Содержание к диссертации
Введение
Анализ методов прогнозирования электропотребления 13
1.1. Прогнозирование в системах электроснабжения железнодорожного транспорта 13
1.2 Анализ существующих методов прогнозирования электропотребления 25
1.2.1. Методы эвристического прогнозирования 25
1.2.2. Математические методы временной экстраполяции 26
1.3 Анализ методов оценки расхода электрической энергии тяговыми подстанциями 33
Имитационное моделирование систем тягового электроснабжения 41
2.1. Имитационное моделирование в задачах электропотребления 41
2.2. Постановка задачи 43
2.3.МоделированиеСТЭ 1х25и2х25кВ 45
2.4 Определение годового расхода электроэнергии для отдельной тяговой подстанции 48
2.5. Результаты расчетов электропотребления на основе имитационного моделирования 52
Прогнозирование электропотребления на основе техноценологического анализа 59
3.1 Прогнозирования потребления электроэнергии тяговыми подстанциями с использованием рангового анализа 59
3.2. Программная система учёта и прогнозирования электропотребления тяговыми подстанциями 71
Прогнозирование электропотребления с использованием нейронных сетей 80
4.1. Анализ применения нейронных сетей для прогнозирования расхода электроэнергии тяговыми подстанциями 80
4.2. Формирование рациональной обучающей выборки при прогнозировании электропотребления на тягу поездов 94
4.3. Реализация нейросетевого моделирования 102
4.4. Разработка нейросетевых моделей прогноза 111
Заключение 122
Библиографический список
- Анализ существующих методов прогнозирования электропотребления
- Определение годового расхода электроэнергии для отдельной тяговой подстанции
- Программная система учёта и прогнозирования электропотребления тяговыми подстанциями
- Формирование рациональной обучающей выборки при прогнозировании электропотребления на тягу поездов
Введение к работе
Развитие производственной деятельности на железнодорожном транспорте сопровождается усложнением технологий и совершенствованием систем управления. Немаловажная роль при этом отводится системному развитию электрического хозяйства железных дорог, одним из направлений которого являются внедрение результатов исследований, базирующихся на современных математических методах и информационных технологиях [53]. Прикладные информационные системы находят все большее применение в задачах эффективного использования электроэнергии (ЭЭ) на железнодорожном транспорте [42].
Одно из перспективных направлений исследований состоит в создании математических моделей и методов прогнозирования электропотребления (ЭП) на тяговых подстанциях магистральных железных дорог [109]. Разработанные ранее технологии прогнозирования были ориентированы, в основном, на стационарные условия и использование удельных норм расхода ЭЭ [108]. Современные условия функционирования субъектов хозяйственной деятельности характеризуются нестабильностью экономических процессов, что требует совершенствования методов анализа и прогнозирования ЭП [56, 57].
Актуальность темы. Одной из основных целей энергетической стратегии железнодорожного транспорта на период до 2010 года и на перспективу до 2020 года является снижение потребности в энергоносителях и затрат на их приобретение. Достижение этой цели позволит не только увеличить эффективность перевозочного процесса, но и высвободить необходимые энергоресурсы для других отраслей экономики нашей страны.
Железнодорожная отрасль является одним из крупных потребителей электрической энергии. Ее доля в электропотреблении РФ составляет около 8 %. Значительная величина электропотребления и большой потенциал энергосбережения указывают на необходимость проведения работ по снижению потерь и повышению эффективности использования ЭЭ. Решение этих задач требует разработки методов прогнозирования электропотребления.
Электрохозяйство железной дороги является многоуровневой системой со сложным характером взаимосвязей между элементами. На электропотребление оказывают влияние такие факторы, как массы поездов, колебания напряжений на токоприемниках электровозов, метеорологические условия, особенности организации движения. Существующие методы определения ЭП на тяговых подстанциях используют допущения об однотипности поездов и постоянстве межпоездных интервалов и не учитывают изменение нагрузок нетяговых потребителей, доля которых в электропотреблении железных дорог достигает 20 %. Прогнозы электропотребления опираются на планируемые размеры и параметры движения, что значительно снижает точность оценок.
В прогнозировании ЭП нуждается и энергоснабжающая организация (ЭСО), для управления которой необходимо прогнозирование потребляемых мощностей по отдельным узлам сети. Возможность регулирования режимов электропотребления повышает надёжность и качество электроснабжения, улучшает распределение потоков мощности в сети ЭСО. Заявленные значения нагрузки используются для определения лимитов ЭП с учётом особенностей каждого потребителя по размерам аварийной и технологической брони, а также условиям регулирования.
