Опыт и перспективы применения искусственных нейронных сетей в электроэнергетике

Опыт

и

перспективы

применения

искусственных

нейронных

сетей

в

электроэнергетике

И

скусственные

нейронные

сети

 (

ИНС

) 

представляют

собой

систему

соединен

-

ных

и

взаимодействующих

между

собой

простых

процессоров

 (

искусственных

нейронов

), 

имитирующих

центральную

нервную

систему

человека

. 

Каждый

процессор

подобной

сети

имеет

дело

только

с

сигналами

, 

которые

он

периоди

-

чески

получает

, 

и

сигналами

, 

которые

он

периодически

посылает

другим

процессорам

. 

Параллельная

обработка

информации

одновременно

всеми

нейронами

определяет

огромный

вычислительный

потенциал

и

широкие

возможности

для

решения

приклад

-

ных

задач

с

неограниченно

большим

количеством

входных

факторов

 [2]. 

Можно

выделить

следующие

типовые

задачи

, 

решаемые

с

помощью

ИНС

: 

–

прогнозирование

,

–

классификация

,

–

кластеризация

,

–

ассоциативная

память

,

–

оптимизация

,

–

кодирование

и

декодирование

информации

.

Основные

трудности

на

пути

более

широкого

распространения

ИНС

 — 

в

неумении

широкого

круга

профессионалов

формулировать

свои

проблемы

в

терминах

, 

допускаю

-

щих

простое

нейросетевое

решение

или

, 

как

принято

сейчас

говорить

, «

проводить

ней

-

росетевую

декомпозицию

решаемой

задачи

» [3]. 

НЕЙРОННЫЕ

СЕТИ

НА

СЛУЖБЕ

ДИАГНОСТИКИ

И

ЛОКАЛИЗАЦИИ

АВАРИЙНЫХ

СИТУАЦИЙ

В

 1990-

е

годы

для

анализа

и

интерпретации

большого

количества

одновременных

сиг

-

налов

тревоги

в

центрах

управления

электроэнергетическими

системами

в

условиях

стресса

было

предложено

использовать

ИНС

 [4].

По

инициативе

международного

Института

инженеров

электротехники

и

электрони

-

ки

 (IEEE) 

развернулись

исследования

возможностей

нейросетевых

технологий

опера

-

тивной

помощи

диспетчерам

электростанций

и

электроэнергетических

систем

 (

ЭЭС

) [5].

Необходимо

подчеркнуть

, 

что

в

фазе

быстрого

развития

аварии

чаще

всего

слиш

-

ком

поздно

пытаться

остановить

каскадную

цепь

развития

событий

. 

Волновые

процес

-

сы

в

электроэнергетических

системах

совершаются

в

тысячные

или

даже

миллионные

доли

секунды

; 

процессы

, 

связанные

с

короткими

замыканиями

, 

включениями

и

отклю

-

Сегодняшний

всплеск

интереса

к

проблеме

искусственного

интеллекта

 — 

уже

третий

по

счету

за

последние

несколько

десятков

лет

, 

и

каждый

из

них

, 

так

или

иначе

, 

связан

с

про

-

грессом

в

области

создания

и

обучения

искусственных

ней

-

ронных

сетей

 [1].

Николай

СИМОНОВ

,

ведущий

инженер

филиала

ПАО

 «

ФСК

ЕЭС

» — 

МЭС

Центра

Николай

ИВЕНЕВ

,

председатель

совета

директоров

группы

компаний

 «

ХайТэк

»

42

Ежеквартальный

спецвыпуск

№

 4(15), 

декабрь

 2019

Вектор

развития

чениями

, 

качаниями

, 

нарушениями

устойчивости

, 

соверша

-

ются

в

течение

долей

секунды

или

нескольких

секунд

.

Традиционные

методы

оценки

надежности

и

устойчиво

-

сти

ЭЭС

предусматривают

численные

решения

нелинейных

уравнений

перетоков

мощности

и

исследования

переходных

процессов

с

детальным

моделированием

для

всех

значи

-

мых

нарушений

режима

их

работы

. 

Из

-

за

комбинаторной

природы

проблемы

эти

подходы

требуют

большого

времени

вычислений

и

, 

следовательно

, 

не

могут

быть

эффективно

использованы

в

режиме

реального

времени

.

Главным

преимуществом

ИНС

при

диагностике

предава

-

рийного

состояния

ЭЭС

является

ее

гибкость

при

большом

потоке

данных

и

информационном

шуме

. 

При

надлежащем

обучении

ИНС

могла

бы

выполнять

следующие

задачи

, 

ко

-

торые

не

реализуются

в

традиционной

системе

диспетчер

-

ского

управления

:

–

принимать

и

обрабатывать

активные

аварийные

сиг

-

налы

, 

связанные

с

состоянием

сети

  (

при

этом

должен

вестись

учет

состояния

всех

объектов

и

присоединений

с

фиксацией

мест

, 

где

планируются

работы

, 

ведутся

работы

; 

должна

обеспечиваться

фиксация

отключенных

присоединений

, 

постановка

и

снятие

заземлений

, 

учет

заземлений

, 

ведение

журналов

, 

др

.);

–

классифицировать

состояния

ЭЭС

с

целью

определить

насколько

опасен

тот

или

иной

режим

работы

для

режимной

надежности

всей

системы

;

–

определять

аварийные

ситуации

, 

которые

могут

приве

-

сти

к

крупной

системной

аварии

, 

и

обеспечивать

авто

-

матизированное

выделение

участка

электрической

сети

при

повреждении

или

для

выполнения

ремонта

.

В

 2014 

году

Институт

систем

энергетики

им

. 

Л

.

А

. 

