ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

1
Ожидается:
16 Марта 2018

Интеллектный программно-вычислительный комплекс «АНАПРО» для задачи мониторинга в распределительных электрических сетях

The intelligent «ANAPRO» software in problems of monitoring in power distribution network
Статья опубликована в выпуске журнала № 4 за 2010 год.[ 09.12.2010 ]
Аннотация:В работе представлен интеллектный программно-вычислительный комплекс «АНАПРО», реализующий подходы на базе современных методов нелинейного анализа данных и технологий искусственного интеллекта. Приведены основные подсистемы комплекса и показана их работа на примере экспериментальных расчетов для реальных рас-пределительных электрических сетей.
Abstract:The paper presents the intelligent «ANAPRO» software. It implements approaches to the analysis and forecasting of operating parameters and process characteristics in the electric networks on the basis of modern methods of nonlinear data analysis and artificial intelligence technologies. The basic subsystems software are resulted and their work on an example of experimental calculations for real distributive electric networks is shown.
Авторы: Курбацкий В.Г. (kurbatsky@isem.sei.irk.ru) - Институт систем энергетики им. Л.А. Мелентьева СО РАН, г. Иркутск, , , доктор технических наук, Томин Н.В. (tomin@isem.sei.irk.ru) - Институт систем энергетики им. Л.А. Мелентьева СО РАН, г. Иркутск, , , кандидат технических наук
Ключевые слова: прогнозирование, анализ данных, распределительные электрические сети, методы искусственного интеллекта, программно-вычислительный комплекс
Keywords: forecasting, data analysis, power distribution networks, AI methods, integrated hardware and software system
Количество просмотров: 9077
Версия для печати
Выпуск в формате PDF (6.26Мб)
Скачать обложку в формате PDF (1.28Мб)

Размер шрифта:       Шрифт:

Актуальность задачи получения прозрачной картины по обслуживаемым распределительным электрическим сетям энергосбытовых компаний и электросетевых предприятий продиктована новыми рыночными условиями, сложившимися в розничном секторе рынка электроэнергии (ЭЭ) и мощности.

Специфические особенности распределитель­ных электрических сетей России значительно затрудняют возможность проведения качественного анализа и прогнозирования ПРТХ (параметров режима и технологических характеристик). К таким особенностям относятся:

—    низкая обеспеченность отечественных распределительных электрических сетей средствами измерения и учета ЭЭ;

—    слабая проработка в современных методах анализа ПРТХ вопросов визуализации данных, в первую очередь, при больших объемах исходной информации (это приводит к недостаточной наглядности анализируемых данных);

—    резкая изменчивость ПРТХ, что значительно усложняет моделирование анализируемых реализаций в рамках традиционных статистических методов;

—    исследуемые распределительные электрические сети в большинстве случаев состоят из электрически не связанных сетевых участков.

Существующие специализированные программно-вычислительные комплексы (ПВК), ориентированные на расчеты ПРТХ распределительных электрических сетей, используют, как правило, ограниченное количество математических подходов и методов, не позволяющих в должной степени учесть особенности и специфику распределительных электрических сетей. На современном этапе целесообразно совместно решать задачи анализа и прогнозирования ПРТХ, что требует использования оригинальных математических подходов, в первую очередь, методов искусственного интеллекта [1, 2], и разработки на их основе эффективных вычислительных комплексов и систем.

В работе представлен интеллектный ПВК «АНАПРО», реализующий подходы на базе современных методов нелинейного анализа данных и технологий искусственного интеллекта.

Интеллектный ПВК «АНАПРО», общая структура которого изображена на рисунке 1, построен на базе концепции Model-Driven Architecture (MDA) [3]. Комплекс включает три подсистемы: анализа ПРТХ (рис. 2а), прогнозирования ПРТХ (рис. 2б), совместной обработки ПРТХ.

Основная идея концепции MDA состоит в том, чтобы создавать программные системы на основе построенных моделей – исполняемые модели, то есть транслировать модели в макросы пользовательских приложений. Центральным ядром ПВК является интегрированная программная система (ИПС), реализованная на базе программного продукта фирмы «StatSoft» STATISTICA 6.0 [4]. Экспериментально проверенные в ИПК STATISTICA интеллектные подходы к анализу и прогнозированию ПРТХ автоматически записываются в фоновом режиме работы ИПК на языке Statistica Visual Basic в виде программного кода. Полученные таким образом пользовательские макросы, представляющие основу подсистем ПВК «АНАПРО», можно редактировать, изменять настройки процедур анализа, используемые переменные, файлы данных, добавлять элементы пользовательского интерфейса и т.д. В дальнейшем на базе исполняемых моделей были созданы собственные специализированные приложения, которые и легли в основу ПВК «АНАПРО».

В зависимости от условий задачи полученные макросы анализа и прогнозирования ПРТХ могут работать автономно в рамках соответствующих подсистем ПВК «АНАПРО». При необходимости уточнения результатов расчета с целью повышения точности прогнозирования исследуемых ПРТХ подключается макрос совместной обработки ПРТХ.

