Содержание к диссертации
Введение
Глава 1 Системный анализ и исследования предметной области систем мониторинга и прогнозирования параметров энергетических комплексов 15
1.1 Анализ базовых принципов концепции Smart Grid 15
1.2 Системный анализ и декомпозиция сложной распределенной электроэнергетической системы на базе энергокластерного принципа 26
1.3 Анализ основных методов и принципов цифрового контроля параметров электроэнергетических комплексов 54
1.4 Информационная система мониторинга и прогнозирования параметров электроэнергетических комплексов как элемент технологического базиса технологии Smart Grid 65
1.5 Цели и задачи исследования 71
1.6 Выводы 72
Глава 2 Разработка методик объектно-ориентированного анализа информационных систем для электроэнергетических объектов 73
2.1 Теоретические положения объектно-ориентированного анализа информационных систем мониторинга и прогнозирования параметров электроэнергетических комплексов 73
2.2 Методика построения объектно-ориентированной системы СІМ электроснабжения для информационной системы мониторинга и прогнозирования параметров электроэнергетических комплексов 88
2.3 Методика создания реляционной базы данных системы электроснабжения электроэнергетического комплекса 92
2.4 Выводы 97
Глава 3 Теоретические основы прогнозирования технического состоя ния энергокластера 99
3.1 Постановка задачи прогнозирования электрических нагрузок энерго кластера 99
3.2 Нейросетевое прогнозирование и адаптивное прогнозирование технических параметров энергокластера 111
3.3 Статистическая прогнозирующая авторегрессионная модель обработки информации для точек учета электроэнергии 122
3.4 Прогнозирующая нейронная сеть для точки учёта электроэнергии 127
3.5 Выводы 166
Глава 4 Разработка методов системного анализа для выбора объектов резервной электроэнергетики и построения ее информационной системы 168
4.1 Разработка методического обеспечения информационных систем с учетом резервной электроэнергетики 169
4.2 Алгоритм сбора данных системы мониторинга и прогнозирования параметров систем резервной и гарантированной электроэнергетики 176
4.3 Алгоритм прогнозирования параметров систем резервной и гарантированной электроэнергетики 177
4.4 Алгоритм определения параметра с наименьшим значением прогнозного времени 186
4.5 Выводы 188
Глава 5 Синтез распределенных информационных систем с оптимальными характеристиками искусственных нейронных сетей для параметров энергокластеров Smart Grid 189
5.1 Технология получения прогнозных значений с использованием ИНС 189
5.2 Формализация задачи оптимизации характеристик искусственной нейронной сети энергокластера 191
5.3 Оптимизация характеристик ИНС с применением модели распределенных вычислений MapReduce 200
5.4 Оптимизация искусственных нейронных сетей распределенной информационной системы по ее характеристикам 206
5.5 Разработка методического аппарата обучения искусственных нейронных сетей для обработки информации в системе 219
5.6 Выводы 240
Глава 6 Оценка надежности информационной системы и выбор ее элементной базы методами системного анализа 242
6.1 Структурная схема информационной системы мониторинга параметров энергокластера 243
6.2 Применение методики логико-вероятностного моделирования повышения показателей надёжности информационной системы 244
6.3 Оптимизация выбора элементной базы для информационных систем мониторинга объектов электроэнергетики для принятия решений 251
6.4 Выводы 255
Заключение 257
Список использованных источников
- Анализ основных методов и принципов цифрового контроля параметров электроэнергетических комплексов
- Методика построения объектно-ориентированной системы СІМ электроснабжения для информационной системы мониторинга и прогнозирования параметров электроэнергетических комплексов
- Статистическая прогнозирующая авторегрессионная модель обработки информации для точек учета электроэнергии
- Алгоритм прогнозирования параметров систем резервной и гарантированной электроэнергетики
Введение к работе
Актуальность темы исследования. Во всем мире наблюдается повышение спроса на электроэнергию. Потребители ожидают от поставщиков снижение тарифов на электроэнергию с увеличением показателей надежности услуг, прозрачность схем поставок и возможность выбора поставщика в условиях конкурентного рынка.
Реализация концепции Smart Grid (концепция организации энергетической системы нового поколения) является наиболее подходящим решением. Энергетическая система, построенная согласно принципов Smart Grid, передает не только энергию, но и информацию, поэтому потенциальный потребитель (различного уровня, в том числе и бытовой) электроэнергии получает возможность взаимодействовать с энергосистемой: управлять тарифами, прогнозировать и планировать потребление, выбирать поставщика и т.д.
Однако само внедрение и развертывание инфраструктуры Smart Grid, требует достаточно большого комплекса наукоемких системоаналитических мероприятий среди которых можно выделить следующие:
разработка комплекса методик системного анализа и принятия решений, обеспечивающих эффективную разработку и внедрение информационных систем Smart Grid
разработка методического аппрата, обеспечивающего создание унифицированных моделей данных для информационных систем Smart Grid;
создание эффективных методов прогнозирования параметров объектов электроэнергетики (в том числе систем гарантированной и аварийной электроэнергетики), позволяющих на их основе создавать прогнозирующие программные модули в информационных системах Smart Grid.
исследование вопросов оценки надежности систем мониторинга и прогнозирования.
С другой стороны, несмотря на наличие достаточно развитого аппарата системного анализа и общей теории систем, существует объективная необходимость в разработке системоаналитических методов для технологий Smart Grid. Такими методическим аппаратом является комплексы методик по разработке информационных систем для Smart Grid.
В этих условиях разработка теоретических положений системного анализа построения информационных систем для Smart Grid является актуальной и востребованной проблемой.
Степень разработанности проблемы. Методология системного анализа получила широкое практическое использование при решении задач в различных областях науки, техники, экономики и др. Указанные вопросы рассмотрены в работах М. Месаровича, Д. Мако, И. Такахара, А. А. Денисова, Д. Н. Колесникова, Г. Коллинза, Дж. Блея, В. И. Перегудова, Ф. П. Тарасенко, С. А. Валуева, В. Н. Волковой, Г. Хансена, В. Н. Спицнаделя и др. В настоящее время, с развитием высокопроизводительных средств вычислительной техники, информационные системы (ИС) являются эффективным средством решения системных проблем. Вопросам применения ИС в системном анализе посвящены работы М. К. Чиркова, С. П. Маслова, В. Н. Петрова, Д. Марка, К. МакГоуэна. Вопросы разработки информационных систем различного назначения методами системного анализа с применением современных объектно-ориентированных языков программирования и технологий баз данных широко освещены в трудах Г. Шилдта, Ч. Петцольда, Дж. Рихтера, В.В. Кульбы, Г. Хансена, Т. Конолли, Д. Майо, М. Лутцем, В.В. Вороновым, А.Г. Мамиконовым, Т. Хальпином, Т. Морганом и других. В меньшей степени это коснулось проблем создания адаптированных методик разработки специальных информационных систем для электронергетических комплексов.
Отдельные аспекты посвященные методикам системного анализа и принятию решений по созданию и развертыванию информационных систем мониторинга параметров электроэнергетических комплексов для технологий Smart Grid рассмотрены в работах Б.Б. Кобец, И.О. Волковой, Б.Ф. Вайнзихером и др. По данному направлению также существует определенное количество нормативно правовых документов как международных, так и отечественных, частично описывающих направление развития стандартов в области Smart Grid. В силу новизны самой технологии, расплывчатости и несогласованности описания некоторых понятий, а также большое количество научных направлений ее исследования, известные результаты в этой области трудно считать исчерпывающими.
Базовой основой любой информационной системы, в том числе и систе-
мы мониторинга и прогнозирования является модель данных, описывающая основные элементы системы и предметной области. На современном этапе развития системных методов разработки ИС существует устойчивая тенденция для создания унифицированных моделей данных: информационные системы построенные по такому принципу обладают большими возможностями интеграции с другими подобными системами, могут организовываться в распределенные сети, что является основой для Smart Grid. Одним из основных методических средств построения моделей данных предметных областей является объектно-ориентированный анализ и его языковая интерпритация — унифицированный язык моделирования UML. Методика построения UML-моделей достаточно подробно рассмотрена в работах Г. Буча, Д. Рамбо, А. Джекобсона, М. Блаха, М. Фаулера, К. Скотта, К. Лармана, Д. Шмуллера, А. В. Леоненкова и др. Комплексы UML моделей данных предметной области объединяются в так называемы единые информационные модели (CIM-модель), содержащие исчерпывающую информацию о статических и динамических свойствах системы. В области электроэнергетики существует базовая СІМ-модель1 \ описывающая модели данных для информационных систем электроэнергитических объектов. С другой стороны несмотря на наличие такой модели отсутствует методика разработки реляционной базы данных по данной модели при реализации конкретных систем, например систем мониторинга и прогнозирования параметров электроэнергетических комплексов.
Прогнозирование является важной частью системного анализа. Вопросы прогнозирования в электроэнергетике достаточно полно рассмотрены в работах Б.И. Макоклюева, Ю.И. Руденко, Ю.А. Семеновой, Г.П. Шумиловой, Н.Э Готман, Т.Б. Старцевой, С.Н. Гурского, Д.В. Бэнна, Е.Д. Фармера, Д.В. Мано-ва, Ю.Я. Чукреева, М. Успенского, СВ. Родыгина, РВ. Зимина, А.А. Глебова, А.В. Пахомова, В.З. Манусова, Е.В. Бирюкова и др.
Однако все они, как правило, посвящены теоретическим исследованиям прогнозирования и мало используются в промышленности при изменяющихся условиях эксплуатации.