Ме

-

лентьева

СО

РАН

для

решения

задачи

ранней

диагности

-

ки

режимной

надежности

ЭЭС

предложил

на

модельном

уровне

 (

тестовой

схемы

) 

использовать

 «

кластерный

под

-

ход

», 

основанный

на

принципах

самоорганизации

ИНС

(

сеть

Кохонена

). 

В

данном

случае

кластеризация

рассматривается

как

одна

из

форм

машинного

обучения

ИНС

 «

без

учителя

», 

ис

-

пользуемая

для

обнаружения

характерных

или

значимых

за

-

кономерностей

в

больших

наборах

данных

, 

когда

нет

апри

-

орной

информации

, 

к

примеру

, 

такой

, 

как

метки

категорий

. 

Кластеры

, 

сформированные

сетью

Кохонена

, 

отражают

определенные

режимы

работы

тестируемой

ЭЭС

: 

–

нормальное

состояние

 — normal;

–

утяжеленное

 (

предупредительное

) — alarm 1–5; 

–

аварийные

  (

корректируемые

) — emergency (correctable 

1–2); 

–

аварийное

  (

некорректируемое

) — emergency (non-

correctable). 
«

Предупредительная

система

для

раннего

выявле

-

ния

предаварийных

состояний

ЭЭС

» 

обучается

, 

исполь

-

зуя

  «

набор

обучающих

примеров

на

основе

случайно

сгенерированных

режимных

ситуаций

в

ЭЭС

». 

Значения

полученных

кластеров

определяются

с

помощью

тестов

, 

представляющих

собой

набор

нормальных

и

аварийных

условий

в

ЭЭС

.

Предлагаемая

учеными

Института

систем

энергетики

тестовая

схема

повторяет

структурные

особенности

многих

ЭЭС

, 

в

которых

может

наблюдаться

нарушение

устойчиво

-

сти

узлов

нагрузки

. 

В

частности

, 

сходной

структурой

облада

-

ет

ЭЭС

Дании

и

Швеции

, 

с

наличием

мощных

ГЭС

на

севере

и

большего

числа

потребителей

производимой

ими

энергии

на

юге

. 

В

России

также

имеются

энергосистемы

со

схожей

структурой

 [6].

В

 2017 

году

Обнинский

институт

атомной

энергетики

НИЯУ

МИФИ

разработал

на

основе

ИНС

программно

-

алго

-

ритмический

комплекс

, 

обеспечивающий

диагностику

состо

-

яния

главного

циркуляционного

насоса

 (

ГЦН

) — 

важнейшего

элемента

реакторного

контура

АЭС

. 

Программно

-

аппаратный

комплекс

позволяет

распоз

-

навать

аномалию

в

поведении

главных

ГЦН

на

ранней

ста

-

дии

развития

, 

что

дает

возможность

своевременно

принять

меры

для

устранения

причин

нестабильной

работы

насоса

и

предотвратить

аварию

.

Обучение

и

проверка

работы

программы

основывались

на

данных

Калининской

и

Нововоронежской

АЭС

. 

Сеть

на

-

училась

распознавать

аномальную

ситуацию

на

обеих

стан

-

циях

, 

связанную

с

блоком

уплотнения

ГЦН

, 

с

вероятностью

приблизительно

 96%. 

В

процессе

обучения

проводился

анализ

чувствитель

-

ности

ИНС

к

входным

параметрам

, 

что

позволило

выделить

среди

них

наиболее

значимые

при

развитии

рассмотренной

ситуации

. 

Наибольший

вес

при

обучении

имели

параметры

: 

давление

за

первой

ступенью

уплотнения

и

давление

запи

-

рающей

воды

на

выходе

из

ГЦН

, 

что

подтвердило

результа

-

ты

ранее

проведенных

исследований

 [7].

Ученые

НИУ

  «

МЭИ

» 

К

.

Н

. 

Чыонг

Ван

и

Ю

.

Б

. 

Воробьев

предложили

использовать

ИНС

в

комплексе

с

экспертной

системой

интегральных

кодов

для

мониторинга

состояния

АЭС

с

ВВЭР

-1000 

на

основе

анализа

 24 

контролируемых

параметров

, 

в

том

числе

:

–

давление

теплоносителя

на

входе

и

выходе

АЗ

  (

актив

-

ной

зоны

);

–

давление

теплоносителя

второго

контура

по

парогенера

-

торам

;

–

расход

теплоносителя

по

петлям

;

–

температура

на

выходе

АЗ

;

–

мощность

реактора

;

–

расход

через

БРУ

-

А

 (

быстродействующей

редукционной

установки

атмосферной

);

–

уровни

теплоносителя

в

компенсаторе

давления

и

паро

-

генераторах

.

Разработанный

ими

программно

-

аппаратный

комплекс

обучен

распознавать

 64 

типа

аварий

и

способен

не

только

сигнализировать

о

возникновении

нештатной

ситуации

, 

но

также

осуществлять

поддержку

оператора

или

кризисного

43

центра

непосредственно

во

время

протекания

аварии

на

всех

ее

стадиях

 [8].

Перспективной

областью

применения

ИНС

является

диагностика

и

обнаружение

аварийных

и

предаварийных

ситуаций

на

турбоагрегатах

тепловых

  (

конденсационных

) 

и

гидроэлектростанций

на

основе

данных

, 

получаемых

от

вибродатчиков

. 

Необходимо

отметить

, 

что

вредные

последствия

даже

самых

умеренных

вибраций

имеют

свойства

накапливаться

и

проявляться

в

самой

различной

форме

. 

Это

может

най

-

ти

выражение

в

появлении

усталостных

трещин

в

роторе

турбины

, 

штоках

регулирующих

клапанов

, 

чугунных

опо

-

рах

, 

зубчатых

передачах

и

т

.

д

. 

Под

действием

вибрации

расстраивается

взаимное

крепление

частей

, 

нарушается

жесткая

связь

статоров

и

подшипников

с

фундаменталь

-

ными

плитами

, 

увеличивается

расцентровка

валов

. 