Важно отметить, что для эффективного решения задач на базе интеллектных технологий, в первую очередь нейросетевых систем, необходимо достичь баланса между достоверностью обучения и качеством самой модели. Этого компромисса в рамках того или иного метода обучения искусственной нейронной сети (ИНС) можно достичь с помощью минимизации величины общего риска,  [2]:  где  – стандартная мера эффективности, или производительность ИНС, зависящая как от типа самой сети (модели), так и от входных данных. Чаще всего этот показатель определяется как среднеквадратичная ошибка, которая вычисляется по всем нейронам сети на всем обучающем множестве;  – штраф за сложность, зависит исключительно от самой структуры ИНС и определяется на основе предварительных сведений о структуре модели;  – параметр регуляризации, характеризующий относительную значимость составляющей  по сравнению с составляющей .

Следует подчеркнуть, что регулирование параметров в данном выражении позволяет улучшить эффективность расчетов на базе интеллектных систем.

Проиллюстрируем работу ПВК «АНАПРО» на примере выполненных расчетов по анализу и прогнозированию потерь ЭЭ в линиях электропе­редач (ЛЭП) для энергорайона г. Братска (рис. 3а). В качестве исходной информации в блоке 1 (см. рис. 1) использовался годовой массив данных по расчетным потерям ЭЭ в ЛЭП ряда сетевых участков энергорайона. Результаты кластерного анализа на базе самоорганизующихся карт Кохонена, SOM (блок 3, рис. 2а) и факторного анализа PCA (блок 4, рис. 2а) для этих сетевых участков представлены на рисунках 3б и 3в соответственно.

Кластерный анализ позволил разбить весь энергорайон на компактные группы, обладающие схожими признаками по критерию распределения потерь ЭЭ в течение года, а также выявить очаговые зоны (участки электрической сети с повышенными значениями потерь ЭЭ) среди ЛЭП в исследуемом энергорайоне.

Использование PCA дало возможность выделить основные факторы в исследуемом массиве изменения потерь ЭЭ, в том числе наличие составляющей сверхнормативных потерь ЭЭ (СПЭ) (рис. 3в).

Проведенный кластерный анализ позволил идентифицировать факторы, выделенные в бло- ке 4, процедурой PCA:

·     фактор 1 – изменение потерь ЭЭ в сетевом участке «Сухой»;

·     фактор 2 – изменение потерь ЭЭ в сетевом участке «Южный Падун-1».

Именно в летние месяцы для сетевого участка «Сухой» высоки потери ЭЭ, обусловленные главным образом наличием СПЭ (в большинстве случаев хищениями ЭЭ). В свою очередь, величина факторной нагрузки (коэффициента корреляции между выделенным фактором и изучаемой переменной), r для фактора 1, изменяющаяся в пределах 0,92–0,99, свидетельствует о высоких потерях ЭЭ в сетевом участке «Южный Падун» для всех месяцев года, за исключением июня и июля.

Подсистемой анализа ПРТХ (рис. 2а) установлено, что максимальные потери ЭЭ имеют место для сетевого участка «Сухой». Поэтому в рамках подсистемы прогнозирования ПРТХ (рис. 2б) для этого района было осуществлено месячное прогнозирование СПЭ для годового интервала по ретроспективной выборке за 4 предыдущих года.

Для прогнозирования значений СПЭ использовалось несколько типов прогнозных моделей, в том числе

а) традиционные статистические модели: авторегрессия проинтегрированного скользящего среднего, спектральный анализ Фурье;

б) ИНС: многослойный персептрон (MLP), об­общенно-регрессионная нейронная сеть (GRNN), радиально-базисная нейронная сеть (RBF);

в) ассоциативная машина (CM) – нейросетевая система, представляющая собой комбинацию нейросетей-экспертов и позволяющая найти общее решение, имеющее приоритет над индивидуаль­ным решением отдельного эксперта.

Следует отметить, что оптимальные нейросетевые прогнозные модели были найдены с помощью алгоритмов нелинейной оптимизации: имитации отжига (SA) и нейрогенетического отбора (NGIS) (табл. 1).

Для моделей ИНС и CM при обучении использовались следующие входные параметры: заявленный объем ЭЭ, технические потери ЭЭ, плановая реализация ЭЭ, фактическая реализация ЭЭ, расход ЭЭ субабонентами, дебиторская задолженность, ретроспективные значения СПЭ.

Выходным параметром являлась величина СПЭ. В результате работы алгоритмов SA и NGIS были выделены 3 наиболее значимых ПРТХ, а именно: плановая реализация ЭЭ, фактическая реализация ЭЭ и дебиторская задолженность.

