WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 | 2 || 4 | 5 |   ...   | 6 |
  1. Формирование обучающей выборки на базе архива потерь ЭЭ.
  2. Первичная кластеризация данных о потерях ЭЭ на базе SOM – формирование базовой модели
  3. Детальная кластеризация выявленных групп, отнесённых SOM к «очагам» потерь ЭЭ.
  4. Поиск конкретных мест и объектов электрической сети, приводящих к высоким потерям ЭЭ внутри кластера.
  5. Оценка «очагов» потерь ЭЭ на наличие СПЭ.
  6. Использование полученной базовой модели для анализа изменения потерь ЭЭ в рамках системного прогнозирования уровня потерь ЭЭ.

В зависимости от состава исходных данных определяется общая постановка задачи анализа потерь ЭЭ. При использовании в качестве исходных данных как годового архива потерь ЭЭ, так и реализаций дополнительных РПХ (коэффициент загрузки, мощность трансформатора, длина ЛЭП) в задаче анализа появляется возможность оценить степень влияния «технических причин» на общий уровень потерь ЭЭ для каждого отдельного объекта электрической сети. К примеру, соотнести степень влияния коэффициента загрузки трансформаторов на выявленные «очаги» потерь ЭЭ. Если в качестве исходных данных используется лишь годовой архив потерь ЭЭ, то задача анализа будет носить характер мониторинга, позволяющего визуализировать представительный массив информации в виде компактных групп-кластеров.

Необходимо подчеркнуть, что во всех представленных случаях достигается конечная цель анализа – выделение «очагов» потерь ЭЭ с выявлением причин их возникновения.

На этапе первичной кластеризации, для выявления «очагов» потерь ЭЭ, вся информация о потерях ЭЭ исследуемого энергорайона визуализируется в виде компактных кластеров на базе диаграмм Хилтона. Если такие «очаги» обнаружены, то проводится детальная кластеризация исследуемых данных.

После выделения по результатам кластерного анализа, «очагов» потерь ЭЭ можно именно на этих участках энергорайона с помощью оценки несоответствия А оценить влияние составляющей СПЭ:

(2)

где– отпуск ЭЭ в сеть для собственных потребителей; – полезный отпуск ЭЭ потребителям; – потери холостого хода; – климатические потери ЭЭ; – расход ЭЭ на собственные нужды подстанции; Д – количество дней в месяце.

Использование предложенного кластерного подхода для анализа потерь ЭЭ может быть осуществлено и совместно с применением традиционных методов анализа (оценка небаланса ЭЭ, определение долевого участия ЭЭ и т.д.)

Для повышения качества прогнозных расчётов в работе предложен оригинальный подход ПМИИ, состоящий из следующих этапов:

  1. Выбор обучающих данных
  2. Использование SA при выборе оптимальной архитектуры прогнозной ИНС для каждого конкретного ЭСО.
  3. Применение специализированных алгоритмов предварительной обработки ретроспективных данных, таких как NGIS и NPCA, что обеспечивает существенное повышение качества прогнозирования в условиях дефицита исходной информации
  4. Прогнозирование на базе полученной нейросетевой модели режимных параметров и характеристик ЭСО на заданный интервал упреждения.
  5. Возможная адаптация ИНС при изменении схемно-режимных параметров электрической сети

В ходе исследований выявлены минимальные объёмы ретроспективных выборок при использовании нейросетевого прогнозирования для получения достоверных прогнозов, а именно:

  • Годовой прогноз – среднемесячные значения. Минимальная глубина ретроспективы в этом случае составляет порядка пяти лет (электрическая нагрузка, потери ЭЭ). В случае сложного, комплексного изменения параметра (к примеру, температуры наружного воздуха) минимальный объём выборки составляет порядка десяти лет.
  • Суточный прогноз – среднечасовые значения. Минимальный объём ретроспективной выборки включает данные по исследуемому месяцу двух предыдущих лет (т.е. к примеру, апрель 2004 и апрель 2005 гг.)

Так как особенности выборки могут быть различны, то указанные минимальные объёмы ретроспективы могут оказаться недостаточны. В работе показано, что использование специализированных алгоритмов анализа данных позволяет определить необходимый объём выборки.

«Соревновательный» принцип алгоритма SA может работать в рамках двух критериев:

    1. баланс между производительностью и сложностью ИНС;
    2. выбор структуры ИНС с наилучшей производительностью.

После этого задаётся количество итераций алгоритма SA, соответствующее числу анализируемых ИНС. Как правило, достаточно до 15 итераций, чтобы найти оптимальный тип и архитектуру ИНС.