Значи

-

тельные

колебания

вала

на

масляной

пленке

могут

вызвать

возникновение

очагов

полусухого

трения

, 

что

увеличивает

опасность

выплавления

подшипников

. 

Неблагоприятное

действие

вибрации

оказывается

также

на

работе

системы

регулирования

турбины

и

приборов

контроля

 [9].

Из

всех

причин

, 

возбуждающих

колебания

теплового

турбоагрегата

, 

наименее

изученной

и

наиболее

опасной

считается

низкочастотная

вибрация

, 

обусловленная

поте

-

рей

устойчивости

вала

на

масляной

пленке

. 

Определение

причин

, 

вызывающих

вибрацию

турбо

-

агрегата

 — 

задача

весьма

сложная

. 

Для

анализа

источников

повышенной

вибрации

снимаются

характеристики

: 

скорост

-

ные

, 

режимные

, 

контурные

. 

С

распознанием

типов

неисправностей

турбоагрегатов

могли

бы

справиться

ИНС

на

основании

соответствующих

диагностических

признаков

. 

Обнаружение

предаварийных

ситуаций

турбоагрегатов

с

использованием

ИНС

представляется

совокупностью

сле

-

дующих

подзадач

:

–

выбор

состава

информационных

признаков

, 

необходи

-

мых

для

анализа

текущего

вибрационного

состояния

турбоагрегата

;

–

определение

структуры

нейронной

сети

, 

необходимой

для

распознавания

одного

из

классов

предаварийной

ситуации

на

основе

отобранных

в

предыдущем

пункте

признаков

;

–

разработка

программного

обеспечения

, 

реализующего

выбранную

на

предыдущем

шаге

структуру

ИНС

;

–

обучение

этой

сети

на

реальных

данных

, 

характеризую

-

щих

различные

режимы

работы

агрегата

: 

нормального

функционирования

и

различного

рода

предаварийные

ситуации

;

–

определение

способов

использования

результатов

, 

выдаваемых

программным

средством

, 

для

поддержки

принятия

решений

по

управлению

турбоагрегатом

.

Система

виброконтроля

используется

также

и

для

анали

-

за

технического

состояния

опорных

узлов

гидротурбин

: 

крыш

-

ка

турбины

, 

грузонесущая

крестовина

, 

корпус

турбинного

подшипника

, 

турбинный

и

генераторный

вал

и

т

.

д

. 

Основной

контролируемой

величиной

вибрации

является

вибропереме

-

щение

, 

а

основным

контролирующим

параметром

 — 

средний

размах

вибрации

за

период

колебаний

с

оборотной

частотой

в

последовательной

серии

периодов

 [10].

Параметры

вибрации

гидротурбин

зависят

от

большого

количества

факторов

, 

поэтому

выделение

вибрационного

сигнала

, 

обусловленного

наличием

неисправности

, 

пред

-

ставляет

определенную

сложность

. 

Кроме

хорошей

аппара

-

туры

, 

необходимо

и

понимание

физических

явлений

, 

фор

-

мирующих

этот

сигнал

.

Известно

, 

что

ИНС

хорошо

справляются

с

диагностирова

-

нием

оборудования

при

неполноте

и

зашумленности

входных

данных

и

обладают

мгновенным

откликом

, 

однако

о

каких

-

ли

-

бо

реализованных

проектах

их

применения

для

анализа

тех

-

нического

состояния

гидротурбин

пока

неизвестно

.

ИНС

могли

бы

найти

применение

в

составе

вычисли

-

тельных

комплексов

для

мониторинга

проблемных

элемен

-

тов

воздушных

линий

электропередачи

 (

ВЛ

).

В

настоящее

время

разработаны

и

используются

раз

-

личные

типы

приборов

, 

основанных

на

сейсмоакустическом

методе

диагностики

дефектов

конструкции

бетонных

фун

-

даментов

мачтовых

опор

. 

Динамическими

характеристи

-

ками

  (

используемыми

в

применяемом

методе

) 

являются

резонансные

частоты

свободных

колебаний

фундамента

, 

которые

зависят

от

скорости

распространения

свободных

колебаний

 (

волн

) 

в

теле

фундамента

и

его

геометрических

размеров

. 

Скорость

распространения

волн

, 

в

свою

очередь

, 

зависит

от

плотности

бетона

и

упругих

свойств

железобетон

-

ной

конструкции

. 

Снижение

скорости

распространения

волн

(

при

неизменных

геометрических

размерах

) 

приводит

к

из

-

менению

резонансных

частот

фундамента

. 

Посредством

измерения

резонансные

частоты

сво

-

бодных

колебаний

однотипных

  (

по

конструкции

и

геоме

-

трическим

размерам

) 

фундаментов

опор

с

относительной

погрешностью

можно

выявить

объекты

с

  «

измененными

» 

прочностными

характеристиками

. 

Сравнивая

измеренные

резонансные

частоты

с

расчетными

или

статистическими

значениями

, 

специалист

по

мониторингу

определяет

  «

от

-

клонение

» 

частот

конкретного

объекта

от

расчетной

или

статистической

нормы

. 

По

величине

этого

  «

отклонения

» 

формируется

экспертное

суждение

о

степени

разрушения

фундамента

  (

потери

его

несущей

способности

) 

на

основе

моделирования

или

сравнения

с

 «

отклонениями

» 

на

объек

-

тах

с

искусственно

созданными

дефектами

. 

Полагаем

, 

что

в

зависимости

от

поставленных

целей

, 

ис

-

ходных

данных

и

аппаратных

возможностей

можно

подобрать

ИНС

и

обучить

распознавать

по

алгоритму

спектрального

ана

-

лиза

резонансные

частоты

, 

свидетельствующие

о

наличии

в

фундаменте

допустимых

или

недопустимых

дефектов

. 

