Содержание к диссертации
Введение
Глава 1. Проблема оценки состояния электроэнергетической системы и анализ методов ее решения 13
Глава 2. Разработка модели энергосистемы для оценки участия отдельных генерирующих объектов в ОПРЧ и алгоритма вычисления коэффициентов их участия в ОПРЧ для применения в автоматизированной экспертной системе 29
2.1 Регулирование частоты и мощности в энергосистемах 29
2.2 Разработка модели оценки участия отдельных генерирующих объектов в ОПРЧ 34
2.2.1 Структура модели 34
2.2.2 Алгоритм идентификации 34
2.2.3. Разработка алгоритмов идентификации на базе виртуальных моделей 35
2.3 Вычисление коэффициентов участия агрегатов в ОПРЧ 38
Выводы по главе 2 40
Глава 3. Методика разработки интеллектуальной системы оценки и прогнозирования текущего состояния генерирующих мощностей на основе интеллектуального анализа технологических данных 41
3.1. Построение базы технологических знаний 42
3.1.1. Контрольные испытания. Методика и перечень регистрируемых параметров 42
3.1.2. Методика построения базы технологических знаний 45
3.1.3. Построение эквивалентных динамических моделей агрегатов при помощи алгоритмов ассоциативного поиска. 53
3.1.4. Оценка состояния агрегата (с точки зрения его готовности к ОПРЧ) по данным реальной эксплуатации. 56
Выводы по главе 3 58
Глава 4. Программный комплекс оценки участия отдельных генерирующих объектов в ОПРЧ, вычисления коэффициентов их участия в ОПРЧ и тестирование его работы на реальных данных. 59
4.1. Программный комплекс обработки данных мониторинга и анализа степени участия генерирующих мощностей в ОПРЧ . 59
4.2. Результаты обработки данных 67
Выводы по главе 4 81
Основные результаты работы 82
Литература 83
Приложение 1 99
Приложение 2 100
- Проблема оценки состояния электроэнергетической системы и анализ методов ее решения
- Разработка модели оценки участия отдельных генерирующих объектов в ОПРЧ
- Контрольные испытания. Методика и перечень регистрируемых параметров
- Программный комплекс обработки данных мониторинга и анализа степени участия генерирующих мощностей в ОПРЧ
Введение к работе
Актуальность темы. Технологическую основу инновационной модернизации энергетики России составляет сегодня задача создания интеллектуальной электроэнергетической системы России с активно-адаптивной сетью (ИЭС ААС), в разработке концепции которой приняли участие ведущие российские научные и проектные организации.
ИЭС ААС представляет собой не только объекты генерации, линии электропередачи различных классов, активные устройства по преобразованию электроэнергии, коммутационные аппараты, устройства защиты и автоматики, но и современные информационно-технологические и управляющие системы.
Одной из основных задач, определяющих преимущества Системы координированного адаптивного управления ЕЭС на базе активно-адаптивных сетей, является разработка и внедрение методов, динамических моделей и интеллектуальных алгоритмов оценки состояния и адаптивного управления для повышения эффективности функционирования электроэнергетических систем.
Система координированного управления ИЭС ААС должна представлять собой интеллектуализированный информационно-алгоритмический комплекс, интегрируемый с системами контроля параметров процессов энергосистемы. Система позволит в режиме реального времени не только осуществлять мониторинг текущего состояния энергосистемы и всех ее элементов, но и будет осуществлять автоматическое адаптивное управление различными процессами. Такой, качественно новый, подход к управлению обеспечит как надежное электроснабжение потребителей, так и энергоэффективность и устойчивость функционирования электроэнергетической системы в целом.
Поэтому актуальной является задача построения идентификационных моделей реального времени сложных нелинейных динамических объектов, таких как энергообъекты и энергосистемы.
Цель диссертационной работы состоит в разработке алгоритмов идентификации, осуществляющих построение моделей реального времени энергообъектов по данным реального функционирования, и их исследовании.
