Содержание к диссертации
Введение
Глава I. Постановка задач анализа и прогнозирования режимных параметров и характеристик для субъектов розничного рынка электроэнергии 12
1.1. Задача анализа режимных параметров и характеристик для субъектов розничного рынка электроэнергии ... ...12
1.1.1. Анализ режимных параметров и характеристик для электрических сетей субъектов розничного рынка. 12
1.1.2. Анализ потерь электрической энергии в электрических сетях субъектов розничного рынка 16
1.2. Общая характеристика методов анализа данных и визуализациии, возможности их применения в задачах электроэнергетики 22
1.3. Задача прогнозирования режимных параметров и характеристик в электрических сетях субъектов розничного рынка 31
1.4. Обзор существующих методов прогнозирования и их практическая реализация в задачах электроэнергетики 39
1.5. Выводы к главе 1 54
Глава 2. Технологии искусственного интеллекта в задачах электроэнергетики 55
2.1. Характеристика программных продуктов по искусственным нейронным сетям и генетическим алгоритмам 55
2.2. Обзор практического использования искусственных нейронных сетей в электроэнергетических задачах..59
2.3. Структура искусственных нейронных сетей 65
2.4. Генетические алгоритмы 74
2.5. Процедуры предварительной обработки информации на базе нелинейного анализа данных и структур искусственных нейронных сетей и генетических алгоритмов , 76
2.6. Выводы к главе 2 .,..,..,,.79
Глава 3. Применение методов искусственного интеллекта в задачах анализа и прогнозирования режимных параметров и характеристик в электрических сетях субъектов розничного рынка 80
3.1. Кластерный анализ и визуализация режимных параметров и характеристик в электрических сетях на базе карт Кохонена 80
3.2. Кластерный анализ потерь электрической энергии на базе карт Кохонена 92
3.3. Прогнозирование режимных параметров и характеристик в электрических сетях с использованием методов искусственного интеллекта 102
3.4. Сравнительный анализ предложенных подходов с существующими про-граммными реализациями методов анализа и прогнозирования режимных параметров и характеристик . 114
3.4.1. Программный комплекс «РАП-95» 114
3.4.2. Программный комплекс по прогнозированию процессов электропотребления «ПРОГНОЗ» 119
3.5. Выводы к главе 3 123
Глава 4. Результаты исследований 124
4.1. Анализ расчётных и сверхнормативных потерь электроэнергии в электрических сетях Братского энергорайона 125
4.2. Анализ потребления электрической энергии бытовым сектором в электрических сетях Братского энергорайона 140
4.3. Суточное прогнозирование электрической нагрузки в энергорайонах г. Ир- ^ кутска 148
4.4. Прогнозирование сверхнормативных потерь в распределительных электрических сетях Братского энергорайона 154
4.5. Прогнозирование температуры наружного воздуха для тепловых сетей Братского энергорайона ..159
4.6. Выводы к главе 4 164
Заключение 168.
Список использованной литературы
- Задача анализа режимных параметров и характеристик для субъектов розничного рынка электроэнергии
- Характеристика программных продуктов по искусственным нейронным сетям и генетическим алгоритмам
- Кластерный анализ и визуализация режимных параметров и характеристик в электрических сетях на базе карт Кохонена
- Анализ расчётных и сверхнормативных потерь электроэнергии в электрических сетях Братского энергорайона
Введение к работе
Актуальность проблемы. В современных условиях реформирования электроэнергетики России и перехода оптового рынка электроэнергии (ЭЭ) к розничному [1], первоочередной задачей является формирование новых отношений между субъектами рынка при обеспечении чётко отлаженных взаимоотношений между потребителем" и энергоснабжатощей организацией.