Поэтому разработка методов и алгоритмов, позволяющих повысить достоверность прогнозирования ЭП на тяговых подстанциях железных дорог, является актуальной задачей.
Цель работы состоит в создании алгоритмов и методов прогнозирования электропотребления тяговыми подстанциями железных дорог.
Методы исследований. В диссертационной работе использовались методы системного анализа, нейросетевого, техноценологического и имитационного моделирования. Теоретические исследования сопровождались разработкой алгоритмов и программных продуктов, реализованных с помощью инструментальных средств Apache - MySQL - Perl.
Методика имитационного моделирования реализована на основе комплекса программ Fazonord, разработанного в ИрГУПС.
Научная новизна заключается в том, что в диссертационной работе впервые получены, составляют предмет научной новизны и выносятся на защиту следующие результаты:
Методика прогнозирования электропотребления тяговыми подстанциями на основе рангового анализа.
Методика применения аппарата искусственных нейронных сетей для решения задачи прогнозирования электропотребления на железнодорожном транспорте.
Модели нейронных сетей, на основе которых возможно осуществлять прогноз расхода электрической энергии по организационно-структурным уровням магистральной железной дороги.
4. Методика применения имитационного моделирования систем тягового
электроснабжения для прогнозирования расхода электроэнергии на отдельной тя
говой подстанции.
Практическая ценность полученных научных результатов состоит в решении актуальной задачи, связанной с повышением эффективности использования электроэнергии для обеспечения перевозочного процесса и оказания услуг сторонним потребителям, получающим питание от тяговых подстанций железнодорожного транспорта.
Внедрение разработанных методик в виде алгоритмов и программного комплекса «Учёт и прогнозирование электропотребления», позволяет получить следующие результаты:
снижение затрат на приобретение планового объема электроэнергии;
минимизацию отклонения фактического потребления электроэнергии от планового;
обоснованное определение лимитов электропотребления при заключении договоров на использование электроэнергии;
оптимизацию договоров с нетранспортными потребителями электроэнергии, получающими питание от тяговых подстанций.
Реализация и внедрение результатов работы. Основные результаты дис-
сертационной работы внедрены на предприятии «Энергосбыт» филиала ОАО «РЖД» «Забайкальская железная дорога», а так же используются в учебном процессе в Иркутском государственном университет путей сообщения и Забайкальском институте инженеров железнодорожного транспорта.
Апробация работы: основные результаты диссертации докладывались и обсуждались на VI международной молодёжной научной конференции «Таланты и труд молодых - родному Забайкалью», Чита, ЗабГПУ, 2002; 60-й региональной научно-практической конференции творческой молодёжи, Хабаровск, ДВГУПС, 2002; III межрегиональной научно-практической конференции "Технические науки, технологии и экономика", Чита, ЧитГУ, 2003; международной конференции «Energy saving technologies and environment», Иркутск, ИрГУПС, 2004; региональной научно-практической конференции «Электроэнергетическое управление, качество и эффективность использования энергоресурсов», Хабаровск, ДВГУПС, 2004; IX международной молодёжной научно-практической конференции «Молодёжь Забайкалья: дорога в будущее», Чита, ЗабИЖТ, 2005; всероссийской конференции с международным участием «Ресурсосберегающие технологии на железнодорожном транспорте», Красноярск, 2005; научных семинарах кафедр «Электроснабжение и электрический транспорт», Красноярск, КГТУ, 2003; «Электроснабжение железнодорожного транспорта», Иркутск, ИрГУПС, 2005 г., «Электроснабжение», Чита, ЗабИЖТ, 2005.
В первой главе проведен анализ методов прогнозирования электропотребления. Показано, что существенным недостатком широко распространенных методов многофакторного прогнозирования [40, 77] является необходимость выбора состава аргументов-признаков, описывающих объект, а также структуры функции, связывающей значение признаков с выходной величиной.
В диссертации предложена классификация методов прогнозирования в системах электроснабжения железнодорожного транспорта. Выявлено, что существующие подходы к решению задач прогнозирования ЭП на железных дорогах были разработаны в условиях стабильной экономики [6]. Показано, что в настоящее
время процессы электропотребления не имеют достаточно устойчивой связи с показателями перевозочной и эксплуатационной работы магистралей.
