Баламетов А. Б., Халилов Э. Д

Вид материала

Документы

Содержание Интеллектуальные информационные системы Обучение многослойных ИНС Список литературы

Подобный материал:

• Ф. Х. Халилов д т. н профессор, П. В. Журавлев к т. н., И. В. Шевцов. Санкт-Петербург,2005, 511.42kb.
• Iv фольклористика, 1780.45kb.

прогнозированиЕ потерь электроэнергии в электрических сетях энергосистем С применением искусственных нейронных сетей


Баламетов А.Б., Халилов Э.Д.


Азербайджанский Научно-Исследовательский и Проектно-Изыскательский

Институт Энергетики, Баку, Азербайджан, balametov.azniie@gmail.com


Актуальность совершенствования управления электроэнергетическими объектами на современном этапе развития энергетики возрастает из-за изменения условий их функционирования. Для обеспечения надлежащего уровня надежности функционирования электроэнергетических объектов требуется совершенствования систем диспетчерского управления путем разработки новых подходов, в том числе основанных на методах искусственного интеллекта.

Эффективность решения задач оперативного управления электрическими сетями требует обеспечения быстродействия в темпе реального процесса. Эти особенности влияют на методическое, программное обеспечение и на используемую вычислительную базу, являющиеся составляющими процедуры использования искусственного интеллекта в системах управления. В настоящее время повышение быстродействия вычислительных систем можно обеспечивать за счет обучения нейронной сети вне реального времени при обеспечении учета сложной поверхности функции качества и адаптации к изменениям топологии электрической сети и изменению режима.

Потери электроэнергии (ЭЭ) в электрических сетях – важнейший показатель экономичности их работы. Расчёт потерь в электрической сети необходим при составлении и анализе балансов мощности и ЭЭ по каждой энергосистеме с оценкой эффективности мероприятий по вводу компенсирующих устройств, средств регулирования напряжения и реактивной мощности и др. В связи с этим актуальным является проведение исследований по совершенствованию методик расчёта фактических технических потерь ЭЭ в сетях и обоснование нормативных характеристик потерь ЭЭ.

В Азербайджанском Научно-Исследовательском и Проектно-Изыскательском институте Энергетики (АзНИиПИИЭ) разработаны различные методики, алгоритмы и соответствующее программное обеспечение для расчета потерь ЭЭ в ЭС для расчёта фактических технических потерь ЭЭ [1, 2].

Один из широко используемых подходов к построению систем ИИ – имитационный. Данный подход является классическим для кибернетики с одним из ее базовых понятий – "черным ящиком" – устройством, информация о внутренней структуре и содержании которого отсутствует полностью, но известны спецификации входных и выходных сигналов. Объект, поведение которого имитируется, как раз и представляет собой такой "черный ящик". Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом, здесь, после обучения и самоорганизации, моделируется еще одно свойство человека – способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью.

Многие реальные процессы в ЭЭС не могут адекватно быть описаны с помощью традиционных моделей, поскольку по сути являются существенно нелинейными.

В данной ситуации адекватным аппаратом для решения задач диагностики и прогнозирования могут служить специальные искусственные нейронные сети (ИНС) [3, 4], реализующие идеи предсказания и классификации при наличии обучающих последовательностей, отличающиеся высокой скоростью обучения и универсальными аппроксимирующими возможностями.

Целью настоящей работы является возможность прогнозирования потерь электроэнергии в электрических сетях энергосистем с применением искусственных нейронных сетей. Наибольшее распространение в энергетике получили три вида ИНС: многослойные сети прямого распространения, сети Кохонена, рекуррентные сети Хопфильда. Нейросетевому моделированию различных задач оперативного управления ЭЭС посвящено множество исследований, что отражено в [5].

Важным этапом в создании ИНС является ее обучение, которое заключается в настройке параметров ИНС. Вид ИНС определяет особенности обучения.