В соответствия с Федеральным законом «Об электроэнергетике» [2] на розничных рынках электроэнергии (РРЭ) основными участниками являются оптовые иокуиители-нерепродавпы (зиершебытовые организаций - ЭСО) и потребители (рис. В.1). Взаимоотношения на рынке полностью контролирует государство в яйце региональных энергетических комиссий (РЖ) [3], кото рые устанавливают экономически обоснованные тарифы, как на отпуск, так и на покупку ЭЭ. Купля-продажа ЭЭ осуществляется по строго установленным тарифам. При превышении заявленного объёма потребления ЭЭ РЭК взимает штрафы, размер которых компенсирует расходы на дополнительную выработку ЭЭ.
Оптовый рынок ЭЭ состоит из двух частей:
• регулируемый сектор;
• сектор свободной торговли и балансирующий рынок.
Тарифы в регулируемом секторе определяет Федеральная служба по тарифам (ФСТ). Сектор свободной торговли предусматривает свободное ценообразование, когда тариф на ЭЭ является равновесной ценой спроса и предложения. Так, с 1-го ноября 2003 года в России введена продажа ЭЭ на федеральном оптовом рынке электроэнергии в размере до 15% от общей выработки по свободно формируемым ценам. Отклонения фактического графика нагрузок субъекта оптового рынка от заявленных значений больше определенного процента приводит к покупке электроэнергии с балансирующего рынка по более высокой цене. Отклонение в меньшую сторону также «карается» оплатой за недопоставленную электроэнергию, определяемую разницей между заявленным и фактическим потреблением ЭЭ по установленным расценкам.
Следует подчеркнуть, что изменение принципов функционирования отечественного рынка ЭЭ [3], приводит к повышению требований, предъявляемым к показателям качества прогнозных расчётов (точности, достоверности, информативности, быстродействию и т.д.). К сожалению, на сегодняшний момент далеко не все отечественные электрические сети и энергорайоны в должной степени обеспечены современными средствами учёта ЭЭ, что приводит к значительному дефициту исходной информации для задач анализа и прогнозирования, а, следовательно, затрудняет их решение.
Введение новых принципов функционирования рынков ЭЭ повлекло за собой и существенное изменение договоров энергоснабжения и купли продажи. Энергоснабжающие организации и потребители (субъекты РРЭ) в сложившихся на данный момент условиях заинтересованы в достоверном планировании (прогнозировании) потребностей в ЭЭ и проведении эффективного анализа по ее использованию. Вследствие этого существенно возрастает ответственность в достоверном решении задач анализа и прогнозирования режимных параметров [4, 5] (в первую очередь, электрической нагрузки потребителей, перетоков мощности и т.д.) и характеристик (потерь электроэнергии, температуры наружного воздуха и т.д.) для каждого конкретного эсо.
Одним из путей повышения качества решения указанных задач, с учётом выделенных проблем, является использование современных технологий искусственного интеллекта (ТИИ), в частности наиболее популярных и эффективных структур ТИИ - искусственных нейронных сетей (ИНС). Необходимо подчеркнуть, что ТИИ не связаны с алгоритмическими вычислениями, и, следовательно, не требуют построения сложных вычислительных моделей объекта. В нашей стране вопросами применения методов искусственного интеллекта для решения электроэнергетических задач занимаются в Институте систем энергетики им. Мелентьева СО РАН (ИСЭМ СО РАН), Отделе энергетики Института социально-экономических и энергетических проблем Севера Коми, Новосибирском государственном техническом университете (НГТУ), Уральском государственном техническом университете (УГТУ УПИ) и ряде других организаций. Решению отдельных аспектов этой многогранной проблемы посвящены работы Богатырёва Л.Л., Воропая Н.И., Гамма А.З., Глазуновой A.M., Колосок И.Н., Курбацкого В.Г., Манова Н.А., Манусова В.З., Михайлова М.Ю., Успенского М.И., Хохлова М.В., Чукреева Ю.Я., Этингова П.В. и других.