^ Регламентирована международным и национальным стандартом РФ ГОСТ-Р-МЭК 61970-301 «Интерфейс прикладных программ системы упраления производством и передачей электроэнергии. Основы общей информационной модели (СІМ)» и другими стандартами
В современных условиях внедрения новых информационных технологий, технологий искусственного интеллекта и увеличения производительности вычислительных систем появилась возможность реализовать достаточно сложные, с вычислительной точки зрения, алгоритмы. Одним из самых перспективных направлений в прогнозировании параметров электроэнергетических систем является применение искусственных нейронных сетей. Данной тематике посвящено достаточно большое количество работ среди которых можно выделить работы С. Хайкина, Е.В. Бодянского, СВ. Попова, О.П. Солдатова, В.В. Семенова, Д. Рутковской, М. Пилиньского, Л. Рутковского, В.П. Боровикова, Л.А. Гладкова, В.В. Курейчик, В.А. Терехова, Д.В. Ефимова, И.Ю. Тюки-на, И.Г. Ивченко, А.А.Ежова, С.А. Шумского и др. Одним из важных вопросов, которым недостаточно уделено внимание является исследование алгоритмов обучения прогнозных нейронных сетей (НС), работащих в условиях многопо-точности. Как известно обучение НС является достаточно долгим по времени процессом. Решение задачи уменьшения времени обучения НС может идти по нескольким вариантам: а) поиском соответствующего быстрого алгоритма обучения; б) при помощи методики адаптивного выбора наиболее подходящего алгоритма обучения; в) за счет увеличения производительности вычислительной системы. Если первые два варианта требуют большой научно-мето-дичекой проработки, то последний может быть реализован за счет применения современных техологий распределенных вычислений. По этой причине системный анализ и объектно-ориентированное моделирование информационных систем распределенного обучени НС для конкретного энергокластера также является актуальной задачей.
Для обеспечения вычислительных процессов в распределенных системах с обучающимися нейронными сетями становятся важными вопросы надежности аппаратной части информационной системы. От того, насколько качественно и теоретически обосновано структурное расположение элементов аппаратной части системы во многом зависит стабильность процесса эксплуатации. Тем более это важно для систем мониторинга и прогнозирования, отказ которых в процессе эксплуатации может привести к потере учетных данных и достаточно большим финансовым потерям. Теоретические положения теории надежности представлены в работах таких известных авторов как A.M. По-
ловко, СВ. Гуров, М.И. Чичинский, В.В. Барило, Ю.Б. Гук, В.А. Синопальни-ков, С.Н. Григорьев и др. Несмотря на достаточно полную проработанность вопросов исследования и оценки надежности существует очень небольшое количество информационных систем реализующих возможность поддержки автоматизированных расчетов надежности распределенных информационных систем. В последнее время одним из самых популярных методов исследования вопросов надежности систем является общий логико-вероятностный метод (ОЛВМ) разработанный И.А. Рябининым, А.С. Можаевым.
Таким образом, несмотря на наличие значительного количества работ по отдельным аспектам проблем системного анализа в области разработки информационных систем для технологий Smart Grid, существует необходимость разработки теоретических положений системного анализа, которые объединяли бы в себе как методические вопросы систематизации предметных областей, так и вопросы разработки методов создания информационных систем по технологии Smart Grid.
Объектом исследования является информационная система мониторинга и прогнозирования параметров электроэнергетических комплексов.
Предмет исследования. Теоретические положения системного анализа разработки информационных систем для технологии Smart Grid.
Цель исследования. Развитие теоретических положений системного анализа для технологий Smart Grid.
Задачи исследования. Достижение поставленной цели реализуется как решение комплекса взаимосвязанных задач:
-
исследование, анализ и выделение элементов и параметров предметной области информационной системы энергокластера;
-
разработка методики системного анализа и моделирования информационной системы для технологии Smart Grid;
-
разработка методики анализа и создания подсистемы ИС, реализующей функции прогнозирования параметров;
-
разработка методического аппарата принятия решений по выбору оборудования и прогнозирования параметров систем резервной и гарантированной электроэнергетики;
-
разработка методологии создания распределенной информационной си-
стемы синтеза оптимальных характеристик искусственных нейронных сетей для задач прогнозирования в энергокластерах; 6. разработка методики синтеза информационной системы, с учетом требуемой надежности и минимальной стоимости при известной структуре энергокластера.
Методы исследования. При решении поставленных задач системного анализа использованы методы теории множеств, объектно-оринтированного анализа информационных систем, объектно-ориентированного языка моделирования UML, статистического авторегрессионного моделирования, нейросе-тевого моделирования, общего логико-вероятностного метода расчета надежности систем, целочисленного бинарного программирования.
Программное обеспечение разработано с применением языка программирования Python и языка программирования С# (среда разработки приложений Microsoft Visual Studio 2010)
Научная новизна диссертационной работы заключается в разработке системного подхода к созданию информационных систем мониторинга и прого-нозирования параметров электроэнергетических комплексов. В диссертационной работе получены следующие новые научные результаты:
-
описана предметная область и принципы построения распределенной системы мониторинга и прогнозирования параметров электроэнергетического комплекса;
-
разработаны унифицированные структурные модели информационной системы энергокластера как методическая основа для создания распределенной ИС;
-
разработана методика отображения системы электроснабжения энергокластера в объектно-ориентированную систему СІМ;
-
разработана методика создания унифицированной реляционной базы данных информационной системы энергокластера;
-
разработаны методики создания подсистем прогнозирования конкретных энергокластеров для технологии SmartGrid;
-
разработана методика принятия решения при выборе резервных источников для конкретного энергокластера;
-
разработаны методики и алгоритмы прогнозирования параметров резервных источников энергокластера;
-
сформулирована и предложено решение задачи оптимизаци характеристик искусственных нейронных сетей для распределенной информационной системы энергокластера;
-
разработана методика, позволяющая при известной структуре информационной системы энергокластера подобрать типы элементов оборудования данной ИС с учетом требуемой надежности и минимальной стоимости.
Практическая значимость диссертационной работы состоит в том, что полученные системно-аналитические результаты, реализованы в виде методик, математических моделей, алгоритмов и программного обеспечения, использованы на практике, а именно:
в созданиии комплекта программных библиотек генерации баз данных систем электроснабжения электроэнергетических комплексов;
при разработке программного обеспечения прогнозирования электрических нагрузок энергокластера;
при разработке микропроцессорных систем управления техническими системами резервной электроэнергетики, методик и алгоритмов прогнозирования их параметрами;
при исследовании и оценке показателей надежности систем мониторинга и прогнозирования параметров электроэнергетических объектов в условиях их развертывания.
Внедрение работы. Результаты диссертационной работы внедрены на следующих предприятиях:
в ЗАО «РИТЭК СОЮЗ» (при разработке методического аппарата для создания информационной системы мониторинга и прогнозирования параметров электроэнергетических комплексов);
в ООО «СофтПро» (при разработке DFD модели организации потоков данных систем систем сбора и мониторинга объектов ЖКХ и электроэнергетики, при разработке методического аппарата организации хране-
ния хронологических данных в системах учета информации организаций ЖКХ);
в ОАО «КБ «Селена» г. Краснодар (при разработке микропроцессорных систем управления техническими системами резервной электроэнергетики);
в ОАО «КБ «Селена» г. Краснодар (при разработке программного обеспечения для анализа параметров качества электрической энергии специальных объектов).
Апробация результатов диссертационного исследования. Основные результаты работы докладывались и обсуждались на следующих научно-практических мероприятиях: первая(2002 г.), вторая(2003 г.), третья(2004 г.) межвузовские научные конференции «Электромеханические преобразователи энергии», Краснодарский военный авиационный институт, Краснодар; XXVII Российская школа «Наука и технология», посвященная 150-летию К. Э. Циолковского, 100-летию С. П. Королева и 60-летию Государственного ракетного центра «КБ им. академика В. П. Макеева», секция «Динамика и управление», УрО РАН, Екатеринбург, 2007; VII Всероссийская научно-практическая конференция «Математические методы и информационно-технические средства», Краснодарский университет МВД России, Краснодар, 2012; IX Всероссийская научная конференция молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление», ТТИ ЮФУ, Таганрог, 2011; 1(2011 г.), 11(2012 г.) международные научно-практические конференции молодых ученых посвященная 51-й годовщине полета Ю.А. Гагарина в космос, филиал военного учебно-научного центра военно-воздушных сил «Военно-воздушная академия им. проф. Н.Е. Жуковского и Ю.А. Гагарина», Краснодар; 1(2010 г.), 11(2012 г.) межвузовские научно-практические конференции «Автоматизированные информационные и электроэнергетические системы», ГОУ ВПО КубГТУ, Краснодар; 1(2010 г.), 11(2011 г.), 111(2012 г.) Всероссийские научно-практические конференции «Научные чтения имени профессора Н.Е. Жуковского», Филиал Военного учебно-научного центра Военно-воздушных сил «Военно-воздушная академия им. проф. Н.Е. Жуковского и Ю.А. Гагарина», Краснодар.
Основные положения выносимые на защиту:
-
анализ информационной система мониторинга и прогнозирования параметров электроэнергетических комплексов на основе UML-диаграмм развертывания;
-
методика отображения схемы электроснабжения в объектно-ориентированную систему СІМ;
-
методология создания распределенной информационной системы электроэнергетического комплекса на основе нейросетевого прогнозирования;
-
методика и алгоритмы прогнозирования параметров резервных источников электроэнергии энергокластера, а также их выбора;
-
метод подбора оптимальных характеристик ИНС с применением модели распределенных вычислений MapReduce;
-
алгоритмы обучения прогностических ИНС энергокластера;
-
методика выбора элементов ИС энергокластера с учетом требуемой надежности и минимальной стоимости.
Публикации. По результатам выполненных в диссертации исследований опубликована 90 научных работ, в том числе: 23 работы в периодических изданиях, рекомендованных ВАК; 4 монографии; получено 4 свидетельств на объекты интеллектуальной собственности; 59 работ опубликовано в других изданиях, сборниках статей и докладов конференций.
Структура и объем работы. Диссертационная работа состоит из введения, шести глав, выводов, списка литературы и приложений. Работа изложена на 358 страницах, включает 127 рисунков и 25 таблиц. Список литературы насчитывает 185 источников.
Анализ основных методов и принципов цифрового контроля параметров электроэнергетических комплексов
Инновационная и научно-техническая политика в электроэнергетике вошла в число основных составляющих государственной энергетической политики. Так, в электроэнергетике инвестиционно-инновационное обновление отрасли, направленное на обеспечение высокой энергетической, экономической и экологической эффективности производства, транспорта, распределения и использования электроэнергии, является одним из заявленных стратегических ориентиров.
В сфере технологического совершенствования ЕЭС России «Энергетической стратегией-2030» предусмотрены для повышения управляемости и обеспечения надежности функционирования электроэнергетических систем широкое внедрение гибких систем передачи электроэнергии (устройств FACTS) и совершенствование комплексов автоматической аварийной защиты и диспетчерского управления. Внедрение технологий FACTS в России уже было ранее инициировано Приказом РАО «ЕЭС России» № 488 в 2003 г. «О создании управляемых линий электропередачи и оборудования для них». Некоторые элементы FACTS уже установлены на ряде подстанций.
В сфере генерации в качестве одного из принципов перспективного развития «Энергетической стратегией-2030» заявлено максимальное использование потенциала малой энергетики.
Реформа электроэнергетики обусловила курс на децентрализацию генерации, при обосновании которой была произведена оценка потенциала когенера-ции, возникающей вследствие замены котельных на ГТУ-ТЭЦ. Согласно дан ным, полученным исследователями, потенциал составляет около 175 ГВт, что сравнимо с общей текущей установленной мощностью электростанций в России, составляющей, в свою очередь, 219 ГВт. По экспертным оценкам, в перспективе доля распределенной генерации может достичь 20% от общего объема производства электроэнергии [58].
Распределенная генерация имеет много преимуществ перед централизованной: она технологически более гибкая, позволяет решать проблемы дефицита электроэнергии в масштабах регионов. Однако кроме генерации, в «Энергетической стратегии-2030» намечены ориентиры развития сетевой инфраструктуры. Среди прочих задач в ней значится применение нового поколения устройств силовой электроники, систем автоматического управления и защиты для решения проблемы полной наблюдаемости ЕЭС и управления электрическими режимами в реальном времени, что существенно повысит управляемость и эффективность ЕЭС и обеспечит повышение надежности электроснабжения потребителей с текущего уровня 0,9960 до 0,9990 - 0,9997 [23].
В «Энергетической стратегии-2030» декларируется выбор в пользу инновационного направления развития электроэнергетики России. Этот выбор был, среди прочего, обусловлен мировой политико-экономической ситуацией: развитые страны взяли курс на инновационное развитие и обеспечение своей энергетической независимости, безопасности.
В РФ имеются технологические предпосылки для инновационного развития: в нашей стране разработано и освоено промышленное изготовление целого ряда технических средств, являющихся элементами концепции Smart Grid. Реализация инновационного потенциала в электроэнергетике нашей страны связана в первую очередь со значительными единовременными финансовыми затратами, необходимый объем которых отсутствует в компаниях отрасли. Опыт зарубежных стран (см. [59; 60]) показывает, что без активного государственного участия реализация инновационных задач будет существенно затруднена: необходимы меры поддержки развития российского технологического потенциала.
В настоящее время в России политическая ситуация в сфере электроэнергетики характеризуется переориентацией на инновационный путь развития. Следует отметить, что данный переход имеет высокую степень риска, связанного с целым перечнем проблем, только своевременное решение которых позволит российской энергетике развиваться по инновационному сценарию.
Если основываться на опыте разработки и внедрения концепции Smart Grid в индустриально развитых странах, то развитие данной концепции в России может рассматриваться значительно шире - как целый комплекс взаимосвязанных задач: научно-технологических, бизнес-задач (определяющих стратегии развития компаний и регионов), экономических (обеспечивающих повышение экономической эффективности как энергетического комплекса, так и других отраслей), социальных (связанных с созданием новых рабочих мест) и др.
В этом случае развитие концепции Smart Grid может, с одной стороны, выступить базой для организации эффективной системы взаимодействия науки и бизнеса в области электроэнергетики (и не только, учитывая ее потенциально межотраслевой характер) и развития соответствующей инновационной инфраструктуры. С другой стороны, она способна стать своего рода технологической платформой для обсуждения, разработки и решения основных концептуальных, научно-методологических и технологических вопросов развития отрасли.
Таким образом, очевидно, что возможный подход к развитию концепции Smart Grid в России должен учитывать следующие положения: 1) проблема развития отечественной электроэнергетики выходит за рамки отраслевой программы и рассматривается как национальная инновационная программа и во взаимодействии с другими национальными проектами и программами; 2) основная стратегическая цель развития отрасли - принципиальное, качественное изменение и развитие интеллектуально-технологического потенциала отечественной электроэнергетики, отвечающего мировым тенденциям социального и технологического развития; 3) технологическая платформа на базе концепции Smart Grid как элемент инновационной инфраструктуры должна обеспечить формирование долгосрочного вектора развития, связать научные исследования и разработки, бизнес-проекты, общественные и государственные интересы; 4) идеология и концептуальная основа Smart Grid должны обеспечить преемственность развития электроэнергетики и определяться уровнем имеющегося организационно-экономического, технологического и ресурсного (в широком смысле) потенциала и достижимостью.