В качестве основных этапов реализации нейросетевого подхода для решения множества разнообразных задач можно выделить: подготовку данных для тренировки сети; создание сети; обучение сети; тестирование сети; моделирование сети.

Большую роль для эффективности обучения сети играет архитектура НС. Известно, что при помощи трехслойной НС можно аппроксимировать любую функцию со сколь угодно заданной точностью [3,4]. Точность определяется числом нейронов в скрытом слое, но при слишком большой размерности скрытого слоя может наступить явление, называемое перетренировкой сети. Для устранения этого недостатка необходимо, чтобы число нейронов в промежуточном слое было значительно меньше, чем число тренировочных образов. С другой стороны, при слишком маленькой размерности скрытого слоя можно попасть в нежелательный локальный минимум.

Наибольший интерес представляет алгоритм обратного распространения ошибки, так как является эффективным средством для обучения многослойных нейронных сетей прямого распространения. Алгоритм минимизирует среднеквадратичную ошибку нейронной сети.

Можно сделать следующие выводы о преимуществах использования искусственных нейронных сетей (ИНС): возможность построения моделей сложных процессов; высокая надежность получения результата в силу формирования явной зависимости искомых параметров от заданных.

На основании проведенного сравнения очевидно, что искусственные нейронные модели будут более эффективны при следующих условиях: моделируемый объект очень сложен; моделируемый объект существенно нелинейный.

Если давать сравнительную оценку детерминированным методам расчета потерь мощности (планирование эксперимента) и расчету потерь мощности с помощью аппарата нейронных сетей, то следует выделить преимущество последнего, которое заключаются в экономии времени расчета.

Интеллектуальные информационные системы могут использовать "библиотеки" самых различных методов и алгоритмов, реализующих разные подходы к процессам обучения, самоорганизации и эволюции при синтезе систем ИИ. Поскольку к настоящему времени нет ни обобщающей теории искусственного интеллекта, ни работающего образца полнофункциональной ИИ-модели, то нельзя сказать, какой из этих подходов является правильным, а какой ошибочным: скорее всего они способны гармонично дополнять друг друга.

Искусственный интеллект реализуется с использованием четырех подходов: логического, эволюционного, имитационного и структурного. Все эти четыре направления развиваются параллельно, часто взаимно переплетаясь.

Обучение многослойных ИНС. Математически задача заключается в нахождении таких значений весовых коэффициентов, чтобы минимизировалась ошибка рассогласования между реакцией сети и требуемым откликом для всех примеров обучающей выборки. Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам:

, (1)

где y_ij , d_ij - соответственно фактическая и желаемая реакция j-го нейрона выходного слоя на i-й входной вектор, p – число образов (примеров) в обучающей выборке, m – число нейронов в выходном слое.

Все существующие методы обучения можно классифицировать на детерминистские и стохастические. В детерминированных методах используются формулы обратного распространения ошибки. В настоящее время разработаны, как различные модификации алгоритма обратного распространения ошибки, так и более мощные процедуры обучения ИНС, реализующие такие методы поиска, как метод сопряженных градиентов, квазиньютоновские методы и т.п. [3-4].

В первом случае процедура коррекции весов использует информацию о градиенте функции ошибки E и требует дифференцируемости функции активации.

Минимизация функции качества выполняется на основе алгоритма градиентного спуска в пространстве весовых коэффициентов, осуществляемого последовательно для всех образов обучающей выборки

Ниже приведен алгоритм обучения ИНС с помощью процедуры обратного распространения :

1. Подать на входы сети один из возможных образов и в режиме обычного функционирования ИНС, когда сигналы распространяются от входов к выходам, рассчитать значения последних.

2. Рассчитать ^(N) для выходного слоя. Рассчитать изменения весов w^(N) слоя N.

3. Рассчитать соответственно ⁽ⁿ⁾ и wк⁽ⁿ⁾ для всех остальных слоев, n=1,.., N.