В данной работе представлены результаты исследований и практические методы решения задач анализа и прогнозирования режимных параметров и характеристик (РПХ) на базе современных ТИИ в системах электро в зарубежных публикациях используется термин «regim var» - режимная переменная энергетики низшего иерархического уровня [1; 6]. Предложенные подходы ориентированы для применения в расчётах энергосбытовых и других сетевых организаций - субъектов РРЭ с учётом современных условий.
Целью работы является разработка подходов на базе современных ТИИ для низшего уровня электроэнергетической системы позволяющих, в рамках субъектов РРЭ, эффективно решать задачи анализа и прогнозирования РПХ. /
Для достижения этой цели в работе были поставлены и решены сле-дующие задачи:
1. Исследование известных методов и алгоритмов анализа данных, используемых при решении электроэнергетических задач.
2. Анализ существующих методов и подходов по прогнозированию РПХ.
3. Анализ современных ТИИ, применяемых в электроэнергетике.
4. Изучение алгоритмов и процедур предварительной обработки исходных данных и возможности их практического использования в задачах анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ.
5. Разработка нейросетевой процедуры визуализации РПХ для анализа основных технических и экономических показателей ЭСО.
6. Разработка нейросетевого метода кластерного анализа потерь электроэнергии в распределительных электрических сетях субъектов РРЭ.
7. Разработка подходов к прогнозированию РПХ на базе современных методов искусственного интеллекта (ПМИИ )
Методы исследования. Для решения поставленных задач в работе использовались методы математической статистики, современные технологии искусственного интеллекта, алгоритмы и процедуры нелинейного анализа данных. Для выполнения экспериментальных исследований и практических расчётов были использованы современные программные пакеты по искусственному интеллекту.
Научная новизна 1. На базе современных методов искусственного интеллекта предложены оригинальные подходы к прогнозированию РПХ для субъектов РРЭ, использующие специализированные процедуры предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза.
2. Разработана нейросетевая процедура адаптивного анализа и визуализации РПХ, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети.
3. Разработан нейросетевой метод кластерного анализа потерь электроэнергии на базе самоорганизующихся карт Кохонена, позволяющий в электрических сетях субъектов РРЭ эффективно выявлять «очаги» потерь ЭЭ с выяснением причин их возникновения и осуществлять текущее планирование потерь ЭЭ, даже в условиях дефицита исходной информации.
4. Выполнен сравнительный анализ эффективности использования предложенных «интеллектуальных» подходов анализа и прогнозированию РПХ с традиционными вероятностно-статистическими методами. Показана целесообразность применения методов искусственного интеллекта в задачах анализа и прогнозирования РПХ в новых рыночных условиях.
Практическая ценность. Результаты проведённых исследований свидетельствуют о том, что разработанные методы и подходы на базе современных ТИИ целесообразно использовать в ЭСО, электросетевых и энергосиаб-жающих организациях для решения задач анализа и прогнозирования различных РПХ.
Один из предложенных в работе методов прогнозирования в настоящее время применяется в Братском муниципальном теплоэнергетическом предприятии (МБ ТЭП) ЖКХ МО г. Братска при формировании тарифов на ЭЭ и тепловую энергию (ТЭ).
Основное практическое значение работы заключается в повышении эффективности используемых методов анализа и прогнозирования РПХ, что продиктовано новыми рыночными условиями функционирования российской электроэнергетики.
Реализация работы. Исследования, представленные в диссертационной работе, выполнены в рамках хоздоговорных работ с ЭСО (организациями электрических сетей и теплоэнергетическими предприятиями). При использовании предложенного подхода по прогнозированию РПХ в задаче определения расхода тепловой энергии (ТЭ) для МБ ТЭП ЖКХ МО г. Братска достигнут экономический эффект порядка 644 000 (Шестьсот сорок четыре тысячи) рублей в год. (акт внедрения от 23 марта 2005 г.)
Часть полученных в диссертационной работе результатов, в настоящее время, отражена в учебном пособии Курбацкий ВТ., Томин КВ. АСДУ энергосистем. Братск: ГОУВПО «БрГУ», 2005. -62 см используется в дисциплине «АСДУ энергосистем» для специальности 14020565.
