МОДЕЛИРОВАНИЕ РЕЖИМА ПИТАЮЩЕЙ СЕТИ РАСПРЕДЕЛИТЕЛЬНОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ч2
25 августа 2010К узлу питающей сети могут быть подключены несколько ветвей распределительной сети. В дальнейшем будем считать, что к рассматриваемому узлу v схемы питающей сети подключена только одна ветвь распределительной сети и эквивалентная токовая нагрузка JyUj(,t) этого узла (ветви) определяется по выражению (5). При представлении узлов v(v = l,p) связи сетей графиками эквивалентных нагрузок Jvli,,t) питающая
сеть рассматривается как управляемая система, и необходимость учета проявляется в том, что оптимальное положение точек размыкания распределительной сети не соответствует оптимальному состоянию схемы объединенных сетей. Правильное решение данной задачи возможно на применении моделей определения потерь электроэнергии, основанных на полноте информационной обеспеченности расчетов, которые достигаются представлением нагрузок сетей функ-
циями времени. Нагрузки узлов i(i=1,2,…,N; N–число независимых узлов схемы) питающей сети предлагается моделировать графиками задающих токов или полных мощностей
s(t) . При точной минимизации потерь элек-i
троэнергии, узловые нагрузки следует определять для всех ожидаемых режимов рассматриваемого интервала времени. Так, например, значения нагрузок для каждого h(h=1,2,…,24) часа могут быть определены по имеющимся суточным графикам активных нагрузок. Однако, временной разрез работы сети с выбранными точками размыкания определяется эксплуатационными условиями и может быть достаточно продолжительным. Чтобы избежать громоздких операций по замерам режимной информации и прогнозированию нагрузок, в рассматриваемой задаче для моделирования их использовались результаты работы гибридной искусственной нейронной сети с нечетким выводом [2]. Данная сеть представляла трехслойную конструкцию, каждый слой которой состоял из некоторого числа нейронов.
Для получения прогнозного суточного потребления электроэнергии в питающей сети использовались ретроспективные уровни нагрузок из диспетчерских ведомостей в период, допустим, с 1 ноября по 30 ноября n-года. В структуре сети предусматривалось различное количество входных переменных, но для указанной задачи установили четыре входных
переменных xi , первая из которых соответ-kh
ствует активной нагрузке узла i на текущие сутки (k,h), вторая–нагрузке на предыдущие сутки(k,h-1), третья–нагрузке на (k,h-2) сутки и четвертая–на (k,h-3) сутки. Объем обучающей выборки колебался от 10 до 30 суток, оформленный таблицей с названием «Обучающие исходные данные» в файле ishod_dan.dot редактора ANFIS. Для вывода Adaptive Network-based Fuzzy Inference System сгенерирована структура алгоритма Sugeno, в котором взаимосвязь между переменными входными X и выходными Yопределялась нечеткой базой знаний, формируемой для каждой величины
xi , использующей четыре терма и их функции принадлежности вида sigmf. Для выходных переменных данной предметной области знаний термы представлялись функциями типа linear.
Для настройки сети возможен гибридный метод обучения с уровнем ошибки «ноль» и заданием количества итераций, используя технологию ANFIS как в командном режиме, так и в диалоговом режиме с помощью GUI-модуля anfisedit, минимизирующего расхождение между действительными и прогнози - руемыми величинами графика мощностей нагрузки. Также для настройки сети достаточно эффективно можно использовать процедуру обратного распространения ошибки, в которой информация с последующего слоя сети передается на предыдущий, пока сумма квадратов ошибок не станет меньше заданной величины.
Алгоритм обучения сети в общем случае состоит из пяти этапов, на последнем из которых оценивается адекватность модели с использованием данных о нагрузках потребителей за следующий календарный месяц указанного года. Экспериментальные данные показывают расхождения для минимума и максимума мощности графика в пределах от 1,5 до 2,5%, что является приемлемой погрешностью для моделирования нагрузок, если замеры осуществляются сезонно [3]. В противном случае требуется дополнительное обучение сети с привлечением большего количества исходных данных, увеличивая ретроспективный интервал замеров нагрузок потребителей.
Для определения режима питающей сети используется уравнение небаланса вектор-функции токов в ветвях дерева схемы сети в виде
W(I(t)) = If
(t) - Су. diag(VEe -
* *(6)
Т-1
-Со ZBf IHW diags(t),
где Cf= Су. +jCy-матрица коэффициентов распределения для ветвей дерева;
Ug-напря - жение балансирующего узла; е-
вектор, содержащий п единиц; Cq =Му -(М-матрица со-единений ветвей в узлах схемы сети); ZBy =rBa+JxBf-диагональная матрица сопротивлений ветвей дерева; s(t) = s- (t) = p(t) + q(t) -полные мощности в
независимых узлах питающей сети.
Для выражения (6) формируется линеаризованное уравнение в окрестности средних искомых переменных
J(Iy. )тЩ. ‘ = -W(Iy. ),(7)
где J(I>‘) -матрица Якоби. Данное уравнение на каждом шаге / итерационного процесс решается методом Гаусса.
ЛИТЕРАТУРА:
1. Булатов Б.Г., Ушаков И.М., Фомин Н.И. Оптимизация эксплуатационных схем распределительных сетей по потерям энергии градиентным методом//Энергетика…(Изв. высш. учеб. заведений).-1985.-№8.-С. 9-11.
2. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие.-М.:Финансы и статистика, 2004.-320с: ил.
3.Фомин Н.И., Павлюков В.С. Метод рас чёта потерь электроэнергии в распредели тельных электрических сетях с ортонормиро ванием графиков узловых нагрузок. //Вестник Южно-уральского государственного универ ситета. Энергетика-2001, №4, С. 53-54.