Определение расхода электроэнергии, опирающееся только на классический аппарат, не может обеспечить достаточную точность при прогнозировании процессов ЭП на железнодорожном транспорте в современных условиях. Анализ влияния каждого из факторов сложно осуществить на практике. Вследствие невозможности адекватного прогнозирования электропотребления на основе совокупности основных показателей работы дороги, обосновывается необходимость системного описания процессов электропотребления [53, ПО]. Сформулирована общая задача прогнозирования электропотребления тяговыми подстанциями, решение которой позволяет оценивать состояние электрического хозяйства железной дороги, используя системные свойства объекта.
В диссертации выполнена оценка методов прогнозирования расхода ЭЭ в системах тягового электроснабжения и выявлено, что наибольший практический интерес для железнодорожного транспорта представляют краткосрочные и оперативные прогнозы ЭП [110].
Во второй главе предложена методика прогнозирования ЭП для отдельной тяговой подстанции, основанная на применении имитационного моделирования (ИМ) систем тягового электроснабжения (СТЭ). Термин ИМ предполагает исследование процесса функционирования системы во времени, причем имитируются элементарные события с сохранением логики их взаимодействия и взаимовлияния [42]. Процесс имитационного моделирования СТЭ включают следующие этапы:
обработка графика движения поездов;
формирование мгновенных схем и определение потокораспределения для каждой схемы.
Одна из основных целей моделирования состоит в определении расхода электрической энергии при движении поездов и потерь ЭЭ в элементах систем тягового и внешнего электроснабжения. Расход ЭЭ при сравнительно небольших изменениях напряжений определяется средними токами, а потери энергии зависят от среднеквадратичных значений, на которые существенно влияют максимальные
токи. Моделирование перемещающихся тяговых нагрузок базируется на графике движения, связывающем координату положения поезда со временем [42]. Величины нагрузок определяются на основе тяговых расчетов или экспериментально.
Применяемые в настоящее время методы и программные средства моделирования СТЭ переменного тока базируются на упрощенном представлении отдельных элементов [6]. При этом наиболее «грубому» эквивалентированию подвергается внешняя сеть. Как правило, она упрощенно представляется реактансами, определяемыми мощностью короткого замыкания на шинах высокого напряжения тяговых подстанций (ТП). Элементы сети задаются комплексными сопротивлениями, а тяговые нагрузки представляются источниками тока. Такой подход обеспечивает приемлемую точность только при достаточно мощной системе внешнего электроснабжения, когда однофазные тяговые нагрузки не приводят к существенной несимметрии на шинах питающего напряжения ТП.
Методика имитационного моделирования объединенных систем тягового и внешнего электроснабжения реализована в виде программного комплекса Fazo-nord [42], разработанного в Иркутском государственном университете путей со-общения для расчетов режимов и нагрузочной способности СТЭ в фазных координатах.
Применение методики ИМ позволило решить задачу прогнозирования ЭП для отдельной тяговой подстанции. В качестве иллюстрации в диссертации рассмотрена задача определения величины потребляемой электроэнергии с периодом упреждения в один год для тяговой подстанции Михайло -Чесноковская Забайкальской железной дороги. Расчетный расход ЭЭ, полученный в результате ИМ составил 278245536 кВт-ч, при этом погрешность равнялась 1,9% от фактического электропотребления.
Таким образом, с помощью реализованной на базе программного комплекса Fazonord методики имитационного моделирования систем тягового электроснабжения возможно корректно решать задачу прогнозирования расхода ЭЭ на уровне тяговой подстанции.
В третьей главе предложена методика прогнозирования ЭП на основе тех-ноценологического подхода [54], позволяющего оценить состояние системы в целом и особенности её развития во времени. Техноценологический метод, предложенный Б.И. Кудриным, положительно зарекомендовал себя как общий подход к анализу сложных технических систем и получил развитие в работах [41, 54.. .59].
В диссертации предложена методика прогнозирования ЭП с помощью тех-ноценологического анализа, основанная на аппарате рангового Н-распределения [57]. Прогноз электропотребления по Забайкальской железной дороге на основе предложенной методики позволяет определить необходимую величину ЭП в целом по магистрали. Применение данного подхода для прогнозирования расхода электроэнергии на ТП всей дороги позволяет получить точность прогноза около 4,5 %.
Данная методика легла в основу программного продукта «Учет и прогнозирование электропотребления», созданного в рамках диссертационных исследований для хранения, обработки данных об электропотреблении по ТП, а также для прогнозирования ЭП на основе рангового анализа. Разработанный программный продукт положен в основу информационно-справочной системы, служащей дополнением к существующим автоматизированным системам контроля и учета электропотребления (АСКУЭ) и диспетчерского управления (АСДУ). Система имеет иерархическую структуру, отвечающую на каждом уровне единым принципам построения, интерфейсам, методам обработки данных. Структуры систем управления базами данных на уровне техноценоза и на уровне структурной единицы подобны. Предложена декомпозиция данных по трем направлениям: числовая база (параметры электропотребления); текстовая (документооборот); графическая (различные схемы). В основу архитектуры системы положена карта географического расположения дистанций электроснабжения Забайкальской железной дороги. При ее создании использовались инструментальные средства Apache -MySQL-Perl.
Основной вывод, полученный в результате исследований и разработок, проведенных в главе 3, может быть сформулирован следующим образом: прогнози-
рование ЭП, основанное на фундаментальном свойстве структурной устойчивости и стабильности техноценозов, которое к настоящему времени получило глубокое теоретическое обоснование и многократное эмпирическое подтверждение, позволяет получить прогноз расхода ЭЭ в целом по всей дороге с погрешностью около 5%.
В четвёртой главе представлена методика прогнозирования ЭП на тяговых подстанциях с использованием аппарата искусственных нейронных сетей (НС). Анализ методов прогнозирования показал, что для сокращения сроков и повышения точности прогнозирования целесообразно использовать нейросетевые технологии [51]. Вопросам применения методов искусственного интеллекта для решения электроэнергетических задач посвящены работы [16...22, 47, 48, 51].
В диссертации выполнен анализ моделей нейронных сетей, который показал, что многослойные сети пригодны для прогноза электропотребления на ТП [53, 112]. Рассмотрены возможные варианты формирования обучающей выборки с целью построения кривой обучения, наиболее адекватной решаемой задаче. Результатом обучения является такая настройка весов синаптических связей в НС, при которой каждому входному вектору сеть формирует требуемый (или близкий к нему) выход.
На основании обработки значительного массива статистических данных выявлена роль факторов, оказывающих влияние на электропотребление тяговых подстанций.
Предложено разделение входной информации на уровни [112]:
тяговая подстанция (ЭЧЭ) —»дорога;
дистанция электроснабжения (ЭЧ)—>дорога;
отделение дороги (НОД)—^дорога;
энергоснабжающая организация (ЭСО)— дорога.
Выявлено, что при построении прогноза по уровню «НОД—>дорога» нейронная сеть оптимально сочетает в себе такие характеристики как быстродействие и высокая аппроксимирующая способность. Предложена оценка качественных и
количественных факторов, влияющих на электропотребление. Рассмотрены различные варианты их представления в нейронной сети.
Реализация факторного нейросетевого прогнозирования осуществляется посредством использования модели персептрона [82, 124], ориентированной на прогнозную оценку одного параметра. Данная модель реализована для решения задачи прогноза электропотребления тяговыми подстанциями Забайкальской железной дороги и ее отделений с применением рангового анализа [111, 140]. При использовании данной модели возникает задача прогнозирования ЭП объектов с первым рангом Wi, как одной из главных характеристик деятельности отделения дорог. При этом первичный анализ показал, что потребителями первого ранга для каждого из отделения дороги являются следующие тяговые подстанции:НОД-1 -ТП Чита; НОД-2 - ТП Чичатка; НОД-4 - ТП Уруша.
Для осуществления прогнозных оценок параметра Wj следует выделить факторы, на него влияющие. Значимость каждого из факторов оценивается исходя из наличия накопленных статистических данных. В качестве меры значимости того или иного фактора Н принимается значение его коэффициента корреляции cor(W,H) с электропотреблением. Выполненный корреляционный анализ по отделениям дороги показал, что наиболее сильным влиянием обладают грузооборот Г (тыс. тонн) и средний вес брутто (Збр (тыс. тонн). Значения корреляции лежат в пределах cor(W,S) = 0,6.. .0,8 [45].
На основе проверки значимости коэффициентов при степенях выше первой можно сделать вывод об их незначительном влиянии на прогнозируемый параметр W. В итоге приемлемой регрессионной зависимостью можно считать линейную функцию вида W =ao+aiE i+a2S2. По методу наименьших квадратов рассчитаны коэффициенты зависимостей для отделений Забайкальской железной дороги. Проверка сформулированной модели на адекватность дала положительный результат.
Непараметрическую зависимость W = f(Eb Е2) можно смоделировать на нейронной сети, в которой в качестве входных параметров принимаются факторы Н і и И 2, а выходного - электропотребление W. Данная структура сети позволила
добиться в процессе обучения точности прогнозирования, характеризующейся максимальной погрешностью 0,42 %.
На основе полученных результатов определены наиболее эффективные средства прогнозирования ЭП для организационно-структурных уровней железнодорожной магистрали.
В заключении приведены основные выводы по работе и отмечается, что на основе проведенных исследований решена актуальная проблема прогнозирования электропотребления для тяговых подстанций магистральных железных дорог.
При работе над диссертацией автор пользовался научными консультациями канд. техн. наук, доцента Раевского Н.В.
Анализ существующих методов прогнозирования электропотребления
Эвристическое прогнозирование в историческом плане является наиболее ранним направлением прогнозирования, применяемым в повседневной жизни и технике. В широком смысле, эвристическое прогнозирование заключается в ин туитивном выборе из бесчисленного множества обстоятельств важнейших и решающих. Основная процедура прогноза заключается в сравнении всех величин и вариантов, с помощью которого устраняется все маловажное и несущественное [12]. Несмотря на то, что эксперт, как правило, не осознает технологии эвристического прогнозирования, он дает в среднем неплохой прогноз. Эффективность методов эвристического прогнозирования повышается. не за счет их внутренней структуры, а за счет внешнего оформления: подбора соответствующих по квалификации и количеству экспертов, а также, совершенствования алгоритмов обработки результатов опроса. В соответствии с этим были разработаны методы индивидуальных экспертных оценок, как, например, интервью и аналитические оценки. Основные методы коллективных экспертных оценок включают: методы комиссий, коллективной генерации идей, матричный метод, и т.д.
Однако эвристические методы субъективны и пригодны только тогда, когда существуют эксперты, хорошо знакомые с прогнозируемой ситуацией. Кроме того, при прогнозировании характеристик сложных технических объектов, таких как системы тягового электроснабжения, методы эвристического прогнозирования становятся весьма сложными и трудоемкими.
Данное обстоятельство потребовало разработки математических методов прогнозирования. Основные достоинства таких методов состоят в объективности получаемой информации и в возможности автоматизации процесса прогнозирования с использованием ЭВМ.
В зависимости от используемого математического аппарата и целевой направленности, математические методы временной экстраполяции можно условно разделить на три группы: методы аналитического прогнозирования; методы вероятностного прогнозирования; методы статистической классификации.
Предположим, что расход ЭЭ можно представить в виде функционала W(K), который наблюдается в моменты времени t0,tlv..,tm GTJ. Через K = [kj k2 ... knj обозначен вектор параметров, характеризующих состояние объекта. Вследствие наблюдаемости объекта известны значения этого функционала в моменты времени t0,tlv..,tm є Tj. Необходимо определить его значения в моменты времени tm+1,tm+2,...,tm+z єТ2 [77].
Подобная постановка задачи справедлива в предположении, что значения W(K) при t0,t1,...,tm є Tj предопределяют величины, которые будут иметь место при tm+1,tm+2v..,tm+z єТ2. Иными словами, процесс изменения расхода ЭЭ «информативен» во времени [14]. Идеальным случаем является получение аналитического выражения для функционала W(K,t). Задачу прогнозирования в подобной постановке можно решить различными методами, называемыми методами аналитического прогнозирования и отличающимися применяемым математическим аппаратом.
Существует ряд методов аналитического прогнозирования, учитывающих производные изменений функции состояния. К числу таких методов относят операторный метод, метод суммирования производных и т.д. Функция состояния в данных методах определяется зависимостью [77]: W(K,tra+1) = F[w(K,tm),Y,VW(K,tm)] где у 0 - параметр прогнозирования; V - оператор, определяемый через производные функционала состояния.
Модели прогнозирования, учитывающие производные функционала состояния, обладают неопределенностью начальных условий. При случайных помехах, накладывающихся на W(K,t), начальная неопределенность возрастает, что затрудняет определение параметров модели. Как следствие, ухудшается точность прогнозирования.
Наиболее распространенным прогнозирующим аналитическим выражением является многочлен вида где Fr(t) - базисные функции, составляющие основу прогнозирующей формулы; Аг- степенные адаптационные коэффициенты.
Выражение вида (1.1) подходит для описания монотонного и постепенного изменения параметров [8, 89]. К недостаткам данного метода можно отнести сложность и трудоемкость вычислений, связанных с необходимостью выбора и вычисления для каждого параметра прогнозирующего аналитического выражения. К общим недостаткам методов аналитического прогнозирования следует отнести большой объем вычислительных процедур при определении прогнозных значений параметров, а также неточность результатов прогнозирования при неправильно выбранной модели. Кроме того, приходится учитывать неточности исходных данных, полученных в период наблюдения.