Апробация работы. Материалы работы докладывались и обсуждались на международных, всероссийских, региональных конференциях, в том числе на:
1. International Scientific-Practical Conference "Communication-2004" (Киргизия, г. Бишкек, 2004 г.)
2. XLII, XLIII Международных студенческих конференциях «Студент и научно-технический прогресс» (НГУ, г. Новосибирск, 2004 (диплом П-ой степени), 2005 гг.)
3. II Всероссийской научно-технической конференции «Энергосистема: управление, качество, конкуренция» (УГТУ-УГШ, г. Екатеринбург, 2004 г.)
4. Открытом конкурсе Московского энергетического института на лучшую научную работу студентов по разделам №42 «Энергетика, электротехника и энергетическое машиностроение» и №43 «Энергосберегающие технологии» (г. Москва, 2005 г., диплом Министерства образования науки России)
5. XII, XIII Всероссийских семинарах «Нейроинформатика и её приложения» (ИВМ СО РАН, г. Красноярск, 2004,2005 гг.)
6. IV Всероссийской научно-технической конференции с международным участием «Энергетика: управление, качество и эффективность использования энергоресурсов» (АмГУ, г. Благовещенск, 2005 г.)
7. Научно-технических конференциях Братского государственного университета (БрГУ, г. Братск 2003-2006 гг.)
8. Конференции молодых ученых ИСЭМ СО РАН (г. Иркутск, 2006 г., диплом Гран-при)
9. Всероссийской научно-техническая конференции студентов, аспирантов и молодых учёных «Научная сессия ТУСУР -2006» (г. Томск, 2006 г.)
10. V Международной конференции «Энергетическая кооперации в Азии: механизмы, риски, барьеры» (г. Якутск, 2006 г.).
11. Ill International workshop «Liberalization and modernization of power systems: risk assessment and optimization for asset management» (ИСЭМ CO РАН, г. Иркутск, 2006 г.)
Публикации, По теме диссертации опубликовано более 30 печатных работ
Задача анализа режимных параметров и характеристик для субъектов розничного рынка электроэнергии
Актуальность получения «прозрачной картины» по обслуживаемым электрическим сетям энергосбытовых организаций и электросетевых предприятий продиктована новыми условиями, сложившимися на РРЭ [7, 8] (рис. 1.1). Каждый отдельный субъект РРЭ представляет собой обособленный элемент общей системы покупки и реализации ЭЭ, который для своего успешного финансового функционирования должен проводить, чаще всего самостоятельно, анализ основных РПХ. Сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) требует от ЭСО применения эффективных методов оценки и анализа, а также выработки корректных решений.
Значительные трудности возникают во взаимоотношениях ЭСО с ОРЭ. Риски и доходы, при покупке ЭЭ на ОРЭ и реализации её на РРЭ, полностью берёт на себя ЭСО, поскольку действующее законодательство не позволяет переносить цены ОРЭ на розничных потребителей. Это вызывает ряд трудностей, поскольку, как отмечается в [8], конечные потребители не заинтересованы в оптимизации потребления с точки зрения ОРЭ, не видя преимуществ такой работы.
Как видно из вышеизложенного, для получения эффективной оценки и проведения качественного анализа на уровне ЭСО необходимо учитывать большое количество технических и экономических переменных в рамках обслуживаемых ею электрических сетей, и энергорайона в целом.
Следует также отметить, что, несмотря на многообразие методов и технических средств, которые позволяют в той или иной степени обрабатывать массивы РПХ, в настоящее время существует ряд моментов, связанных со спецификой отечественных электрических сетей, значительно затрудняющих решение задачи анализа РПХ, а именно:
1. Недостаточная наблюдаемость электрической сети [10, 11], возникающая вследствие низкой обеспеченности отечественных электрических сетей средствами измерения и учёта ЭЭ.
