автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Модели и методы управления режимом потребления электроэнергии промышленными предприятиями с непрерывным характером производства

На правах рукописи

ВАСИЛЬЕВ Дмитрий Анатольевич

МОДЕЛИ И МЕТОДЫ УПРАВЛЕНИЯ РЕЖИМОМ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ С НЕПРЕРЫВНЫМ ХАРАКТЕРОМ ПРОИЗВОДСТВА

Специальности: 05.13.01 - Системный анализ, управление и обработка

информации (в технических отраслях) 05.09.03 - Электротехнические комплексы и системы

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Саратов 2003

Работа выполнена в Саратовском государственном техническом университете

Научный руководитель - член-корреспондент РАН,

доктор технических наук, профессор Резчиков Александр Федорович

Научный консультант - кандидат технических наук,

доцент Иващенко Владимир Андреевич

Официальные оппоненты: доктор технических наук, профессор

Твердохлебов Владимир Александрович

кандидат технических наук, доцент Озерский Владимир Михайлович

Ведущая организация - ОАО КБ «Электроприбор» (г. Саратов, РФ )

Защита состоится 29 декабря 2003 г. в 14 ч 00 мин на заседании диссертационного совета Д 212.242.04 в Саратовском государственном техническом университете по адресу: 410054, Саратов, ул. Политехническая, 77, корп. 1,ауд.414.

С диссертацией можно ознакомиться в научно-технической библиотеке Саратовского государственного технического университета.

Автореферат разослан «ЛУ » ноября 2003 г.

Ученый секретарь диссертационного совета

В.В. Алешкин

г

2004-4 17989

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Технический прогресс в производственной сфере характеризуется всесторонней электрификацией технологических процессов и, как следствие, возрастанием потребления электрической энергии при производстве промышленной продукции. Поэтому для удовлетворения растущих потребностей промышленных предприятий в электроэнергии необходимо уделять внимание как ее производству, так и экономии.

Одним из путей экономии электроэнергии на промышленных предприятиях является совершенствование структур управления их энергетикой. В настоящее время это достигается созданием автоматизированных систем управления энергетикой предприятий, одной из основных подсистем которых является управление режимом электропслребления. Автоматизированное управление режимом электропотребления на промышленных предприятиях способствует выравниванию графиков нагрузок энергетических систем и обеспечивает их нормальное функционирование в условиях дефицита электрической энергии и мощности.

Особую актуальность автоматизация управления режимом электро-похребления приобретает для промышленных предприятий с непрерывным характером производства, которые являются энергоемкими, требующими для производства продукции больших затрат электроэнергии. При этом предъявляются высокие требования к качеству и надежности энергоснабжения предприятий, так как от этого в значительной степени зависят режим работы технологического оборудования и качество изготавливаемой продукции.

В России разработкой методов и средств управления режимом потребления предприятиями электроэнергии занимаются в Московском энергетическом институте, Институте систем энергетики СО РАН (г.Иркутск), Уральском НИИ метрологии, Институте социально-экономических и энергетических проблем Севера Коми Научного центра УРО РАН, Сибирском энергетическом институте, МП «Азимут» (г.Гродно), ОАО «Концерн Энергомера» (г. Ставрополь) и ряде других организаций.

Автоматизированному управлению режимом электропотребления предприятий уделяется большое внимание в странах СНГ (в Казахском НИИ энергетики, Харьковском государственном политехническом университете, ВЦ Киевэнерго и других организациях) и за рубежом (в США, Англии, Канаде, Японии, Италии, Германии, Швеции и других странах).

Тем не менее эта проблема в силу своей сложности и многообразия решена далеко не полностью. Недостаточно глубокий анализ процессов потребления предприятиями электроэнергии, ограниченное использование в управлении эффективных математических моделей, алгоритмов и современных технических устройств обусловливают актуальность выполненных

исследований.

Целью работы является анализ структур автоматизированного управления энергетикой предприятий с непрерывным характером производства, постановка задач, разработка математических моделей и методов, обеспечивающих повышение эффективности управления режимом потребления электроэнергии на предприятиях с непрерывным характером производства.

Для достижения данной цели ставятся задачи по разработке:

• концепции построения структуры принятия решений, функциональной, информационной и организационно-технической структур для предприятий с непрерывным характером производства, обеспечивающих их эффективное функционирование в условиях дефицита электрической энергии;

• подходов к созданию в рамках предложенной концепции автоматизированных систем управления энергетикой промышленных предприятий с непрерывной технологией, обеспечивающих целостность управления, взаимную увязку и согласование реализуемых системой функций;

• статистических моделей и методов искусственного интеллекта для прогнозирования получасовой (усредненной за 0,5 часа) активной нагрузки предприятий в условиях реализации управляющих воздействий по управлению режимом электропотребления;

• статистических, эвристических и генетических алгоритмов формирования состава электропотребляющего оборудования, используемого для оперативного регулирования получасовой активной нагрузки предприятий;

• системы оптимизации предложенных методов, моделей и алгоритмов путем моделирования на ЭВМ и в составе действующей системы.

Методы, исследования. При анализе процессов электропотребления предприятиями с непрерывным характером производства использован аппарат теории случайных процессов и математической статистики. В основу формирования структуры системы управления режимом электропотребления положены принципы системного подхода, учитывающие тесное взаимодействие между элементами системы управления, системой управления и внешней средой. Для оптимизации управления режимом электропотребления использованы методы целочисленного программирования, искусственного интеллекта и математического моделирования.

Научная новизна. На основе анализа процесса управления режимом потребления электроэнергии на предприятиях с непрерывным характером производства предложены структура принятия решений, функциональная, информационная и организационно-техническая структуры, позволившие с единых системных позиций подойти к построению систем автоматизированного управления режимом электропотребления предприятий.

Выполнен анализ структуры и состава контура автоматизированного управления режимом электропотребления предприятий с непрерывной технологией, позволивший осуществить распределение погрешностей, возникающих при регулирфвк№г# получасовой активной нагрузки предприятий, по элементам контура!

Т >?&>=>--г • I 4 «г** »(> :

Разработаны процедуры оперативного прогнозирования получасовой активной нагрузки предприятий на основе статистических моделей и методов искусственного интеллекта, обеспечивающие необходимую точность прогноза в условиях реализации управляющих воздействий по регулированию нагрузки.

Предложены статистические, эвристические, генетические алгоритмы выбора состава электропотребляющего оборудования для оперативного регулирования получасовой активной нагрузки предприятий с непрерывным характером производства, позволившие повысить эффективность управления режимом электропотребления предприятий.

Выполнена оптимизация разработанных моделей, моделей и алгоритмов управления путем моделирования на ЭВМ.

Практическая ценность работы заключается в разработке моделей, методов и алгоритмов управления режимом электропотребления предприятий с непрерывным характером производства, позволивших повысить качество управления и выполнить требования энергосистемы с минимальным ущербом для производства.

Внедрение в составе АСУ энергетикой предприятий результатов работы способствует созданию оптимальных условий функционирования энергосистем.

Реализация и внедрение результатов исследований. Результаты диссертационной работы использованы при разработке АСУ энергетикой на ОАО «Саратовстройстекло» и внедрены как составная часть системы управления режимом электропотребления объединения.

Материалы работы нашли применение в лекционных курсах, лабораторных работах, курсовых и дипломных проектах специальности 220200 «Автоматизированные системы обработки информации и управление» в Саратовском государственном техническом университете. Представленные в работе результаты являются составной частью фундаментальных научных исследований, выполняемых Институтом проблем точной механики и управления РАН (№ гос. per. 01.990.0 05866).

Апробация работы. Основные результаты работы докладывались и обсуждались на научных семинарах кафедры «Системотехника» Саратовского государственного технического университета (1998-2003 гг.), Международных и региональных научно-технических конференциях «Актуальные проблемы анализа и обеспечения надежности и качества приборов, устройств и систем» (Пенза, 1998 г.), «Прогрессивные технологии в науке и производстве» (Камышин, 2000 г. ), «Информационные технологии в естественных науках, экономике и образовании» (Саратов-Энгельс, 2002 г.), «Проблемы и перспективы прецизионной механики и управления» (Саратов, 2002 г.).

Публикации. По теме диссертации опубликовано 12 печатных работ, исчерпывающе отражающих содержание работы.

Структура и объем работы. Диссертационная работа изложена на 151 странице и состоит из введения, четырех разделов, заключения, списка

использованной литературы, включающего 122 наименования. Работа содержит 43 рисунка и 21 таблицу.

Выносимые на защиту результаты. В соответствии с целью работы получены следующие результаты, которые выносятся на защиту:

1. Структура принятия решений, функциональная, информационная и организационно-техническая структуры автоматизированного управления режимом электропотребления для предприятий с непрерывным характером производства, полученные на основе системного анализа процессов потребления электроэнергии на этих предприятиях.

2. Структура и состав контура автоматизированного управления режимом электропотребления для предприятий с непрерывной технологией и распределение погрешности регулирования получасовой активной нагрузки предприятия по выделенным элементам контура.

3 Адаптивные методы оперативного прогнозирования получасовой активной нагрузки промышленных предприятий, построенные на основе полиномиальных моделей и искусственных нейронных сетей с использованием процедур коррекции, обеспечивающие необходимую точность прогноза в условиях реализации управляющих воздействий по регулированию режима элекгропотребления.

4. Статистические, эвристические и генетические алгоритмы выбора состава потребителей-регуляторов электрической энергии для оперативного регулирования активной нагрузки предприятий с непрерывной технологией.

5. Процедура оптимизации предложенных моделей и алгоритмов путем моделирования на ЭВМ.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулирована цель, показана научная новизна и практическая ценность работы, приводятся положения, выносимые на защиту.

В первом разделе рассмотрены существующие автоматизированные системы диспетчерского управления, контроля и учета электрической энергии промышленных предприятий и объединений; выполнен анализ моделей, методов и средств управления режимом потребления электроэнергии, используемых в этих системах.

Проведенный анализ показал, что большинство работ охватывают вопросы, связанные с регулированием электрических нагрузок на уровне энергосистем и предприятий с дискретным характером производства. Значительно меньше внимания в этих работах уделяется регулированию нагрузок на предприятиях с непрерывной технологией, для которых первостепенное значение имеют технологические процессы, теснейшим образом связанные между собой единым производственным циклом, нарушение которого приводит к значительным издержкам, вплоть до полной остановки предприятия.

б

Из приведенного в работе анализа видно, что в части построения структур для предприятий данного типа на сегодняшний день имеется целый ряд сложных проблем, наиболее важными из которых являются:

• отсутствие общей концепции построения структур для предприятий с непрерывным характером производства, включающей методологию их разработки на основе современных информационных технологий;

• небольшой удельный вес задач оптимизации, используемых для принятия решений по управлению режимом электропотребления предприятий.

В заключение раздела формулируются задачи диссертационной работы.

Во втором разделе предлагаются подходы к построению структуры АСУ энергетикой для промышленных предприятий с непрерывным характером производства, основанные на ее представлении в виде совокупности взаимосвязанных структур: принятия решений (СПР), функциональной, организационно-технической и информационной.

Структура принятия решений по обеспечению промышленного предприятия энергетическими ресурсами включает следующие задачи: установление ограничений по режиму потребления энергетических ресурсов предприятием и его структурными подразделениями; планирование показателей потребления энергоресурсов на предприятии; обеспечение надежного функционирования энергетического оборудования предприятия; повышение эффективности управления энергоснабжением предприятия путем морального и материального стимулирования персонала предприятия.

Среди этих задач существенное влияние на эффективность функционирования энергетического хозяйства и предприятия в целом оказывает задача обеспечения надежной работы энергетического оборудования, решение которой невозможно без оперативного управления режимом электропотребления предприятия.

На основе СПР построена функциональная структура системы управления режимом элекгропотребления предприятия, в которой каждая цель (задача) представлена в виде совокупности функций сбора, передачи, накопления, первичной обработки и прогнозирования информации, выработки на ее основе решений, отображения сформированных решений и передачи их на объект управления.

В результате дополнения функциональной структуры информационными потоками, необходимыми для реализации входящих в ее состав функций, формируется информационная структура.

Данная совокупность структур является общесистемной основой для дальнейшей разработки математического, информационного и аппаратно-программного обеспечения управления режимом электропотребления предприятий с непрерывным характером производства.

В третьем разделе выполнено распределение погрешностей контроля электрических нагрузок предприятий по элементам контура управления; сфор-

7

мулирована задача оперативного управления режимом электропотребления предприятий; разработаны процедуры прогнозирования получасовой активной нагрузки предприятий на основе полиномиальных моделей и искусственных нейронных сетей; поставлена и решена задача формирования состава электропотребляющего оборудования для автоматизированного регулирования активной нагрузки предприятий на основе статистического, эвристического и генетического алгоритмов.

Удовлетворение требований энергосистемы по активной мощности с минимумом затрат для предприятия достигается путем изменения режима работы электропотребляющего оборудования (отключения или перевода на пониженный режим работы).

С точки зрения использования для регулирования режима электропотребления предприятий оборудование целесообразно разделить на две основные категории: основное - технологическое оборудование, непосредственно задействованное в производственном процессе, и неосновное - вспомогательное оборудование, включающее в свой состав оборудование «жизнеобеспечения» и сервисное оборудование, обеспечивающее бесперебойную работу основного оборудования.

Анализ состава потребителей электроэнергии промышленных предприятий с непрерывной технологией показал, что 70-80% парка электроприемников составляет технологическое оборудование и только 20-30% приходится на вспомогательное оборудование.

При глубоком регулировании нагрузки предприятия отключается технологическое оборудование. При этом учитывается степень участия этого оборудования в производственном процессе, которая оценивается ущербом для предприятия, вызванным его использованием для регулирования.

Оперативное управление режимом электропотребления предприятий сводится к решению задач оперативного прогноза получасовой активной нагрузки и выбора оптимального состава потребителей для ее регулирования.

Модели прогнозирования получасовой активной нагрузки предприятия. Полиномиальные модели. Для прогноза получасовой активной нагрузки предприятия P(t) предлагается использовать квадратичную модель Р (t+t*)=a0+a,t+a2t2, где ао, аьа2 - оценки параметров

модели, вычисляемые на основе формул Брауна; t - текущее время, принимающее дискретные значения rAt, r = 0,...,R на интервале исследования системы (О, Т ), Т = RAt; At - шаг квантования по времени, определяемый из условия требуемой точности воспроизведения процесса изменения активной нагрузки; t* - время, на которое осуществляется прогнозирование.

Оценка качества прогноза осуществляется по максимальной относительной ошибке прогнозирования 5тю= max [|P(t+t*)-P(t+t*)|/P(t+t*)].

tE[o,TT 1

Эта оценка используется для адаптации модели прогнозирования (определения оптимальных значений параметров, от которых зависят коэффициенты модели; величины предыстории, используемой при прогнозе и параметра сглаживания фильтра Брауна).

Реализация сформированных по данным прогноза управляющих воздействий приводит к изменению характера электрической нагрузки предприятия. Непосредственное применение в таких условиях известных статистических моделей не всегда позволяет обеспечить установленное ограничение на точность прогноза.

Для обеспечения необходимой точности прогнозирования в данных условиях предлагается процедура коррекции исходных данных для построения модели. При этом процесс изменения получасовой активной нагрузки предприятия на отрезке идентификации модели [t - kAt; t] представляется в виде двух составляющих

V(te [t-kÄt; tj) P(t) = P0(t) + PE(t),

где P0(t) - компонента, однородная в отношении формирующих ее факторов (нагрузки потребителей электроэнергии, не подвергавшихся принудительному отключению/подключению на отрезке предыстории [t—kAt; t], используемой для построения модели); P£(t) - компонента, содержащая суммарную получасовую активную нагрузку всех потребителей, режим которых изменялся на указанном выше отрезке.

В условиях поставленной задачи для того, чтобы свести к минимуму выход получасовой активной нагрузки предприятия за установленное энергосистемой ограничение PL, используется сумма верхней доверительной границы прогнозного значения ее однородной компоненты Ров=Р0 >

где ДР0 - доверительный интервал для прогнозного значения однородной компоненты получасовой активной нагрузки, и компоненты РЕ на момент прогноза, т.е. P(t+t*) = P0B(t+t*) +PE(t+t*>.

Искусственные нейронные сети. Для прогнозирования электрической нагрузки промышленных предприятий в работе использовался трехслойный персептрон MLP. Количество элементов входного слоя принималось равным длине предыстории к, используемой для прогноза нагрузки, а выходного слоя - содержащим один элемент, определяющий прогнозное значение нагрузки Р (t+t*).

Количество промежуточных ( скрытых ) слоев и элементов в них принималось по минимуму введенной выше в рассмотрение максимальной относительной ошибки прогноза и времени обучения ( переобучения ) нейронной сети. Рис. 1 иллюстрирует эту структуру.

Экспериментально установлено, что достаточно одного скрытого слоя с числом элементов пн = ](пх +пу)/2[, где ] [ - оператор округления пн до

целого числа, большего пн; пн - количество элементов в скрытом, а пх, пу -во входном и выходном слоях искусственной нейронной сети (ИНС).

Исходя из приведенных соображений, выбраны ИНС со структурами: 6-4-1 -для прогноза на один интервал упреждения; 13-7-1 - для прогноза на два и более интервалов упреждения (цифрами обозначено количество нейронов соответственно в первом, втором и третьем слоях сети).

Ретроспективная выборка строилась из последовательности обучающих пар образов (Рф, ЕУ^)), где = - входной

вектор сигналов, а Б^) -скаляр, определяемый желаемое прогнозное значение сигнала для Р^), ] = 1,2, ... , Я (Я - длина обучающей выборки).