Достижение поставленной цели потребовало решения следующих основных задач:
Разработка алгоритмов, позволяющих по данным реального функционирования энергосистемы оценить, выполняют ли отдельные энергетические объекты свои обязательства по участию в общем первичном регулировании частоты (ОПРЧ).
Разработка процедуры ранжирования оценки степени участия объектов электроэнергетики в ОПРЧ, на основе которой вырабатываются меры по устранению нарушения регламентов и решения по управлению.
Разработка алгоритмов идентификации, позволяющих анализировать техническое состояние генерирующего оборудования в ходе его реальной эксплуатации и определять его соответствие требованиям к участию в ОПРЧ на основе технологии интеллектуального мониторинга переходных режимов – в качестве альтернативы дорогостоящим сертификационным испытаниям.
Разработка методики создания программных комплексов - виртуальных анализаторов участия субъектов электроэнергетики в общем первичном регулировании частоты для выявления грубых нарушений регламента.
Методы исследования. Методы идентификации систем управления, методы анализа данных, методы ассоциативного поиска, методы разработки баз данных.
Связь с планом. Исследования по теме диссертационной работы проводились в соответствии с плановой тематикой работ ИПУ РАН в рамках координационных планов РАН.
Научная новизна. В результате проведенных исследований осуществлены:
Разработка алгоритмов идентификации состояния энергообъектов с использованием процедуры ассоциативного поиска по статистическим данным значений частоты и мощности.
Создание алгоритмов оценки состояния генерирующих мощностей с точки зрения качества их участия в процессе ОПРЧ на основе интеллектуальных прогнозирующих моделей с использованием технологии систем мониторинга переходных режимов.
Разработка методологии автоматической дистанционной диагностики готовности генерирующего оборудования к общему
первичному регулированию частоты ОПРЧ, основанной на применении интеллектуальных прогнозирующих моделей в ходе реальной эксплуатации.
Практическая значимость диссертационной работы заключается в разработке идентификационных моделей и методов, предоставляющих возможность:
оценить степень участия субъектов электроэнергетики в ОПРЧ по реализациям частоты и мощности во время сильных отклонений частоты.
оценивать состояние генерирующих мощностей с точки зрения соответствия их параметров значениям, необходимым для участия в ОПРЧ, в ходе реальной эксплуатации.
Реализация результатов работы. Результаты теоретического исследования разработанных автором идентификационных моделей, алгоритмов и методик, получили акты и справки о внедрении в ЦДУ РАО ЕЭС и в НТЦ ОАО ФСК.
Личный вклад. Все основные результаты получены автором.
Апробация работы. Результаты диссертационной работы докладывались на семинарах ИПУ РАН, всероссийских и международных конференциях («Информационные технологии и математическое моделирование систем», Франция, 2010; Италия, 2011, 2012; «Управление в технических системах» (УТС), Санкт-Петербург, 2010; «PACO’2012»).
Публикации. По теме диссертационной работы автором опубликовано 8 печатных работ, в том числе 2 статьи в ведущих рецензируемых журналах.
Объем и структура работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и двух приложений. Диссертация изложена на 111 страницах, список литературы включает 137 наименований. Приложение 1 содержит акт, подтверждающий внедрение результатов диссертационной работы.
Проблема оценки состояния электроэнергетической системы и анализ методов ее решения
Парадигма технологического управления режимами и эксплуатацией интеллектуальной электроэнергетической системы России с активно-адаптивной сетью должна предусматривать разработку интегрированной информационно-управляющей системы, которая будет осуществлять глобальный мониторинг, контроль и управление функционированием всех секторов ИЭС ААС: производством, транспортировкой, сбытом и потреблением электроэнергии [1].
В интеллектуальных сетях должны использоваться современные интеллектуальные средства управления, оперативно реагирующие на изменения различных параметров в энергосистеме, оптимизирующие потери при дистрибуции энергии и управляющие потоками электроэнергии при снижении влияния человеческого фактора [2]. Очевидной становится необходимость корректировки управления режимами на основе динамических моделей энергообъектов реального времени и адаптивных алгоритмов – для поддержания режима в допустимой области при любых изменениях [3].
Традиционно выделяют быстрые и медленные процессы управления в энергосистеме [4]. К первой категории относят такие процессы, управление которыми возможно только в автоматическом режиме. Вторую категорию составляют процессы, управление которыми осуществляется диспетчерским персоналом.
При оперативном управлении «медленными» процессами» эффективность принятия решения можно значительно повысить, если для лица, принимающего решение, будет разработана система поддержки принятия решения [3]. Базу для управления процессами обеих категорий до сегодняшнего времени составляют т.н. расчетные методы, наиболее полный обзор которых представлен в работе [5]. Многочисленные программные приложения, реализующие эти методы, были созданы в 70-80-е годы. Они разрабатывались с учетом вычислительных возможностей компьютерной техники того времени, а именно, низкого быстродействия и небольшого объема оперативной памяти. Появление персональных ЭВМ стало импульсом к созданию методов и соответствующих программных приложений [6-8], реализующих интерактивный режим, что существенно повысило эффективность диспетчерского управления. Появление первых автоматизированных систем диспетчерского управления (АСДУ) относится к концу 90-х годов прошлого столетия [4]. Их первая версия явилась прообразом современных систем поддержки принятия решений, предоставляя диспетчеру структурированную и агрегированную необходимую информацию. Новый этап в развитии систем управления режимом охарактеризовался появлением программных средств, реализующих оперативно-информационные комплексы (ОИК). С помощью расчетной подсистемы (РП) таких систем стало возможным предоставление диспетчеру рекомендаций по оперативному управлению режимом на основе непрерывно контролируемой информации о реальном составе оборудования, схеме сети, режиме работы, других факторов.
Основы систем противоаварийного управления, повсеместно применяемых сегодня в энергосистеме России [8], также закладывались в это время. Если системы первого поколения только анализировали послеаварийный режим и осуществляли проверку выполнений таблично заданных условий, то сегодня системы противоаварийного управления способны проводить оперативный анализ статической устойчивости и осуществлять адаптивное управление. В работе [5] описаны основные функции расчетных подсистем, используемых в современных ОИК и системах противоаварийной автоматики, связанные с расчетом установившихся режимов: Расчеты распределения потоков для текущей схемы сети для оперативного прогноза режимных ситуаций. Оперативный анализ потоко-распределения при отключении или включении заданных элементов сети. Поиск мест наиболее опасных возмущений (небалансы мощности, коммутации). Расчет потоко-распределения с фиксацией необходимых потоков мощности в межсистемных линиях или заданных сечениях. Выявление слабых сечений и выдача рекомендаций по коррекции режима с целью улучшения его по некоторым критериям. Оценка управляемости необходимых перетоков в линиях и сечениях. Обеспечение ввода в зону управляемости. Оперативный расчет предельных и допустимых режимов. Выбор управляющих воздействий, т.н. упрощенная оптимизация вариантов управления. Определение запасов устойчивости анализируемого режима с возможным поиском наиболее опасного вектора утяжеления.
Поскольку в полном объеме в реальном времени решение этих задач оказалось невозможным, определение предельных режимов и предельно допустимых перетоков в настоящее время уже не являются сегодня задачами систем реального времени, а решаются вне контура оперативного управления. Эффективное решение таких задач управления в энергосистеме, как: автоматическое адаптивное управление изменением параметров и топологии сети по текущим режимным условиям, регулирование напряжения в узлах сети, комплексный учет электрической энергии (на границах раздела сети и на подстанциях) и многих других, невозможно без достаточно достоверной и полной информации о параметрах, характеризующих экономичность режима, качество электроэнергии и условия работы контролируемого оборудования [4,9-10]. В современных АСДУ важную роль играют модули расчета текущих режимов на основе телеметрических замеров. Расчет осуществляется методами статической и динамической оценки состояния [11-29].
