ВОПРОСЫ  ПРОГНОЗИРОВАНИЯ  КАЧЕСТВА  ЭЛЕКТРОЭНЕРГИИ

Лютаревич  Александр  Геннадьевич

канд.  техн.  наук,  доцент 
Омского  государственного  технического  университета,

РФ,  г.  Омск

E-mail: 

Панкрац  Татьяна  Владимировна

магистрант  группы  ЭЭм-153, 
Омский  государственный  технический  университет,

РФ,  г.  Омск

E-mail: 

Бодимер  Виктория  Андреевна

магистрант  группы  ЭЭм-153, 
Омский  государственный  технический  университет,

РФ,  г.  Омск

E-mail: 

Юркова  Ирина  Сергеевна

магистрант  группы  ЭЭм-154, 
Омский  государственный  технический  университет,

РФ,  г.  Омск

QUESTIONS  FORECASTING  QUALITY  OF  THE  ELECTRIC  POWER

Alexander  Lyutarevich

candidate  of  Technical  Sciences,  assistant  professor
Omsk  State  Technical  University, 
Russia,  Omsk

Tatiana  Pankrats

undergraduate  of  EEm-153  group, 
Omsk  State  Technical  University, 
Russia,  Omsk

Victoria  Bodimer

undergraduate  of  EEm-153  group, 
Omsk  State  Technical  University, 
Russia,  Omsk

Irina  Yurkova

undergraduate  of  EEm-154  group, 
Omsk  State  Technical  University, 
Russia,  Omsk

АННОТАЦИЯ

Прогнозирование  качества  электрической  энергии  является  важной  научно-технической  задачей.

Для  более  точного  прогнозирования  качества  электрической  энергии  необходимо  разрабатывать  прогнозные  модели,  основанные  на  зависимостях  изменения  качества  электрической  энергии  предприятия  в  реальных  условиях  эксплуатации.

По  полученным  исследованиям  видно,  что  для  краткосрочного  прогноза  более  подходящей  является  радиально-базисная  функция

Результаты  работы  можно  использовать  для  прогнозирования  качества  электроэнергии  в  точке  общего  присоединения.

ABSTRACT

Forecasting  of  quality  of  electric  energy  is  an  important  scientific  and  technical  task. 

It  is  necessary  to  develop  the  expected  models  based  on  dependences  of  change  of  quality  of  electric  energy  of  the  enterprise  in  actual  practice  of  operation  for  more  exact  forecasting  of  quality  of  electric  energy. 

According  to  schedules  it  is  visible  that  for  the  short-term  forecast  radial  and  basic  function  is  more  suitable

Results  of  work  can  be  used  for  forecasting  of  quality  of  the  electric  power  in  a  point  of  the  general  accession.

Ключевые  слова:  прогнозирование;  точность;  качество.

Keywords:  forecasting;  accuracy;  quality.

Прогнозирование  качества  электрической  энергии  в  точках  общего  присоединения  является  важной  научно-технической  задачей  [4].

Необходимость  точного  прогнозирования  обусловлена  технологическими  и  экономическими  причинами.  В  настоящее  время  прогнозирование  качества  электрической  энергии  в  точках  общего  присоединения  производится  на  основе  метода  экспертных  оценок,  который  в  большинстве  случаев  не  может  обеспечить  требуемую  точность  прогноза.

Для  более  точного  прогнозирования  качества  электрической  энергии  необходимо  разрабатывать  прогнозные  модели,  основанные  на  зависимостях  изменения  качества  электрической  энергии  предприятия  в  реальных  условиях  эксплуатации.

График  изменения  показателя  качества  электрической  энергии  в  точке  общего  присоединения,  либо  на  зажимах  электроприемников  является  временным  рядом,  так  как  представляет  собой  ряд  мгновенных  значений  в  различные  моменты  времени.

В  настоящее  время  наиболее  распространенными  методами  прогнозирования  являются  [2;  5]:

·     метод  прогнозной  экстраполяции;

·     корреляционный  и  регрессионный  анализы;

·     метод  прогнозирования  на  базе  ARIMA  моделей;

·     адаптивные  методы  прогнозирования;

·     прогнозирование  с  использованием  искусственных  нейронных  сетей.

Достоинства  и  недостатки  каждого  из  указанных  методов  прогнозирования  рассмотрены  в  различных  работах  [2;  3],  все  они  в  той  или  иной  степени  отвечают  требованиям,  предъявляемым  к  методам  прогнозирования  качества  электроэнергии.  Однако,  в  качестве  оптимального  метода  прогнозирования  качества  электрической  энергии  возьмем  метод  прогнозирования  с  использованием  искусственных  нейронных  сетей.

Искусственные  нейронные  сети находят  свое  применение  в  различных  областях  науки  и  техники,  таких  как  моделирование,  анализ  временных  рядов,  обработка  сигналов  и  управление  благодаря  своей  способности  обучаться.