Методика построения объектно-ориентированной системы СІМ электроснабжения для информационной системы мониторинга и прогнозирования параметров электроэнергетических комплексов
В настоящее время в комплексе технологических проблем [97] современной энергетической системы, основанной на концепции Smart Grid, являются следующие задачи: - обеспечение непрерывного мониторинга данных с целью минимизации ошибок при финансово-экономических расчётах; - оптимизация режимов сети и сокращения выбросов загрязняющих веществ за счёт предоставления потребителю возможности регулировать спрос; - поддержка комплексных измерений и обеспечение непрерывного мониторинга данных; - интеграция имеющихся и новых информационных систем и т.д. Данные задачи необходимо решать на всех уровнях построения электриче ских сетей от электрических сетей предприятия до региональных электрических сетей.
Для решения выделенных задач в настоящее время применяют информационно-коммуникационные технологии, включающие технологии создания аппаратно-программных измерительных комплексов энергетических систем [98-104], а также технологии и средства, обеспечивающие интеграцию измерительных комплексов в единую интеллектуальную информационную систему. Создание единой интеллектуальной информационной системы может идти в двух направлениях: 1) комплексное создание объектов энергетики с параллельным внедрением информационных технологий, их контроля и учёта; 2) создание единой интеллектуальной системы на основе готовой функционирующей энергетической системы. В связи с тем, что в РФ существует действующая многоуровневая, централизованная энергетическая система, очевидным является, что использование второго направления оправдано для имеющихся региональных сетей и предприятий, в то время как второй подход оправдано использовать для вновь вводимых сетей и предприятий.
Для создания единой интеллектуальной информационной системы требуется комплекс мероприятий, который может включать следующие этапы [105]: - всесторонний анализ структуры, особенностей и проблем энергетической системы; - анализ и оценка масштабов работы; - определение принципов декомпозиции информационной системы на подсистемы; - выбор методологии проектирования; - определение средств реализации выбранных методов; - реализация информационной системы. Среди указанных мероприятий с учётом иерархической структуры энергетических систем одним из самых важных является определение принципов декомпозиции информационной системы на подсистемы.
Далее предлагается кластерный принцип построения информационных систем, согласно которому информационные системы создаются на основе выделенных кластеров энергообъектов.
Под энергокластером будем понимать отдельный территориальный участок распределительной сети с элементами генерации и передачи электроэнергии и компьютерную сеть для обработки и хранения параметров электроэнергии и их прогнозирования, использующие соответствующие алгоритмы.
Разработка структуры информационной системы энергокластера является важной проблемой. Рассмотрим несколько вариантов построения таких информационных систем, отметим, что системообразующими элементами для всех вариантов информационной системы будут являться следующие элементы. API - интерфейс прикладных программ, обеспечивающий информацией о состоянии электрический сети сторонние и внутренние приложения. Центр обработки данных (ЦОД) - аппаратно-программный комплекс, осуществляющий сбор информации с систем сбора и мониторинга данных подстанций кластера, а так же дополнительное агрегирование и структурирование информации по группам объектов учета, документирование и отображение данных учета в виде, удобном для анализа и принятия решений.
Сервер базы данных (БД) - реляционная база данных, имеющая определенную структуру, используемая для доступа и длительного хранения данных об устройствах электрической сети, телеметрических данных и показателей измерительных приборов.
Подсистема обработки данных - осуществляет преобразование и нормализацию измерительных и телеметрических данных, поступающих от измерительных пунктов для последующего сохранения их в БД [106].
Подсистема обработки запросов пользователей - осуществляет обработку запросов пользователей (в роли пользователей могут выступать другие приложения и сервисы), контроль доступа к данным и преобразования формата представления данных для отправки их пользователю [107].
УСПД — устройство сбора и передачи данных предназначено для сбора, обработки и передачи измерительной информации и телеметрических данных в заданном формате для использования этих данных в информационной системе энергокластера.
Канал связи - система технических средств и среда распространения сигналов для передачи сообщений от источника к получателю. Каналы связи могут быть проводными и беспроводными. t/ML-диаграмма развертывания информационной системы с одним главным сервером БД На рисунке 2.1 представлена диаграмма развертывания информационной системы с одним сервером БД. В данной схеме данные с измерительных пунктов через определенные интервалы времени отправляются в ЦОД, где через подсистему обработки данных сохраняются на сервере БД. Данные хранящиеся в БД используются подсистемой обработки запросов для предоставления сторонним приложениям и сервисам доступа к ним через API.
