WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 | 4 |   ...   | 6 |

Актуальность получения «прозрачной картины» по обслуживаемым электрическим сетям энергосбытовых организаций и электросетевых предприятий продиктована новыми условиями, сложившимися на РРЭ. Каждый отдельный субъект РРЭ представляет собой обособленный элемент общей системы покупки и реализации ЭЭ, который для успешной финансовой деятельности должен проводить анализ основных РПХ, чаще всего самостоятельно. Сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) (рис. 1) требует от ЭСО* применения эффективных методов оценки и анализа, а также выработки корректных решений.

Рис. 1. Механизм взаимоотношений субъектов РРЭ в сфере покупки и реализации электроэнергии в новых рыночных условиях

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

Несмотря на многообразие методов и технических средств, которые позволяют в той или иной степени анализировать массивы РПХ, в настоящее время существует ряд моментов, связанных со спецификой отечественных электрических сетей, существенно затрудняющих решение задачи анализа РПХ, а именно:

1. Недостаточная наблюдаемость электрической сети, возникающая вследствие низкой обеспеченности отечественных электрических сетей средствами измерения и учёта ЭЭ.

2. Слабая проработка в современных методах анализа РПХ вопросов визуализации данных, что приводит к недостаточной «наглядности» анализируемых данных.

Таким образом, в сложившихся условиях, необходимо создание эффективных методик анализа и визуализации РПХ, применимых к особенностям современного информационного обеспечения в электрических сетях субъектов РРЭ России.

* под энергосбытовой организацией (или компанией) подразумевают субъект РРЭ, совмещающий продажу потребителям произведённой или купленной электроэнергии, с деятельностью по её передачи.

В связи с развитием рыночных отношений в России значимость проблемы потерь ЭЭ, тесно связанной с вопросами тарифообразования и выделения в составе отчетных потерь ЭЭ составляющей нормативных потерь, существенно возросла. Кроме того, в процессе реформирования отечественной электроэнергетики возникает необходимость в разграничении ответственности за потери ЭЭ между субъектами РРЭ. Это требует разработки эффективных методов расчета и анализа потерь ЭЭ, позволяющих получить достоверные оценки потерь ЭЭ для каждого отдельного элемента электрической сети.

Особое место в задаче расчёта и анализа потерь ЭЭ занимает проблема сверхнормативных потерь электроэнергии (СПЭ)*. Несмотря на то, что методика, утверждённая ФСТ, устанавливает порядок расчёта нормативов технологических потерь, проблемы СПЭ в ней не рассматриваются. В настоящая время прибыль ЭСО существенно снижается из-за наличия СПЭ. Как правило, это лишает ЭСО денежных средств, которые могли бы быть направлены на мероприятия по снижению этих потерь. Особенно остро эта проблема стоит в коммунальных распределительных сетях, где значительна доля бытового потребления и соответственно велики СПЭ.

В главе показано, что основным «индикатором» при наличии негативной ситуации по потреблению ЭЭ в электрических сетях являются «очаги» потерь ЭЭ. В силу существенных различий в структуре электрических сетей и их протяжённости уровни фактических потерь ЭЭ будут представлять для каждой конкретной ЭСО вполне индивидуальное значение, зависящее от режимов работы электрических сетей и особенностей учёта поступления и отпуска ЭЭ.

Таким образом, в настоящий момент при анализе потерь ЭЭ, для субъектов РРЭ крайне важно корректно выявлять «очаги» таких потерь ЭЭ и причину их возникновения, поскольку они в значительной степени предопределяют возможные финансовые убытки предприятия. Наряду с этим необходимо отметить, что недостаточный объём режимных данных и разобщённость сетевых участков (с.у.) энергорайонов существенно затрудняет анализ потерь ЭЭ в рамках традиционных методик, вследствие чего не представляется возможным с необходимой точностью выявлять «очаги» потерь ЭЭ

В работе показано, что эффективным решением визуализации и анализа РПХ является использование карт данных, способных достаточно полно отразить особенности исследуемых РПХ в электрических сетях. Исследования показали, что наиболее информативным способом представления таких карт являются диаграммы Хилтона, когда на каждом узле сетки изображается квадрат, размер которого пропорционален числу точек данных, ближайших к данному узлу, а оттенок отражает значение соответствующего признака. Так, к примеру, в задаче анализа потребления ЭЭ можно в достаточно удобной и понятной форме визуализировать информацию о дебиторской задолженности по ЭЭ с отображением на диаграмме Хилтона всей необходимой информации (рис. 2)

С переходом на РРЭ и формированием новых отношений между субъектами этого рынка на первый план выходит проблема тарифообразования, которая играет существенную роль в экономической деятельности ЭСО и тесно связана с задачей прогнозирования РПХ.