Важное

место

в

обеспечении

надежной

эксплуатации

устройств

электроснабжения

занимает

диагностика

изоля

-

44

Ежеквартальный

спецвыпуск

№

 4(15), 

декабрь

 2019

Вектор

развития

торов

, 

контактных

соединений

и

арматуры

ВЛ

. 

Периодич

-

ность

осмотров

каждой

ВЛ

по

всей

длине

, 

которые

произ

-

водят

с

земли

, 

должна

быть

не

реже

 1 

раза

в

год

. 

Не

реже

1 

раза

в

 5 

лет

должны

проводиться

, 

так

называемые

, 

вер

-

ховые

осмотры

.

Традиционно

верховые

осмотры

проводятся

методом

вертолетного

патрулирования

. 

За

день

работы

 (5–6 

часов

) 

таким

способом

осматриваются

до

 200 

км

линий

. 

При

вертолетном

патрулировании

производятся

следу

-

ющие

виды

работ

:

–

тепловизионная

диагностика

ВЛ

, 

изоляторов

, 

контактных

соединений

и

арматуры

с

целью

выявления

элементов

, 

подвергшихся

температурному

нагреву

вследствие

воз

-

никающих

дефектов

;

–

ультрафиолетовая

диагностика

ВЛ

, 

изоляторов

, 

кон

-

тактных

соединений

и

арматуры

с

целью

обнаружения

коронных

разрядов

на

них

;

–

визуальный

контроль

опор

, 

изоляторов

и

контактных

соединений

с

помощью

видеокамеры

с

высоким

раз

-

решением

.

По

результатам

расшифровки

данных

выдается

отчет

, 

содержащий

фотографии

и

термограммы

обнаруженных

де

-

фектов

, 

с

описанием

вида

дефекта

и

рекомендациями

по

его

устранению

.

В

последнее

время

для

верховых

осмотров

 (

наблюдения

и

фотографирования

с

различных

высот

) 

воздушных

линий

применяются

беспилотные

летающие

аппараты

 (

БПЛА

). 

Со

-

временная

цифровая

аппаратура

в

комплексе

с

оптическим

стабилизатором

изображения

позволяет

получать

сним

-

ки

высочайшего

качества

, 

например

, 

с

помощью

камеры

Panasonic HDC-SD1 

можно

отснять

цифровой

фильм

с

ча

-

стотой

 25 

чересстрочных

кадров

в

секунду

с

разрешением

1140×1080 

точек

, 

что

вполне

может

заменить

визуальный

осмотр

ВЛ

с

земли

с

использованием

биноклей

. 

Начиная

с

 2013 

года

спроектировано

и

натренировано

много

разных

моделей

ИНС

для

решения

задачи

класси

-

фикации

фотографий

  (

изображений

), 

модифицированных

в

графических

редакторах

. 

Большинство

моделей

спроек

-

тировано

на

основе

сверхточных

нейронных

сетей

  (

англ

. 

Convolutional neural network — CNN). 

На

вход

нейросети

по

-

дается

или

само

изображение

в

каком

-

либо

виде

, 

или

набор

ранее

извлеченных

из

него

ключевых

характеристик

, 

а

на

выходе

 — 

нейрон

с

максимальной

активностью

указывает

принадлежность

изображения

к

распознанному

классу

 [11].

ИНС

для

решения

задачи

определения

фактического

места

повреждения

и

классификации

дефектов

ВЛ

на

ос

-

новании

фото

-

видеоматериалов

, 

полученных

при

верхо

-

вом

осмотре

, 

пока

нигде

в

мире

не

создана

. 

По

аналогии

с

другими

ИНС

для

решения

задачи

диагностики

неисправ

-

ностей

  (

задач

классификации

и

распознавания

образов

) 

можно

предположить

, 

что

ее

обучение

будет

производить

-

ся

методом

обратного

распространения

с

использованием

одного

из

обучающих

алгоритмов

на

множестве

обучающих

данных

, 

последовательно

представляющих

все

классы

об

-

разов

, 

подлежащих

распознаванию

. 

В

файловых

хранили

-

щах

МПЭС

ПАО

 «

ФСК

ЕЭС

» 

в

электронном

виде

хранятся

тысячи

фотографий

с

изображениями

дефектов

элементов

ВЛ

 (

в

виде

приложений

к

листкам

осмотра

), 

из

которых

мо

-

жет

быть

сформирована

обучающая

выборка

. 

Конечная

цель

перспективного

проекта

— 

создание

мониторинговой

системы

с

элементами

искусственного

ин

-

теллекта

, 

которая

с

недостижимой

для

зрительной

способ

-

ности

человека

скоростью

 (

и

точностью

) 

будет

определять

:

1) 

состояние

проводов

и

тросов

 — 

не

должно

быть

об

-

рывов

и

оплавлений

отдельных

проволок

, 

набросов

на

провода

и

тросы

, 

нарушений

их

регулировки

, 

недопу

-

стимого

изменения

стрел

провеса

и

расстояний

прово

-

дов

до

земли

и

объектов

, 

смещения

от

места

установки

гасителей

эоловой

вибрации

, 

предусмотренных

проек

-

том

ВЛ

;

2) 

состояние

изоляторов

 — 

не

должно

быть

боя

, 

ожогов

, 

трещин

, 

загрязненности

, 

повреждения

глазури

, 

непра

-

вильной

насадки

штыревых

изоляторов

на

штыри

или

крюки

, 

повреждений

защитных

рогов

, 

недопустимых

от

-

клонений

подвесных

гирлянд

изоляторов

от

оси

; 

долж

-

ны

быть

на

месте

гайки

, 

замки

или

шплинты

;

3) 

состояние

арматуры

 — 

не

должно

быть

трещин

, 

пере

-

тирания

или

деформации

отдельных

деталей

;

4) 

состояние

разрядников

, 

коммутационной

аппаратуры

на

ВЛ

и

концевых

кабельных

муфт

на

спусках

 — 

не

должно

быть

повреждений

или

обрывов

заземляющих

спусков

на

опорах

и

у

земли

, 

нарушений

контактов

в

болтовых

соединениях

молниезащитного

троса

с

за

-

земляющим

спуском

или

телом

опоры

, 

разрушения

кор

-

розией

элементов

заземляющего

устройства

.