Необходимость вероятностного прогнозирования определяется сильным влиянием внешних и внутренних факторов, имеющих случайный характер. К методам вероятностного прогнозирования относится метод статистического градиента. При этом закономерность движения функционала W(K,t) оценивается статистически. В момент tm из п координат вектора К случайным образом выбираются группы по d координат и определяются их соответствующие приращения y\...Yls,...yld, где i,s,d- случайные единичные векторы, a y=tm - tm.i. При этом выражение, определяющее приращение функции состояния, имеет вид AWS = w[K(tm.1)+YisJ- W J]
Метод, использующий Байесов критерий, позволяет определить плотность распределения F(VW) вектора градиента функции состояния W(K,t) [75]. Для определения наиболее вероятного направления градиента в этом случае строится распределение приращений АК по каждой координате вектора функции состояния.
Определение годового расхода электроэнергии для отдельной тяговой подстанции
Описанная выше методика была применена для решения задачи определения ЭП по тяговой подстанции Михайло -Чесноковская Забайкальской железной дороги.
Из-за неодинаковости по модулю или по фазе напряжений смежных тяговых подстанций, питающих межподстанционные зоны, возникают уравнительные токи, протекающие в контактной сети при отсутствии тяговой нагрузки. Причиной возникновения уравнительных токов может являться транзит мощности по внешней системе электроснабжения. Поскольку контактная сеть через тяговые трансформаторы подключена параллельно внешней сети, то часть мощности передается по контактной сети. Межподстанционная зона Михайло - Чесноковская -Белогорск, входящая в состав участка электроснабжения Шимановская - Завитая, характеризуется большими уравнительными токами, в среднем около 100 А, связанными с большой загруженностью районной подстанции Белогорск.
Таким образом, для решения задачи расчета годового расхода электрической энергии по подстанции Михайло - Чесноковская необходимо определить поездную ситуацию участка электроснабжения Шимановская-Завитая, произвести тяговые расчеты для характерных типов поездов и на основании этой информации рассчитать энергопотребление на тягу поездов.
Для корректного расчета энергопотребления взят участок системы внешнего электроснабжения Шимановская-Завитая.
При расчетах предполагалось, что на всех тяговых подстанциях расчетного участка включено по одному трансформатору 40000 кВ-А, включая и подстанцию Ледяная. Исходные данные по типу подключения подстанций к системе внешнего электроснабжения и схеме питания и секционирования контактной сети, приведены в табл. 2.1. 100 с рельсами Р-65. Все перегоны двухпутные.
Необходимая для проведения тяговых расчетов информация об уклонах и длинах элементов профиля пути в виде графика представлена на рис. 2.2. Ромбиками на этом рисунке показано расположение подстанций (более высоко распо ложенные ромбики) и постов секционирования (низко расположенные ромбики). В целом участок имеет достаточно ровный профиль, и только вблизи подстанции Короли (пикет 7934 км) есть заметные протяженные уклоны величиной до десяти тысячных.
Расчеты режимов СТЭ проведены путем моделирования движения поездов в программном комплексе Fazonord, описанном в работе [42].
В комплексе Fazonord составлена расчетная схема участка, показанная на рис. 2.3. В этой схеме узлы 34, 35, 36 объявлены шинами бесконечной мощности с симметричным трехфазным напряжением 302 кВ (фазное напряжение), нетяговые нагрузки указаны в узлах 220 кВ подстанций. Тяговые трансформаторы представлены двухобмоточными моделями. Компенсирующие устройства учтены емкостными шунтами в узлах 27,5 кВ с отстающей фазой.
Для получения тяговых нагрузок использована хорошо зарекомендовавшая себя программа тяговых расчетов Treln, входящая в состав комплекса Nord. Полученные из нее токи поездов далее пересчитывались комплексом Fazonord в потребляемые мощности.
По продольному профилю рассчитаны поездные токи для поездов массами 1500 т, 3000 т, 5000 т и 6500 т. На рис. 2.4 и 2.5 показаны токовые профили для поездов массой 3000 т нечетного и четного направлений. Рассчитанные токи далее использованы в комплексе Fazonord для получения величин мощностей тяговых нагрузок.
По описанной методике были проведены расчеты режимов и электропотребления для средних суток 1999, 2000, 2001, 2002 и 2003 гг., по которым далее определялся расход электроэнергии за год.
На рис. 2.6...2.9 представлены изменения потоков мощности по фидерам контактной сети подстанции Михайло - Чесноковская в течение суток. Отрицательные значения по фидерам 1ФКС и 2ФКС соответствуют полярности подключения контрольных RL-элементов, с помощью которых в программном комплексе контролируются потоки мощности. Это подключение элементов с узлами 84-32 и 85-32 по рис. 2.3 таково, что отрицательные величины отвечают потоку мощности от трансформатора в контактную сеть.
Программная система учёта и прогнозирования электропотребления тяговыми подстанциями
Описанная выше методика прогнозирования положена в основу программного продукта «Учет и прогнозирование электропотребления», созданного в рамках диссертационных исследований для хранения, обработки данных об электропотреблении по ТП, а также для прогнозирования ЭП на основе рангового анализа. Главное окно программы представлено на рис. 3.9.
Разработанный программный продукт положен в основу информационно-справочной системы, служащей дополнением к существующим автоматизированным системам контроля и учета электропотребления (АСКУЭ) и диспетчерского управления (АСДУ).
Система имеет иерархическую структуру, отвечающую на каждом уровне единым принципам построения, интерфейсам, методам обработки данных. Структуры систем управления базами данных на уровнях техноценоза и структурной единицы подобны. Предложена декомпозиция данных по трем направлениям: числовая база (параметры электропотребления); текстовая (документооборот); графическая (различные схемы).
При реализации информационно-справочной системы решены следующие задачи: возможность пополнения системы текстовыми, графическими и мультимедийными данными, а также размещения электронных таблиц с вычисляемыми ячейками; минимальные требования к аппаратному и программному обеспечению рабочего места пользователя (используется распространенное программное обеспечение и не предъявляются повышенные требования к квалификации персонала); функциональный и многокритериальный поиск нужной информации; минимальный объём занимаемого дискового пространства.
В основу архитектуры системы положена карта географического расположения дистанций электроснабжения Забайкальской железной дороги. При ее создании использовались инструментальные средства Apache - MySQL - Perl. Обмен информацией между клиентом и сервером в среде internet осуществляется с использованием классплатформенных стандартов. Запрос клиента должен содержать адрес Web-страницы, которая затем будет отправлена клиенту, или имя модуля, который будет выполнен сервером для того, чтобы динамически сформировать и отправить клиенту страницу.
При создании динамической страницы модуль может использовать любые данные, доступные ему в настоящий момент времени, как, например, результаты поиска в базе данных. Благодаря этому свойству, можно заранее обеспечить гибкие интерактивные возможности Web-сервера.
Для запуска программы «Учет и прогнозирование электропотребления» через internet необходимо указать сервер, на котором будет размещена программа. После чего необходимо пройти авторизацию на сервере. Для этого нужно ввести зарегистрированный логин и пароль пользователя программы. Авторизация необ ходима для обеспечения безопасности и сохранности данных. Окно для процедуры авторизации представлено нарис. ЗЛО.
После прохождения процедуры авторизации пользователь попадает на главное окно программы (рис. 3.9). В левой части окна перечислены сервисы программы, а в правой пояснение выбранного сервиса. Сервис прогнозирования учитывает год и потребление, на основании которых будет произведен прогноз. Для активирования сервиса необходимо задать нужные параметры и нажать левую клавишу мыши. После чего произойдет переход на страницу с прогнозируемыми данными рис. 3.11.
При нажатии кнопки «Печать таблицы» происходит печать таблицы с данными. Переход на главное окно происходит по нажатию на ссылке «На главную». Сервис отчетов предусматривает выбор года и периода, за который необходимо сформировать отчет рис. 3.12. Для перехода на страницу с готовым отчетом нужно задать параметры и нажать левую клавишу мыши.
Формирование рациональной обучающей выборки при прогнозировании электропотребления на тягу поездов
В последнее время ведущее место в разработке систем управления стали занимать методы, формирующиеся на основе искусственного интеллекта [76]. Особое место здесь отводится неиросетевым моделям, применение которых позволяет проникнуть в сущность изучаемых явлений и успешно решать задачи прогнозирования и управления [50].
При исследовании поведения сложных систем нейросетевые технологии позволяют реализовать качественно новый подход - нейросетевое имитационное моделирование. Имитационный подход строго не формализован, тем не менее, просматриваются два основных этапа имитационного моделирования: изучение свойств моделируемой системы и ее реакций на изменение исходных параметров; поиск оптимальных решений для систем с изученными свойствами в заданном сочетании исходных параметров.
Если рассматривать первый этап имитационного моделирования с точки зрения применимости нейронных сетей, то следует отметить, что свойства любой моделируемой системы характеризуются наличием достаточно большого числа характеристик и параметров. Известно, что нейронная сеть обладает высокими аппроксимирующими способностями и потенциальными возможностями анализа. Поэтому в данном разделе представлены алгоритмы изучения свойств моделируемой системы посредством использования нейронной сети.
Для реализации второго этапа имитационного моделирования необходимо чтобы нейронная сеть обладала возможностями нахождения оптимального решения, что подтверждается работами [76]. Далее в разделе будет представлена ней-росетевая модель поиска такого решения. Условия, при которых рекомендуется применять имитационное моделирование, приведены в [77]. К основным из них относятся следующие: не существует законченной математической постановки задачи либо от сутствуют аналитические методы ее решения; аналитические модели имеются, но процедуры их применения столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи; аналитические решения существуют, но их реализация невозможна вследствие недостаточной подготовки имеющегося персонала.
Применение нейросетевого имитационного моделирования эффективно не только для анализа, прогнозирования, но и управления. Включение нейронных сетей в систему исследования поведения объектов позволит устранить субъективность и противоречивость в поиске решений поставленной задачи.
Внедрение в практику моделирования НС не потребует значительных денежных затрат. При нейросетевом имитационном моделировании появляются возможности значительного увеличения количества экспериментов и более полного использования имеющейся информации. Такая модель позволяет учитывать внешние факторы, судить о степени их влияния на протекание процесса, и, следовательно, повысить качество моделирования.
Нейросетевое моделирование должно включать в себя два основных процесса: первый — конструирование модели реальной системы, второй — постановка экспериментов на этой модели. При этом могут преследоваться следующие цели: изучение поведения исследуемой системы; выбор стратегии, обеспечивающей наиболее эффективное функционирование исследуемой системы.
Основным достоинством нейросетевого моделирования следует считать то, что с его помощью можно решать достаточно сложные задачи. Данные модели позволяют просто учитывать случайные воздействия и другие факторы, которые создают трудности при аналитическом исследовании.
Способность НС формировать достаточно сложные функции дает возможность их применения в задачах имитационного моделирования. Одним из положительных качеств нейросетевых имитационных моделей по сравнению с традиционными следует считать незначительные затраты по их созданию. К недостатку применения данных видов моделей следует отнести ложную имитацию. Однако ложная имитация может быть устранена посредством дообучения нейросетевой модели.
Для построения нейросетевой имитационной модели можно опираться на традиционный подход, касающийся структуры модели и её функциональных особенностей. При формировании нейросетевой модели необходимо учесть её способности к правильному отражению закономерностей целевыми функциями и системой параметров. Имитационная нейросетевая модель, способная имитировать поведение объекта исследования, будет представлять «чёрный ящик» (рис 4.10), где U, X и Y - соответственно множества управляющих, независимых и выходных параметров.
Модель представляет собой функцию отклика НС, а «физические» законы процесса «движения» исследуемого объекта, представляемые значениями синоптических связей - суть «черного ящика». Управляющие воздействия в нейросетевой модели подлежат изменению на входе сети в процессе имитации поведения объекта и будут оказывать влияние на отклик НС. Независимые воздействия представлены на входе как фиксированные параметры и отражают воздействия внешней среды на объект. Для функционирования модели важно правильно выделить выходные параметры, которые можно разделить на две части: первостепен ные - получаемые после обучения НС, то есть функции «вход-выход», и второстепенные - получаемые на основании первостепенных.
Представим нейросетевую имитационную модель в виде структуры, в которой отражено наличие функциональных связей как в самой модели, так и вне её. Наличие связей зависит от влияния величин, определяемых объектом и его окружением. Те из величин, которые не зависят от поведения объекта, принимаются за независимые переменные х(, где і = 1, ..., п; величины, которые тем или иным образом подлежат управлению, считаются зависимыми переменными щ, k = 1,..., 1. Далее, через X и U обозначены рассматриваемые множества значений переменных Xj, и Uk: х, є X, і= 1,..., п; щ є U, к = 1,..., 1. Каждой реальной ситуации соответствует некоторая комбинация X, = [x x .-.x J возможных реализаций ХієХ, имеющихся внешних факторов в качестве векторного состояния окружения наряду с соответствующей комбинацией U, = [и и .л ] возможных управляемых параметров U, eU в качестве некоторого векторного варианта решения.
При принятии решения управляемые параметры должны быть определены так, чтобы состояние объекта наиболее близко соответствовало оптимальному значению критерия эффективности. При этом влияние независимых параметров также должно быть учтено. Независимые переменные предполагаются упорядоченными без ущерба для вычислений и произвольным по отношению к окружающей среде способом. Представленная структура позволяет выявить возможности дальнейшего применения рассматриваемой модели.
