автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизированная система прогнозирования и технической диагностики основных процессов и объектов ТЭС

Введение

Глава 1. Состав и структура интегрированной компьютерной системы управления производством (на примере ТЭС)

1.1 Краткие технологические сведения

1.2 Некоторые задачи АСУ ТЭС

1.3 Иерархическая структура управления

1.4 Некоторые особенности формулировки задач

1.5 Программный комплекс МО оптимизации и принятия решений

1.6 Технические постановки задач

1.7 Состав программного обеспечения системы ТД 45 Выводы к главе 1.

Глава 2. Алгоритмическое обеспечение автоматизированной системы прогнозирования и технической диагностики

2.1 Основные сведения из непараметрического оценивания

2.2 Алгоритмы технической диагностики

2.3 Процесс, технологический регламент и модели

2.4 Комбинированные многосвязные системы моделирования

2.5 Непараметрические алгоритмы управления и принятия решений с ЛПР.

Выводы к главе 2. "" •

Глава 3. Статистическое моделирование непараметрических алгоритмов прогнозирования и технической диагностики

3.1 Численные исследования алгоритмов прогнозирования 76 затрат условного топлива на единицу энергии

3.2 Численное исследование алгоритмов технической 88 диагностики

Выводы к главе 3.

Глава 4. Практическое применение непараметрических алгоритмов

4.1 Состав, структура и характер разработки АСУ ТЭС

4.2 Экспериментальная проверка алгоритмов прогнозирования затрат условного топлива

Выводы к главе 4.

Актуальность проблемы. Совершенствование управления промышленным производством является одним из наиболее перспективных направлений его развития и тесно связано с использованием информационных технологий. Сегодня совершенно ясно, что коренное решение этой проблемы невозможно без широкого использования средств вычислительной техники (СВТ). В последнее десятилетие темпы освоения СВТ значительно возросли, а главное, существенно повысилась эффективность их использования для управления современными промышленными предприятиями. На этом пути возникли новые задачи, решение которых требует развития исследований по новым направлениям теории и практики разработки систем моделирования, диагностики и управления [2,5,8,11].

Существенное значение при разработке разнообразных компьютерных систем имеет тот факт, что на предприятиях часто наряду с новым оборудованием эксплуатируется оборудование, возраст которого исчисляется десятилетиями. Так, на Красноярской ГРЭС-2 в настоящее время эксплуатируются четыре типа энергоблоков.

Средства контроля, регулирования у них конечно же различное, и как следствие этого — различные математические модели процессов, что немедленно влечет за собой и различные алгоритмы управления, технической диагностики состояния оборудования. Возникли задачи, математические постановки которых не укладываются в традиционные рамки, а поэтому и требуют для своего решения развитие новых методов [42,43,46,82,83]. Одним из важнейших факторов, побудивших к поискам новых подходов, явилось наличие недостаточной априорной информации об исследуемом объекте для математической постановки задачи. В настоящее время накоплен большой опыт моделирования технологических процессов на основе определенных каким-то образом параметрической структуры модели или класса моделей [8,14,16,25,58].

Однако проблема идентификации и управления стохастическими системами сохраняет свою актуальность в случае, когда параметрический класс моделей процессов не известен. А эта ситуация часто встречается при разработке конкретных систем автоматизации. Особенно это важно, когда на производстве имеются разнотипные энергоблоки и другое оборудование. Здесь целесообразно использовать теорию адаптивных и обучающихся систем, которая позволяет восполнять недостаток знания о процессе на начальном этапе в процессе обучения. В этом случае естественно задачи идентификации и управления стохастическими системами рассматриваются в условиях непараметрической неопределенности, т.е. когда не известна параметрическая структура модели исследуемого процесса (В.П. Живоглядов, А.В.Медведев, В.Я.Катковник, А.И.Рубан, А.В.Лапко) [15,25,43,44,68,69,70].

Работа посвящена созданию интегрированной автоматизированной системы управления /ИАСУ/ ТЭС на примере Красноярской ГРЭС-2. Наряду с общими вопросами создания ИАСУ, рассматриваются две конкретные подсистемы: первая - подсистема прогнозирования затрат условного топлива на единицу энергии; вторая - подсистема технической диагностики состояния энергоблока. При разработке соответствующих алгоритмов была использована теория адаптивных и обучающихся систем как параметрическая, так и непараметрическая. Последнее обусловлено тем, что, учитывая сложность исследуемых процессов, недостаток априорных данных, наличие случайных факторов, наиболее перспективный путь создания компьютерных систем прогнозирования технологических параметров и технической диагностики состоит в создании обучающихся систем, т.е. систем способных в процессе своего функционирования улучшать свои рабочие показатели [21,22,24,82]. Это и обусловливает актуальность настоящего исследования.

Цель работы состоит в разработке структуры компьютерной системы управления основным производством ТЭС и, в частности, ее основным объектом — энергоблоком. На этом пути необходимо было решить следующие задачи: сформулировать комплекс технических задач диагностики, управления и оптимизации технологического процесса; разработать модификации соответствующих адаптивных алгоритмов, обеспечивающих обучаемость компьютерных систем; провести численное исследование непараметрических алгоритмов диагностики и прогнозирования технологических параметров; осуществить экспериментальную проверку компьютерной системы прогнозирования затрат условного топлива на единицу энергии.

Методы исследования. В работе используются методы системного анализа, теории идентификации и распознавания образов, математической статистики, теории адаптивных и обучающихся систем, статистического моделирования.

Научная новизна. Основные научные результаты диссертационной работы состоят в следующем:

• даны технические и математические постановки задач технической диагностики состояния энергоблока и технологического процесса;

• предложены модификации обучающихся непараметрических алгоритмов технической диагностики;

• разработаны конкретные непараметрические модели для прогнозирования основных технологических параметров энергоблока;

• предложены на основе численного исследования способы настройки различных непараметрических алгоритмов обучения.