ПРОГНОЗИРОВАНИЕ

РЕЖИМОВ

ЭЛЕКТРОПОТРЕБЛЕНИЯ

, 

РАСПРЕДЕЛЕНИЯ

ЭЛЕКТРИЧЕСКОЙ

НАГРУЗКИ

И

ПОТЕРЬ

ЭЛЕКТРОЭНЕРГИИ

В

СЕТЯХ

Чтобы

сэкономить

энергоресурс

, 

необходимо

заранее

как

можно

точнее

знать

, 

сколько

его

будет

потреблено

. 

В

 1990-

е

годы

в

первых

зарубежных

публикациях

по

прогнозированию

электрической

нагрузки

использовалась

конфигурация

ИНС

прямого

распространения

с

обуче

-

нием

по

методу

обратного

распространения

ошибки

 [12]. 

Проводились

эксперименты

по

использованию

ИНС

для

прогнозирования

электрической

нагрузки

с

 3-

месячным

упреждением

 [13], 

а

также

для

прогнозирования

пикового

потребления

электроэнергии

 [14].

Способности

ИНС

к

прогнозированию

напрямую

следу

-

ют

из

их

способности

к

обобщению

и

выделению

скрытых

зависимостей

между

входными

и

выходными

данными

. 

По

-

сле

обучения

ИНС

способны

производить

своевременное

оценивание

текущего

состояния

, 

надежности

, 

качества

и

устойчивости

функционирования

энергосистемы

.

45

Согласно

проведенным

за

рубежом

исследованиям

, 

наиболее

эффектив

-

ным

для

прогнозирования

электриче

-

ской

нагрузки

являются

помесячный

и

почасовой

способы

. 

Наиболее

пер

-

спективным

является

почасовой

, 

но

он

требует

большого

массива

данных

 (

одна

итерация

для

обучения

требует

 144 

по

-

казания

, 

в

то

время

как

помесячный

 — 

всего

 12).

Кафедра

электрических

систем

Белорусского

национального

техниче

-

ского

университета

выполнила

работу

по

прогнозированию

нагрузки

объ

-

единенной

энергосистемы

Республики

Беларусь

на

сутки

вперед

с

использо

-

ванием

ИНС

 [15].

Обучающая

выборка

  (

задачник

) 

представлена

базой

архивных

данных

по

дням

электрической

нагрузки

энергосистемы

Беларуси

(

часовой

интервал

), 

средней

температуры

и

типа

дня

за

2006–2007 

гг

.

Моделирование

ИНС

осуществлялось

с

помощью

 Neural 

Network Toolbox 

в

системе

 Mathlab. 

Средняя

ошибка

прогно

-

за

нагрузки

энергосистемы

с

использованием

ИНС

на

ретро

-

спективных

данных

: 

с

 01.04.2007 

по

 30.04.2007 

и

с

 01.09.2007 

по

 28.09.2007 

не

превысила

 2,3%.

Разработанная

белорусскими

коллегами

конфигурация

ИНС

 — 

трехслойный

персептрон

 — 

приведена

на

рисунке

 1.

Во

входном

слое

сети

находятся

 27 

нейронов

  (

количе

-

ство

входных

переменных

), 

в

скрытом

слое

 — 6 (

опреде

-

лены

экспериментальным

путем

при

настройке

сети

), 

в

вы

-

ходном

 — 24 (

соответствует

количеству

часов

в

сутках

). 

Входными

переменными

являются

почасовые

значения

нагрузки

 Pi 

для

суток

, 

предшествующих

прогнозируемым

(24 

значения

), 

а

также

значения

типа

дня

  «

Сегодня

», 

типа

дня

 «

Завтра

» 

и

температуры

 «

Завтра

».

В

 2018 

году

в

ОАО

  «

Мордовская

энергосбытовая

ком

-

пания

» 

для

прогнозирования

электрической

нагрузки

была

построена

и

обучена

ИНС

прямого

распространения

, 

состо

-

ящая

из

 3-

х

слоев

. 

Во

входном

слое

 — 4 

нейрона

, 

в

скрытом

слое

 — 2 

нейрона

, 

в

выходном

 — 1 

нейрон

. 

Для

обучения

ИНС

использовался

алгоритм

Левенберга

-

Марквардта

. 

Для

настройки

применялся

 «

метод

градиентно

-

го

спуска

с

возмущением

». 

Обучение

сети

проводилось

на

основе

фактических

почасовых

данных

по

потреблению

электроэнергии

, 

истории

погоды

, 

календаря

праздничных

и

выходных

дней

с

января

по

сентябрь

 2009 

года

. 

Количество

циклов

обучения

было

выбрано

равным

1000. 

Относительная

погрешность

прогноза

на

ближайшие

3

−

4 

дня

составила

не

более

 5%. 

Прогноз

на

 5 

дней

и

более

имеет

высокую

погрешность

 (

до

 10%). 

Это

связано

с

тем

, 

что

для

точного

прогноза

нейронная

сеть

должна

постоянно

до

-

обучаться

на

предыдущих

значениях

электропотребления

[16].

В

реальном

мире

имеется

множество

параметров

, 

влия

-

ющих

на

потребление

электроэнергии

и

определяющих

раз

-

мерность

вектора

входных

сигналов

X

, 

причем

не

все

они

одинаково

сказываются

на

энергопотреблении

. 

Б

.

А

. 

Староверов

и

М

.

А

. 

Мормылев

из

Ивановского

госу

-

дарственного

энергетического

университета

предложили

методику

комплексного

применения

ИНС

для

автоматиза

-

ции

прогнозирования

электрической

нагрузки

. 

На

первом

этапе

используется

гибридная

нейронная

сеть

, 

совмещающая

классификацию

наиболее

значимых

факторов

, 

влияющих

на

точность

прогнозирования

электро

-

потребления

, 

и

аппроксимацию

, 

определяющую

эффектив

-

ность

выбора

факторов

. 

На

втором

этапе

используется

 «

ан

-

самбль

нейронных

сетей

различного

типа

», 

что

позволяет

применять

данные

модели

при

различных

видах

графиков

нагрузки

.

Для

проверки

этой

гипотезы

было

протестировано

около

100 

нейросетей

различного

вида

. 

Обучающая

, 

контрольная

и

тестовая

выборки

взяты

в

соотношении

 2:1:1. 

Выбор

на

-

блюдений

для

каждой

сети

определен

как

фиксированный

в

заданном

соотношении

. 

Из

всех

протестированных

сетей

были

отобраны

наилуч

-

шие

пять

, 

критерием

отбора

являлся

баланс

между

ошиб

-

кой

и

сложностью

. 

В

результате

были

отобраны

следующие

модели

ИНС

: 

многослойный

персептрон

, 

линейная

модель

, 

обобщенная

регрессионная

сеть

и

два

типа

радиально

-

ба

-

зисных

вероятностных

сетей

 [17].

Еще

одна

проблема

прогнозирования

 — 

оптимизация

распределения

нагрузки

 (Economic Dispatch, ED), 

целью

кото

-

рой

является

минимизация

эксплуатационных

расходов

в

за

-

висимости

от

спроса

, 

то

есть

в

оптимальном

распределении

нагрузки

между

имеющимися

генерирующими

источниками

. 

Тип дня «Сегодня»

Тип дня «Завтра»

Среднесуточная

температура завтра

ВХОДНОЙ

СЛОЙ

ВЫХОДНОЙ

СЛОЙ

СКРЫТЫЙ

СЛОЙ

P

2

, М ВТ

P

24

, М ВТ

P

24

прогноз, МВТ

P

4

прогноз, МВТ

P

3

прогноз, МВТ

P

2

прогноз, МВТ

P

1

прогноз, МВТ

P

1

, М ВТ

Рис

. 1. 

Структура

ИНС

, 

используемая

для

суточного

прогнозирования

нагрузки

46

Ежеквартальный

спецвыпуск

№

 4(15), 

декабрь

 2019

Вектор

развития

В

работе

Г

.

П

. 

Шумилова

, 

Н

.

Э

. 

Готман

, 

Т

.

Б

. 

Старцева

представлена

нейросетевая

модель

сбалансированного

прогноза

узловых

нагрузок

в

двух

временных

диапазонах

 — 

внутрисуточном

и

суточном

. 

Приведены

результаты

тести

-

рования

разработанных

моделей

на

графиках

нагрузки

ОДУ

Урала

и

, 

в

связи

с

этим

, 

даны

рекомендации

по

использова

-

нию

данного

метода

в

других

энергосистемах

 [18].

Повышенный

интерес

к

ИНС

, 

проявляемый

в

последнее

время

в

различных

публикациях

, 

обусловлен

их

замечатель

-

ной

возможностью

учета

всех

вынужденных

ограничений

, 

например

, 

потерь

при

передаче

энергии

, 

контроля

уровней

загрязнения

энергоблока

и

т

.

д

. 

Расчет

и

прогноз

потерь

электроэнергии

на

основе

ИНС

, 

обученных

на

модельных

данных

, 

реализован

в

программе

«

Исследование

технических

потерь

» («

ИссТП

»), 

разработан

-

ной

специалистами

Кубанского

государственного

универси

-

тета

 [19]. 

Данная

программа

позволяет

задать

для

данного

фиде

-

ра

схему

сети

, 

обобщенные

параметры

о

характере

нагрузок

(

как

для

фидера

в

целом

, 

так

и

для

отдельных

узлов

) 

и

на

ос

-

нове

введенных

данных

строит

модель

режимов

. 

Далее

, 

для

генерации

обучающей

выборки

параметры

режимов

модели

изменяются

посредством

случайных

отклонений

мощности

нагрузки

в

нагрузочных

узлах

. 

Полученная

таким

образом

об

-

учающая

выборка

, 

содержащая

произвольно

задаваемый

на

-

бор

параметров

, 

используется

для

обучения

нейронной

сети

. 

Работа

с

системой

  «

ИссТП

» 

в

рамках

производствен

-

ного

процесса

заключается

в

расчете

потерь

посредством

построенной

нейронной

сети

для

выбранного

фидера

. 

В

ре

-

зультате

экспериментов

было

выяснено

, 

что

наиболее

эф

-

фективными

архитектурами

ИНС

для

решения

задач

оценки

и

прогноза

потерь

электроэнергии

являются

многослойный

персептрон

и

сеть

каскадной

корреляции

Фальмана

. 

Эта

сеть

представляет

собой

многослойную

конструкцию

, 

в

кото

-

рой

формирование

структуры

ИНС

происходит

параллельно

с

ее

обучением

путем

добавления

на

каждом

этапе

обуче

-

ния

одного

скрытого

нейрона

. 

При

этом

для

многослойного

персетрона

наименьшее

значение

ошибки

было

достигнуто

при

обучении

посредством

последовательного

использова

-

ния

метода

обратного

распространения

ошибки

и

метода

со

-

пряженных

градиентов

. 

Эффективность

предложенного

подхода

по

сравнению

с

нормативными

методами

подтверждена

проведенным

чис

-

ленным

экспериментом

. 

Была

построена

модель

тестового

24-

узлового

фидера

напряжением

 10 

кВ

, 

по

структуре

со

-

единения

узлов

и

их

количеству

примерно

соответствующая

реальному

фидеру

. 

Характер

нагрузки

узлов

модели

соот

-

ветствовал

системе

с

утренним

и

вечерним

максимумами

. 

В

качестве

эталонного

образца

была

взята

произвольная

совокупность

режимов

сети

за

расчетный

период

и

соответ

-

ствующая

величина

потерь

, 

рассчитанная

поэлементным

и

порежимным

суммированием

. 

Расчетный

период

 — 3 

ме

-

сяца

 (

T

 = 2208 

ч

). 

РАСЧЕТ

УСТАНОВИВШИХСЯ

РЕЖИМОВ

ЭЛЕКТРИЧЕСКИХ

СЕТЕЙ

С

ПОМОЩЬЮ

ИНС

Расчет

установившихся

режимов

электрических

сетей

(

РУРЭС

) 

занимает

основное

место

в

практике

работы

опера

-

тивно

-

диспетчерских

служб

ЭЭС

на

всех

территориальных

и

временных

уровнях

управления

и

планирования

 [20].

РУРЭС

используются

как

самостоятельно

, 

так

и

в

со

-

ставе

задач

оптимизации

режимов

, 

расчета

, 

анализа

, 

нор

-

мирования

потерь

энергии

и

планирования

мероприятий

по

снижению

потерь

энергии

в

ЭС

. 

Следует

отметить

, 

что

число

узлов

и

ветвей

больших

энер

-

госистем

достигает

нескольких

тысяч

, 

в

силу

чего

для

рас

-

чета

установившихся

режимов

электрических

систем

не

-

обходимо

решать

нелинейную

систему

алгебраических

уравнений

, 

которые

называются

Y

-, 

Z

- 

и

  (

Y

-

Z

)-

формами

моделей

 [21].

Моделирование

установившегося

режима

традицион

-

ными

методами

требует

больших

ресурсов

ЭВМ

и

занимает

много

времени

 [22].

Применение

ИНС

для

задачи

расчета

установившегося

режима

заключается

в

аппроксимации

законов

, 

связываю

-

щих

заданные

и

искомые

параметры

режима

, 

и

формиро

-

вании

тем

самым

явной

функции

X

 = 

F

(

Y

). 

Восстановление

функциональной

зависимости

X

 = 

F

(

Y

) 

в

классе

функций

, 

реализуемых

ИНС

, 

выполняется

на

равномерно

обучающей

выборке

комплексов

напряжений

X

. 

Обученная

ИНС

мгно

-

венно

воспроизводит

на

выходе

значения

искомых

перемен

-

ных

вектора

X

, 

которые

соответствуют

заданным

на

входе

значениями

вектора

Y

 [23].

Метод

нейросетевого

расчета

установившегося

режима

исследован

на

 24-

узловой

схеме

Коми

ЭЭС

. 

Разработчик

 — 

к

.

т

.

н

. 

В

.

Г

. 

Неуймин

 (

кафедра

 «

Автоматизированных

электри

-

ческих

систем

» 

УГТУ

–

УПИ

) [24].

Исследования

показали

, 

что

для

реализации

нейросете

-

вой

модели

потокораспределения

 24-

узловой

схемы

основ

-

ных

соединений

Коми

ЭЭС

достаточно

одного

скрытого

слоя

из

 80–100 

нейронов

. 

Результатом

построения

явилась

нейронная

сеть

с

од

-

ним

скрытым

слоем

из

 80 

нейронов

, 30 

входами

и

 42 

выхо

-

дами

. 

Параметр

функции

активации

нейронов

С

 = 0,5.

Обучение

нейронной

сети

выполнялось

на

сформиро

-

ванной

выборке

из

 600 

режимов

. 

Множество

режимов

гене

-

рировалось

случайным

изменением

активных

и

реактивных

нагрузок

узлов

, 

а

также

активных

мощностей

генерирующих

агрегатов

электростанций

по

равномерному

закону

в

диа

-

пазоне

значений

, 

полученных

из

анализа

ретроспективных

данных

.

Стандартная

среднеквадратичная

ошибка

расчета

па

-

раметров

режимов

при

тестировании

на

выборке

размер

-

ностью

 600, 

отличной

от

выборки

обучения

, 

не

превысила

0,02 

кВ

для

узловых

напряжений

и

 0,2 

МВт

и

 0,16 

МВАр

для

активного

и

реактивного

потокораспределения

соответ

-

ственно

. 

47

КРАТКИЕ

ВЫВОДЫ

Переход

с

аналоговых

на

цифровые

системы

управления

с

широким

использованием

нейросетевых

технологий

и

ней

-

рокомпьютинга

все

более

занимает

умы

разработчиков

и

эксплуатационщиков

современных

электроэнергетических

систем

, 

в

том

числе

в

России

. 

На

приведенных

нами

приме

-

рах

показано

, 

что

ИНС

 — 

весьма

эффективный

инструмент

для

решения

задач

текущего

планирования

и

оперативного

управления

режимами

функционирования

ЭЭС

: 

управление

потоками

электроэнергии

в

сетях

, 

регулирование

напряжения

и

обеспечение

максимальной

мощности

. 

ИНС

позволяют

повысить

точность

прогнозирования

электропотребления

  (

предсказание

нагрузки

) 

до

уровня

96–97%. 

С

помощью

ИНС

, 

говоря

о

перспективе

, 

можно

не

только

ускорить

процесс

диагностики

оборудования

электростанций

и

высоковольтных

ВЛ

с

целью

определения

неисправностей

, 

но

и

производить

его

в

режиме

реального

времени

.

Возможно

, 

ИНС

и

есть

тот

самый

компонент

, 

которого

пока

недостает

при

обосновании

концепции

 Smart Grid 

как

ка

-

чественно

нового

этапа

развития

современной

электроэнер

-

гетики

и

электросетевого

комплекса

.  

ЛИТЕРАТУРА

:

1. 

Симонов

Н

. 

Три

волны

ИИ

 // STI

МУЛ

. 

Журнал

об

инновациях

в

России

. URL: https://stimul.online/articles/science-and-technology/

tri-volny-ii/.

2. 

Мао

Ж

., 

Джейн

Э

. 

Введение

в

искусственные

нейронные

сети

 // 

От

-

крытые

системы

. 

СУБД

, 1997, 

№

 4. 

С

. 16–24.

3. 

Кириченко

А

.

А

. 

Нейропакеты

 — 

современный

интеллектуальный

инструмент

исследователя

. 

М

.: 

НИУ

 «

ВШЭ

», 2013. 

С

. 5. 

4.  Chan Edward H.P. Using Neural Network to Interpret Multiple Alarms. 

IEEE Comput. Appl. Power, 1990, No 2, pp. 33-37. 

5.  Aggoune M.E., Vadari S.V. Use of Arti

fi

 cial Neural Networks in 

a Dispatcher Training Simulator for Power System Dynamic Security 
Assessment. IEEE Int. Conf. Syst., Man, and Cybern., Los Angeles, 
Calif., Nov. 4-7, 1990: Conf. Proc. New York (NY), 1990, pp. 233-238. 

6. 

Панасецкий

Д

.

А

., 

Томин

Н

.

В

., 

Курбанский

В

.

Г

., 

Воропай

Н

.

И

., 

Ефимов

Д

.

Н

. 

Интеллектуальное

противоаварийное

управление

режимами

энергосистем

 / XII 

Всероссийское

совещание

по

проблемам

управ

-

ления

  (

ВСПУ

-2014), 

Москва

, 16–19 

июня

 2014 

г

. 

Сб

. 

трудов

конф

. 

М

.: 

Институт

проблем

управления

им

. 

В

.

А

.

Трапезникова

 (

РАН

), 2014. 

С

. 4770–4782.

7. 

Лескин

С

.

Т

., 

Слободчук

В

.

И

., 

Шелегов

А

.

С

., 

Лапшин

М

.

Р

. 

Диагности

-

ка

ГЦН

ВВЭР

-100 

по

данным

оперативно

-

технологического

контроля

/ 7-

я

Международная

научно

-

техническая

конференция

 «

Обеспече

-

ние

безопасности

АЭС

с

ВВЭР

», 17–20 

мая

 2011 

г

., 

Подольск

, 

ОАО

«

ОКБ

 «

Гидропресс

».

8. 

Чыонг

Ван

К

.

Н

., 

Воробьев

Ю

.

Б

. 

Система

распознавания

типа

аварий

на

атомных

электростанциях

 // 

Вестник

Московского

энергетическо

-

го

института

, 2015, 

№

 4. 

С

. 14–20. 

9. 

Миндрин

В

.

И

., 

Пачурин

Г

.

В

., 

Ребрушкин

М

.

Н

. 

Виды

и

причины

вибра

-

ции

энергетических

машин

 // 

Современные

наукоемкие

технологии

, 

2015, 

№

 5. 

С

. 32–36.

10. 

РД

 24.023.117-88. 

Измерение

вибрации

и

оценка

вибрационного

со

-

стояния

вертикальных

гидравлических

турбин

. 

НПО

ЦКТИ

. 

Ленин

-

град

, 1988. 

11. 

Галушкин

А

.

И

., 

Томашевич

Н

.

С

., 

Рябцев

Е

.

И

. 

Нейрокомпьютеры

в

прикладных

задачах

обработки

изображений

. 

Кн

. 25 // 

Нейроком

-

пьютеры

: 

разработка

, 

применение

, 2006, 

№

 11–12.

12.  Bacha H., Mayer W. Automated load forecasting using neural networks. 

Proc. Amer. Power Conf., Chicago (III), 1992, vol. 54, p. 1149.

13. Peng T.M., Hubele N.F., Karady G.G. Conceptual approach to the 

application neural networks for short-term load forecasting. IEEE 

Int. Symp. Circuits and Syst., New Orleans La, May 1-3, 1990, vol. 4, 
pp. 2942–2945, 3030.

14.  Khotanzad A. and oth. An adaptive modular Arti

fi

 cial neural network 

Honrly Forecaster and its Implementation at Electric utilities. IEEE Trans. 
on Power System, 1996, vol. 1, no 3. 

15. 

Короткевич

М

.

А

., 

Курачинский

В

.

В

. 

Прогнозирование

электрической

нагрузки

энергосистемы

на

следующие

сутки

с

использованием

ме

-

тода

искусственных

нейронных

сетей

 // 

Известия

высших

учебных

. 

Энергетика

, 2010, 

№

 2. 

С

. 5–11.

16. 

Соломкин

А

.

В

. 

Применение

нейросетевых

методов

для

прогнозиро

-

вания

потребления

электроэнергии

 // 

Электроника

и

информацион

-

ные

технологии

, 2009, 

№

 3. 

С

. 1–4.

17. 

Староверов

Б

.

А

., 

Мормылев

М

.

А

. 

Комплексное

применение

нейрон

-

ных

сетей

для

автоматизации

прогнозирования

электропотребления

на

региональном

уровне

 // 

Вестник

ИГЭУ

, 2009, 

№

 4. 

С

. 78–81.

18. 

Шумилов

Г

.

П

., 

Готман

Н

.

Э

., 

Старцева

Т

.

Б

. 

Прогнозирование

элек

-

трических

нагрузок

при

оперативном

управлении

электроэнергети

-

ческими

системами

на

основе

нейросетевых

структур

. 

Сыктывкар

: 

КНЦ

УрО

РАН

, 2008. 85 

с

.

19. 

Кольцов

Ю

.

В

., 

Бобошко

Е

.