2. Слабая проработка е современных методах анализа РПХ (в первую очередь, при больших объёмах информации) вопросов визуализации данных, что приводит к недостаточной «наглядности» анализируемых данных.
Результаты исследований свидетельствуют о том, что в зарубежной практике вопросам анализа РПХ [12,13] уделяется значительно большее внимание. Широкое применение, в частности, получили мультиагентные системы и интеллектуальные экспертные системы, позволяющие в реальном времени обрабатывать поступающую режимную информацию и впоследствии вырабатывать эффективные управляющие воздействия. Несмотря на ряд существенных достоинств указанных систем, принципы их действия и способ обработки информации не учитывают современных российских реалий, в силу того, что зарубежные ПВК ориентированы на электрические сети с хорошим приборным оснащением. Кроме того, отмеченные системы, как правило, носят узкий, специализированный характер, т.е. предназначены для решения строго определённых задач, что несопоставимо с новыми рыночными условиями в отечественной электроэнергетике, где требуется комплексный подход к задаче анализа РПХ.
Проведённый обзор современных отечественных программно-вычислительных комплексов (ПВК) по анализу и прогнозированию РПХ, показал [14], что имеется ряд факторов, существенно снижающих эффективность решения вышеуказанных проблем с учётом новых реалий в электроэнергетике России, а именно: 1. Отсутствие эффективной предварительной обработки исходной информации 2. Слабая практика применения современных методов визуализации данных и результатов расчёта (к примеру, при выявлении «очагов» потерь ЭЭ) 3. Отсутствие анализа причин возникновения недопустимых значений исследуемого режимного параметра и блока выработки управляющих воздействий при возникновении ненормальных ситуаций.
Необходимо отметить, что в отдельных работах [8, 15] предлагаются различные подходы и методы к анализу РПХ, которые позволяют учитывать новую рыночную специфику. Так, в [8] в задаче анализа потребления ЭЭ предлагается для минимизации затрат введение коммерческой диспетчеризации, основной целью которой является отслеживание электропотребления абонента (отдельного потребителя) и выдача рекомендаций по снижению или увеличению электрической нагрузки. Абонент, исходя из экономической целесообразности данного уведомления, вправе принять или отклонить его. Для создания такой системы контроля необходима установка на ЭСО специальной системы учёта электропотребления и разработка соответствующего программного обеспечения.
Характеристика программных продуктов по искусственным нейронным сетям и генетическим алгоритмам
В [5] представлены основные традиционные методы краткосрочного и оперативного прогнозирования электрической нагрузки. Так, краткосрочный прогноз потребления в электрических сетях в настоящее время выполняют методом ВНИИЭ, используя традиционный подход расчёта ожидаемых значений электропотребления для каждого часа суток. Более эффективным является метод краткосрочного прогнозирования - метод нелинейных связей, в котором используются текущие значения нагрузки. В основу метода положено предположение о сохранении характера зависимости между различными нагрузками для типовых дней недели на интервалах времени в несколько недель. Недостатком метода является тот факт, что непосредственно для самого краткосрочного прогнозирования необходимо иметь прогноз электропотребления на требуемые сутки, выполненный независимым способом, что вносит дополнительную поірешность в краткосрочный прогноз.
Оперативный прогноз нагрузок узлов основан на применении нелинейных аддитивных моделей. Особенностью моделей, применяемых в оператив ном цикле, является использование для расчёта прогнозной траектории результатов краткосрочного прогноза с использованием полинома Лежандра. Учёт текущих данных в суточном разрезе позволяет уточнить краткосрочный прогноз, и как следствие, улучшить оперативный прогноз.
Коррекция краткосрочного прогноза выполняется методом скользящих суток, приведённым в [5]. Метод основан на предположении об устойчивой цикличности поведения нагрузки с периодом равным суткам (идеология метода сезонной декомпозиции), а также идентичности поведения нагрузок на интервалах времени, например «ночной провал» или утренний набор нагрузки. К недостатку данного метода можно отнести значительную зависимость оперативного прогноза от так называемой «точки притяжения» (ожидаемое значение нагрузки, взятое из результатов краткосрочного прогноза).