Практическая ценность. Разработанная в диссертации структура иерархической системы управления положена в основу создания комплексной интеллектуальной компьютерной системы управления основным производством Красноярской ГРЭС-2. Система прогнозирования затрат условного топлива на единицу энергии прошла предварительную экспериментальную проверку и позволит в диалоговом режиме оптимизировать технологический процесс производства энергии, что приведет к экономии топлива на 0.5 - 1%. Разработанное алгоритмическое обеспечение и схемные решения при создании интеллектуальной компьютерной системы управления производством могут широко использоваться на предприятиях энергетики, а также и в других отраслях промышленности.

На защиту выносятся:

1. Способ построения системы технической диагностики состояния энергоблока и другого оборудования ТЭС;

2.Модификации непараметрических обучающихся алгоритмов классификации и процесс накопления информации;

3.Алгоритмы и модели прогнозирования затрат условного топлива на единицу энергии;

4.Диалоговые обучающиеся алгоритмы принятия решений и управления технологическими процессами в различных производственных ситуациях.

Апробация работы. Основные результаты диссертации были представлены и докладывались на Международной научной конференции «Интеллектуальные системы и информационные технологии управления 18&1ТС-2000», Псков, 2000 г.;

Проблемы информатизации региона" (Красноярск, 2000г.), IV Международном симпозиуме "Интеллектуальные системы"(Москва, 2000г.), на практическом семинаре «Проблемы синтеза и проектирования систем автоматизированного управления» (Новосибирск, 2001г.), на всероссийской научно-практической конференции «Перспективные материалы, конструкции и технологии» (Красноярск, 2001г.), на международной конференции «Моделирование и методы анализа данных» (Минск, 2001г.), на научных семинарах НИИ Систем управления, волновых процессов и технологий (1999-2001гг.).

Публикации. По теме диссертации опубликовано 12 печатных работ. Личный вклад соискателя состоит в постановке задач технической диагностики энергоблока, разработке модификаций алгоритмов классификации, моделирования, управления дискретно-непрерывными процессами, а также схемы их численного исследования.

Содержание работы.

Первая глава посвящена анализу основного производства ТЭС как объекта управления. На Красноярской ГРЭС-2 эксплуатируются различные энергоблоки: 1-4; 5; 6-8; 9-10 [6,9,57,71,72].

Это обстоятельство усложняет задачу создания компьютерных систем диагностики и управления энергоблоками.

Сформулируем некоторые общие и наиболее важные требования к разработке ИАСУ управления ТЭС [10,11,20,28,57].

1. Необходимо определить систему взаимосвязанных критериев оптимальности для предприятия и их «вес» при различных производственно-экономических ситуациях.

2. ИАСУ управления ТЭС должна быть адаптивной и устойчивой к случайным возмущениям, т.е. на основе адаптации должна вырабатывать новую оптимальную стратегию управления при изменении внешних условий (появление нового оборудования и циклов, изменение ситуации с сырьем, метеорологических условий, спроса на энергию и т.п.).

3. При разработке ИАСУ управления ТЭС должны быть точно определены соотношения между изменениями, происходящими в управляемой подсистеме, а также степенью и способом воздействия на нее;

4. При разработке должен быть определен оптимальный комплекс необходимых технических средств (СВТ, связь, автоматика) и определено место человека в системе управления;

5. Подсистемы ИАСУ управления ТЭС должны надежно и достаточно гибко функционировать как элементы определенной ступени в иерархической структуре интегрированной автоматизированной системы управления;

6. Архитектура программного обеспечения ИАСУ представляет собой иерархическую структуру доступную к расширению и изменению.

Определяющим на начальной стадии разработки ИАСУ является выработка концепции ее создания, которая определяется составом и состоянием оборудования, особенностями технического процесса, уровнем автоматизации и др. Концепция определяется на стадии обследования и разработки технологического задания на создание ИАСУ и, конечно же, может отличаться для различных, даже однотипных, теплоэлектростанций.

В этой же главе приводятся конкретные технические постановки задач, решение которых необходимо для эффективного управления ТЭС, как-то:

- техническая диагностика состояния оборудования;

- техническая диагностика состояния технологического процесса;

-ускоренное прогнозирование затрат условного топлива на единицу энергии;

- принятие решений ЛПР по оптимизации технологического процесса, протекающего в энергоблоке.

Отметим некоторые первоочередные задачи, возникающие при разработке ИАСУ ТЭС: сбор и обработка информации. При этом создается общая информационная база, необходимая для решения задач технологического и организационного управления; автоматизированный контроль достоверности информации, предполагающий автоматизацию проверки достоверности содержательной стороны информации и мероприятия, обеспечивающие помехоустойчивость; составление энергетических характеристик оборудования. Фактические характеристики, получаемые при этом, отражают состояние оборудования в данный момент. Результаты этой задачи используются при определении технико-экономических показателей в задаче оперативного оптимального распределения нагрузки на ТЭС; распределение нагрузок между энергоблоками. Составляются энергетические характеристики ТЭС для контроля работы блока; оперативный контроль и отображение технологической информации. Результаты данной задачи используются операторами ТЭС. На основании автоматического контроля состояния оборудования оператор получает информацию, касающуюся надежности и экономичности эксплуатации технологического оборудования ТЭС. Результаты составляют также информационную базу решения оптимизационных задач; проведение испытаний технологического оборудования. Имеется в виду составление режимных карт оборудования; расчет и анализ технико-экономических показателей (ТЭП) ТЭС, позволяющий получить информацию о состоянии оборудования и технологических процессах, оптимизировать режимы на основании расчета и анализа ТЭП в темпе производства, формировать различные отчетные документы;

- статистическая обработка и прогнозирование показателей. В результате решения этой задачи прогнозируются состояние параметров оборудования, изменения в расходе топлива и т.п.; регистрация предаварийных, аварийных и послеаварийных параметров состояния объекта, срабатывания устройств защиты и автоматики, переключений в технологических ( в том числе электрических) схемах для восстановления картины протекания аварийного режима, анализа действий аппаратуры, устройств и персонала, а также для отчетности; автоматическое ведение суточных ведомостей; автоматический учет топлива, т.е. прихода, расхода и остатка для составления статистической отчетности и принятия соответствующего решения; учет и анализ топливной составляющей себестоимости. В частности, здесь анализируется влияние на топливную составляющую различных факторов: стоимостей угля, мазута, перевозки топлива и др [9,10,18,39,50].

Вторая глава посвящена алгоритмам диагностики, прогнозирования и управления основным производством. Но сначала даются необходимые сведения из непараметрического оценивания стохастических характеристик.

Непараметрические оценки. Пусть дана выборка, состоящая из я независимых наблюдений ^-мерной случайной величины X: хх ,х2 Плотность распределения случайной величины X, р(х) > 0 неизвестна.

Непараметрическая оценка плотности вероятности р(х) имеет вид [12,13,14,31,32,33]:

1 5 Аг ( г 1 V ] Л , фМЧгЧ' (вл)

ОС 5 /=1 ]=\ у где "ядро" Ф(и) эмпирической плотности вероятности обладает следующими свойствами [35,90,91]: а)0<Ф(и)<^<оо;Ь)Ф(м)=Ф(-м);с) |ф(и)Лм = 1. (В.2)

П (и)

Коэффициенты размытости Cs ядер эмпирической плотности вероятности зависят в общем случае от объема выборки S, причем Cs 0 и

SC* -» 00 при S 00 .

Пусть дана статистически независимая выборка (х, ,ух), (х2 ,у2),., (xs ,ys ) (к+1)-меркой случайной величины (X,Y). Плотности распределения р(х) > О, Лу) > р(х,У) > 0 неизвестны. Непараметрическая оценка кривой регрессии Y от X, то есть: у(х) = M{Y | х} имеет вид: ы М

-ХС j= I xj С

В.З)

Алгоритмы распознавания образов. Традиционно задача распознавания образов состоит в отнесении предъявляемого объекта к одному из классов. Классы характеризуются тем, что принадлежащие им объекты (ситуации, состояния объекта) обладают некоторым сходством. Пусть дана обучающая выборка = 1,5, где х, = (х',.,х.) - вектор значений признаков, указания учителя" о принадлежности элемента к одному из классов.

В зависимости от того, какая априорная информация имеется, используют различные подходы к решению задачи. Если известны вероятностные характеристики классов, то успешно применяются методы теории статистических решений, где получены оптимальные байесовы алгоритмы распознавания образов, обеспечивающие минимум функции риска. Когда вероятностные характеристики классов неизвестны, что наиболее характерно для практических задач, для построения разделяющей поверхности используют либо параметрический подход (если известно в каком виде следует искать разделяющую поверхность), либо непараметрический (где, кроме обучающей выборки, не требуется какой-либо дополнительной информации) [62,63,82,].

В рамках непараметрического подхода вероятностные характеристики классов заменяются их непараметрическими оценками. Непараметрическая оценка разделяющей функции в двуальтернативной задаче примет вид:

S 7=1 Л

XI

XJ

С. J V F2l

L,Ck

ПФ 1 Л X

С.

В.4) где = - потери при отнесении ситуации из класса , к классу ; где - вектор признаков, элементы обучающей выборки

У=циУ2, - элементы, принадлежащие классу xt,V2 xpz.),/=l,s2} -элементы, принадлежащие классу Х2,

Знак оценки (В.4) позволяет различать предъявляемые для классификации ситуации при известном х = х', решающее правило можно сформировать по аналогии с Байесовым [82]: хеХг, если <рх(х)>0; х е Х2, если %{х)<§ (В.5)

Алгоритм оптимизируется по параметрам размытости С$,г = 1,2 в ходе скользящего экзамена.

Задачу диагностики состояния оборудования с точки зрения его эксплуатации и диагностики состояния технологического процесса целесообразно интерпретировать как трехальтернативную задачу распознавания образов.

При этом первый класс определяет нормальное состояние процесса и оборудования; второй - не нормальное; третий - предаварийное состояние. Последний класс в пространстве признаков х={х\./) располагается в 8- окрестности от разделяющей поверхности <%.(х)=0. Процедура принятия решений о принадлежности ситуации к тому или иному классу в этом случае является двухэтапной. Сначала проверяется справедливость неравенства |%(х)|<£- и если оно имеет место, то тогда ситуация относится к третьему классу. В противном случае решается двуальтернативная задача классификации в соответствии с (В.4), (В.5). Значение 8 определяется экспериментально, а процесс обучения протекает в режиме активного (последовательного) накопления информации. В этом случае предлагается использовать следующий прием при формировании в процессе обучения обучающей выборки. Если |^.(х')|<£- или ситуация классифицирована неверно, то значение х' включается в обучающую выборку, в противном случае - нет.

Непараметрические модели. Разработка непараметрических моделей была подчинена практической задаче - прогнозированию затрат условного топлива на единицу энергии. При этом энергоблок представляется в виде последовательности трех объектов: котлоагрегат, турбина, генератор. Для моделирования этого процесса последовательно используются модели типа (В.З) [1,23,24,25,41,48,49].

Учитывая, что названные выше объекты достаточно хорошо изучены, то процессы, протекающие в них частично описаны в классе параметрических моделей, а некоторые технологические закономерности либо не описаны, либо их модели являются «грубыми». В этом случае целесообразно использовать комбинированные непараметрические модели, которые в общем виде могут быть представлены следующим образом [42,59,62]: р](Х{1\ии),а) = 0,] = 1т, т<1 ^ ^ 6) у3 - <р] (Хи), и(Л) = 0, у = т + 1,1 где векторы х, и соответственно выходные и входные переменные процесса, .р,(.), у' = йт - известные преобразования с точностью до вектора а\ (р {.),] = т+1,1 - функции неизвестного вида, представленные с точностью до своих аргументов, - векторы, составленные из компонент векторов х ,и , входящих в ]-ое уравнение системы.

Учитывая статистическую связь входных переменных процесса и как следствие этого «трубчатую» структуру процесса [88], предлагается следующая модификация комбинированных моделей (В.6)

Ш5 (и ]{Х{]) ,ии)0С) = 0,/' = \,т; У] -<р] {Х^ ) = 0, у = ^и т<1

В.7) где индикатор ш5(и]) имеет вид

1пс13 (и) =

N к

1Пф(

0=1 щ -щ ~С8 0

В.8)

Хк и.-и/

1у=1

С*

Настройка моделей (В.6), (В.7) по параметру размытости осуществляется из условия минимума соответствующего квадратичного критерия. Прогноз выходных переменных процесса дается в результате решения системы уравнений (В.7).

Алгоритмы принятия решений с ЛПР. Задачу управления объектом с идентификатором в управляющем контуре можно представить схематично в виде, представленном на рисунке В.1.

На рисунке приняты обозначения: х(0 = (л:1(0.-,^(0) ~~ вектор выходных переменных процесса, .,«„{о) и м(0= (мл*),-,-мЛОУ соответственно входные управляемые и неуправляемые контролируемые переменные, состоящие соответственно из т и п компонент, <=(,)- случайные возмущения, ,ки,их-случайные ошибки измерения, - задающее воздействие, ? - время. На первом этапе (ключ К] разомкнут) решается задача идентификации; на втором этапе ключ К { замкнут, решается задача управления объектом с участием ЛПР, после этого ключ К 2 замыкается. т(0 = о-(х(0,х*(0)

В.9)

Рис. В.1.

Введем некоторую выпуклую функцию качества Сформируем критерий оптимальности [46]:

Я = М {М {(и(?)-и(?))2/¡л{1) е £Х/4а(7^х(7) е П(х)},

24 ОС где и (?) - решающая функция.

Оптимальный оператор, определяющий м(/), равен: и(0 = М{м(0///(0 еО(уы),сг(0 = 0Ух(0 е О(х)} (В. 10)

Теперь задача сводится к непараметрическому оцениванию (В. 10) на основании поступающей информации = В качестве непараметрической оценки (В. 10) может быть принята статистика: и /Ы =

5-1 к

2>./МПф

1=1 у=1

ОД

ПФ

7=1

- у]\}\ од

5-1 к

I ПФ

1=1 7=1 л од

Пф

Л=1

И у И - М^] ОД Аи ,|>],/=1,т,

В.11) где = = = = а Аи J[s] = Аи (а у И), д И у О] - изучающая добавка, у' = 1 ,т.

При управлении реальными объектами естественно использовать опыт обслуживающего персонала (оператор, диспетчер, технолог). Поэтому алгоритм (В.11) целесообразно использовать в следующей модификации: г л и ,•[$] =

5-1 к (сг-.Ы Ы у=1

Пф т

Пф

7=1 Т

Uj

ОД л

5-1 к (о-.-Ы

У Пф^ ы У 1ОДЛ= т Т\

ПФ

7 И -/^[О

V 7

ОД 7

Пф

7=1 —-+ ДиДл], у = 1,т

Uj -и •[/] (В.12) где =(и[,.ит) - ориентировочные значения управляющего воздействия, данные технологом. Следует заметить, что технолог может определить не все значения компонент вектора и, тогда аналог алгоритма (В. 12) может иметь вид: и .[*] =

5-1

1";МПф

1=1 у=1

ПФ

СДл]

ПФ

Му-МуИ С/И

5-1 к

I Пф

1 у=1

Ч/М^ п

Пф

I |ф

С/И т му-[г]

С, И Дм /И, ] = 1,т, 1<т.

В.13)

Приведенные алгоритмы предполагают последовательную схему обучения и могут носить активный характер, а также и комбинированный.

Третья глава содержит результаты исследования методом статистического моделирования [28,56,60,61] непараметрических алгоритмов технической диагностики и непараметрических моделей многосвязных процессов.

Исследования непараметрических моделей. Численное исследование алгоритмов осуществлялось в соответствии со схемой: где и= { и1,.,и5}, Х= {х1,.,хЗ}, У= { у1,у2}, У= у1,.,уЗ}, Ъ - скаляр. В качестве уравнений, описывающих объекты бьиш взяты алгебраические полиномы второй степени, К - символизирует контроль переменных.

V/ и

01 X 02 У ОЗ

Рис. В.2. Схема технологического процесса.

Непараметрическая модель 01: ф

1 7=1 и,+/ -и!

Си

5 5

1=1 У=1 и/

Сик

Д = 1,2,3.

В.14)

Непараметрическая модель 02:

У.

1>№ к /=1 7=1 „Л

1 х с/

Пф

У=1 у у

См/ к = 1,2 л-1

5 3 хп®

1 7=1

Л У J

1 ~хг

Схк

Пф у=1

77. V ^ ,

В.15)

Непараметрическая модель 03:

1=1 г =

Уз + У

У1

Су к п ф / /л "¿-и7 - V

Су к

ЕПФ

17=1 /Л 4

Ху+Г - V

Су к

1\ф

7 = 1 V + Г

V,

Су к

В.16)

Исследовались случаи соответствующие разным уровням влияния помех.

В качестве колоколообразной функции Ф( ) была взята усеченная парабола. Ниже приведены результаты прогноза выходной переменной 5 и значения наблюдаемой величины г при объеме выборки равной 500. Средняя ошибка прогнозирования г при наличии помехи в каналах измерения равной 2,5% составило 2,8%.

Рис. В.З.

На следующем рисунке представлен случай, когда уровень помех равен 5%, а ошибка прогнозирования составила 5,4%.

Рис. В.4.

Численное исследование непараметрических алгоритмов диагностики. При моделировании был взят случай, когда вектор признаков, характеризующий состояние объекта, состоял из 12 компонент. Для линейной разделяющей поверхности (линейные модели объектов) ниже представлены зависимости количества ошибок т (%) от объема выборки э и уровня помех Ь.

Таблица В.1.