* под сверхнормативными (коммерческими) потерями ЭЭ понимаются потери ЭЭ, обусловленные несоответствием показаний счётчиков ЭЭ у бытовых потребителей, хищениями ЭЭ и другими причинами в сфере организации контроля за потреблением ЭЭ.

Рис. 2. Пример визуализации составляющей дебиторской задолженности в виде диаграммы Хилтона

Так важность задачи прогнозирования электрической нагрузки предопределяется, прежде всего, возможным ущербом от ошибок прогноза, оказывающих существенное влияние на нормальную работу ЭСО. При сложившейся системе взаимоотношений как ЭСО, так и конечные потребители несут дополнительные затраты, связанные с отклонением фактического потребления ЭЭ от утверждённого, а следовательно они крайне заинтересованы в точных прогнозах потребления ЭЭ и электрической нагрузки на различные временные интервалы.

Стоимость потерь ЭЭ является одной из составляющих тарифов на ЭЭ, поэтому ЭСО крайне важно знать ожидаемый процент потерь ЭЭ, в первую очередь СПЭ в обслуживаемых ей электрических сетях. Прогноз СПЭ необходим, прежде всего, для субъекта РРЭ, поскольку именно корректное обоснование предприятием для РЭК норматива потерь ЭЭ с учётом СПЭ позволит установить «разумный» тариф и значительно сократить возможные убытки ЭСО. В свою очередь, в соответствии с действующими нормативами каждое ТЭП обязано до 1 августа текущего года предоставлять прогнозные расчёты, обосновывающие тариф на ТЭ на предстоящий календарный год. На их основе РЭК формирует окончательный тариф на ТЭ для каждого отдельного ТЭП.

Из вышесказанного, очевидно, что одним из основных мероприятий, позволяющих минимизировать издержки субъектов РРЭ, вызванных новыми правилами рынка является эффективное прогнозирование реализаций различных РПХ.

В главе проанализированы традиционные подходы (АРПСС, экспоненциальное сглаживание, анализ Фурье и т.д.) и представлены современные технологии искусственного интеллекта (ИНС, генетические алгоритмы (ГА)) для прогнозирования РПХ на уровне субъектов РРЭ. Проведённые прогнозные расчёты, в рамках моделей АРПСС, показывают, что ошибки прогноза выше в случае, когда реализация процесса нестационарна и, как следствие, принятая модель АПРСС неадекватна анализируемой реализации. К сожалению, именно на уровне распределительных сетей – основной уровень субъектов РРЭ, реализации основных РПХ (электрическая нагрузка и электропотребление, потери ЭЭ и т.д.) нестационарны и содержат значительную величину нерегулярной оставляющей. Исследования показали, что для этих случаев, целесообразно применение методов искусственного интеллекта, в первую очередь ИНС и ГА.

Во второй главе рассмотрены и выделены основные особенности современных ТИИ, а именно структуры ИНС и ГА, позволяющие эффективно решать задачи по анализу и прогнозированию РПХ, и тем самым «выйти» из «замкнутого круга» новых рыночных требований и современных российских реалий, получив значительно лучшие решения по сравнению с традиционными методиками. Главными из выделенных особенностей являются:

  • «интеллектуальные» алгоритмы не требуют построения сложных вычислительных моделей изучаемого объекта;
  • такие подходы «копируют» отдельные функции творческой деятельности человеческого мозга или эволюционных процессов, что позволяет при наличии большого числа возможных состояний в кратчайшие сроки находить оптимальные решения.

Проанализированы практические разработки по использованию ИНС при решении задач анализа и прогнозирования РПХ, что, в конечном итоге, позволяет говорить о более высокой эффективности «интеллектуальных» методов по сравнению с традиционными алгоритмическими подходами.

Представлен сравнительный анализ современных программных продуктов по ИНС, используемых в электроэнергетике, и приведена характеристика основного программного продукта STATISTICA Neural Networks. Отмечено, что до сих пор практически нет программных пакетов по ИНС и ГА, специализированных для задач электроэнергетики. Основную часть программ искусственного интеллекта, используемых в электроэнергетических расчётах, составляют пакеты, предназначение которых носит либо общий, либо экономический характер.