Несмотря на то, что представленный подход ПМИИ имеет значительное количество этапов и включает определённое количество процедур нелинейной оптимизации, он существенно облегчает процедуру прогнозирования с одновременным повышением качества прогноза. Представленные этапы работают, как правило, одновременно и параллельно, при этом оператор лишь задаёт обучающую выборку и необходимый выходной параметр. Всё остальное «берёт» на себя процедуры искусственного интеллекта, что значительно сокращает время расчёта. Предложенный подход является универсальным для прогнозирования различных РПХ

В работе рассмотрены и проанализированы современные отечественные программные комплексы «РАП-95» и «ПРОГНОЗ», предназначенные для решения задач анализа и прогнозирования РПХ в электрических сетях. Сопоставление предложенных подходов на базе ТИИ с методиками, реализованными в приведённых комплексах, свидетельствует о том, что «интеллектуальные» подходы, в отличие от традиционных методик, в большей степени удовлетворяют основным требованиям, предъявляемые к задачам анализа и прогнозирования РПХ.

В четвёртой главе на основе результатов проведённых исследований и выполненных практических работ с различными организациями электрических сетей и теплоэнергетическими предприятиями сформирована определённая взаимосвязанная структура первостепенных задач ЭСО с позиции современных реалий (рис. 3)

рис. 3. Взаимосвязанная структура первостепенных задач ЭСО

С этих позиций в работе, в рамках предложенных «интеллектуальных» подходов, были проведены экспериментальные расчёты для реальных электрических сетей Братского энергорайона и г. Иркутска.

Предложенный кластерный подход на базе самоорганизующейся сети Кохонена применялся для анализа:

      1. расчётных потерь активной ЭЭ, в распределительных сетях 0.4-10 кВ МБ ТЭП ЖКХ г. Братска;
      2. величины СПЭ в районных электрических сетях (РЭС) Братского энергорайона ОАО «Северные электрические сети» (Иркутскэнерго).

Анализ потерь ЭЭ в распределительных сетях МБ ТЭП ЖКХ г. Братска. В представленной задаче входной набор данных включал:

  1. месячные расчётные значения величины * для 41 трансформаторной подстанции (ТП) 6/0,4 кВ пяти сетевых участков Братского энергорайона за 2003 год;
  2. дополнительные РПХ – коэффициент загрузки трансформаторов, мощность трансформаторов и протяжённость распределительных сетей.

В процессе обучения нейросетевая модель Кохонена, согласно критерию (1), осуществила разделение ТП исследуемого энергорайона на четыре кластерные группы. С целью выявления «очагов» потерь ЭЭ на различных с.у. вся информация по исследуемому энергорайону была визуализирована в виде диаграмм Хилтона (рис 4). Наряду с кластеризацией, нейросеть Кохонена выполнила сравнительную оценку потерь активной ЭЭ по ТП для каждой из полученных групп. В рамках каждого месяца сравнивались потери по группам, что и позволило выделить месяцы с более высоким уровнем потерь.

Рис. 4. Выявление очагов потерь ЭЭ с использованием диаграммы Хилтона

Использование в качестве входных данных дополнительных РПХ позволило оценить степень влияния «технических причин» на уровни потерь ЭЭ в различных кластерах. Так, кластеру B1, который характеризуется «очагами» потерь ЭЭ, соответствует ряд «технических причин», приводящих к высокому уровню потерь ЭЭ: в первую очередь, высокие значения для этого энергорайона коэффициентов загрузки трансформаторов, = 0.790.86 и значительная протяжённость распределительных сетей, L = 18502460 м.

C группами, которым в определённые месяцы была присвоена метка** «очаги потерь ЭЭ», на базе карт Кохонена проводилась детальная кластеризация. В результате, для сетевых участков Братского энергорайона, были выделены ТП с аномально высоким уровнем потерь ЭЭ в ряде (рис. 5, табл. 1).

* расчётные значения были получены с использованием сертифицированного отечественного ПВК «ОПЭ-1», разработанный в ИСЭМ СО РАН (г. Иркутск)

** динамические информационные окна карт данных

Таблица 1

Выявление «очагов» потерь ЭЭ на базе сети Кохонена

Подстанции, с повышенным уровнем потерь ЭЭ

Месяц наибольших потерь ЭЭ

Причины возникновения «очагов» потерь ЭЭ

ТП 2 (с.у. Порожский)

Январь, апрель, май-сентябрь, ноябрь, декабрь

Сверхнормативные

потери ЭЭ

ТП 7 (с.у. Порожский)

Октябрь

ТП 203, 250 (с.у.Чекановский);

ТП 196 (с.у. Стениха)

Февраль, апрель, май, июль-сентябрь, ноябрь

ТП 5, 6, 9 (с.у. Порожский)

ТП 178/1, 175 (с.у. Южный Падун)

Все месяцы кроме октября

Анализ полученных данных показал, что высокие среднегодовые потери ЭЭ в с.у. Порожский, Южный Падун, Стениха и Чекановский обусловлены «активностью» отдельных ТП в разные месяцы года. Таким образом, ЭСО при проведении мероприятий по снижению потерь ЭЭ на предстоящий период может сосредоточить усилия лишь на отдельных ТП в определённые месяцы года. «Очаги» расчётных значений потерь ЭЭ в анализируемых случаях объясняются значительным содержанием составляющей СПЭ в структуре потерь ЭЭ.