4. Скорректировать все веса в ИНС

Нейросетевые расширения к популярным пакетам прикладных программ значительно облегчают процесс проектирования интеллектуальных систем на ПЭВМ. Например, пакет Excel Neural Package дополняет MS Excel алгоритмами обработки данных, использующих технологии нейронных сетей.

При создании нейросети следует учитывать, что общее число связей сети (весов) должно быть в несколько раз или даже на порядок меньше объема обучающей выборки. Это обеспечит достаточно гладкую аппроксимацию данных. В противном случае нейросеть просто «переобучится», т.е. запомнит данные, потеряв возможность делать статистически значимые предсказания на новых данных.

Далее приводятся результаты прогнозирования потерь активной мощности в питающих электрических сетях ЭС АО «Азерэнержи» от активных мощностей электрических станций на базе ИНС. Блок схема алгоритма применения ИНС для расчета потерь ЭЭ приведена на рис.

В таблице 1 и 2 приведены коэффициенты уравнения регрессии для прогнозирования потерь мощности в виде полной квадратичной модели полученные по полному факторному эксперименту.


Таблица 1. Коэффициенты квадратичной модели регрессии (B₀= 49.543)

¹	Название узла	Тип фàêòîðà	Нижний предел	Верхний предел	Линейные коэффициенты	Нелинейные коэффициенты
	STES-1	P	100.00	400.00	1.3173	1.3291
	GRESSEV	P	144.00	576.00	4.2234	6.7666
	BAKTES-1	P	26.80	107.20	-0.4704	0.3601
	SHIR220	P	120.00	480.00	1.6042	1.3821
	СумТЭС	P	1369.20	3423.00	12.2802	19.8756
	ÑóìТЭС	Q	1053.12	1755.20	1.6797	0.6623

Таблица 2. Смешанные коэффициенты регрессии

	2	3	4	5	6
1	0.9180	0.0867	0.7697	-4.7666	-0.0069
2		0.7682	1.2135	-13.0612	-0.0355
3			0.1319	-1.9674	-0.0204
4				-6.0603	-0.0107
5					0.6021

СКО составила 0.78%, максимальная ошибка составила менее 2.12%.




Рис. Блок схема алгоритма применения ИНС для расчета потерь EE.


Было произведено прогнозирование потерь мощности обучением ИНС и получено вербальное описание. Максимальная ошибка расчета потерь с использованием ИНС составила менее 0.2%, СКО составила 0.1%.

Сравнительная оценка детерминированных методов расчета потерь мощности и расчета потерь мощности с помощью аппарата нейронных сетей, показывает преимущество последнего, который заключаются в точности расчета.


Заключение

1. Разработан алгоритм для прогнозирования потерь электроэнергии в электрических сетях энергосистем с применением искусственных нейронных сетей.
   
2. Установлено, что прогнозирование потерь электроэнергии в электрических сетях энергосистем с применением искусственных нейронных сетей имеет более высокую точность по сравнению с традиционными методами и успешно может быть применено в задачах оперативного управления электроэнергетическими системами.
   

СПИСОК ЛИТЕРАТУРЫ

1. Баламетов А.Б. Методы расчета потерь мощности и энергии в электрических сетях энергосистем. - Баку: Елм, 2006, - 337 стр.
   
2. Баламетов А.Б., Мусаханова Г.С., Халилов Э.Д. Методы анали­за установившихся режимов электроэнергетических систем. Абакан, 2009, - 340 с.
   
3. Э.Е. Тихонов, В.А. Кузьмищев. Методы и алгоритмы прогнозирования экономических показателей на базе нейронных сетей и модулярной арифметики: Монография. - Невинномысск: Издательство НИЭУП, 2004. - 166 с.
   
4. В.Х. Федотов .Нейронные сети в MS Excel. Чебоксары, 2004, 72 с.
   
5. Сборник докладов III международной научно-практической конференции. В 2 т. Екатеринбург: УГТУ–УПИ, 2008. том 2.