Статистическая прогнозирующая авторегрессионная модель обработки информации для точек учета электроэнергии
Прогнозирование режимов электропотребления (электрической нагрузки Р) необходимо для решения практически всего спектра задач текущего планирования и оперативного управления режимами функционирования электроэнергетическими системами (ЭЭС) [33; 34; 36; 37; 132-134]. В самом общем виде задачу прогнозирования электропотребления (ЭП) можно представить как построение функции: P = F[t, At, n,k,P(t-At),...,P(t- nAt) ,Xi(t-At),...tXi(t- nAt)} (3.1) для максимально вероятных неизвестных значений Р в будущий момент времени, на интервал упреждения длиной t + kAt, в зависимости от известных прошлых сведений. Величина прогноза Р должна находиться в заданном доверительном интервале прогнозирования 5 с заданной доверительной вероятностью р. Величина к определяет тип прогноза - краткосрочный и т. д. Здесь t - текущий момент времени, At - интервал времени между измерениями; п -число интервалов в прошлое, к - число интервалов в будущее, т - количество измеряемых характеристик; Х{ при г = 1,... ,т - измеряемые характеристики, входящие в перечень ретроспективных влияющих факторов (кроме самой потребляемой мощности - это температура Т и влажность w, продолжительность дня и т. п.).
Заметим, что глубину в прошлое п и перечень независимых переменных или влияющих факторов Х{ необходимо также определить. Функция в (3.1) зависит от независимых переменных, принимаемых в качестве факторов, влияющих на величину ЭП, по которым имеются достоверные фактические данные: суточные графики метеорологических параметров, температура, освещённость, влажность, осадки, скорость и направление ветра [37]. Долгосрочные и краткосрочные метеопрогнозы, включающие метеорологические параметры, необходимые для использования в процессе прогнозирования ЭП, регулярно получают от Гидрометцентра России.
Непрерывное развитие ЭЭС предъявляет всё более высокие требования к показателям качества прогнозных расчётов (точности, достоверности, информа тивности, автоматизируемости, быстродействию и т.п.) и обеспечению надёжности энергосистем. Оценочные расчёты, проводимые для энергообъединений с уровнем месячного потребления около 1500 млн. квт-ч показали, что улучшение качества прогноза только месячного потребления на 0,1% способно в настоящих условиях снизить затраты на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. рублей в год [132].
Прогнозирование нагрузки проводится в следующих временных диапазонах иерархии управления ЭЭС: - оперативном (часы); - краткосрочном (сутки) [135]; - среднесрочном (неделя-месяц-квартал); - долгосрочном (год и более). Примеры структуры показателей баланса электроэнергии и эквивалентной электрической схемы показан на рисунках 3.1 главы 3 и соответственно рисунке 1.3 главы 1. В указанных точках учёта (ТУ) происходит подключение потребителей, носящее случайный характер (рисунок 3.2). При фиксированном напряжении U в каждой ТУ, возникающая в каждом из звеньев цепи сила тока / также носит случайный характер.
Ставится задача прогнозирования электрической нагрузки Р = U І в каждой ТУ, при требованиях к относительной погрешности - т. е. к пределу доверительного интервала прогнозирования 5 при р 95% - менее 5%.
Точка учёта - точка, расположенная на линии перетока, выбранная для учёта на границе балансовой принадлежности между поставщиком и потребителем.
Краткосрочный прогноз - характеризует собой прогноз на несколько шагов-интервалов вперёд, построение прогноза не более чем на 3% от наблюдений. Среднесрочный прогноз - прогноз на 3-5% от объёма наблюдений, но не более 7-12 шагов вперёд. Также зачастую под этим понятием используют прогноз на один или на половину сезонного цикла. Период (интервал) прогнозирования At - это основная единица времени, на которую делается прогноз. Горизонт прогнозирования (упреждения) к - это число периодов в будущем, которые покрывает прогноз. Окно прогноза п - количество ретроспективных интервалов прогнозирования до текущего момента времени. Адаптивная прогнозная модель - самонастраивающаяся рекуррентная модель, способная отражать изменяющиеся во времени динамические свойства временного ряда и учитывать информационную ценность его членов. Авторегрессионная модель - модель временных рядов, в которой значения вре 101 менного ряда в данный момент линейно зависят от предыдущих значений этого же ряда.
Искусственные нейронные сети - в теории искусственного интеллекта это совокупность моделей биологических нейронных сетей.
Задачи регрессии - статистический метод исследования влияния одной или нескольких независимых переменных на зависимую переменную, в данном случае ретроспективных измерений на прогноз.
Генетический алгоритм - это эвристический алгоритм поиска для решения задач оптимизации путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, моделирующих биологическую эволюцию.
Самообучение нейронной сети - настройка без обучающей выборки архитектуры сети и весов связей для эффективного выполнения задачи.
Самоорганизация нейронной сети - термин, включающий в себя не только самообучение (изменение значений весов), но и возможность изменения структуры связей и количества нейронов, без обучающей выборки.
Интервал моделирования {t — nAt, t + к At) - интервал времени, составленный из интервала упреждения и ретроспективного интервала, на котором определена обучающая выборка.
Интервал упреждения t + к At - интервал времени, на котором выполняется прогнозирование (на котором рассчитываются прогнозные значения).
Ретроспеїаивньїй интервал t — nAt - интервал времени, которому принадлежат фактические данные, включаемые в обучающую выборку.
Обучающая выборка - ряд данных, принадлежащих ретроспективному интервалу и интервалу упреждения, на основе которых выполняется расчёт параметров модели, используемой для прогнозирования.
Точки притяжения - ожидаемые значения электропотребления, включаемые в обучающую выборку на интервале упреждения с целью стабилизации прогнозных значений. Точки притяжения получаются либо при помощи методов прогнозирования, работающих на более длительных интервалах упреждения, либо из фактических графиков потребления за прошлые интервалы времени, либо из заявок участников рынка (при их наличии у системного оператора).
Алгоритм прогнозирования параметров систем резервной и гарантированной электроэнергетики
Построим многослойный персептрон для решения поставленной задачи. Чтобы избежать недостатков в решении задач регрессии, в MLP используется следующий прием: логистическую функцию активации в выходном слое следует заменить на линейную, которая не меняет уровня активации (функции активации меняются только в выходном слое; в промежуточных слоях по-прежнему остаются гиперболические функции активации). Линейная функция активации не насыщается, и поэтому способна экстраполировать (при этом логистические функции предыдущих уровней все-таки предполагают насыщение на более высоких уровнях). Линейные функции активации в MLP могут вызвать определённые вычислительные трудности в алгоритме обратного распространения, поэтому при его использовании следует брать малые (менее 0,1) скорости обучения. При таком подходе нет необходимости использовать алгоритмы масштабирования.
Рассмотрим нашу задачу как частный случай регрессии - анализ временного ряда. В этом случае переменная «Потребляемая электрическая мощность» в табл. 3.1 является как входной, так и выходной.
Определение правильного числа входных шагов является сложной задачей. Если временной цикл выделить нельзя, то указывается диапазон возможных значений, и STATISTICA Нейронные сети определит подходящий период. В этом случае запускается Мастер решений несколько раз с большим числом итераций. После того, как Мастер решений определит подходящий период, можно использовать это значение в качестве фиксированного периода.
Ретроспективное временное окно сделаем равным п = 8 (данные за предыдущие 2 часа), а интервал упреждения равным к = 1 (прогноз на 15 мин). Как показано выше, увеличение окна до 16 или уменьшение до 4 ухудшает работу НС. В качестве типа и топологии НС выберем многослойный персептрон с одним скрытым слоем.
Необходимы пояснения по обозначениям на рис. 3.23. «Овалы» вставляются, чтобы указать на входные нейроны. Эти нейроны не осуществляют пре 136 образований, а просто подают входные значения в сеть. «Квадраты» соответствуют элементам с синаптической функцией. Входные и выходные переменные представляются небольшой открытой «окружностью», присоединенной к соответствующему входному или выходному нейрону. Уровни активации показаны цветом - красным для положительной активации, зеленым для отрицательной.
Сеть включает в себя т = 10 входных переменных, которые преобразуются с учётом временного окна п = 8 в 80 входных нейронов с линейной функцией активации, 6 нейронов промежуточного слоя с функцией активации гиперболический тангенс и одним выходным нейроном с линейной функцией активации.
Отношение стандартного отклонения ошибки к стандартному отклонению, табл. 3.5, составляет 0,15. Чем меньше доля объяснённой дисперсии модели, тем лучше работает модель. Коэффициент корреляции Спирмена, вычисленный между целевым вектором и реальным выходным вектором, должен приближаться к единице.
В табл. 3.6 приведены следующие характеристики полученной прогнозной НС: «Производительность обуч.», «Контр, производительность», «Тест». Производительность - производительность сети на выборках, используемых при обучении. Значение производительности сети зависит от типа выходной переменной сети. Для регрессионных сетей значение производительности - это отношение стандартных отклонений. Таблица 3.6 - Результат работы НС-модели «МП s8 10:80-6-1:1» Архитектура Mns8 10:80-6-1:1 Производительность 0,169 Контр, производительность 0,182 Тест, производительность 0,184 Ошибка обучения 0,048 Контрольная ошибка 0,052 Тестовая ошибка 0,052 «Ошибка обучения», «Контрольная ошибка», «Тестовая ошибка» - это ошибки сети на выборках, используемых во время обучения. Они представляют числа, которые оптимизируется алгоритмом обучения. Это среднеквадратичное значение ошибок по отдельным наблюдениям, где отдельные ошибки вычисляются функцией ошибки сети, которая является функцией наблюдаемых и ожидаемых уровней активации выходного нейрона. Ошибка на тестовой выборке интерпретируется как ошибка модели и мера точности прогноза. Обучение - это поле содержит краткое описание алгоритмов обучения, используемых для оптимизации сети. Оно хранит несколько кодов, с последующим числом эпох, которое проводился алгоритм, и необязательный код остановки, который показывает как была выбрана финальная сеть. Код ОР96Ь показывает, что был использован метод обратного распространения ошибки, что была выбрана лучшая найденная сеть (по «лучшей» то есть «минимальной контрольной ошибке») и что эта сеть была найдена на 96 эпохе.
SNN также позволяет вывести изображение поверхности отклика (рис. 3.24). На самом деле, эта поверхность представляет собой (N + 1)-мерный объект, где ./V - число входных элементов, а оставшееся измерение соответствует высоте точки на поверхности. При этом значения всех остальных входных переменных фиксируются, и меняются только два выбранные.