Анализ сверхнормативных потерь ЭЭ в электрических сетях ОАО «Северные электрические сети» (Иркутскэнерго). Для анализа использовалась выборка ретроспективных значений СПЭ за период 2004 г. (базовый период) – первой половины 2005 г. по различным участкам и объектам Братского энергорайона, которые обслуживает ОАО «СЭС Иркутскэнерго».

Кластерный анализ, проведенный на базе сети Кохонена, позволил разделить все исследуемые участки и объекты энергорайона на четыре группы. В данном случае на каждый входной нейрон карт Кохонена подавались значения СПЭ для отдельного участка (объекта) энергорайона за 2004 г. Нейросетевая модель, полученная на основе ретроспективных данных 2004 г., была принята в качестве базовой и в дальнейшем использовалась при анализе данных за первое полугодие 2005 г.

При поступлении новых данных за 2005 год сформировались новые кластеры. В отличие от 2004 г. уровень СПЭ в районных электрических сетях (РЭС) 1, 2 и главной понизительных подстанциях 1, 2 снизился для периода «февраль–апрель» 2005 г. Появились новые значения уже не «вписывающиеся» в «старые» кластеры, и модель сформировала новые кластеры. К примеру, участки «РЭС-1,2» «перешли» из группы B1 (=18-30%) в другую группу А2, для которой характерны минимальные из всех групп потери ЭЭ (=0-8%). Другими словами, уровень СПЭ для «РЭС 1, 2» значительно снизился по сравнению с 2004 г.

В ходе исследований выявлены различные типы изменений кластерной структуры. Их анализ позволил сделать следующие выводы:

1. Отнесение отдельных участков электрической сети к группе «очагов потерь ЭЭ» и анализ изменений количественных значений кластеров позволяют выработать стратегические решения по снижению уровня СПЭ, сосредоточив усилия лишь на конкретных кластерах.

2. Технические и экономические мероприятия, проводимые ОАО «Северные электрические сети» в обслуживаемых им электрических сетях, привели к снижению СПЭ на первое полугодие 2005 г., по сравнению с 2004 г., причём снижения достаточно ощутимы с 20-30% до уровня 2-8%.

Анализ потребления ЭЭ бытовым сектором. Такой анализ представляет типичную производственную задачу, выполняемую в последнее время энергоснабжающими и энергосбытовыми организациями. Для эффективного решения этой задачи в распределительных электрических сетях Братского энергорайона был использован кластерный подход на базе SOM. Входной набор данных представлял собой следующие параметры и характеристики: закуп ЭЭ; технологические потери ЭЭ; расход ЭЭ субабонентами; плановая реализация ЭЭ; фактическая реализация ЭЭ; дебиторская задолженность и значения СПЭ.

В процессе кластерного анализа весь исследуемый энергорайон был разделён на четыре группы, каждая из которых характеризуется своими специфическими особенностями в пределах заданного месяца. В этом случае появляется возможность работать не с каждым отдельным с.у. энергорайона, а с группой, которой присущи определённые особенности. Это значительно упрощает анализ РПХ, поскольку имеется достаточное количество входных параметров, что позволяет достаточно эффективно и быстро проводить общий мониторинг РПХ исследуемого энергорайона.

Рис. 6. Диаграмма Хилтона для плановой реализации ЭЭ в Братском энергорайоне для 2005 г.

В качестве базовой модели была принята нейросетевая модель, сформированнная для января 2005 г. На рисунке 6 представлены примеры полученной кластерной структуры для плановой реализации ЭЭ с нанесёнными метками. Как явствует из рис. 6, кластер A2 соответствует самым низким показателям потребления ЭЭ и охватывает значительную часть с.у. Братского энергорайона.

а) фактическая реализация ЭЭ

б) закуп ЭЭ


в) сверхнормативные потери ЭЭ

В отличие от этой группы кластер B1 характеризуется максимальными показателями потребления ЭЭ, в том числе и высоким уровнем СПЭ. В свою очередь, кластер A1, включающий с.у. «Галачинский» и «Город», выделяется высокими значениями фактической реализации ЭЭ в сравнении со средними значениями закупа и плановой реализацией ЭЭ (рис. 7). Важной особенностью этого кластера является достаточно низкий уровень СПЭ.

Pages:     | 1 | 2 || 4 | 5 |   ...   | 6 |






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