160
1
(Z
)
;
ИРПМ Н С КЛ
С КЛ
ВЛ
E
Z Z E Z
I
Z
+ + +
=
(10)
1
(
Z
)
;
ИРПМ КЛ С КЛ ВЛ ИРПМ
Н
E Z
E Z
Z
I
Z
+
+ +
=
(11)
1
(
Z
)
Z ;
ИРПМ КЛ С КЛ ВЛ
ИРПМ
Н
Н
E
Z E Z
Z
U
Z
+
+ +
=
(12)
2
2
2
2
(Z )
КПД
.
( (Z )
(Z ))
(Z )
(Z )
Н
Н
Н
Н
С
КЛ
КЛ
ВЛ
ВЛ
I
Re
I
Re
Re
I
Re
I
Re
=
+
+
+
(13)
Полученные результаты подтверждают возможность
введения добавочного напряжения ИРПМ для повышения
эффективности передачи ЭЭ по параллельным ЛЭП: при
повышении напряжения на выводах электроприемника.
КПД увеличился на 1,7%.
Алгоритм [11], использованный для определения
оптимального добавочного напряжения, показал свою
эффективность в статике, однако, чтобы использовать его
в ААСУ, необходимо сократить время для принятия
решения. Перед этим необходимо определить архитектуру
системы управления ИРПМ.
При централизованной ААСУ параметры ЭЭ и качества
передаются в центральный пункт управления при
использовании централизованной АСУ ТП. Полученная
информация
обрабатывается
и
преобразуется
в
управляющий сигнал для каждого ИРПМ. В центральной
точке управления требуется единый сервер с высокой
вычислительной мощностью, отказоустойчивостью и
кибербезопасностью, выход из строя которого может
привести к нарушению работы всей энергосистемы [11].
Автономная система управления для каждого ИРПМ
требуется при децентрализованной ААСУ. ИРПМ
собирает информацию о своем сегменте электрической
сети и определяет необходимость регулирования. Если
есть несколько соседних ИРПМ, можно организовать
обмен информацией между ними с целью повышения
эффективности и точности регулирования. Предусмотрена
иерархия управления для большого количества ИРПМ
(более трех). В этом случае ключевые решения по
распределению потока мощности будут принимать
ведущие ИРПМ. Локальный менее мощный ИРПМ точно
настраивает режим работы сети.
Алгоритм
управления
должен
соответствовать
критериям скорости, точности, эффективности, гибкости
конфигурации сети и возможности дальнейшего развития.
Перспективным решением является использование
децентрализованной ААСУ на основе ИНС.
III.
А
ЛГОРИТМ ОБУЧЕНИЯ
Разработка ААСУ на основе ИНС включает пять
этапов: генерация, сортировка, оптимизация, обучение и
тестирование.
A.
Генерация
Набор данных создается по математической модели (7)
участка РЭС с возможными комбинациями переменных
(напряжение источника, мощность нагрузки). Нагрузка
задается линейными параметрами активного (5 – 9 Ом) и
реактивного (2 – 5 Ом) сопротивлений с шагом 1 Ом.
Напряжение источника изменяется от 5040 до 7560 В с
шагом 100 В; диапазон фазового сдвига варьируется от -4
до 5 градусов с шагом 1 градус. Система уравнений (7)
рассчитывается для каждой комбинации. Параметры
установившегося режима сети (ток, напряжение,
мощность, КПД) составляют необходимый набор данных.
Общее количество комбинаций напряжения на
источнике и сопротивления нагрузки составило 2808, что
теоретически охватывает широкий диапазон изменения
напряжения питания и суточных колебаний нагрузки.
B.
Сортировка (фильтрация)
Полученный набор данных на этапе сортировки
разбивается на три части по следующему принципу:
•
Данные будут помещены в «зеленую» зону, если
ток в ЛЭП не превышает 80% допустимого
значения, а отклонение
U
– в пределах + 5%
U
ном.
•
Данные будут помещены в «желтую» зону, если ток
ЛЭП составляет 80–90 % допустимого значения
или отклонение напряжения находится в диапазоне
от +5 до + 10%
U
ном.
•
Данные будут помещены в «красную» зону, если
ток в ЛЭП превышает 90% допустимого значения
или отклонение
U
превышает + 10%
U
ном.
Сгенерированные данные были распределены таким
образом: красная зона – 80% общего количества случаев,
желтая зона – 15% и зеленая зона – 5%.
C.
Оптимизация
Оптимальная добавка напряжения рассчитывается для
каждой отсортированной информации по алгоритму:
•
для «зеленой» зоны определяется по критерию
максимальной эффективности.
•
в случае «желтой» зоны определяется для перевода
системы в «зеленую» зону или алгоритм выбирает
минимально возможный ток в КЛ и поддерживает
отклонение напряжения в пределах 5%
U
ном.
•
В случае «красной» зоны определяется для
перевода системы в «желтую» или «зеленую» зону,
или алгоритм выбирает минимально возможный
ток в КЛ и поддерживает отклонение напряжения в
пределах 10%
U
ном.
В результате были определены оптимальные
продольные и поперечные составляющие ЭДС для каждых
2808 расчетных случаев.
D.
Тренировка
Входные данные: активная и реактивная составляющие
токов в ответвлениях, напряжения на нагрузке и источнике,
мощность нагрузки. Выходные параметры: амплитуда и
угол добавочного напряжения. Экспериментально
установлено, что использование 30 скрытых слоев
позволяет достичь компромисса в точности и скорости
обучения.
Для обучения использовался математический алгоритм
Левенберга – Марквардта [12], сводящий к минимуму
сумму квадратов ошибок. Обучение ИНС считается
завершенным, когда градиент ошибки во время обучения
равен нулю.
Обучение нейронной сети состоит из трех этапов: 1)
обучение (70% набора данных используется для обучения
ИНС); 2) проверка (15% данных используется для оценки и
