Программные продукты и системы

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

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, %)

Использование 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»

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, %)

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.