Опыт и перспективы применения искусственных нейронных сетей в электроэнергетике

Page 1
background image

Page 2
background image

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


Page 3
background image

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


Page 4
background image

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


Page 5
background image

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

 

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


Page 6
background image

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