Объем выборки Б Ь=0% 11=3% Ь=5% 11=10%

Количество ошибок ш Коли 1(%) Количество ошибок ш Количество ошибок т (%) Количество ошибок ш Количество ошибок т .(%) Количество ошибок т Количество ошибок ш (%)

500 47 9,4 41 8,2 48 9,6 62 12,4

1000 68 6,8 75 7,5 79 7,9 95 9,5

1500 71 4,7 79 5,2 87 5,8 112 7,54

2000 85 4,3 93 4,7 110 5,5 122 6,1

Далее приводятся аналогичные результаты моделирования для нелинейной модели, которая была принята в виде алгебраического полинома второй степени.

Таблица В.2. ь=о% 11=3% 11=5% Ь= 10%

Объем Коли- Коли Количест- Количе- Количе- Количе- Количе- Количествы- чество чество во ошибок ство ство ство ство во ошибок борки ошибок ошибок 1Т) ошибок ошибок ошибок ошибок т (%) в ш ш (%) т (%) т т (%) ш

500 45 9 52 10 67 13,4 81 16,2

1000 70 7 75 7,5 83 8,3 101 10,1

1500 76 5,1 85 5,7 93 6,2 121 8,2

2000 90 4,5 98 4,9 123 6,2 141 7,1

Настройка непараметрических алгоритмов распознавания образов осуществлялась в режиме скользящего экзамена и соответствовала минимуму ошибки классификации.

Четвертая глава посвящена прикладным вопросам создания компьютерной системы технической диагностики и системы ускоренного прогноза затрат условного топлива на единицу энергии.

Компьютерная система прогнозирования затрат условного топлива на единицу энергии. На рисунке В.5. представлена упрощенная схема энергоблока [9,10,56,71]. 4 2 и Ь 01 XI 02 х2 03 г 3

НП1 НП2 ы

Т I I ъ! шз

С1

Рис. В.5.

Г^Г

С2

01,.Оп - объекты, участвующие в производстве тепла и электроэнергии, блок Т показывает, возврат горячей воды в котлоагрегат через определенный промежуток времени Т. В соответствии с этой схемой выстраивалась система моделей для прогнозирования затрат условного топлива на единицу энергии. Здесь 01 - котел, 02 - турбина, 03 - генератор, И - вектор входа (уголь, питательная вода, мазут, подпиточная вода, питательная вода на впрыскивающие устройства, горячий воздух, химические реагенты для корректировки состава воды в котле).

Работа котла (01) характеризуется параметрами: температурой, расходом , давлением по тракту питательной воды, пара, холодного и горячего воздуха, пара промежуточного перегрева (для блоков К-150-130), уходящих газов; разряжением в топке; температурой металла поверхностей нагрева, расходом электроэнергии на вспомогательное оборудование. XI - острый пар перед турбиной, - вектор входа (расход охлаждающей воды в конденсатор, для охлаждения пара; расход масла на уплотнение подшипников и т.д.).

- вектор выхода (отборы пара на производство, на уплотнение, на подогрев воды теплосетей, на конденсатор и т.д.).

3 - вектор выхода (отпуск тепла потребителям в воде, отпуск тепла на собственные нужды и т.д.).

Работа турбины 02 характеризуется параметрами - температурой, давлением, расходом острого пара перед турбиной, пара отборов на производство и подогрев сетевой воды теплосетей, пара за турбиной, масла на входе и выходе подшипников; температурным напором в конденсаторе, вакуумом в конденсаторе, расходом электроэнергии на вспомогательное оборудование и т.д.

У4 - вектор входа (водород на охлаждение генератора, дистиллят для охлаждения водорода, азот, масло на охлаждение и уплотнение подшипников, техническая вода на охлаждение масла и т.д.)

Работа генератора 03 - характеризуется мощностью и частотой электрического тока (У); температурой, давлением, расходом масла, дистиллята, технической воды, расходом электроэнергии на собственные нужды и т.д.

НП1, НП2, НПЗ - нелинейные преобразователи.

Ъ\,72- расход условного топлива на электроэнергию и тепло, Ы - затраты станции на топливо, химреагенты, ремонты, зарплату, НИОКР, транспортные и другие услуги и т.д.

С1 — себестоимость электрической энергии, коп./Квт. и С2 - себестоимость тепла руб./Гкал.

Ниже приведены результаты прогнозирования расхода условного топлива на единицу энергии. Фактические данные были взяты на Красноярской ГРЭС-2 за второе полугодие 2000 года и первое полугодие 2001 года. Объем выборки составил 242 многомерных точки. В качестве входных переменных брались следующие: расход угля, питательной воды, температура острого пара, электроэнергии на пылеприготовление, электроэнергии на тягу и дутье, электроэнергии на ПЭНы, температура питательной воды, уходящих газов, давление питательной воды, кислород в уходящих газах, давление 4 отбора, давление 6 отбора, температура выхлопного патрубка, температура циркуляционной воды, температура наружного воздуха, выработка электроэнергии, КЭН и ЦЭН, отпуск тепла, отпуск электроэнергии, электрические с.н. котельной, электрические с.н. турбины, тепловые с.н. котельной, тепловые с.н. турбины, калорийность топлива, влажность топлива, зольность топлива.

Ниже приведены результаты прогнозирования условного топлива на отпуск электроэнергии с использованием непараметрических моделей.

Рис. В.6.

Относительная ошибка прогнозирования составила 7.6% На следующем рисунке приведены результаты прогнозирования расхода условного топлива на отпуск тепла.

Рис. В.7.

Относительная ошибка прогнозирования составила 4.67%.

Полученные результаты экспериментальной проверки моделей убеждают в возможности их использования при создании реальных компьютерных систем прогнозирования затрат условного топлива на единицу энергии.

Компьютерная система технической диагностики состояния энергоблока. В основу построения обучающихся алгоритмов диагностики положена теория распознавания образов. При этом предложен следующий принцип: состояние объекта определяется как состоянием технологического процесса, протекающего в нем, так и состоянием оборудования. Число переменных, определяющих состояние процесса и оборудования равно 70. При обучении системы технической диагностики используется процесс накопления информации, который был изложен выше. Кроме того введен третий класс располагающийся в е окрестности разделяющей поверхности [92,93,94].

