного подхода по сравнению с нормативными методами подтверждена проведенным численным экспериментом. Была построена модель тестового 24-узлового фидера напряжением 10 кВ, по структуре соединения узлов и их количеству примерно соответствующая реальному фидеру. Характер нагрузки узлов модели соответствовал системе с утренним и вечерним максимумом [5]. В качестве эталонного образца была взята произвольная совокупность режимов сети за расчетный период и соответствующая величина потерь ΔWэталон,%, рассчитанная поэлементным и порежимным суммированием. Расчетный период – 3 месяца (T = 2208 ч.) Также методом средних нагрузок [2] на основе величины отпущенной энергии в сеть Wотп, МВт*ч и числа часов использования максимальной нагрузки Tmax ч., была рассчитана величина ΔWср.нагр.,%. Квадрат коэффициента формы графика нагрузки для метода средних нагрузок рассчитывался по формуле
.

     Наконец, при помощи ИНС, обученной на параметрах модели, было получено значение потерь ΔWИНС,%. Входными параметрами для полученной ИНС служат также Wотп и Tmax, то есть можно говорить об одинаковом объеме начальной информации при расчете потерь ЭЭ как методом средних нагрузок, так и нейросетевым методом. Результаты эксперимента отражены в таблице 1.

Таблица 1 - Сравнение значений потерь при использовании
метода средних нагрузок и нейросетевого метода
N T Tmax Wотп ΔWэталон,% ΔWср.нагр.,% ΔWИНС,%
1 2208 1497,5854 2418,001 5,4385 5,832 5,404
2 2208 1543,8055 2382,932 5,3692 5,6979 5,3587
3 2208 1589,6482 2401,705 5,4075 5,672 5,3801
4 2208 1431,5717 2415,319 5,4162 5,9293 5,4037
5 2208 1496,2859 2394,724 5,3747 5,8287 5,4009

     Как видно из таблицы 1, расчет с использованием ИНС позволяет получить более точные результаты. Значения ΔW, полученные методом средних нагрузок, оказались выше эталонных на 5-9%. Это объясняется тем фактом, что для метода средних нагрузок диапазон случайной погрешности с вероятностью 0,95 составляет ±13 % [1].
     Наряду с более высокой точностью, указанный подход имеет еще одно преимущество, которое заключается в возможности использовать для расчета произвольный набор доступных параметров режима. Набор входных параметров выбирается индивидуально для каждого отдельного фидера в зависимости от имеющейся информации. Естественно, что чем больше объем входных данных, тем более точным будет расчет.
     Кроме того, многократное моделирование режимов сети в зависимости от случайно изменяющихся значений нагрузки узлов позволяет выявить те элементы сети, потери в которых наибольшие. То есть, другими словами, происходит локализация очагов потерь. Полученные данные могут быть использованы для выработки эффективных мероприятий по снижению потерь ЭЭ.
     Таким образом, был разработан подход к расчету и прогнозированию потерь электроэнергии в городских и сельских распределительных сетях напряжением 0,4-20 кВ, основанный на использовании ИНС. При этом для ИНС используются данные полученные моделирование работы сети на основе схемы сети и обобщенных параметрах о характере нагрузки. Было показано, что данный подход позволяет получить более точные значения потерь, нежели расчет нормативными методами, в частности, методом средних нагрузок. Среди других преимуществ предложенного подхода: возможность использовать произвольный набор входных параметров для расчета и локализация очагов потерь по результатам расчета ряда совокупностей режимов.

Список использованных источников

     1. Железко Ю. С. Потери электроэнергии. Реактивная мощность. Качество электроэнергии: Руководство для практических расчетов. М.: ЭНАС, 2009. 456 с.: ил.
     2. Инструкция по организации в Министерстве энергетики РФ работы по расчету и обоснованию нормативов технологических потерь электроэнергии при ее передаче по электрическим сетям. Утв. Приказом Минэнерго РФ № 326 от 30.12.2008.
     3. Кольцов Ю.В., Бобошко Е.В. Программная реализация нейросетевого подхода к расчету и прогнозированию потерь электроэнергии // Вестник компьютерных и информационных технологий. 2012. №2.
     4. Fahlman S.E., Lebiere С. The cascade-correlation learning architecture // Advances in NIPS2 / Ed. D. Touretzky. Morgan Kaufmann, 1990. P. 524-532.
     5. Герасименко А.А., Федин В.Т. Передача и распределение электрической энергии: Учебное пособие. Ростов-н/Д.: Феникс; Красноярск: Издательские проекты, 2006. 720 с.


Библиографическая ссылка на статью:
Кольцов Ю.В, Бобошко Е.В. Прогнозирование потерь электроэнергии в распределительных сетях на основе нейронных сетей // Онлайн Электрик: Электроэнергетика. Новые технологии, 2012.–URL: http://www.online-electric.ru/articles.php?id=3 (Дата обращения: 21.08.2017)

Библиографическая ссылка на ресурс "Онлайн Электрик":
Алюнов, А.Н. Онлайн Электрик: Интерактивные расчеты систем электроснабжения / А.Н. Алюнов. - Режим доступа: http://online-electric.ru.








Дистанционые курсы
Повышение квалификации по программе БС-6 "Безопасность строительства и качество устройства электрических сетей и линий связи" (удостоверение гос. образца)
www.online-electric.ru

Профессиональная переподготовка
Дистанционные курсы профессиональной переподготовки по программе «Проектирование, монтаж и эксплуатация систем электроснабжения»
www.online-electric.ru

SaaS, Облачные вычисления, программа расчета, пример расчета, Электроснабжение загородного дома, промышленных предприятий, электроснабжение дома, коттеджа, квартиры, электроснабжение зданий, цеха, города, микрорайона. Проект электроснабжения, электрификация, электрофикация, система электроснабжения, схемы электроснабжения, учебник по электроснабжению, договор электроснабжения, расчет электроснабжения, надежность электроснабжения, категории электроснабжения, промышленное электроснабжение, электрификация сельского хозяйства, проектирование электроснабжения онлайн!
Побелитель Конкурса Электросайт года                  
© ОНЛАЙН ЭЛЕКТРИК: Онлайн расчеты электрических систем Online-electric.ru, 2008-2017
© А.Н. Алюнов, 2008-2017 Свидетельство №16066 от 23.08.2010 года