Эффективность противоаварийного управления режимами работы энергосистем на основе алгоритмов машинного обучения напрямую зависит от репрезентативности и объема обучающих данных, определяющих соответствие между схемно-режимными ситуациями и оптимальными объемами управляющих воздействий. Наиболее распространенным подходом к формированию обучающих данных является комбинация физических и синтетических измерений, обеспечивающих возможность алгоритмам машинного обучения выявлять скрытые и неявные закономерности при реализации противоаварийного управления с учетом физических процессов, протекающих в реальных энергосистемах. В исследовании предложен направленный метод формирования обучающих данных, основанный на расчете управляющих воздействий для утяжеленных режимов с последующим применением алгоритмов снижения размерности и адаптивной кластеризации. Для утяжеления режима работы энергосистемы применен метод полных и неполных сечений. Численный эксперимент выполнен с применением математической модели энергосистемы IEEE24, для которой были сформированы обучающие данные, описывающие выбор управляющих воздействий для обеспечения статической устойчивости в послеаварийных режимах работы. В ходе численного эксперимента показана высокая эффективность предложенного метода, позволяющего обеспечить репрезентативность обучающих данных за счет повышения точности кластеризации, описываемой скорректированным индексом Ранда. В заключении предложены направления для будущих исследований.
Оформите подписку, чтобы получить доступ к этим материалам
Уже зарегистрированы? Тогда авторизуйтесь.