Недостаточное для решения определенной задачи количество телеизмерений в современных электроэнергетических системах не позволяет получить данные о параметрах режимов в объеме, позволяющем строить статистические модели [30], и при оперативном управлении используется дополнительная априорная информация. Она генерируется на основе формализации и обработки данных, получаемых из диспетчерских ведомостей. В частности, результатом обработки может быть прогноз отдельных параметров, осуществляемый специализированным программным приложением [31]. Определение установившегося режима по данным измерений и дополнительной информации о параметрах режима («псевдо-измерений») получило название оценивания состояния электроэнергетических систем. Оценка состояния определяется посредством нахождения основной характеристики режима – «вектора состояния», в качестве которого обычно принимаются фазы и модули, или вещественные и мнимые составляющие узловых напряжений. На основе вектора состояния определяются контролируемые параметры режима [12, 32-34].
Разработка модели оценки участия отдельных генерирующих объектов в ОПРЧ
Для формирования оценки степени участия генерирующего оборудования в ОПРЧ Системный оператор (СО) располагает архивом реализаций частоты и мощности за некоторое время до и некоторое время после значительного скачка частоты. Только такая – довольно скудная – информация, получаемая далеко не со всех единиц оборудования, может быть получена в автоматическом режиме. Поэтому для Системного оператора важно получить оценку степени участия генерирующего оборудования в ОПРЧ, которая была бы достаточно достоверной для дальнейшего экспертного анализа состояния энергосистемы.
Влияние различных элементов энергосистемы друг на друга осуществляется через общие каналы распределения энергии и выражается в статистической зависимости их выходных характеристик. Входными данными для моделей служат реализации мощностей агрегатов. Выходом модели является реализация частоты. Т.е. при построении модели решается задача о влиянии мощностей агрегатов на частоту энергосистемы.
Процессы, характеризующие работу энергосистемы, являются нелинейными. Для анализа работы энергосистемы по данным реального функционирования используется алгоритм идентификации с непрерывной самонастройкой в режиме реального времени на основе виртуальных моделей [88].
В любой выбранный для анализа момент времени каждый раз создается новая модель (вместо аппроксимации реального процесса во времени). Для построения модели формируется временная база данных архивной и текущей технологической информации. После определения прогноза выхода по текущему состоянию объекта эта виртуальная база уничтожается без запоминания. Линейная динамическая модель имеет следующий вид: , (2.1) где – прогноз выхода объекта на момент времени . В данном случае в качестве выхода рассматривается частота. – вектор входных воздействий (компоненты его представляют собой мощности отдельных генерирующих объектов), – глубина памяти по выходу, – глубина памяти по входу, – размерность вектора входов.
Алгоритм идентификации состоит в построении в каждый момент времени аппроксимирующей гиперповерхности пространства входных векторов и соответствующих им одномерных выходов (рис. 2.1). Для построения виртуальной модели, соответствующей некоторому моменту времени, из архива выбираются входные векторы, в определенном смысле близкие к текущему входному вектору. Критерий отбора векторов описан ниже. Размерность этой гиперповерхности выбирается эвристически. Далее на основе классического (не рекуррентного) метода наименьших квадратов (МНК) определяется значение выхода в следующий момент времени.
Необходимо подчеркнуть, что такой алгоритм не строит единственную аппроксимирующую модель реального процесса – он строит новую модель для каждого момента времени, являясь при этом эффективным алгоритмом идентификации, поскольку оценки параметров в любой момент времени являются наилучшими в смысле среднеквадратической ошибки. При этом каждая точка глобальной нелинейной поверхности регрессии получается в результате использования линейных «локальных» моделей. Ряд моментов потребовал дополнительных исследований, в частности, возможные методы построения аппроксимирующей гиперповерхности и определение ее размерности. Критерий отбора входных векторов из архива для построения виртуальной модели в данный момент времени по текущему состоянию объекта состоял в том, что на первом шаге выбиралась точка пространства векторов (S-мерный вектор входов, где S – количество анализируемых агрегатов), для которой модуль разности первой компоненты и, соответственно, первой компоненты текущего входного вектора, принимал минимальное значение по всему массиву архива входов. Далее из ранжированных по возрастанию модулей разностей первых компонент выбиралась точка в пространстве входов, для которой минимальное значение принимал модуль разности вторых компонент, и так далее. По такой схеме отбиралось R точек, без гарантии, что получаемая система линейных уравнений будет иметь решение. Для преодоления описанных проблем и с целью увеличения быстродействия было предложено применить следующий подход. В отличие от классических регрессионных моделей, для каждого фиксированного момента времени из архива выбираются векторы входов, близкие к текущему входному вектору в смысле определенного критерия (а не в хронологической последовательности). Критерии отбора получили название критериев ассоциативного поиска. Таким образом, в формуле (2.1) n представляет собой количество векторов из архива (от момента времени 1 до момента N), выбранных по критерию ассоциативного поиска. На каждом отрезке времени выбирается определенный набор из n векторов, Критерий отбора входных векторов из архива для построения виртуальной модели в данный момент времени по текущему состоянию объекта может быть следующим. Введем в качестве расстояния (нормы в ) между точками S-мерного пространства входов величину: Предлагаемая процедура построения аппроксимирующей поверхности обладает бльшим быстродействием по сравнению с обычным перебором, поскольку величины для всех моментов времени, предшествующих N, могут быть на этапе обучения однократно определены и ранжированы, а по мере поступления нового входа этот ряд пополняется новым членом. Вычисление коэффициентов участия агрегатов в ОПРЧ для каждого конкретного случая значительного отклонения частоты производится следующим образом. Для анализа энергообъекты можно ранжировать в соответствии со значением этих коэффициентов. Таким образом, получена количественная оценка степени участия агрегатов в процессе ОПРЧ. Эта оценка используется в пилотном варианте программного комплекса экспертной оценки степени участия генерирующих мощностей в ОПРЧ, описание разработки которого представлено ниже.
Контрольные испытания. Методика и перечень регистрируемых параметров
Контрольные испытания энергоустановки на готовность к участию в первичном регулировании частоты (ПРЧ) включают, в частности, испытания системы регулирования частоты вращения каждой турбины.
Готовность агрегатов к участию в ПРЧ определяется в результате испытаний ПРЧ агрегатов: контрольных испытаний – для агрегатов общего ПРЧ и сертификационных испытаний – для агрегатов нормированного ПРЧ. В ходе испытаний проверяется соответствие экспериментальных переходных характеристик (ПХ) первичной мощности контролируемых агрегатов требуемым ПХ при возмущениях агрегатов по частоте ЕЭС.
Соответствие экспериментальной ПХ системы ПРЧ требуемой обеспечивается для данного типа оборудования агрегата настройкой САР технологических параметров его режима: положения регулирующего органа турбины, давления пара перед турбиной, расхода топлива и электрической мощности генератора.
Комплексные испытания проводятся в соответствии с рабочей программой. Программа комплексных испытаний должна быть согласована с Cистемным оператором (Центральным диспетчерским управлением). Комплексные испытания проводятся в двух диапазонах нагрузок: при 90-100% номинальной нагрузки и вблизи нижнего предела регулировочного диапазона. Для каждой нагрузки строятся представительные графики переходных процессов по активной мощности и давлению пара перед турбиной каждого энергоблока.
В базу технологических знаний заносится набор знаний, необходимый для решения поставленной выше задачи оценки состояния генерирующего оборудования с точки зрения его готовности к ОПРЧ. Знания в данном контексте представляют собой формализованные закономерности, характеризующие технологический процесс и извлеченные из анализа данных реального функционирования этого процесса. Такой способ получения знаний получил название индуктивного обучения [127] .
Согласно предлагаемой методике, база технологических знаний должна состоять из нескольких уровней. После проведения контрольных испытаний следующие их результаты: полученные переходные характеристики, реализации параметров (РП) агрегата, тип турбин (марка), статизм и зона нечувствительности по частоте регуляторов, скорости турбин, статизм и зона нечувствительности частотных корректоров регуляторов мощности (при наличии) заносятся в базу знаний. В аспекте индуктивного обучения эти знания можно считать базовыми.
Уровень 2. Следующим «слоем» базы знаний является набор реальных (полученных по результатам функционирования) измерений («реализаций») частоты (РЧ) со значимым отклонением (изменения частоты во время реализации больше 10 мГц на промежутке времени меньше 1 мин.). Реализация заносится на промежутке времени 10 минут от момента скачка частоты.
Следующим элементом методики построения базы технологических знаний является определение множества входных параметров поведения агрегата в различных режимах функционирования – для процесса симулирования поведения агрегата на расчетной «эквивалентной» модели (ЭМ). ЭМ существуют практически для каждого распространенного типа агрегатов. Разработаны как теоретические основы построения таких моделей, так и модели для конкретных типов агрегатов. Они положены в основу тренажеров [50-51, 128-130] для персонала станций и достаточно адекватно описывают поведение агрегатов в различных режимах эксплуатации. Модели, на которых основаны современные тренажеры, позволяют во время эксплуатации обратить внимание на потенциальные проблемы измеряющих устройств реального объекта (датчики, термопары) или реальной АСУ, что объясняется следующими причинами. Если параметры какого-либо статического режима на тренажере и на реальном объекте не совпадают, то во многих случаях именно параметры на тренажере являются «правильными», а на реальном блоке есть технические проблемы либо с АСУ, либо с реальными измерительными устройствами [131].
Следует отметить, что эти модели содержат также параметры, которые не могут быть измерены на реальном агрегате, но оказывают существенное влияние на поведение агрегата во времени. Например, для автоматического регулятора скорости, который является управляющим элементом, обеспечивающим определенную реакцию агрегата на изменение частоты в энергосистеме, таковыми являются постоянная времени сервомотора и скорость сервомотора. Эти параметры не измеряются системами мониторинга, но оказывают существенное влияние на переходные характеристики агрегата.
В результате экспертного анализа реальных факторов, которые могут влиять на переходную характеристику агрегата (режим по мощности, состояние котла, настройки системы управления и т.п.), создается перечень наиболее сильно влияющих факторов, диапазон и дискретность их изменения.
Для каждого фактора из полученного перечня определяется набор возможных значений, принимаемых этим фактором. Количество значений должно быть не слишком большим, но и не настолько маленьким, чтобы влияние изменений данного фактора на переходную характеристику учитывалось достаточно адекватно. Наборы полученных значений представляют собой, например, множество значений постоянной времени в цепи обратной связи регулятора частоты вращения турбины или наборы возможных значений мощности агрегата, значений давления пара на входе в турбину.
Элементами базы знаний является также множество положений регулирующего органа относительно зоны нечувствительности. Оно состоит из трех значений: верхнее положение, нижнее положение и нулевое положение.
Следует отметить, что множество параметров, на основе которого производится расчет поведения агрегата, существенно шире множества технологических параметров, измеряемых в ходе реальной эксплуатации агрегата. Это, например, значение постоянной времени в цепи обратной связи регулятора частоты вращения турбины, время хода регулирующего органа турбины, и т.п. Однако эти параметры агрегата существенно влияют на вид переходной характеристики агрегата.
Уровень 4. Далее формируется множество параметров, на основе которых производится моделирование поведения агрегата на ЭМ. Элементами данного множества являются наборы из элементов вышеперечисленных множеств реализаций и множеств значений факторов. Количество элементов множества равно произведению количества элементов в исходных множествах.
Программный комплекс обработки данных мониторинга и анализа степени участия генерирующих мощностей в ОПРЧ
Предложенные в главе 2 алгоритмы [132-137] были реализованы в виде программного комплекса, который можно использовать для экспертной оценки участия агрегатов в ОПРЧ на основе данных телеметрии, полученных во время значимых отклонений частоты в энергосистеме. Методика создания данного программного приложения представлена в настоящей главе.