Все  искусственные  нейронные  сети  являются  совокупностью  двух  типов  элементов  —  нейронов  и  связей  между  ними.  Нейроны  представляют  собой  простые  обрабатывающие  элементы,  вычислительные  возможности  которых  ограничиваются  правиламикомбинирования  входных  сигналов.  Выходной  сигнал  элемента  посылается  другим  элементам  по  взвешенным  связям,  с  каждой  из  которых  связан  весовой  коэффициент  [3].

На  сегодняшний  день  известны  и  широко  применяются  для  решения  определенных  задач  несколько  типов  искусственных  нейронных  сетей:  многослойный  персептрон,  сети  на  основе  радиальных  базисных  функций,  карты  самоорганизации,  рекуррентные  нейронные  сети.

Построение  искусственной  нейронной  сети  состоит  из  следующих  этапов.

1.  Выбор  конфигурации  сети.

2.  Проведение  ряда  экспериментов  с  различными  конфигурациями  сети,  запоминая  при  этом  «лучшую».  Для  каждой  конфигурации  следует  провести  несколько  экспериментов  [1].

Многократное  повторение  экспериментов  довольно  утомительно,  поэтому  рекомендуется  использовать  специализированные  программные  комплексы  [6].

В  качестве  примера  произведем  построение  модели  искусственной  нейронной  сети  для  прогнозирования  коэффициента  искажения  синусоидальности  кривой  напряжения.  За  основу  были  взяты  данные  об  изменении  коэффициента  искажения  синусоидальности  кривой  напряжения  бытовых  потребителей  электроэнергии  в  течение  суток  (24  часа)  и  нормальный  закон  распределения.  Изменения  коэффициента  искажения  синусоидальности  кривой  напряжения  спрогнозировано  на  24  часа.

Рисунок  1.  Архитектура  радиально-базисной  функции  (опыт  1)

Рисунок  2.  График  изменения  коэффициента  искажения  синусоидальности  (опыт  1)

Рисунок  3.  Архитектура  радиально-базисной  функции  (опыт  2)

Рисунок  4.  График  изменения  коэффициента  искажения  синусоидальности  (опыт  2)

Рисунок  5.  Архитектура  радиально-базисной  функции  (опыт  3)

Рисунок  6.  График  изменения  коэффициента  искажения  синусоидальности  (опыт  3)

Рисунок  7.  Архитектура  многослойного  персептрона  (опыт  4)

Рисунок  8.  График  изменения  коэффициента  искажения  синусоидальности  (опыт  4)

По  графикам  видно,  что  для  краткосрочного  прогноза  более  подходящей  является  радиально-базисная  функция,  т.  к.  она  анализирует  размах  входящих  значений,  среднее  отклонение,  плотность  распределения  и  выстраивает  прогноз  с  ошибкой  6—7  %  от  исходных  данных.  В  свою  очередь  многослойный  персептрон,  показывает  ошибку  в  районе  10—15  %,  из-за  того,  что  ему  требуется  гораздо  большее  количество  данных,  анализируя  которые  с  помощью  закона  распределения,  персептрон  выстроит  прогнозную  модель.

Таким  образом,  результаты  работы  можно  использовать  для  прогнозирования  качества  электроэнергии  в  точке  общего  присоединения,  что,  в  последствие,  позволит  развить  теоретическую  базу  исследований  вопросов,  связанных  с  обеспечением  потребителей  электроэнергией  в  необходимом  количестве  и  требуемого  качества.

Список  литературы:

1. Боровиков  В.П.  Нейроные  сети.  StatisiticaNeuralNetworks.  Методология  и  технологии  современного  анализа  данных.  2-е  издание.  Учебник.  —  М.:  Горячая  Линия  —  Телеком,  2008.  —  392  с.
2. Воронов  И.В.  Обзор  типов  искусственных  нейронных  сетей  и  методов  их  обучения  /  И.В.  Воронов,  Е.А.  Политов,  В.М.  Ефременко  //  Вестник  КузГТУ.  —  2007.  —  №  3.  —  С.  38—42.
3. Круг  П.Г.  Нейронные  сети  и  нейрокомпьютеры:  учеб.пособие.  —  М.:  Издательство  МЭИ,  2002.  —  176  с.
4. Лютаревич  А.Г.  Оценка  дополнительных  потерь  мощности  от  снижения  качества  электрической  энергии  в  элементах  систем  электроснабжения  /  А.Г.  Лютаревич,  С.Ю.  Долингер,  В.Н.  Горюнов,  Д.Г.  Сафонов,  В.Т.  Черемисин  //  Омский  научный  вестник.  —  2013.  —  №  2  (120).  —  С.  178—183.
5. Медведев  В.С.  Нейронные  сети  /  В.С.  Медведев,  В.Г.  Потемкин.  —  М.:  Диалог–МИФИ,  2002.  —  496  с.
6. Халафян  А.А.  Statistica  6.  Статистический  анализ  данных.  3-е  изд.  Учебник.  —  М.:  ООО  «Бином-Пресс»,  2007.  —  512  с.