Таблица 1

Соревновательный отбор алгоритмом SA при прогнозе СПЭ

Количество этапов SA

Тип прогнозной модели

Абсолютная ошибка, МВт

Количество входных

нейронов

Количество

скрытых

нейронов

Мера эффективности ИНС

1

MLP

238,88

2

1

0,367

2

GRNN

140,58

6

37

0,366

3

GRNN

140,58

6

37

0,366

4

GRNN

140,58

6

37

0,366

5

MLP

105,53

2

6

0.268

6

RBF

43,89

6

19

0,115

7

RBF

32,46

6

22

0,082

8

RBF

28,29

6

29

0,076

9

MLP

8,70

3

1

0,022

10

MLP

6,56

3

5

0,015

Ввиду ограничения регрессионных моделей на количество входных параметров в качестве входных значений для моделей АРПСС использовались только ретроспективные данные по величине СПЭ.

Результаты расчетов в используемых прогнозных моделях (табл. 2) свидетельствуют о высокой ошибке прогноза в рамках модели АРПСС, что обусловлено в основном ограничениями по количеству входных параметров. В свою очередь, прогноз с помощью структуры CM, реализованной в подсистеме прогнозирования ПРТХ ПВК «АНА­ПРО», практически в 2 раза точнее прогноза одиночной ИНС.

Таблица 2

Прогноз СПЭ в сетевом участке «Сухой» различными прогнозными моделями (указана относительная ошибка по месяцам, %)

Месяц

Прогнозная модель

АРПСС

ИНС

CM

1

43,9

2,3

1,0

2

43,5

0,4

1,5

3

49,1

2,5

2,8

4

42,9

4,9

3,9

5

45,8

8,3

4,3

6

35,9

8,3

4,6

7

35,6

30,0

16,5

8

43,8

12,5

8,1

9

40,1

1,2

0,6

10

44,1

0,5

0,3

11

40,1

1,4

0,2

12

49,3

1,3

1,2

Средняя ошибка, %

42,8

6,1

3,7

 

Подпись:  Рис. 3Использование подсистемы совместной обработки ПРТХ ПВК «АНАПРО» позволяет существенно повысить точность прогнозирования. Как было выявлено ранее в результате факторного анализа PCA, высокие значения потерь для сетевого участка «Сухой» наблюдаются в летние месяцы (рис. 3в). Это существенно сказывается на точности прогноза СПЭ по моделям ИНС и CM в эти месяцы (табл. 2), особенно для июля (по модели ИНС – 30,0 %, по модели CM – 16,5 %).

Исходя из этого, для повышения точности прогноза СM в рамках подсистемы совместной обработки (блок 11, рис. 1) в обучающую выборку был введен дополнительный входной параметр «факторная нагрузка», r фактора 1, вычисленный при анализе потерь ЭЭ (табл. 3).

Таблица 3

Значения факторной нагрузки (r фактора 1) для различных месяцев для сетевого участка «Сухой»

Месяц

1

2

3

4

5

6

7

8

9

10

11

12

0,996

0,991

0,999

0,989

0,980

0,648

0,289

0,738

0,964

0,997

0,995

0,920

Результаты прогнозирования СПЭ с учетом коррекции в блоках 3 и 4 (рис. 2а) приведены в таблице 4. Как видно из таблицы, прогноз с учетом выполненного ранее анализа дал более точные результаты. В первую очередь следует отметить значительное снижение погрешности прогнозирования для наиболее проблемных для этого района летних месяцев.

Таблица 4

Прогноз СПЭ в сетевом участке «Сухой» моделями обычной CM и CM с коррекцией PCA и SOM

(указана относительная ошибка по месяцам, %)

Месяц

Прогнозная модель

CM (макрос прогнозирования)

CM (макрос совместной обработки)

1

1,0

0,5

2

1,5

0,6

3

2,8

0,4

4

3,9

1,7

5

4,3

2,5

6

4,6

2,3

7

16,5

2,4

8

8,1

0,8

9

0,6

0,6

10

0,3

0,4

11

0,2

0,5

12

1,2

2,9

Средняя ошибка, %

3,7

1,2

Представленный интеллектный ПВК «АНА­ПРО» позволяет применить новые методики при организации наглядного представления анализируемых данных и эффективно выделить особенности и различия в режимах работы распределительных электрических сетей, своевременно выявить ненормальные режимы и осуществить достоверное прогнозирование величин ПРТХ.

Литература

1.   Курбацкий В.Г., Томин Н.В. Управление в электроэнергетике с использованием методов искусственного интеллекта // Электрика. 2005. № 9. С. 20–28.

2.   Хайкин С. Нейронные сети: Полный курс. 2-е изд.; пер. с англ. М.: Издат. дом «Вильямс», 2006. 1104 с.

3.   Mellor S.J., Skott K., Uhl A. MDA Distilled: Principles of Model-Driven Arcitecture. 2004. 176 p.

4.   Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows: Основы теории и интенсивная практика на компьютере: учеб. пособие: 2-е изд.; перераб. и доп. М.: Финансы и статистика, 2006. 368 с.

5.   Харман Г. Современный факторный анализ; пер. с англ. М., 1972. 448 c.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2638
Версия для печати
Выпуск в формате PDF (6.26Мб)
Скачать обложку в формате PDF (1.28Мб)
Статья опубликована в выпуске журнала № 4 за 2010 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: