Телефон: +7 (383)-202-16-86

Статья опубликована в рамках: LI Международной научно-практической конференции «Экспериментальные и теоретические исследования в современной науке» (Россия, г. Новосибирск, 25 марта 2020 г.)

Наука: Информационные технологии

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Битиманова С.С. МЕТОДЫ УПРАВЛЕНИЯ ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ СИСТЕМ // Экспериментальные и теоретические исследования в современной науке: сб. ст. по матер. LI междунар. науч.-практ. конф. № 3(46). – Новосибирск: СибАК, 2020. – С. 4-7.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

МЕТОДЫ УПРАВЛЕНИЯ ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ СИСТЕМ

Битиманова Салтанат Серикбаевна

PhD докторант, Евразийский национальный университет имени Л.Н. Гумилева,

Республика Казахстан, г. Нур-Султан

Введение

Существует много неопределенностей в проблемах энергосистем и решение  обычно является локальным. Это затрудняет эффективно решить проблемы энергосистемы только с помощью строгой математической формулировки. В связи с этим, методы ИИ появились в последние годы в энергетических системах (ЭС) в качестве дополнительного инструмента к математическим подходам.

1. Математические методы оптимизации

Линейное и квадратичное программирование. Методы линейного программирования (ЛП) в основном делятся на две категории: симплексные и внутри точные [1, с. 158]. Метод в своих работах использовали Irrisari G.D., Kimball L.M., Clements K.A., Bagchi A. Davis P.W., Vargas L.S., Quintana V.H., Vannelli V., Granville S., Exposito A.G., Quintana V.H., Christoforidis M., Aganagic M. и др. Преимущество, высокая вычислительная эффективность. Недостаток, количество итераций растет экспоненциально с увеличением размера задачи. Метод может быть расширен до линейной и квадратичной целевой функции когда ограничения линейны. Это квадратичное программирование (КП). В работах  Chebbo A.M., Irving M.R., Scott B., Marinho J.L., Alsac O., Bright J., Prais M., Hegdt G.T. и  Grady W.M., Hegdt G.T. и  Grady W.M., Opoku G. Метод используется в системах оптимального расхода мощности, расхода нагрузки, планирования реактивной мощности (ПРМ), диспетчеризации активной и реактивной мощности (РМ).

Нелинейное программирование (НЛП). НЛП формируются когда целевая функция или ограничения являются нелинейными [2, с. 35]. Разница между НЛП и ЛП аналогична разнице между набором решаемых нелинейных уравнений и набором решаемых линейных уравнений. В ЭС НЛП применяется, к оптимальному потоку энергии, гидротермальному планированию, работы Sun D.I., Ashley B., Brewer B., Hughes A., Tinney W.F., Kothari D.P. и т. д.

Целочисленное и смешанное целочисленное программирование. Для многих задач оптимизации  некоторые независимые переменные могут принимать только целочисленные значения, такая задача называется целочисленным программированием (ЦП) [2, с.33]. В работах Aoki K., Fan M., Nishikori A., Adams R., Laughton M.A., Gonen T., Foote B.L., Dillon T.S.метод был применен к оптимизации ПРМ, генерации, энергосистем, а также к оптимизации приверженности энергоблоков и др.

Динамическое программирование (ДП). Основанное на принципе оптимальности [2, с.36]. В работах Dillon T.S., Edwin K.W., Kochs H.D., Dapezo J.F., Song Y.H., Lu F.C.,  Hsu Y.Y., Parten J.ДП был применен к планированию передачи, управлению РМ, узлу блока и т. д.

2.Методы искусственного интеллекта

Экспертная система. Основанная на знаниях или правилах система [3, с.78]. Преимущества: 1)постоянность и последовательность; 2) легка в передачи и воспроизводстве; 3) легко документируется. Недостаток, ограниченные данные, Обзор применения экспертных систем в ЭС представлен в работах ученых Zhang Z.Z., Hope G.S., Balu N.J., Adapa R.A., Cauley G., Lauby M., Maratukulam D.J., Germond A.J., Niebur D.,.Liu C.C., Ma T.K., Liou K.L.,Tsai M.S., Bansal R.C.

Искусственная нейронная сеть (ИНС). ИНС в основном классифицируются по их архитектуре, топологии и режим обучения.  Большинство применений ИНС в ЭС используют многослойную сеть прямой подачи [4, с.79]. Анализ работ Liu C.C., Wasserman P.D., Niebur D., Dillon T.S. показал преимущества ИНС: быстрота, обладает способностью к обучению, адаптация к данным, надежность, применим для нелинейного моделирования. Недостатки: большая размерность;  выбор оптимальной конфигурации, выбор методики обучения.

В исследованиях Vankayala V.S.S, Rao N.D., Highly D.D., Hilmes T.J., Park D.,Santoso N.I., Tan O.T., Short M.J., Hui C.K., Macqeen J.F., Ekwue A.O. нейронная сеть в основном используется в областях ЭС: планирования, эксплуатация, анализ.

Нечеткая логика (НЛ). Используется для решения проблем неопределенности и неточности. Преимущества:1) точные эксплуатационные ограничения ЭС; 2) нечеткие ограничения являются более мягкими, чем традиционные ограничения, работы Zadeh L.A., Pal S.K., Mandal D.P. Подробное введение в НЛ и ее применение в ЭС было представлено в работах авторов Song Y.H.и Johns A.T. Исследование автора Bansal R.C., показывает, что теория нечетких множеств применяется в управлении напряжением и РМ, прогнозировании нагрузки, диагностике неисправностей, защите/ретрансляции ЭС, стабильности и управлении ЭС и т. д.

Эволюционные алгоритмы (ЭА). ЭА начинается с инициализации совокупности возможных решений задачи [4, с.84]. Затем создаются новые решения путем случайного изменения решений исходной популяции. Преимущества, адаптивность к изменениям и способность генерировать достаточно хорошие решения, но это необходимо понимать в связи с вычислительными требованиями и свойствами сходимости. ЭА можно подразделить на генетические алгоритмы (ГА), эволюционные стратегии, эволюционное программирование (ЭП), генетическое программирование, классифицированные системы и имитационный отжиг. Обширный обзор литературы по применению ЭА в ЭС представлен в работе исследователя Bansa R.C.

Генетический алгоритм (ГА) Это универсальный алгоритм оптимизации, который отличается от обычных методов оптимизации использованием понятий популяционной генетики для руководства оптимизационным поиском [3, с.82]. Преимущества: 1) он нуждается только в грубой информации о целевой функции и не накладывает никаких ограничений; 2) метод работает с набором решений от одного поколения к другому, а не с одним решением; 3) разрабатываемые решения случайным образом основаны на скорости вероятности генетических операторов. Недостаток, что он требует чрезвычайно много времени. Alander J.T. представил библиографию ГА в ЭС. Области применения ГА в ЭС: 1) планирование, работы авторов Delfanti M., Granelli G.P., Marannino P. и  Montagna M., Sundhararajan S. и Pahwa A. 2) эксплуатация исследования Haida T., Akimoto Y., Yokoyama R., Niimura T., Nakanishi Y., Iba K. 3) принятие обязательств по энергоблоку/экономическая диспетчеризация работы авторов Kazarlis S.A., Bakirtzis A.G., Petridis V., Cheng C.P., Liu C.W., Lin C.C., Richter Jr. C.W., Sheble G.B., Aldridge C.J., Mekee S., Mc Denel J.R.4)  гидротермальное планирование, исследования Chan P.H.,  Chang H.C., Orero O.S., Irving M.R.

Метод муравейника. Алгоритмы метода в некоторой степени имитируют поведение реальных муравьев. Основными характеристиками метода являются положительная обратная связь для восстановления хороших решений, распределенные вычисления, позволяющие избежать преждевременной конвергенции, а также использование конструктивной жадной эвристики. Недостаток,  плохая вычислительная способность метода. В работах авторов Dorigo M., Maniezzo V., Colorni A., Song Y.H.,Chou C.S. метод был в основном использован для нахождения кратчайшего маршрута для передающей сети.

Гибридные методы (ГМ). Одним из подходов к решению сложных проблем реального мира является интеграция двух или более методов для объединения их сильных сторон и преодоления слабых сторон друг друга с целью выработки гибридных решений. Данный метод использован учеными Wardwick K., Ekwue A. Благодаря преимуществам, предлагаемым гибридными методами ИИ, их применение в ЭС быстро растет. Метод были применены в работе Aggarwal R.. в области генерация и распределение, в исследованиях Dash P.K., Sidhu T.S., и Gill H.S. вопросы по ретрансляция, в работах Joorabian M., Song Y.H. в области диагностики неисправностей, задачи прогнозирование нагрузки в исследованиях Srinivasan D., Liew A., Chang C., Bakirtzis A.C., Theocharis J.B., Kiartzis S.J., Satsios K.J., в решении управлении РМ в работах Liu C.W., Chang C.S., Su M.C., Elithy K., Al-Naamany A., планирование технического обслуживания генератора, работы  ученых Wang C., Shalidehpour M.

Вывод

Несмотря на значительные достижения в области методов математической оптимизации, традиционные математические методы до сих пор не достигли быстрого и надежного применения в реальном времени в системах электроснабжения. Требуются значительные усилия, чтобы избежать математических ловушек. ИИ обладает гораздо большим потенциалом в области анализа ЭС и привлекает к себе большую часть текущего внимания. Применение методов ИИ в задачах электроэнергетики - это новые разработки, которые представляют собой определенную будущую тенденцию в исследовании ЭС.

 

Список литературы:

  1. Auyev B.I., Yerohin P.M., Neuymin V.G., Mashalov E.V., Shubin N.G. The software complex of optimal power flow solution for united power system of Russia in a competitive electricity market // IEEE. Conference Proceedings Power Tech 2005. – St. Petersburg: June 27-30, 2005. № 696. 
  2. Gaibov, T.Sh. Optimization of the working units composition by the piecewise linear approximation of the nonlinear dependences (in Russian) / T.Sh. Gaibov // Electrical stations. 2009. № 5. P. 32–37.
  3. Варганова А.В. О методах оптимизационых режимов ЭС и сетей// Bulletin of the South Ural State University. Ser. Power Engineering. 2017. Vol. 17, № 3. Р. 76–85
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом