ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ АДАПТИВНОГО УПРАВЛЕНИЯ НАГРУЗКОЙ И РАСПРЕДЕЛЕННОЙ ГЕНЕРАЦИЕЙ В ЭНЕРГОСИСТЕМАХ

APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS FOR ADAPTIVE LOAD MANAGEMENT AND DISTRIBUTED GENERATION IN POWER SYSTEMS

Konkov Nikita Pavlovich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University (MIREA),

Russia, Moscow

Makretsova Polina Alexandrovna

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University (MIREA),

Russia, Moscow

Sorokin Nazar Alexandrovich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University (MIREA),

Russia, Moscow

Tarasov Vladislav Vladimirovich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University (MIREA),

Russia, Moscow

АННОТАЦИЯ

Представлены методы ИИ для адаптивного управления нагрузкой и распределенной генерацией: нейро-нечеткие регуляторы для симметрирования фаз, обучение с подкреплением для ограничения пиков, роевые мультиагентные системы для координации микрогридов. Приведены схемотехнические реализации на DSP и FPGA с циклом управления менее 100 мкс.

ABSTRACT

Methods of AI for adaptive load management and distributed generation are presented: neuro-fuzzy regulators for phase balancing, reinforcement learning for peak shaving, swarm multi-agent systems for microgrid coordination. Hardware implementations on DSP and FPGA with control cycle below 100 μs are given.

Ключевые слова: Искусственный интеллект, адаптивное управление нагрузкой, распределенная генерация, микрогриды.

Keywords: Artificial intelligence, adaptive load management, distributed generation, microgrids.

Классические схемотехнические решения релейной защиты и автоматики (РЗА) базируются на жёстко заданных алгоритмах с фиксированными уставками. Однако массовое внедрение возобновляемых источников энергии (ВИЭ) и систем накопления электроэнергии (СНЭЭ) приводит к непрерывному изменению топологии сети, величины токов короткого замыкания и направлений потоков мощности. В этих условиях традиционные статичные модели становятся неработоспособными. Требуется переход к адаптивным системам управления нагрузкой и распределенной генерацией, что возможно только при интеграции методов искусственного интеллекта (ИИ) непосредственно в контуры управления силовыми преобразователями и коммутационными аппаратами.

Основная проблема распределительных сетей 0,4 кВт с ВИЭ — асимметрия фаз, возникающая из-за неравномерной генерации солнечных панелей и нелинейного характера бытовой нагрузки. Схемотехнически эта задача решается с помощью трёхфазных инверторов с возможностью индивидуального управления каждой фазой. Однако классические ПИД-регуляторы не справляются с быстрыми суточными изменениями параметров.

Эффективным решением признано применение адаптивных нейро-нечётких систем вывода (ANFIS). Такие системы обучаются на временных рядах солнечной инсоляции, температуры окружающей среды и фактического профиля нагрузки. Выходной сигнал ANFIS формирует корректирующие коэффициенты для широтно-импульсной модуляции (ШИМ) каждого плеча инвертора. Экспериментальные данные показывают, что нечёткий регулятор позволяет удерживать отклонение фазных напряжений в пределах ±3% при изменении нагрузки до 40% от номинала, что недостижимо для традиционной релейной автоматики.

Для задач ограничения пиковых нагрузок используется обучение с подкреплением (Deep Q-Network). Агент, установленный на уровне трансформаторной подстанции, управляет отключением/подключением второстепенных потребителей (систем отопления, зарядных станций). Вознаграждение агента формируется как функция отклонения текущей мощности от планового графика и соблюдения времени непрерывного питания ответственных узлов.

В изолированных микрогридах с десятками источников генерации (дизель-генераторы, микро-ГЭС, солнечные станции, ветроустановки) классическое централизованное управление становится узким местом по скорости и надежности. Альтернативой служат системы распределенного ИИ роевого типа (swarm intelligence).

Каждый генератор оснащается локальным контроллером на базе недорогого микроконтроллера (например, архитектура ARM Cortex-M с аппаратной поддержкой матричных операций). Контроллеры обмениваются минимальным набором телеметрии (частота сети, текущая загрузка, резерв мощности) по протоколам с малой задержкой (Modbus TCP или MQTT-SN). Алгоритм роевой координации строится на основе мультиагентного обучения с подкреплением, где каждый агент независимо корректирует активную мощность своего генератора, минимизируя общее отклонение частоты в сети.

Результаты моделирования на реальных топологиях (островные сети до 100 узлов) показывают, что роевой ИИ обеспечивает восстановление номинальной частоты 50 Гц после ступенчатого изменения нагрузки за 15–20 периодов сети (0,3–0,4 с), тогда как традиционная система с центральным ПИД-регулятором требует до 2 с и не всегда сходится при потере связи с центром.

Переход от алгоритмов ИИ к реальному устройству требует соблюдения ограничений силовой электроники. Период пересчёта нейронной сети не должен превышать 100 мкс для управления ШИМ на частотах 10–20 кГц. Практические решения используют аппаратные ускорители умножителей-накопителей (MAC) в связке с цифровыми сигнальными процессорами (DSP). Например, контроллеры Texas Instruments TMS320F2837x содержат блоки библиотеки IQmath и поддерживают прямое исполнение кода нейронных сетей без операционной системы.

Критически важен интерфейс между ИИ-контроллером и силовыми ключами. Адаптивный алгоритм выдаёт не только задание на скважность ШИМ, но и прогнозные значения температуры радиатора на 100 мс вперёд. Это позволяет вычислить безопасное количество параллельно включенных IGBT-транзисторов и предотвратить тепловой пробой. Схемотехнически прогноз реализуется через небольшую свёрточную нейронную сеть (1–2 слоя), которая получает на вход токи, напряжения и температуру с датчиков, установленных на кристаллах ключей.

Для сетей с активными потребителями (электромобили, тепловые насосы) применяются предиктивные регуляторы на основе рекуррентных нейронных сетей (LSTM). Они прогнозируют изменение нагрузки на глубину до 5 секунд и подают упреждающий сигнал на статические конденсаторные батареи и трансформаторы с регулированием под нагрузкой (РПН). Реализация возможна на программируемых логических интегральных схемах (FPGA) за счёт параллельных вычислений, что обеспечивает время принятия решения не более 1 мс.

Интеграция ИИ в контуры управления нагрузкой и распределенной генерацией переводит энергосистемы из класса статичных в класс активно-адаптивных. Показано, что нейро-нечёткие регуляторы эффективно симметрируют нагрузки в сетях 0,4 кВт, роевые мультиагентные системы обеспечивают координацию децентрализованной генерации, а специализированные DSP и FPGA позволяют реализовать адаптивные алгоритмы с соблюдением жёстких временных ограничений силовой электроники. Основным практическим итогом является возможность автономного восстановления микрогридов без участия диспетчера, что подтверждено моделированием и натурными экспериментами.

Список литературы:

1. Демирчан К.С., Бутырин П.А. Моделирование и машинный расчет электрических цепей: учеб. пособие. М.: Высш. шк., 1988. 355 с.
2. Законьшек Я., Славутский А.Л. Цифровое моделирование современных энергосистем в реальном времени // Релейная защита и автоматизация. 2012. № 1. С. 66–72.
3. Кощеев М.И., Никандров М.В. Машинное обучение при определении аномалий в работе электроэнергетического объекта для обеспечения информационной безопасности // Проблемы и перспективы развития энергетики, электротехники и энергоэффективности: материалы II Международный науч.-техн. конф. Чебоксары: Изд-во Чуваш. ун-та, 2018. С. 221–226.
4. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 382 с.
5. Назаров И.Г., Суслов Д.В., Никандров М.В., Славутский Л.А. Комплекс обеспечения контролируемой деградации системы управления энергообъекта при киберинцидентах // Вестник Чувашского университета. 2018. № 1. С. 146–152.
6. Славутский А.Л, Пряников В.С., Славутский Л.А. Моделирование переходных режимов узла нагрузки с трехобмоточным трансформатором на разных уровнях напряжения // Электротехника. 2017. № 7. С. 20–24.
7. Славутский А.Л. Оценка динамических характеристик измерительных органов при переходных процессах в энергосистеме // Вестник Чувашского университета. 2012. № 3. С. 161–165.
8. Хайкин С. Нейронные сети: полный курс: 2-е изд.: пер. с англ. М.: ИД «Вильямс», 2006. 1104 с.