В связи с изменением характера потребления предприятием электроэнергии параметры модели прогнозирования требуют периодической корректировки (адаптации), реализуемой с помощью процедуры переобучения ИНС на новых исходных данных.

Качество обучения нейронной сети оценивалось по соотношению

к

Е = £ Е-1; Е-1 -Рф)2> где Е - ошибка обучения, а Б^и - ^е значения

желаемого и фактического выходов сети.

Для обучения ИНС применялся алгоритм обратного распространения ошибки (АОРО), основанный на методе градиентного спуска с подстройкой

весовых коэффициентов по выражению д^Дп> = ^ , где - весовой коэффициент синаптической связи, соединяющий ьй нейрон п - 1-го слоя с >м нейроном слоя п; 11 - коэффициент скорости обучения, 0< т[< 1. Повышение эффективности работы данного алгоритма достигалось за счет изменения порядка наблюдений в обучающих выборках различных итераций и варьирования скорости обучения.

слой слой слой

Рис. 1. Структура ИНС для прогнозирования активной нагрузки (к-](к + 1)/2[-1):

Р,, ...,Рк - входные и Р (Ч +1*) - выходной сигналы, ш,, - весовые коэффициенты (синапсы) линий, связывающих элементы первого и второго, второго и третьего слоев сети; 1,)- номера элементов в слоях

Для обучения ИНС использовался также разработанный комбинированный алгоритм, включающий две компоненты: направленную компоненту, вычисляемую с использованием алгоритма обратного распространения и случайную компоненту, определяемую распределением плотности вероятностей Коши.

Коррекция весовых коэффициентов ИНС в этом случае производилась по выражению wg°(t) = v^n)(t-1) +а- AwffCt) +(1 -а) • x(n)(t), где w^t) -весовой коэффициент синаптической связи, соединяющей i-й нейрон слоя п-1 с j-м нейроном слоя п на шаге t; w|n)(t-l) - весовой коэффициент

синаптической карты на предыдущем t-1-м шаге; Aw^(t) - коррекция весового коэффициента, вычисленная по методу обратного распространения ошибки; x(n)(t) - коррекция весового коэффициента, вычисленная по методу Коши; а - коэффициент, управляющий относительными величинами Aw^(t) и x(n'(t) в компонентах весового шага. Применение

данного метода позволило существенно улучшить качество работы ИНС при допустимом времени переобучения. В условиях глубокого снижения нагрузки предприятия необходимо использовать данный метод прогнозирования в сочетании с рассмотренной выше процедурой коррекции.

Выбор состава электрооборудования для регулирования получасовой активной нагрузки предприятия. Сформированные по результатам прогноза управляющие воздействия передаются на систему электроснабжения промышленного предприятия (СЭПП), эксплуатируемую по разомкнутым древовидным схемам и имеющую иерархическую структуру, состоящую из нескольких уровней: вводов электроэнергии в предприятие; главных понизительных подстанций; силовых трансформаторов; секций низковольтных шин; низковольтных фидеров и групп оборудования, получающих электропитание от одного распределительного устройства.

Путем воздействия на коммутационный аппарат СЭПП (масляные выключатели, низковольтные автоматы) осуществляется изменение режима работы потребителей-регуляторов (ПР) электрической энергии предприятия.

Оценка качества выбора потребителей для регулирования нагрузки осуществлялась по векторному критерию F(x) с составляющими

n % n т,

Р.« = Е1Ууку, F200 = IZkij. j=l i=l j=l i=l

где y,j - ущерб от использования для регулирования 1-го потребителя на j-м уровне СЭПП; ку - булева переменная, принимающая значение, равное 1, если i-й потребитель j-ro уровня используется для регулирования нагрузки и 0 - в противном случае; т, - количество потребителей, выделенное для регулирования на j-м уровне.

И

Оптимизация выполнялась в области

Для решения поставленной задачи предложены эвристический, генетический и статистический алгоритмы.

Эвристический алгоритм. Выбор потребителей для регулирования нагрузки осуществлялся, начиная с самого верхнего уровня, содержащего хотя бы один потребитель с нагрузкой меньшей сбрасываемой.

Оптимизация на .¡-м уровне выполнялась по критерию

¡=1

где Рч - нагрузка 1-го потребителя ]-го уровня СЭПП.

В качестве ограничения задачи выступало ограничение на величину сбрасываемой на данном уровне нагрузки

Предложен алгоритм, согласно которому ПР электрической нагрузки j-го уровня сети располагались в порядке увеличения отношения уц/Рц. Минимизация целевой функции осуществлялась за счет последовательного выбора ПР из полученного ряда до нарушения ограничения по нагрузке.

После решения задачи на .)'-м уровне отбрасывался последний потребитель из выбранных. При этом ограничение по нагрузке нарушалось. Значение нагрузки ДР уменьшалось на величину суммарной мощности оставшихся в списке потребителей и формирование списка продолжалось на j+l-м уровне. Если дальнейший спуск по уровням невозможен, то последний из отброшенных потребителей включался в список, и работа алгоритма заканчивалась.

Генетический алгоритм. Строилась программная модель эволюционного процесса (развития некоторой популяции особей). Каждая особь в популяции представлялась как некоторое решение задачи -список потребителей для регулирования нагрузки предприятия. Особи популяции скрещивались, размножались, мутировали, при этом худшие из них (наиболее далекие от оптимума) погибали. Общее развитие популяции организовывалось таким образом, чтобы в конечном итоге через некоторое число поколений получить оптимальное поколение особей (оптимальное решение поставленной задачи). Обобщенный генетический алгоритм (ГА)представлен на рис. 2.

¡=1

ПР.

Формирование исходного для решения задачи набора списков Ъ-% особь популяции кодировалась одной хромосомой Gf, гены которой количество ПР на

1 = Ът^гдетп п-м (нижнем) уровне иерархии СЭГГП, определяли состав потребителей, используемых для регулирования активной нагрузки предприятия. Значение ¡-го гена хромосомы особи Ъ полагалось равным 1, т.е. Ор=1, если потребитель нижнего уровня СЭПП включался в список для регулирования нагрузки и 0 - в противном случае.

При создании исходной популяции в хромосому 2-й особи на место 1-го гена в, записывалось значение 0 или 1, формируемое случайным образом.

Для каждой Х-й особи популяции (списка потребителей для регулирования нагрузки) вычислялась обобщенная целевая функция =¥?<р1 + ¥?у2,г = 1,...,\1, где

= ХуГ"1^ - функция оценки

1=1

ущерба от изменения режима рабо-

ш„

ты ПР, а Р22 = £ к? - функция пере-

Рис. 2. Обобщенный ГА

ключений СЭПП, соответствующие Ъ-й особи популяции; yf -ущерб от использования для регулирования ¡-го потребителя из списка, представленного Х-й особью; к? - булева переменная, принимающая значение, равное 1, если ьй потребитель из списка, представленного 2-й особью, используется для регулирования нагрузки и 0 - в противном случае; шь <рг - весовые коэффициенты, отражающие степень важности функций ¥г , ¥г1.

При расчете значений функций ¥хг, ¥22 использовалась информация о состоянии СЭПП. Поэтому каждому 1-му потребителю ставился в соответствие набор параметров \{= {Ри уи а,, у„ }, 1 = 1, ..т„, где а;,|3;, у {-булевы переменные, определяющие возможность использования ¡-го ПР

нижнего уровня СЭГТП для регулирования нагрузки в различных ситуациях, возникающих в процессе функционирования промышленного предприятия.

С каждой особью популяции связывалось значение суммарной мощности потребителей, представленных в ней, вычисляемой по выражению

т„ т„

Таким образом, для особей популяции справедливы соотношения VZe[Uj](Gz Fz(F,z,F2z)); VZe[l,Ä.j](Gz -> Pz).

Получение нового набора списков ПР. Из текущего поколения случайным образом выбирались две различные особи. Каждый ген хромосомы потомка с вероятностью р=0,5 принимал значение соответствующего гена одной из этих особей. Вычислялась суммарная мощность

"Ч

рпот = ZpikiGinor списка потребителей, представленного потомком GnoT.

В случае РПЯГ>ДР список потребителей удовлетворял условию регулирования и потомок выживал, в противном случае — погибал (представляемый потомком список ПР не обеспечивал сброс необходимой величины нагрузки).

При выполнении данного условия оценочная функция потомка

^пот

i^mor

1ПОТ

¡=1 ¡=1

сравнивалась с оценочной функцией наихудшей особи GH текущего поколения, определяемой выражением FH = max {F'}-

iePAj]

В случае Fnor > FH полученный потомок погибал, в противном случае - выживал и включался в следующее поколение потомков. Если потомок G^ выживал, то в текущем поколении родителей уничтожалась наихудшая

особь GH (с наибольшей оценочной целевой функцией FH).

Изменения в списках ПР. В процессе эволюции возможна такая ситуация, когда среди всех генов особей популяции может не оказаться того гена, который соответствует оптимальному решению задачи. С целью исключения этого случая применялась процедура мутации, при которой из текущего поколения случайным образом выбиралась некоторая особь Gl,L = Rand {1, ...Aj} с параметрами (FL; PL; Gf-, i= J,..., щ,). Далее, из хромосомы Gl случайным образом выбирался ген, значение которого изменялось путем его инвертирования: G G f", i = Rand {1,..., m„}. Таким образом, получался мутант GL особи GL с параметрами (РL*, FL). Если PL > др и fl<f\ то считалось, что произошла «хорошая мутация» и особь Gl, приобретая характеристики и параметры образованного мутанта,

оставалась в текущем поколении особей, улучшая это поколение. Если же приведенные выше условия не выполнялись, то мутация отменялась («плохая мутация») и восстанавливались исходные значения выбранной для мутации особи.

Для каждого вновь образовавшегося поколения уг 6 пд^р,2 > ДР), ) = 2,...,кр, Рн >1^, л" = 2, ...,кр, где j - индекс поколения; \ — количество особей j-гo поколения; Ъ - индекс особи в поколении; кр - количество поколений, образовавшихся в процессе эволюции; ^ - усредненная обобщенная целевая функция по ]-му поколению.

После решения задачи на нижнем уровне электрической сети осуществлялся поиск узлов высших уровней иерархии СЭПП, содержащих только выбранные потребители. При обнаружении таких узлов они включались в список выбранных для регулирования нагрузки вместо принадлежащих им потребителей.

Метод статистических испытаний. Данный метод представляет собой итерационный процесс «розыгрышей» случайных явлений, реализуемых с помощью специально организованной процедуры генерации.

Для решения поставленной задачи на каждой итерации работы алгоритма, реализующего данный метод, генерировалось ш наборов двоичных цифр, с постоянной на протяжении всей итерации вероятностью р появления в наборе единиц, соответствующих включению потребителей в список для регулирования нагрузки. В процессе работы алгоритма вероятность р изменялась от итерации к итерации, возрастая от 0,1 на начальной до 0,9 на завершающей итерациях.

Параллельно с процедурой генерации наборов двоичных цифр (списков потребителей) осуществлялся целенаправленный отбор результирующего списка, который производился таким образом, чтобы представляемый списком состав потребителей обеспечивал полученное на этапе прогнозирования значение ДР.

В четвертом разделе рассмотрены вопросы, связанные с оценкой эффективности и оптимизацией разработанных моделей и алгоритмов.

Исследование моделей и алгоритмов выполнено путем моделирования на ЭВМ. При этом система оперативного управления режимом электропотребления предприятия представлялась в виде

2=(уп,8(С,Ф),а где Б - структура контура оперативного управления активной нагрузкой предприятия; С={с,, ¿=1, 2,... ,п} - множество функций оперативного управления, включая акты принятия решений; ФсСхС-отношение, отражающее взаимосвязь функций; уп - показатель эффективности оперативного управления режимом электропотребления предприятия (время решения задачи; точность по ущербу; точность по сбрасываемой ак-

пивной нагрузке); t - текущее время, принимающее дискретные значения rAt, r = 0,...,R на интервале исследования системы (О, Т).

Каждой из функций с, е С ставилось в соответствие множество моделей и алгоритмов Mi по ее реализации, представленных в виде программных модулей, строго совпадающих по структурам входной и выходной информации.

Серия вычислительных экспериментов, проведенная на ПЭВМ IBM AT типа Pentium III, позволила оценить эффективность предложенных процедур прогнозирования и алгоритмов выбора состава оборудования для оперативного регулирования получасовой активной нагрузки предприятия.

Анализ точности предложенных в работе процедур прогнозирования в нормальных режимах функционирования оборудования и интервалов дискретности измерения нагрузки At =5 мин показал, что максимальная относительная ошибка не превышает установленного ограничения. Для различных моделей и условий прогноза наибольшую информацию несут последние 4-13 значений нагрузки. Модели, построенные по данным объемам выборки, адекватно отражают изменение получасовой активной нагрузки и позволяют обеспечить ее прогнозирование на 1-3 интервала.

Результаты экспериментов показывают преимущество ИНС перед фильтрами Брауна по точности в широком диапазоне изменения глубины ограничений по нагрузке.

Комбинированный метод обучения (КМО) ИНС позволяет производить более точный прогноз нагрузки, чем фильтры Брауна и ИНС, обученные по АОРО. Время обучения сетей обеспечивает их адаптацию к новым наборам данных с режиме реального времени. Максимальная относительная ошибка прогноза на два интервала упреждения, выполненного ИНС, обученной по КМО, на 0,374-0,818% ниже, чем для фильтров Брауна. В аналогичных условиях ИНС, обученная по АОРО, обеспечивает максимальную относительную ошибку прогноза на 0,06-0,668% ниже по сравнению с фильтрами Брауна.

На рис. 3 представлены результаты прогнозирования получасовой активной нагрузки промышленного предприятия с помощью предложенных моделей и методов в условиях реализации управляющих воздействий по регулированию режима электропотребления.

Из анализа алгоритмов выбора состава оборудования для оперативного регулирования получасовой активной нагрузки предприятия следует, что ГА существенно превосходит по точности эвристический алгоритм (ЭА) и метод статистических испытаний (МСИ). Этот алгоритм позволяет получать результаты в пределах требуемой точности, при большом количестве потребителей-регуляторов (250-300 ПР) с небольшими временными затратами, установленными в пределах от 61 с до 63 с. При изменениях сбрасываемой нагрузки от 10% до 20%, являющихся наиболее типичными для предприятий с непрерывной технологией, максимальная относительная

ошибка по нагрузке для ГА не превышала 10,3%, в то время как для ЭА эта ошибка составляла до 30,4%, а для МСИ - более 100%.

Время T, мин

—- процесс изменения нагрузки P(t);

—V--прогноз с помощью ИНС с коррекцией, обученной по алгоритму обратного распространения ошибки;

—*— - прогноз с помощью ИНС с коррекцией, обученной по комбинированному методу; - - - тфогноз с помощью фильтра Брауна

Рис. 3. Результаты прогнозирования получасовой активной нагрузки предприятия: At =5 мин, t*=2At, АР =5%

Максимальная относительная ошибка по ущербу для ГА при величине сбрасываемой нагрузки в 10-20% составляла 7,23-8,03% (на 6,87-10,77% ниже, чем для ЭА, и более чем на 100% ниже, чем для МСИ). Из результатов моделирования следует, что для ГА имеет место рост ошибки при увеличении количества ПР.

Установлено также, что при рассмотренных выше условиях метод статистических испытаний требует на свою реализацию гораздо большего времени, чем ГА и ЭА (около 2 мин). Для него характерен значительный рост ошибки с увеличением количества ПР. Эта ошибка значительно превышает значения ошибок для ГА и ЭА, что существенно ограничивает область использования данного метода.

Характеристика рассмотренных выше методов по ущербу для различного количества потребителей-регуляторов при АР =20% представлена на рис. 4.

Количество потребителей, т В - Генетический алгоритм Ш - Эвристический алгоритм !Ш - Метод статистических испытаний Рис 4 Ошибки по ущербу для 10 й т 5 250 при ДР = 20%

Из рис.4 видны очевидные преимущества генетического алгоритма по качеству выбора ПР по сравнению с другими алгоритмами, рассмотренными в работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ методов автоматизированного управления режимом электропотребления промышленных предприятий, который показал, что существующие методы обладают невысокой эффективностью и не могут в полной мере удовлетворить постоянно растущие требования к качеству управления. Одним из путей повышения качества управления режимом электропотребления предприятий является внедрение математических моделей, методов, алгоритмов и современных технических средств управления. Особую актуальность это приобретает для предприятий с непрерывным характером производства, для которых характерны большие ущербы, вызываемые ненадежной работой технологического оборудования.

2. Предложен подход к построению структуры принятия решений, функциональной, информационной и организационно-технической структур • управления режимом электропотребления предприятий с непрерывным характером производства. Выполнено распределение погрешности контроля получасовой активной нагрузки по выделенным элементам контура управ- А ления с учетом затрат на его техническую и алгоритмическую реализацию. *

3. Построены адаптивные процедуры оперативного прогнозирования получасовой активной нагрузки для предприятий с непрерывной технологией в нормальных условиях их функционирования и в условиях реализации управ-

лягощих воздействий по регулированию режима электропотребления: на основе полиномиальных моделей (фильтров Брауна) и искусственных нейронных сетей, обеспечивающих точность прогноза нагрузки в пределах установленных ограничений.

4. Разработан комбинированный метод обучения искусственных нейронных сетей, обеспечивающий прогнозирование получасовой активной нагрузки предприятий в условиях ее глубоких ограничений, устанавливаемых энергетической системой.

5. Предложены статистические, эвристические и генетические алгоритмы формирования оптимального состава электропотребляющего оборудования для регулирования получасовой активной нагрузки предприятий, позволившие повысить эффективность управления режимом электропотребления предприятий на основе своевременного получения качественной информации для принятия решений.

