NEU-2001

Диспетчерское управление электроэнергетической системой (ЭЭС) – это сложный технологический процесс, базирующийся на данных расчета установившегося режима ЭЭС по телеизмерениям (оценивании состояния (ОС)). Большой объем информации, необходимость быстрого принятия решений, а в ряде случаев невозможность получения однозначного решения строгими математическими методами требуют «интеллектуальной» поддержки при решении различных задач управления ЭЭС. Одно из возможных направлений в этой области, активно развиваемое в последние годы, - это создание вычислительных систем, использующих ИНС. В настоящее время за рубежом ведутся разработки по применению ИНС для решения различных задач диспетчерского управления ЭЭС: прогнозирование нагрузок; анализ надежности; диагностика состояния оборудования; локализация и обработка аварий; идентификация состояния ЭЭС; оптимизация режима ЭЭС с выбором состава работающего оборудования и др.

Из большого разнообразия типов ИНС наибольшее распространение при решении этих задач нашли многослойные линейные персептроны (МЛП) (56% от общего числа используемых ИНС), сети Хопфильда (9%), самоорганизующиеся карты Кохонена (8%), а также ИНС, использующие методы нечеткой логики (7%).

В нашей стране мощным толчком к развитию исследований по применению ИНС в задачах электроэнергетики явилось оснащение ЭЭС высокопроизводительной вычислительной техникой и современными базами данных. Это дало возможность накопить большой статистический материал по данным о параметрах режима ЭЭС и использовать его для обучения и тестирования ИНС вне реального времени, а затем обученную ИНС для решения требуемых задач в заданном темпе.

В последние годы в ИСЭМ СО РАН также начали проводиться исследования по применению ИНС в задах обработки телеизмерений (ТИ) в реальном времени.

Первой серьезной попыткой в этой области была работа по использованию ИНС для классификации (ТИ) параметров режима на достоверные и ошибочные. Для решения поставленной задачи был выбран бинарный классификатор CLAB, разработанный в группе «Нейрокомп» Института вычислительного моделирования СО РАН. Данный пакет программ позволяет создавать и обучать ИНС, которая затем по набору входных признаков определяет, к какому из двух классов относится исследуемый объект. В качестве данных, задаваемых на вход ИНС, использовались признаки соблюдения балансов уравнений, связывающих ТИ параметров режима в одной линии ЭЭС. Поэтому при изменении конфигурации схемы не возникала проблема переобучения и тестирования ИНС заново, что делает возможным их применение в алгоритмах реального времени. Предполагалось, что для каждой линии будет сгенерировано по три ИНС, каждая из которых сможет классифицировать ТИ определенного вида: активной мощности, реактивной мощности и напряжений.

Дальнейшее развитие разработок в этом направлении заключалось в исследовании значимости входных признаков для линий различного класса напряжений и различной длины с целью сокращения необходимых вычислений и требуемого числа ИНС. Исследования проводились с помощью ИНС NEUROPRO, также разработанного в группе «НейроКомп» ИВМ СО РАН. Проведенные исследования позволили разделить все линии исследуемых схем ЭЭС на три группы, имеющие подобные значимости входных признаков. Это позволило существенно сократить число необходимых для классификации измерений ИНС: теперь необходимо сгенерировать три ИНС для каждой группы линий. ИНС NEUROPRO позволяет также определить минимально необходимый для принятия правильного решения набор наиболее значимых входных признаков. Оказалось, что число таких признаков зависит от требуемой точности решения. Для менее точного решения достаточно 1-2 признаков, для более точного - порядка 7-8.

Помимо определения значимости входных признаков, ИНС NEUROPRO можно обучить задаче предсказания некоторого выходного значения с требуемой точностью. Для этого на вход ИНС подаются значения определенных взаимосвязанных данных, например, это могут быть значения измеряемых переменных в линии. В процессе обучения ИНС учится выдавать на выходе значения, равные входным (метод узкого горла). Если подать на вход обученной ИНС реальные ТИ, среди которых есть ошибочное, то для него выходное значение будет существенно отличаться от входного. Таким образом можно не только обнаружить ошибочное ТИ, но и получить его «правильное» значение.

Следующая задача, которая может быть решена с помощью ИНС, это задача идентификации дисперсий ТИ. Для решения этой задачи были использованы самоорганизующихся карт Кохонена, позволяющие сгруппировать исследуемые ТИ в несколько классов, таким образом, чтобы в один и тот же класс попали измерения имеющие близкие по величине дисперсии. Обучающая выборка формируется из данных 30-ти секундного архива. Для создания примеров в обучающем задачнике требуются несложные математические вычисления. Определение дисперсии с помощью ИНС имеет ряд преимуществ по сравнению с численными методами: в это: возможность уточнения дисперсий ТИ в реальном времени, а также довольно быстрое восстановление работоспособности ИНС после изменения конфигурации схемы.

Следующая задача, которая была решена с помощью ИНС, - это краткосрочное прогнозирование нагрузок в ЭЭС. Была исследована возможность применения (МЛП) для прогнозирования часовых нагрузок рабочих дней недели. Было установлено, что точность прогноза зависит от числа нейронов в скрытом слое, которое определяется экспериментально, а также от вида преобразующей функции – наибольшую точность дает ИНС с сигмоидной функцией. Сравнение результатов прогнозирования с помощью ИНС и рядов Фурье показало, что ИНС гораздо точнее прогнозирует нагрузку. Было установлено, что для поддержания высокой точности прогнозирования необходимо переобучать ИНС один раз в неделю.

Результаты проведенных исследований позволяют сделать вывод о том, что ИНС могут успешно применяться в задачах обработки измерительной информации в ЭЭС. При этом все процедуры, связанные с обучением и тестированием ИНС выполняются вне реального времени. При изменении топологии схемы не требуется переобучать ИНС, поскольку они оперируют с данными измерений в отдельных элементах схемы. Быстрый отклик обученной сети и простота ее реализации на ПК позволяют использовать обученные ИНС в темпе обработки измерений.