Результаты работы могут быть применены при создании комплексных компьютерных систем управления основным производством ТЭС и ее отдельными объектами, а также и на других предприятиях энергетической отрасли.

ЗАКЛЮЧЕНИЕ

Настоящая работа посвящена некоторым задачам, возникающим при разработке интегрированных компьютерных систем управления производством на примере Красноярской ГРЭС-2. Наряду с разработкой отдельных подсистем, входящих в ИАСУ ТЭС рассматриваются так же вопросы методологического характера.

1. Агафонов Е.Д., Медведева H.A. Об исследовании непараметрических оценок производной кривой регрессии 1. Информатика и системы управления: межвузовский аспирантский и докторантский сборник науч. трудов. - Красноярск: Изд-во КГТУ, 1996. - С. 176-182.

2. Анисимов С.А., Зайцев И.С., Н.С. Райбман, Яралов A.A. Типовые линейные модели объектов управления. М.: Энергоатомиздат, 1983. -264 с.

3. Бесекерский В. А., Попов Е.П. Теория систем автоматического регулирования. М.: Наука. Гл. ред. физ.-мат. лит., 1975. - 768 с.

4. Бессонов A.A., Загашвили Ю.В., Маркелов A.C. Методы и средства идентификации динамических объектов. Л.: Энергоатомиздат, 1989. -280 с.

5. Бессонов A.A. Методы и средства идентификации динамических объектов. Л.: Энергоатомиздат, 1989. - 340 с.

6. Биленко В.А., Деркач H.H., Никушевич A.A. Разработка и внедрение систем регулирования основных параметров котла в составе АСУ ТП энергоблока 500 МВт Рефтинской ГРЭС. // Теплоэнергетика. 1999. №10. С.2-8.

7. Воронов A.A. Основы теории автоматического регулирования. М. - Л.: 1979.

8. Гроп Д. Методы идентификации систем. М.: Мир, 1979.

9. Глускер Б.Н., Таран O.E., Носов Б.И. Обработка технологии пуска энергоблока мощность 300 Мват с котлом ТГМП-114 Костромской ГРЭС на скользящем давлении // Теплоэнергетика. 2000. №5. С.59-62.

10. Гуртовцев А.Л. Комплексная автоматизация энергоучета на промышленных предприятиях и хозяйственных объектах // Современные технологии автоматизации. 1999. №3. С.48-60.

11. И. Дейч A.M. Методы идентификации динамических объектов. М.: Энергия, 1979. - 240 с.

12. Добровидов A.B. Непараметрическая оценка оптимального байесовского риска в задачах фильтрации случайных сигналов// Автоматика и телемеханика, 1971. № 10. С. 56-61.

13. Добровидов A.B. Об одном алгоритме непараметрической оценки случайных многомерных сигналов // Автоматика и телемеханика, № 2, 1971.-С. 121-129.

14. Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности// ТВ и П, 1969. Т. XIV. С. 156-161.

15. Живоглядов В.П., Медведев A.B. Непараметрические алгоритмы адаптации. Фрунзе: Илим, 1974. - 136 с.

16. Заде Л. Чезоер Ч. Теория линейных систем.- М.: Наука, 1970.-5 89с.

17. Заварин А.Н. О вероятностных моментах непараметрической оценкифункции регрессии // Автоматика и телемеханика, №4, 1985.- С. 57-68.

18. Зюх В., Пилюгин A.B., Голуб А.Ф., Мирошниченко С.А. Реконструкция и модернизация АСУ ТП Новгородской ТЭЦ // Теплоэнергетика. 1999. №10. С.40-46.

19. Иванов В.А Регулирование энергоблока. JL: Машиностроение, 1982. -311 с.

20. Иващенко H.H. Автоматическое регулирование. Теория и элементы систем.-М.: «Машиностроение», 1978.

21. Иванилов A.A. Алгоритмы идентификации и управления для линейных динамических систем в условиях непараметрической неопределенности: Дис. .канд. техн. наук / ТПИ, Томск, 1986. 148 с.

22. Иванилов A.A. Об алгоритмах идентификации линейных систем с запаздыванием // Стохастические системы управления. Новосибирск: Наука, 1978.-С. 109-119.

23. Иванилов A.A., Ковязин С.А. Непараметрическая оценка производной функции регрессии и ее применение к задаче идентификации // Адаптивные системы и их приложения. Новосибирск: Наука, 1978. - С. 109-119.

24. Иванилов A.A., Чайка С.Н. Непараметрические алгоритмы идентификации динамических систем // Препринт ВЦ СО АН СССР. -Красноярск: ВЦ СО АН СССР, 1979.

25. Катковник В.Я. Непараметрическая идентификация и сглаживание данных. -М.: Наука, 1985.-415с.

26. Катковник В.Я. Линейные оценки и стохастические задачи оптимизации.- М.: Наука, 1976. -437с.

27. Каминский В.П. О совершенствовании системы прогнозирования состояния и объемов ремонта экранов котла // Теплоэнергетика. 2000. №4. С.34-38.

28. Кирсанов Ю.А. Математическое моделирование тепловых процессов в регенеративном воздухоподогревателе // Теплоэнергетика. 1999. №1 с.51

29. В.А. Колемаев, О.В. Староверов, В.Б. Турундаевский Теория вероятностей и математическая статистика. М.: Высш.шк., 1991. - 400 с.

30. Колмогоров А.Н., Фомин C.B. Элементы теории функций и функционального анализа.- М.: Наука, 1989.-624 с.

31. Кошкин Г.М., Симахин В.А., Тарасенко Ф.П. Об одной оценке сложной функции распределения и линии регрессии // Материалы IV научнойконференции по математике и механике.- Томск: ТГУ, 1974,- С. 135136.

32. Кошкин Г.М. Об одном подходе к исследованию функционалов от условных распределений при статистической неопределенности // Автоматика и телемеханика, №8, 1978.- С. 53-65.

33. Коробкин Н., Лопаткин Б., Липчук В. Универсальная система автоматизированного управления тепловыми агрегатами // Современные технологии автоматизации. 1998. №2. С.58-63

34. Конаков В.Д. Непараметрическая оценка плотности распределения вероятностей // Теория вероятностей и ее применение. Т. 17, вып. 2, 1972,- С. 377-379.

35. Крамер Г. Математические методы статистики,- М.: Мир, 1975.-821с.

36. Крутько П.Д. Обратные задачи динамики управляемых систем: Линейные модели. М.: Наука. Гл. ред. физ.-мат. лит., 1987. - 304 с.

37. Куликовский Р. Оптимальные адаптивные процессы в системах автоматического регулирования М.: Наука, 1967.-423с.

38. Кузнецова О.В., Паныпин А.Б. Компьютерная система управления качеством работы энергоблока. Вестник НИИ СУВПТ, вып. I. Красноярск: 1999.

39. Липаев В.В. Проектирование математического обеспечения АСУ (системотехника, архитектура, технология).-М.: «Сов. Радио», 1977.-412с.

40. Льюнг Л. Идентификация систем, М.: Наука, 1991 .-421с.

41. Медведев A.B. Непараметрические системы адаптации. Новосибирск: Наука, 1983.-173с.

42. Медведев A.B. О сходимости непараметрических алгоритмов управления //Известия академии наук Киргизской ССР №1. Фрунзе: Илим, 1975.-С. 27-32.

43. Медведев A.B. Непараметрические оценки плотности вероятности и ее производных // Автоматизация промышленного эксперимента. Фрунзе: Илим, 1973.- С. 22-31.

44. Медведев A.B. Об идентификации линейных динамических систем // Алгоритмы и программы в системах обработки экспериментальных данных.- Фрунзе: Илим, 1975.- С. 14-26.

45. Медведев A.B. Адаптация в условиях непараметрической неопределенности //В кн. Адаптивные системы и их приложения. -Новосибирск: Наука, 1978. С. 4-34.

46. Медведев A.B., Цыкунова И.М. О сходимости непараметрических алгоритмов поиска экстремума. В сб.: «Обработка информации в автоматизированных системах». Фрунзе: Илим, 1974.

47. Медведева H.A. Непараметрические модели и регуляторы // Известия Вузов. Физика. 1995. № 9. С. 124-129.

48. Медведева H.A. О непараметрической идентификации динамическихсистем с запаздыванием // Материалы Международной научн.-техн. конференции «Микропроцессорные системы автоматики», Новосибирск: НГТУ, 1996. С. А20-А22.

49. Мелентьев JI.A. Системные исследования в энергетике. М.: Наука, 1979.-312 с.

50. Надарая Э.А. Непараметрические оценки плотности вероятности и кривой регрессии.- Тбилиси: Тбил. ун-т, 1983.-286с.

51. Надарая Э.А. Об оценке регрессии // Теория вероятностей и ее применение. Т9, вып. 1, 1964,- С. 157-159.

52. Надарая Э.А. Непараметрические оценки кривой регрессии // Труды ВУ АНГрССР.- Тбилиси: вып. 5, 1965,- С. 56-68.

53. Надарая Э.А. Замечания о непараметрических оценках плотности вероятности и кривой регрессии // Теория вероятностей и ее применение. Т. 15, вып. 1, 1970.- С. 139-142.

54. Новиков Н.Ф., Рукосуев Ю.А. Об адаптивных алгоритмах управления качеством. //В кн. Адаптивные системы и их приложения. -Новосибирск: Наука, 1978. С. 158-163.

55. Ордынцев В.М. Математическое описание объектов автоматизации. -М.: Машиностроение, 1965. 360 с.

56. Побожей А., Парфенов А., Жердев О Асу ТП Нижневартовской ГРЭС// Современные технологии автоматизации. 1999. №3. С.48-60.

57. Паныпин А.Б. О разработке интеллектуальной компьютерной системы управления ТЭС // Вестник НИИ СУВПТ, сб. науч. трудов / под общей ред. проф. Н.В. Василенко. Вып. 5. - Красноярск: НИИ СУВПТ, 2000. -С. 191-122.

58. Перегудов Ф.И., Ф.П. Тарасенко Основы системного анализа. Томск: НТЛ, 1997.-396 с.

59. Первозванский A.A. Математические модели в управлении производством.- М.: Наука, 1975.-739с.

60. Пирумов У.Г. Численные методы. М.: МАИ, 1998. - 188 с.

61. Пугачев B.C. Теория случайных функций. М.: Физматгиз, 1960.-827с.

62. Пугачев B.C. Статистические методы в технической кибернетике. М.: «Советское радио», 1971. - 192 с.

63. Растригин J1.A. Современные принципы управления сложными объектами. М.: Сов. радио, 1980. - 232 с.

64. Райбман Н.С. Что такое идентификация. М.: Наука, 1970. - 120 с.

65. Райбман Н.С., Чадеев В.М. Адаптивные модели в системах управления. -М.: Сов. радио, 1966. 160 с.

66. Райбман Н.С., Чадеев В.М. Построение моделей процессов производства. М.: Энергия, 1975. - 376 с.

67. Рубан А.И. Методы анализа данных. Учеб. пособие: в 2 ч. Красноярск: КГТУ, 1994.

68. Рубан А.И. Идентификация и чувствительность сложных систем.1. Томск: ТГУ, 1982.-351с.

69. Рубан А.И. Идентификация стохастических объектов на основе непараметрического подхода // Автоматика и телемеханика, № 11, 1979.-С. 106-117.

70. Ротач В.Я. Теория автоматического управления теплоэнергетическими процессами. М.: Энергия, 1989. - 308 с.

71. Рыжкин В.Я. Тепловые электрические станции. М.: Энегрия. 1967. -400 с.