Нейросетевой подход к решению задачи прогнозирования нагрузки имеет определённые преимущества по сравнению с традиционно используемыми регрессионными моделями [31, 38, 57], в частности, АРПСС (табл. 1.3, Приложение 1), заключающиеся в возможности использования большого количества различных входных переменных (ретроспективных данных о нагрузке, температуре воздуха, времени суток, типе дня, долготе светового дня, количестве праздничных дней и др.). При этом функция зависимости выходных параметров модели от входных переменных может быть достаточно сложной и даже неизвестной. Как показано в [38], такие модели обладают высоким быстродействием, робастностью и инвариантны к составу потребителей узла нагрузки.
В [38; 39] для получения краткосрочных (суточных, недельных) и долгосрочных (месячных) прогнозов нагрузки предложены нейросетевые модели на базе двухслойного MLP и нечётких нейронных сетей (ННС). Метод на базе MLP, основан на применении двухслойной ИНС, которая периодически обучается по ретроспективным данным о нагрузке двухнедельного периода. При этом используемая нейросетевая модель в виде дополнительных входных переменных учитывает тип дня (рабочий, выходной и праздничный).
В основу метода ННС [37; 38] положено использование трёхслойной гибридной нейронной сети, сочетающей непосредственно саму ИНС, а также элементы нечёткой логики [69]. Особенностью метода является применение в качестве основного расчётного элемента так называемого «слоя правил», где реализуется различный набор нечётких правил и рассчитывается функция принадлежности.
Как показывают экспериментальные исследовании, выполненные авторами в [37] нейросетевое прогнозирование значительно эффективнее традиционных регрессионных прогнозов. В свою очередь, точность прогнозов методом ННС выше, чем прогнозирование по обычным MLP.
Необходимо также отметить, что оригинальные свойства ИНС позволяют выполнять так называемое системное прогнозирование [21], когда задача прогнозирования тесно связана с управлением. При сложившейся новой рыночной ситуации в отечественной электроэнергетике это становится особенно актуально. В этом случае энергопредприятие спрогнозировав развитие ситуации (к примеру, уровень потерь ЭЭ в обслуживаемом энергорайоне), стремится изменить свои действия, чтобы своевременно среагировать на из менение внешней среды, уменьшить ущерб или, напротив, увеличить возможную прибыль.
Кластерный анализ и визуализация режимных параметров и характеристик в электрических сетях на базе карт Кохонена
Как уже отмечалось, недостаточная проработка в современных подходах методов анализа РПХ и вопросов визуализации данных приводит к недостаточной наглядности анализируемых данных, и, в результате, существенно затрудняется сам анализ. Кроме того, сложившаяся сложная и противоречивая система «новые рыночные условия - дефицит исходной информации» на уровне ЭСО и энергоснабжающих организаций требует использование «интеллектуальных» подходов при проведении анализа РПХ
В работе предложен нейросетевой подход анализа и визуализации РПХ на базе карт Кохонена. В основе такого анализа лежит адаптивная кластеризация исходных данных, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети и своевременно выявить ненормальные режимы. Данный подход включает следующие основные этапы: 1. Формирование обучающей выборки и нормирование данных 2. Кластеризация полученного массива РПХ на базе SOM - базовая модель. 3. Визуализация результатов анализа РПХ 4. Системное прогнозирование РПХ и выработка решений
Предложенный кластерный подход может также применяться совмест но с традиционными методами анализа. Это в значительной степени зависит от структуры и характера исходной выборки данных. Рассмотрим подробнее представленные этапы.
1. Формирование обучающей выборки и нормирование данных. В зависимости от конкретной задачи анализа РПХ выбирается обучающий набор входных данных. Как правило, необходимо использование информации об основных РПХ, а также информации о ряде дополнительных (зависимых) РПХ, связанной в той или иной степени с основными РПХ.
В качестве тестового примера рассмотрим задачу анализа потребления ЭЭ бытовым сектором в сетевом участке тестовой схемы (рис. З.1.). Для эффективного решения указанной задачи, необходимо использование следующих массивов данных: закуп ЭЭ; технологические потери ЭЭ плановая реализация ЭЭ; фактическая реализация ЭЭ; сверхнормативные потери ЭЭ среднегодовая оплата за ЭЭ
Для анализируемой тестовой схемы обучающая выборка по данным 2002 г. представлена в таблице 3.1. Выше уже отмечалось, что, в зависимости от располагаемой информации и поставленной задачи анализа РПХ, состав входной выборки может быть различным. Но следует подчеркнуть, что чем полнее во входном векторе будут представлены все зависимые РПХ, тем более достоверным и объективным будет конечный результат кластерного анализа. Возможность использования большого количества входных параметров обусловлена как оригинальным алгоритмом кластеризации, так и самой структурой нейросети Кохонена.
В зависимости от временного интервала (годовой или месячный), на котором проводится анализ, объём обучающей выборки будет соответствовать этому интервалу, т.е., к примеру, если проводится месячный анализ РПХ, то используется месячная выборка данных и т.д. , 7. Ґ-І V: J ; -1 Поскольку диапазоны изменения входных параметров могут быть различны, то для повышения эффективности решения поставленной задачи целесообразно провести их нормировку. В частности, для карт Кохонена выделяют ряд различных способов нормирования данных, в том числе: 1) Сигмоидальное 2) Нормировка на «среднее/дисперсию» 3) Нормировка на «минимум/максимум»
В процессе исследований, проведённых автором, выявлено [111, 112], что для большинства случаев наиболее эффективным способом нормирования является нормировка на «среднее/дисперсию» (табл. 3.2).
Для определения оптимального способа нормирования входных данных использовалось два критерия: присутствие «мёртвых» нейронов на полученных картах Кохонена и достоверность выявления «очагов» СПЭ тестовой схемы в задаче анализа потребления ЭЭ. Первый критерий является важной характеристикой корректной активации всех нейронов сети. Так, при инициализации случайным способом весов нейросети часть нейронов может оказаться в области пространства, в которой отсутствуют данные или их количество ничтожно мало. Эти нейроны имеют мало шансов на победу и адап тацию своих весов, и согласно [63] их называют «мёртвыми». Это обстоятельство приводит к увеличению погрешности интерпретации данных, что наглядно видно из таблицы 3.2. для случая нормировки данных по способу «минимум/максимум». Значения второго критерия определялись по результатам специальной проверочной кластеризации, где априори были выделены «очаги» СПЭ, и сеть Кохонена тестировалась на предмет их корректного выявления.
Необходимо отметить, что для снижения размерности входного пространства и выделения наиболее информативных переменных, перед началом кластеризации входные данные анализируются алгоритмом NPCA.
Анализ расчётных и сверхнормативных потерь электроэнергии в электрических сетях Братского энергорайона
Предложенный кластерный подход на базе самоорганизующейся сети Кохонена применялся для анализа [24; 88; 112; 114; 115; 119; 120]: 1. Расчётных потерь активной ЭЭ, AWa в распределительных сетей 0.4-10 кВ МБ ТЭП ЖКХ г. Братска. 2. Величины СПЭ в электрических сетях Братского энергорайона ОАО «Северные электрические сети» (СЭС) «Иркутскэнерго».
В первом случае исследуемые распределительные сети МБ ТЭП ЖКХ г. Братска, представляют собой совокупность, несвязанных, су. (или фидеров). Подобный су. имеет радиальную схему электроснабжения, где распределение ЭЭ производится на низком напряжении и имеет одноступенчатую схему, т.е. между нагрузочным узлом и шинами подстанции имеется только один путь. Необходимо отметить, что данные электрические сети характери-зуются чрезвычайно низкой оснащённостью средствгучёта ЭЭ.