Среди множества существующих видов ИНС в качестве важнейших для электроэнергетики следует выделить структуру типа многослойный персептрон MLP*, сети с самоорганизацией в результате конкуренции нейронов (в первую очередь, сети Кохонена), радиальные сети RBF**, обобщенно-регрессионные сети GRNN***, а также рекуррентные нейронные сети.

Исследования показали, что применение различных архитектур и оригинальных способов обучения структур ИНС позволяют эффективно решать многочисленные электроэнергетические задачи даже при наличии значительных нелинейных зависимостей и присутствии «плохих данных» в исходных выборках. Кроме того, в работе отмечено, что использование ГА позволяет решать сложные нелинейные задачи вне зависимости от вида целевой функции

В главе показано, что использование алгоритмов и процедур предварительной обработки информации на базе ТИИ, таких как нелинейный анализ главных компонент (NPCA****), нейрогенетический отбор (NGIS*****) и метод имитации отжига (SA******), позволяют свести к минимуму ряд негативных особенностей связанных с представительными массивами информации, свойственных задачам анализа и прогнозирования РПХ для энергопредприятий низшего уровня иерархии.

В третьей главе рассмотрены предложенные подходы на основе методов

* Multilayer Perceptrons – многослойный персептрон

** Radial Basis Functions – радиально-базисная функция

*** Generalized Regression Neural Network – обобщённо-регрессионная нейронная сеть

**** Nonlinear Principal Component Analysis – нелинейный анализ главных компонент

***** Neuro-Genetic Input Selection – нейрогенетический входной отбор

****** Simulated Annealing – имитация отжига

искусственного интеллекта, позволяющие эффективно решать задачи анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ.

В работе предложен нейросетевой подход анализа и визуализации РПХ на базе карт Кохонена (SOM*). 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

В общем случае, состав входной выборки, в зависимости от располагаемой информации и поставленной задачи анализа РПХ, может быть различным. Но следует отметить, что чем полнее во входном векторе будут представлены все зависимые РПХ, тем более полным и объективным будет конечный результат кластерного анализа.

Процедура кластеризации предполагает разделение полученных данных на компактные группы с близкими (идентичными) свойствами, причём, количественные и качественные параметры этих кластеров априори неизвестны. В предлагаемом подходе, кластеризация данных осуществляется в рамках критерия соседства гауссовского типа:

(1)

где - уровень соседства; - весовой коэффициент; d(i;w) – эвклидово расстояние между векторами весов «нейрона-победителя» и i-го нейрона.

Для снижения размерности входного пространства и выделения наиболее информативных переменных, перед началом кластеризации входные данные анализируются алгоритмом NPCA.

На основании рассмотренного алгоритма кластеризации строятся карты SOM в виде диаграмм Хилтона. Таким образом происходит отображение всего многомерного массива РПХ в виде компактных групп, позволяющих визуализировать интересующие характеристики этих групп. Необходимо отметить, что каждый кластер интерактивен, и при обращении к нему выводится количественная и содержательная информация, характеризующая этот кластер. Полученная нейросетевая модель SOM является базовой моделью и в дальнейшем может быть использована для вновь поступающих данных.

Динамические свойства кластерных структур позволяют выявлять тенденции и временные изменения исследуемого параметра. Это даёт возможность осуществлять системное прогнозирование, даже в условиях серьёзного дефицита исходной информации, поскольку в этом случае изучаются свойства не каждого отдельного элемента электрической сети, а всей группы в целом. Анализ динамических изменений и тенденций позволяет наряду с прогнозированием осуществить и определённое управление ситуацией в исследуемом энергорайоне. Совместная

* Self-Organizing Maps – самоорганизующиеся карты

визуализация результатов прогнозирования и анализа динамических изменений, полученных кластерных структур, позволяет определить возможные стратегии по управлению, которые, в конечном итоге, приведут к желаемому изменению тренда того или иного РПХ

В зависимости от выбора для анализа конкретного РПХ предложенный общий алгоритм нейросетевого подхода будет конкретизироваться. Так в работе разработан кластерный анализ потерь ЭЭ на базе самоорганизующейся сети SOM. Суть данного подхода состоит в анализе потерь ЭЭ в рамках групп-кластеров, полученных в результате объединения определённых участков и объектов электрической сети по признаку идентичного распределения потерь ЭЭ в течение заданного периода времени (как правило, годового интервала). Предложенный алгоритм базируется содержит следующие основные этапы:

Pages:     | 1 || 3 | 4 |   ...   | 6 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»