72. Самарский А.А. Теория разностных схем. М.: Наука. Гл. ред. физ.-мат. лит., 1983.-616 с.

73. Сейдж Э.П., Мелса Д.Л. Идентификация систем управления. М.: Наука, 1974.

74. Соколов B.C., Деев JI.B. Устройство и обслуживание энергетического блока. М.: Высш.шк., 1985. - 279с.

75. Современные методы идентификации систем: Пер. с англ. / Под ред. П. Эйкхоффа. М.: Мир, 1983. - 400 с.

76. Срагович В.Г. Теория адаптивных систем.- М.: Наука, 1976.-417с.

77. Теория автоматического управления. 4.2.: Теория нелинейных и специальных систем автоматического управления / Под ред. А.А. Воронова. - М.: Высшая школа, 1977. - 288 с.

78. Фельдбаум А.А. Основы теории оптимальных автоматических систем.-М.: Наука, 1966.-636с.

79. Фельдбаум А.А., Дудыкин А.Д., Мановцев А.П., Миролюбов Н.Н. Теоретические основы связи и управления. М.: Физматгиз, 1963.-932с.

80. Хардле В. Прикладная непараметрическая регрессия. М.: Мир, 1993. -349 с.

81. Цыпкин Я.З. Адаптация и обучение в автоматических системах.- М.: Наука, 1968.-428с.

82. Цыпкин Я.З. Основы информационной теории идентификации. М.: Наука. 1984. - 320 с.

83. Штейнберг Ш.Е. Идентификация в системах управления. М.: Энергоатомиздат, 1987. - 80 с.

84. Эйкхофф П. Основы идентификации систем управления. М.: 1975.-412с.

85. Янушевский Р.Т. Теория линейных оптимальных многосвязных систем управления.-М.: Наука, 1973.-511с.

86. Medvedev A.V. Identification and control for linear dynamic systems of unknown order. // Optimization Techniques IFIP Technical Conference / Berlin Heidelderg - New-York: Springer - Verlag, 1975. - p. 48-55.

87. Medvedeva N.A. Nonparametrical Estimation of Statistical Characteristics in Problem of Modeling. Proceeding of the international Conference « Computer Data Analysis and Modeling, Minsk: BSU, 1995. - p. 89-93.

88. Medvedeva N.A. Nonparametric Modeling Algorithm's of Dynamic

89. Processes// CDAM: Proceedings of Fifth international Conference, V. 2: Minsk, BGU, 1998.-p. 5-10.

90. Parzen E. On Estimation of a Probability Density, Function and Mode // IEEE Transactions on Information Theory, vol. Pami-4, №6, 1982.- p. 663-666.

91. Rosenblatt M. Remarks on some nonparametric estimates of a density function // Ann. Math. Statist. 1956. - V.27, № 3. - Pp. 832-835.1. Список трудов автора

92. Иконников O.A., Каркарин А.П., Пупков А.Н. Регулирование и диагностика режимов энергоблока.// Вестник НИИ СУВПТ. Вып.1 -Красноярск: Изд-во НИИ СУВПТ, 1999, С.101-119.

93. Иконников O.A., Каркарин А.П., Кирик Е.С., Пупков А.Н. О задачах регулирования и диагностики режимов работы энергоблока.//Труды IV международного симпозиума «Интелектуальные системы». Москва: МГТУ, 2000, С. 129-131.

94. Каркарин А.П., Пупков А.Н. О непараметрическом двухконтурном управлении линейными динамическими.// Вестник НИИ СУВПТ. -Вып.5 Красноярск: Изд-во НИИ СУВПТ, 200, С. 58-68.

95. Каркарин А.П. Об использовании системы компьютерной диагностики для планирования 1111Р.// Проблемы информатизации региона. ПИР -2000: Тез. Докл. Шестой Всероссийской научно-практической конференции. Красноярск: КГТУ, 2000, С. 64-66.

96. Каркарин А.П. О разработке автоматизированной компьютерной системы управления производством и технологическими процессами.// Вестник НИИ СУВПТ. Вып.6 - Красноярск: Изд-во НИИ СУВПТ, 2001, С.43-55.

97. Иконников O.A., Каркарин А.П., Шпилькин И.П. О компьютерной системе управления производственным комплексом.// Вестник НИИ СУВПТ. Вып.5 - Красноярск: Изд-во НИИ СУВПТ, 2000, С.117-128.

98. Каркарин А.П., Красноштанов А.П. О моделировании производственных комплексов.// Вестник НИИ СУВПТ. Вып.6 - Красноярск: Изд-во НИИ СУВПТ, 2000, С. 207-222.

99. Каркарин А.П. Информационные технологии разработки ППР.// Перспективные материалы, технологии, конструкции: Сб. науч.тр. -Красноярск: САА, 2001, С.350-354.

100. Каркарин А.П. О компьютерной системе прогнозирования затрат условного топлива на единицу энергии.//Вестник НИИ СУВПТ. Вып.6 - Красноярск: Изд-во НИИ СУВПТ, 2001, С.173-185.

101. Совершенствование управления промышленным производством является одним из наиболее перспективных направлений его развития и тесно связано с использованием информационных технологий.

102. Важная роль при оперативном управлении производством ■ принадлежит подсистеме ускоренного прогноза расхода условного топлива на единицу отпущенной электроэнергии и тепла.

103. При моделировании технологического процесса неизбежно возникает необходимость учёта случайных факторов действующих на него и преодоление недостатка априорной информации.

104. Подсистема позволит ежесменно осуществлять прогноз и, следовательно, может быть использована при оперативном управлении производством, оптимизация которого приведёт к снижению расхода условного топлива.

105. Предложены принципы и алгоритмы технической диагностики энергоблока, и произведено их численное исследование.

106. Первый заместитель генерального директора' к.т.н.

107. Начальник отдела "Сиби к.т.н.5 с.н.с.,член-корреспондент АШпредставительство рао «еэс россии»по управлению акционерными обществами сибирской части россии «сибирьэнерго»г.Красноярск0506.2001