Второй объект исследования - электрические сети ОАО «СЭС Иркутскэнерго» представляют собой энергорайон г. Братска, включающий различные уровни напряжения 0,4-220 кВ. Исследуемые сети включают следующие объекты: районные электрические сети (РЭС), ТЭЦ-6 и ТЭЦ-16, Братскую ГЭС, потребительские фидера 6-Ю кВ, а также различные фидера СЭС (0,4-6 кВ).
Анализ потерь ЭЭ в распределительных сетях МБ ТЭП ЖКХ г. Братска. В представленной задаче входной набор данных представлял собой:
1) Месячные расчётные значения величины, AWa для 41 ТП 6/0,4 кВ (Приложение 2) пяти сетевых участков Братского энергорайона за 2003 год.
2) Дополнительные режимные данные: коэффициент загрузки трансформаторов, мощность трансформаторов протяжённость распределительного участка ЛЭП. Необходимо отметить, что для исходной информации исследуемых се тей характерен ряд негативных особенностей, сильно затрудняющих анализ потерь ЭЭ в рамках традиционных методик: крайне приблизительное описание характеристик параметров режима электрической сети; отсутствие информации о реальных суточных графиках электрической нагрузки; низкая оснащённость распределительных сетей средствами учёта ЭЭ и наличие существенных погрешностей при измерениях значений ЭЭ; исследуемые сети представляют собой электрически не связанные сетевые участки.
С учётом вышеизложенного, расчётные значения AWa, определяются на основе параметров электрической сети 6(10) кВ, вычисляемых на основе нормативно-справочной информации и по паспортным данным элементов оборудования. Средние мощности потребления в узлах низковольтной электрической сети 0.4 кВ находятся на основе известных расходов активной электроэнергии на головных участках фидеров электрической сети 6(10) кВ или известных расходов ЭЭ на шинах понизительных подстанций 6(10)/0.4 кВ. Поскольку информация о топологии и величинах нагрузок электрической сети 0.4 кВ практически отсутствует, то для оценки активных потерь ЭЭ в таких сетях был использован нормативный метод [2]
Результаты расчётов потерь активной ЭЭ по распределительным сетям расчётные значения AWa были получены с использованием сертифицированного ПВК «ОПЭ-1» [121], разработанный в ИСЭМ СО РАН (г. Иркутск) су. Братского энергорайона приведены в таблице 4.1.
В процессе обучения нейросетевая модель Кохонена, согласно критерию (3.1), осуществила разделение ТП исследуемого энергорайона по четырём группам (табл. 4.2). На рисунке 4.2 представлен пример полученной кластерной структуры в виде диаграмм Хилтона для некоторых месяцев анализируемого года и дополнительных характеристик. Оттенки цветов кластеров распределены следующим образом: «чёрный» отражает высокие значения рассматриваемого режимного параметра; «серый» - средний уровень и «белый» - низкие значения.
Наряду с кластеризацией, нейросетевая модель произвела сравнительную оценку потерь активной ЭЭ по ТП для каждой из полученных групп (рис. 4.3). В рамках каждого месяца сравнивались потери по группам, что позволило выделить месяцы с более высоким уровнем потерь ЭЭ.
Как уже отмечалось, использование в качестве входных данных дополнительных характеристик, позволяет оценить степень влияния «технических причин» на уровни потерь ЭЭ в различных кластерах. Так, кластеру В1, который характеризуется «очагами» потерь ЭЭ, соответствует ряд «технических причин», приводящих к высокому уровню потерь ЭЭ, а именно: высокие значения для этого энергорайона коэффициентов загрузки трансформаторов, к3= 0.79-г0.86 и большие протяжённости распределительных участков ЛЭП, L = 1850- 2460 м (табл. 4.3).