Реальные данные телеметрии для тестирования алгоритмов и программного комплекса были предоставлены в виде таблиц Excel. Для преобразования полученных данных и обработки их при помощи предложенных алгоритмов ассоциативного поиска была разработана структура программного комплекса и создан его пилотный вариант. Комплекс состоит из трех частей, объединенных единым интерфейсом: Блок преобразования данных из таблиц Excel в формат для обработки и запись этих данных в базу данных. Блок вычисления коэффициентов степени участия агрегатов в ОПРЧ на основе алгоритмов ассоциативного поиска Блок визуализации графиков поведения генерируемой агрегатами мощности во времени с наложением на них графика частоты энергосистемы для наглядного представления результатов работы комплекса экспертам, принимающим решение об участии или не участии агрегатов в ОПРЧ. Были разработаны требования комплекса к аппаратному и программному обеспечению: ПЭВМ IBM-PC с процессором не ниже P-III 1 ГГц, объемом ОЗУ 1Гб, операционная система WIN XP SP3, установленный пакет MS Office 2003 (с другими версиями пакета программа не тестировалась), база данных Interbase 6.5 или выше. Были разработаны требования к Интерфейсу комплекса (рис. 4.1).
Последовательность работы подсистем Комплекса должна быть следующей.
Сначала должен быть выбран интервал выборки данных. Это – поля ввода выше кнопки «Получение данных». Левое поле – это количество пропущенных измерений в начале выборки. Правое поле – номер последнего импортируемого измерения из выборки.
Далее в соответствии с алгоритмами, описанными в главе 2 (алгоритмы идентификации на основе ассоциативного поиска), вычисляются коэффициенты участия агрегатов в ОПРЧ. Интерфейс программы позволяет изменять три параметра: значение верхнего порога (см. описание алгоритма в главе 2); количество выбираемых векторов; нижний порог для коэффициентов участия, выводимых в качестве результата. Нажатием кнопки «Расчет коэффициентов» инициируем процесс. В результате в левом окне выводятся номера агрегатов и их коэффициенты (рис.4.5):
Результаты можно скопировать для дальнейшего использования. После расчета коэффициентов можно приступать к их визуальному контролю и анализу. Для этого нажимаем кнопку «Просмотр графиков». На экран слева выводится таблица с номерами агрегатов и их коэффициентами (рис. 4.6):
Такое представление частоты и мощности на одном графике более наглядно представляет эксперту информацию для принятия решения. Для просмотра графика по другому агрегату нужно установить на него курсор в таблице и нажать кнопку «Показать график». После закрытия программы в базе данных остаются последние импортированные данные, и их анализ можно продолжить с нажатия копки «Просмотр графиков». Для анализа следующего случая необходимо закрыть и снова открыть программу. Затем повторить всю последовательность операций.
Целью тестирования комплекса на реальных данных является оценка его пригодности для применения в экспертной системе оценки степени участия агрегатов в ОПРЧ по данным реальной эксплуатации. Для тестирования были предоставлены реализации частоты и мощности, зарегистрированные в системах мониторинга для нескольких случаев значительных изменений частоты в системе.
Анализ показал, что скорее всего ошибочно был выбран блок PG_9137, у которого мощность изменялась только на 1 ступень измерения мощности системой регистрации параметров. Но это изменение мощности было произведено тогда, когда это требовалось для правильного регулирования частоты в системе. Это наглядно видно на графике (рис. 4.19):
Таким образом было проанализировано 97 агрегатов. Из них не выбрано ни одного. Пропущенных агрегатов нет. По приведенным здесь примерам работы программного комплекса можно сделать следующие выводы.
Было проанализировано поведение 198 агрегатов различных типов. Из них алгоритм отметил как участвовавшие в ОПРЧ 15 агрегатов. По коэффициентам участия ошибочно или условно ошибочно (как именно – решение должно приниматься экспертами) отмечено 4 агрегата. Особо отметим, что нет ни одного агрегата, участвовавшего в ОПРЧ и не отмеченного алгоритмом.
Таким образом, можно констатировать высокую (по данным проведенного эксперимента) надежность отсеивания агрегатов, не участвовавших в ОПРЧ, и очень высокую вероятность отсутствия пропуска алгоритмом агрегатов, участвовавших в ОПРЧ. Это позволяет экспертам быстро, квалифицированно и с высокой достоверностью принимать соответствующие решения.
