Software & Systems

Введение. В России активно автоматизируется сбор информации с приборов учета расхода тепла, газа, воды, электричества и т.п. Основной целью учета электроэнергии является получение достоверной информации о количестве производства, передачи, распределения и потребления электрической энергии на оптовом рынке ЕЭС России и розничном.

Ведутся разработки технологий, позволяющих передавать данные расхода ресурсов по различным проводным и эфирным каналам связи. Созданы приборы и устройства, передающие по существующим проводным сетям связи показания приборов учета расхода электричества. Основанием для исследований являются экономия времени и усилий по получению необходимой информации для учета показаний электроэнергии с подстанций и повышение скорости принятия решений [1].

Объект исследования – российские предприятия, отвечающие за производство, передачу и сбыт электроэнергии.

В технической литературе описаны способы построения автоматизированных информационно-измерительных систем контроля за функционированием узла энергопотребления. Так, в работе [2] представлен алгоритм анализа достоверности учета электроэнергии балансовым методом, который является основным и стандартным у всех сетевых компаний. Однако достоверность работы единичного рабочего места информационно-измерительной системы этим методом проверить нельзя. Один из авторов данной статьи (Солдатов А.А.) предложил оценивать достоверность измерений посредством сопоставления показаний дублирующих друг друга измерительных узлов учета и улучшил методику определения погрешности работы информационной системы [3]. В рабо- те [4] предлагается использовать аналитические методы анализа, а именно решения статистического контроля режимов электропотребления, основанного на критерии достоверности учета электроэнергии. Метод предполагает анализ случайной величины, характеризующей режим работы узла учета электроэнергии, зависящей от величины тока на присоединении и равной максимальной по абсолютной величине разности значений углов фазового сдвига меж- ду током и напряжением (метод 3σ) [5].

Известно, что важным фактором качественного решения задачи определения достоверности учета электроэнергии является точность расчетной модели, отражающей текущее состояние режима работы узла энергопотребления [6, 7]. В оригинальных статьях [8, 9] представлены возможности использования искусственной нейронной сети (ИНС) в качестве основы для метода контроля функционирования информационно-измерительной системы функционирования узла энергопотребления [10].

Авторами настоящей работы спроектирован программный инструмент, позволяющий моделировать картину обработки и предсказания данных электроэнергии, алгоритмы его использования и, таким образом, учитывать несоответствия в показаниях приборов учета электрической энергии.

Метод исследования

Построение строгой функциональной зависи- мости величин, определяющих значение мощности, вычисляемой приборами учета электроэнергии, является сложной задачей. В связи с этим для решения задачи верификации режимов работы узлов учета комплекса многопараметрического учета распределенного энергопотребления предложено рассмотреть альтернативный метод контроля, основанный на ИНС многослойного персептрона, способной осуществлять поиск решения в многомерном пространстве многопараметрических параметров.

Программный инструмент и результаты его работы

На первом этапе выбирается архитектура ИНС многослойного персептрона. Обычно моделирование оптимальной структуры сети сопровождается возникновением вопросов, связанных с определением числа нейронов m в сети и количества скрытых слоев n, с использованием функции активации нейрона f, а также алгоритма обучения сети. В данном случае число входов ИНС определяется девятью признаками, представимыми действительными числами. Задача нейронной сети состоит в определении на выходе из нее необходимого класса состояния режима работы узла учета комплекса многопараметрического учета распределенного энергопотребления в виде одного из трех возможных номинальных вариантов, определяемых вектором выходных данных: Pout = [Pout1, Pout2 Pout3 ]T, где Pout1 – режим работы «НОРМА», Pout2 – режим работы «НЕИСПРАВНОСТЬ», Pout3 – режим работы «НЕ ОПРЕДЕЛЕНО».

Выбор структуры ИНС будет опираться на то, что рассматриваются реальные данные, полученные в реальной обстановке при промышленной эксплуатации.

Эвристические правила геометрической пирамиды в вопросе подсчета числа нейронов скрытого слоя для четырехслойного персептрона с двумя скрытыми слоями:

, k1 = mr2, k2 = mr,

где k – число нейронов скрытого слоя; n – число нейронов входного слоя; m – число нейронов выходного слоя; k1 – число нейронов первого скрытого слоя; k2 – число нейронов второго скрытого слоя.

На основании приведенных выводов оптимальная структура нейронной сети определяется как (2, 4, 4, 1) (рис. 1).

В качестве обучающей выборки использованы большие данные двух статистик: первая – с действующего оборудования комплекса учета энергопотребления Алатырского объединения «Чувашэнерго», вторая – в рамках лабораторного эксперимента, проводимого на площад- ке факультета энергетики и электротехники в Чувашском государственном университетеим. И.Н. Ульянова. Векторы данных, содержащих сведения о режимах работы («НОРМА», «НЕИСПРАВНОСТЬ» и «НЕ ОПРЕДЕЛЕНО»), подаются на разные модели ИНС с различным числом нейронов скрытого слоя. Некоторая часть статистики, участвующей в обучении, представлена в таблице.

На втором этапе осуществляется обучение нейронной сети, заключающееся в подборе весовых коэффициентов для выявления аномальных значений показаний приборов энергопотребления с малой погрешностью появления.

Оконечное устройство, например, электросчетчик, формирует показания в виде текстового файла. Показания электросчетчика отражаются следующим образом: в первой строке – дата предыдущего снятия показания электросчетчика, само показание и заводской номер электросчетчика, во второй – те же параметры, но с текущими датой и показанием счетчика, в третьей – название организации (http://www. swsys.ru/uploaded/image/2024-2/15.jpg).

На рисунке 2 представлена диаграмма рассеяния режимов работы приборов учета электропотребления, где в круге выделены ано- мальные показания счетчиков электроэнергии (неисправность оборудования, выход из строя трансформатора, обрыв линии) либо человеческий фактор (невнимательность оператора, хищение абонентами).

Анализ результатов работы программного инструмента

Разработанный программный инструмент CR_Energy применяется для цифрового модуля передачи показаний приборов энергопотребления, схема которого согласована с производителем автоматизированной информационно-измерительной системы дистанционного сбора и передачи удаленных данных (ОАО «Электроавтомат», г. Алатырь).

Для этого спроектирована автоматизированная информационно-измерительная система дистанционного сбора и передачи удаленных данных. Система предназначена для дистанционного сбора, обработки, хранения и передачи информации о потреблении и балансе энергоресурсов. Ее основной отличительной особенностью является использование для передачи данных нелицензируемых диапазонов частот 433 МГц, 868 МГц, 2 400 МГц, а также других каналов связи. Развертывание системы сводится к установке индивидуальных, общедомовых и балансовых приборов учета, аппаратуры каналов связи, построению сети и организации диспетчерских пунктов.

Состав оборудования системы: приборы учета (счетчики) – любые приборы учета с им- пульсным выходом; приемно-передающий циф- ровой модуль – устройство сбора, регистрации и передачи данных по радиоканалам; ретранслятор – устройство приема и передачи данных, работающее в режиме ретрансляции; мастер считывания данных – устройство сбора и передачи данных по радиоканалам; стационарный или мобильный компьютер; разработанное ПО CR_Energy; коммутационные устройства.

Основные возможности системы: дистанционная передача данных; расчеты на основе фактических данных о потребленных энергоресурсах; возможность выявления хищений; возможность дистанционного ограничения или отключения; дистанционная настройка параметров; возможность передачи данных на значительное расстояние с использованием режима ретрансляции; преобразование полученных данных в различные форматы, возможность работы в любых стандартных программах; сохранение полученных данных в течение 30 лет; двухуровневая защита информации – аппаратная и программная; мобильный съем показаний при помощи мастера сбора данных и ноутбука; максимальное количество точек учета – 65 534 или 216 (определяется разрядностью контроллера).

В рамках заключительного пункта проведения исследований сотрудниками предприятия-изготовителя счетчиков электрической энергии совместно с авторами разработан испытательный стенд по тестированию вновь созданной цифровой технологии удаленного сканирования и предсказания показаний счетчиков электрической энергии для отечественных производителей (рис. 3). Данный стенд прошел испытания для счетчиков электрической энергии (ЭЛТА-1, ЭЛТА-3) при передаче данных по радиоканалу.

Проведено тестирование разработанной автоматизированной информационно-измеритель- ной системы дистанционного сбора и передачи удаленных данных на предприятии-изготовителе умных счетчиков электрической энергии с радиоканалом. Выявлены основные достоинства системы: возможность интеграции к установленным счетчикам электрической энергии независимо от марки и производителя; возможность адаптации получаемой информации к любой системе обработки данных; относительно невысокая стоимость оборудования; возможность дистанционного ограничения или отключения энергопотребления при необходимости; ведение учета и контроля потребления энергоресурсов в реальном времени, сведение баланса на объектах; использование нелицензированных диапазонов частот; надежность работы системы; простота монтажа и эксплуатации.

Заключение и дальнейшие перспективы исследования

В результате исследований разработаны оригинальная математическая модель нейронной сети, алгоритм работы и программное средство, позволяющее сократить временные трудозатраты операторов учета и экономические потери предприятия энергосбыта, а также периодически снимать необходимость задействования автотранспорта для доставки электротехнического персонала к местам расположения распределительных подстанций.

Разработана модель нейронной сети и создан прототип программного инструмента, а также осуществлено прогнозирование показаний реальных счетчиков электрической энергии на предприятиях-изготовителях с помощью возможностей разработанного програм- много инструмента.

На программу для ЭВМ получено свидетельство о госрегистрации № 2022683810.

В перспективе с внедрением разработанной модели и программного инструмента в десятки раз повысится эффективность информационно-измерительных систем контроля за функционированием узла энергопотребления. Внедрение разработанного метода контроля функционирования на основе ИНС с проведением соответствующей модернизации систем учета цифровых подстанций позволит решить проблему недостоверного учета электроэнергии.

Список литературы

1.   Крикунов И.С. Основные тенденции интенсификации электроэнергетики Российской Федерации с помощью информационных технологий // Междунар. журнал информационных технологий и энергоэффективности. 2022. Т. 7. № 4. С. 22–27.

2.   Пешнин С.Е. Прорывные технологии прогноза в электроэнергетике анализаторами качества электроэнергии с искусственной нейронной сетью // Электроэнергия. Передача и распределение. 2021. № 4. С. 24–32.

3.   Солдатов А.А., Дубровина О.А., Жидяева Т.П. Исследование вопроса недостоверности учета электроэнергии на базовых подстанциях предприятий электроэнергетической отрасли // Актуальные вопросы современной науки: достижения и инновации: матер. Междунар. науч.-практич. конф. 2022. С. 111–115.

4.   Юндин К.М., Хорольский В.Я., Исупова А.М., Руденко Н.Б. Методология выбора технических мероприятий по снижению потерь электрической энергии в практике эксплуатации сельских электрических сетей // Энергобезопасность и энергосбережение. 2023. № 4. С. 10–17.

5.   Egorov A., Kochneva E., Larionova A., Lyukhanov E., Shender S.E. On-line electrical energy balance monitoring system for power networks enterprise facilities. Proc. RTUCON, 2019, pp. 1–4. doi: 10.1109/RTUCON48111.2019.8982253.

6.   Алексеева Н.Н., Дулепов Д.Е. Применение методов теории систем для определения использования оптимального числа устройств синхронизированных фазных измерений в энергосистемах // Вестн. НГИЭИ. 2020. № 12. С. 28–37.

7.   Вуколов В.Ю., Алексеев Л.Л., Осокин С.В. Оценка достоверности показаний коммерческого и технического учета электроэнергии в сетях промышленных предприятий // Состояние и перспективы развития электро- и теплотехнологии (ХХI Бенардосовские чтения): матер. Междунар. науч.-технич. конф. 2021. С. 236–239.

8.   Симонов Н., Ивенев Н. Опыт и перспективы применения искусственных нейронных сетей в электроэнергетике // Электроэнергия. Передача и распределение. 2019. № S4. С. 42–48.

9.   Унижаев Н.В. Особенности внедрения нейросетей и систем искусственного интеллекта на предприятиях электроэнергетики // Вопросы инновационной экономики. 2023. T. 13. № 1. С. 215–232. doi: 10.18334/vinec.13.1. 116945.

10. Калинин А.Е. Сравнительный анализ методов выявления аномального уровня электропотребления // ППРЭЭ: матер. III науч.-практич. конф. 2021. С. 203–208.

References

1. Krikunov, I.S. (2022) ‘The main trends in the intensification of the electric power sector of the Russian Federation with the help of information technologies’, Int. J. of Information Technology and Energy Efficiency, 7(4), pp. 22–27 (in Russ.).

2. Peshnin, S.E. (2021) ‘Breakthrough forecasting technologies in the electric power industry with power quality analyzers with an artificial neural network’, Electric Power. Transmission and Distribution, (4), pp. 24–32 (in Russ.).

3. Soldatov, A.A., Dubrovina, O.A., Zhidyaeva, T.P. (2022) ‘Investigation of the question of unreliability of electricity metering at the basic substations of the power industry enterprises’, Proc. Current Issues of Modern Science: Achievements and Innovations, pp. 111–115 (in Russ.).

4. Yundin, K.M., Khorolskey, V.Ya., Isupova, A.M., Rudenko, N.B. (2023) ‘Methodology for selecting technical measures of reducing losses in rural electrical grids’, Energy Security and Energy Saving, (4), pp. 10–17 (in Russ.).

5. Egorov, A., Kochneva, E., Larionova, A., Lyukhanov, E., Shender, S.E. (2019) ‘On-line electrical energy balance monitoring system for power networks. enterprise facilities’, Proc. RTUCON, pp. 1–4. doi: 10.1109/RTUCON48111.2019.8982253.

6. Alekseeva, N.N., Dulepov, D.E. (2020) ‘Application of methods of system theory to determine the use of the optimal number of devices for synchronized phase measurements in power systems’, Bull. NGIEI, (12), pp. 28–37 (in Russ.).

7. Vukolov, V.Yu., Alekseev, L.L., Osokin, S.V. (2021) ‘Assessment of the reliability of commercial and technical metering of electricity in the grids of industrial enterprises’, Proc. State and Prospects of Development of Electrical and Thermal Technology (XXI Benardos Readings), pp. 236–239 (in Russ.).

8. Simonov, N., Ivenev, N. (2019) ‘Experience and prospects of using artificial neural networks in the electric power industry’, Electric Power. Transmission and Distribution, (S4), pp. 42–48 (in Russ.).

9. Unizhaev, N.V. (2023) ‘Particularities of the introduction of neural networks and artificial intelligence systems at power companies’, Russ. J. of Innovation Economics, 13, (1), pp. 215–232 (in Russ.). doi: 10.18334/vinec.13.1.116945.

10. Kalinin, A.E. (2021) ‘Comparative analysis of methods for detecting anomalous level of electric consumption’, Proc. III Sci-Pract. Conf. PPEE, pp. 203–208 (in Russ.).