6. Материалы диссертационной работы реализованы на ОАО «Сара-товстройстекло», а также использованы в научных разработках Института проблем точной механики и управления РАН.

Основное содержание диссертации отражено в следующих публикациях:

1. Моделирование и оптимизация систем блочно-модульной структуры / Б.М.Кузьмиченко, НЛ.Митяшин, СА.Аржанухин, Д.А.Васильев и др. // Актуальные проблемы анализа и обеспечения надежности и качества приборов, устройств и систем: Сб. материалов Междунар. науч.-техн. конф. Пенза, 1998. С. 3436.

2. Васильев Д.А., Иващенко В.А., Мартынов Ю.И. Концепция автоматизации управления энергетикой на промышленных предприятиях с непрерывным характером производства // Вопросы преобразовательной техники, частотного электропривода и управления: Межвуз. науч. сб. Саратов, 2000. С. 11-14.

3. Васильев Д.А., Иващенко В.А., Резчиков А.Ф. Формирование структур принятия решений для интегрированных АСУ промышленными предприятиями с непрерывным характером производства // Вопросы преобразовательной техники, частотного электропривода и управления: Межвуз. науч. сб. Саратов, 2000. С. 24-28.

4. Васильев Д.А., Иващенко В.А., Резчиков А.Ф. Принятие решений при оперативном управлении на предприятиях с непрерывным характером производства // Прогрессивные технологии в науке и производстве: Материалы регион. межвуз. науч.-практ. конф. Камышин, 2001. С. 104-106.

5. Васильев Д.А., Иващенко В.А., Резчиков А.Ф. Концепция формирования структуры АСУ энергетикой промышленных предприятий с непрерывным характером производства // Проблемы точной механики и управления: Сб. науч. тр. / ИПТМУ РАН. Саратов, 2002. С. 108-116.

6. Васильев Д.А., Иващенко В.А., Резчиков А.Ф. Применение современных информационных технологий при формировании структур АСУ энергетикой промышленных предприятий с непрерывным характером производст

19

ва // Информационные технологии в естественных науках, экономике и образовании: Тр. Междунар. науч. конф. Саратов, 2002. С. 326-328.

7. Резчиков А.Ф., Иващенко В.А., Васильев Д.А. Перспективные информационные технологии построения структур управления энергетикой промышленных предприятий // Высокие технологии - путь к прогрессу: Сб. науч. тр. Саратов: Научная книга, 2003. С. 40-48.

8. Васильев Д.А., Иващенко В.А., Ханбиков Р.И. Оперативное управление режимом электропотребления промышленных предприятий // Автоматизация и управление в машино- и приборостроении: Межвуз. науч. сб. Саратов, 2003. С. 34-38.

9. Васильев Д.А., Иващенко В.А., Резчиков А.Ф., Курышова Е.С. Выбор модели прогнозирования электрической нагрузки промышленных предприятий с непрерывным характером производства // Электротехнические комплексы и силовая электроника. Анализ, синтез и управление: Межвуз. науч. сб. Саратов, 2001. С. 36-39.

10. Васильев Д.А., Иващенко В.А., Резчиков А.Ф. Разработка процедуры оперативного прогнозирования электрической нагрузки промышленных предприятий на основе фильтров Брауна // Электротехнические комплексы и силовая электроника. Анализ, синтез и управление: Межвуз. науч. сб. Саратов, 2002. С. 26-31.

11. Васильев Д.А., Иващенко В.А., Резчиков А.Ф. Адаптивные процедуры прогнозирования электрических нагрузок промышленных предприятий И Проблемы и перспективы прецизионной механики и управления: Материалы Междунар. конф. Саратов, 2002. С. 58-65.

12. Васильев Д.А., Иващенко В.А., Резчиков А.Ф. Формирование состава потребителей для оперативного регулирования электрической нагрузки промышленных предприятий на основе генетических алгоритмов // Электротехнические комплексы и силовая электроника. Анализ, синтез и управление: Межвуз. науч. сб. Саратов, 2003. С. 21-29.

17989

Лицензия ИД № 06268 от 14.11.01

Подписано в печать 25.11.03 Бум. тип. Тираж 100 экз.

Усл.-печ.л. 1,0 Заказ 531

Формат 60x84 1 16 Уч.-изд.л. 1,0 Бесплатно

Саратовский государственный технический университет

410054, г. Саратов, ул. Политехническая, 77

Копипринтер СГТУ, 410054, г. Саратов, ул. Политехническая, 77

ВВЕДЕНИЕ.

1. ОБЗОР РАБОТ ПО АВТОМАТИЗИРОВАННОМУ УПРАВЛЕНИЮ РЕЖИМОМ ПОТРЕБЛЕНИЯ ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ

1 ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ И ПРОИЗВОДСТВЕННЫМИ ОБЪЕДИНЕНИЯМИ.

2. КОНЦЕПЦИЯ ПОСТРОЕНИЯ СТРУКТУРЫ АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ ЭНЕРГЕТИКОЙ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ С НЕПРЕРЫВНЫМ ХАРАКТЕРОМ ПРОИЗВОДСТВА.

2.1. Методика формирования структуры принятия решений.

2.2. Подход к построению функциональной и информационной структур управления.

2.3. Выделение автоматической части системы управления.

3. МЕТОДЫ И СРЕДСТВА АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ РЕЖИМОМ ЭЛЕКТРОПОТРЕБЛЕНИЯ ПРЕДПРИЯТИЙ С НЕПРЕРЫВНОЙ ТЕХНОЛОГИЕЙ.

3.1. Анализ состава электропотребляющего оборудования. 3.2. Распределение погрешностей контроля электрических нагрузок по элементам контура управления режимом электропотребления предприятий

3.3. Общая постановка задачи оперативного управления режимом электропотребления предприятия.

3.4. Методы оперативного прогнозирования электрических нагрузок промышленных предприятий.

3.4.1. Прогнозирование нагрузок с помощью фильтров Брауна.

3.4.2. Использование для прогнозирования нагрузок искусственных нейронных сетей.

3.5. Методы формирования оптимального состава потребителей электроэнергии для регулирования электрических нагрузок предприятий

3.5.1. Формализация структуры электрической сети предприятий.

3.5.2. Решение задачи формирования оптимального состава потребителей для оперативного регулирования нагрузки предприятий на основе эвристических и генетических алгоритмов

3.5.3. Решение задачи формирования оптимального состава потребителей для оперативного регулирования нагрузки предприятий на основе метода статистических испытаний.

4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНОЙ ПРОВЕРКИ

ПРЕДЛОЖЕННЫХ МЕТОДОВ УПРАВЛЕНИЯ РЕЖИМОМ

ЭЛЕКТРОПОТРЕБЛЕНИЯ.

4.1. Анализ алгоритмов выбора состава потребителей для оперативного регулирования нагрузки предприятия.

4.1.1. Анализ эвристического алгоритма.

4.1.2. Анализ генетического алгоритма.

4.1.3. Анализ метода статистических испытаний. 4.2. Анализ методов адаптивного прогнозирования нагрузок предприятий

4.2.1. Оценка качества модели прогнозирования электрических нагрузок на основе фильтров Брауна.

4.2.2. Оценка эффективности искусственных нейронных сетей для прогнозирования нагрузки.

Технический прогресс в производственной сфере характеризуется всесторонней электрификацией технологических процессов и, как следствие, возрастанием потребления электрической энергии при производстве промышленной продукции. Поэтому для удовлетворения растущих потребностей предприятий в электроэнергии необходимо уделять внимание, как ее производству, так и экономии.

Одним из путей экономии электроэнергии на промышленных предприятиях является совершенствование структур управления их энергетикой. В настоящее время это достигается созданием автоматизированных систем управления энергетикой предприятий, одной из основных подсистем которых является управление режимом электропотребления.

Актуальность темы. Автоматизированное управление режимом электропотребления на промышленных предприятиях способствует выравниванию графиков нагрузок энергетических систем и обеспечивает их нормальное функционирование в условиях дефицита электрической энергии и мощности.

Особую актуальность автоматизация управления режимом электропотребления приобретает для промышленных предприятий с непрерывным характером производства, которые являются энергоемкими, требующими для производства продукции больших затрат электроэнергии. При этом предъявляются высокие требования к качеству и надежности энергоснабжения предприятий, так как от этого в значительной степени зависит режим работы технологического оборудования и качество изготавливаемой продукции.

В России разработкой методов и средств управления режимом потребления предприятиями электроэнергии занимаются в Московском энергетическом институте, Институте систем энергетики СО РАН (г.Иркутск), Уральском НИИ метрологии, Институте социально-экономических и энергетических проблем Севера Коми научного центра УРО РАН, Сибирском энергетическом институте, МП «Азимут» (г.Гродно), ОАО «Концерн Энергомера» (г.Ставрополь) и ряде других организаций.

Автоматизированному управлению режимом электропотребления предприятий уделяется большое внимание в странах СНГ (Казахском НИИ энергетики, Харьковском государственном политехническом университете, ВЦ {Сиевэнерго и др. организациях) и за рубежом (США, Англии, Канаде, Японии, Италии, Германии, Швеции и др. странах).

Тем не менее, эта проблема в силу своей сложности и многообразия решена далеко не полностью. Недостаточно глубокий анализ процессов потребления1 предприятиями электроэнергии, ограниченное использование в управлении эффективных математических моделей, алгоритмов и современных технических устройств обуславливают актуальность выполненных исследований.

Цель работы является анализ структур автоматизированного управления энергетикой предприятий с непрерывным характером производства, постановка задач, разработка математических моделей и методов, обеспечивающих повышение эффективности управления режимом потребления электроэнергии на предприятиях с непрерывным характером производства.

Для достижения данной цели ставятся задачи по разработке:

• концепции построения структуры принятия решений, функциональной, информационной и организационно-технической структур для предприятий с непрерывным характером производства, обеспечивающих их эффективное функционирование в условиях дефицита электрической энергии;

• подходов к созданию в рамках предложенной концепции автоматизированных систем управления энергетикой промышленных предприятий с непрерывной технологией, обеспечивающих целостность управления, взаимную увязку и согласование реализуемых системой функций;

• статистических моделей и методов искусственного интеллекта для прогнозирования получасовой (усредненной за 0,5 часа) активной нагрузки предприятий в условиях реализации управляющих воздействий по управлению режимом электропотребления;

• статистических, эвристических и генетических алгоритмов формирования состава электропотребляющего оборудования, используемого для оперативного регулирования получасовой активной нагрузки предприятий; I • системы оптимизации предложенных методов, моделей и алгоритмов путем моделирования на ЭВМ и в составе действующей системы.

Методы исследования. При анализе процессов электропотребления предприятиями с непрерывным характером производства использован аппарат теории случайных процессов и математической статистики. В основу формирования структуры системы управления режимом электропотребления положены принципы системного подхода, учитывающие тесное взаимодействие между элементами системы управления, системой управления и внешней средой. Для оптимизации управления режимом электропотребления использованы методы целочисленного программирования, искусственного интеллекта и математического моделирования.

Научная новизна. На основе анализа процесса управления режимом потребления электроэнергии на предприятиях с непрерывным характером производства предложены структура принятия решений, функциональная, информационная и организационно-техническая структуры, позволившие с единых системных позиций подойти к построению систем автоматизированного управления режимом электропотребления предприятий.

Выполнен анализ структуры и состава контура автоматизированного управления режимом электропотребления предприятий с непрерывной технологией, позволивший осуществить распределение погрешностей, возникающих при регулировании получасовой активной нагрузки предприятий, по элементам контура.

Разработаны процедуры оперативного прогнозирования получасовой активной нагрузки предприятий на основе статистических моделей и методов искусственного интеллекта, обеспечивающие необходимую точность прогноза в условиях реализации управляющих воздействий по регулированию нагрузки.

Предложены статистические, эвристические, генетические алгоритмы выбора состава электропотребляющего оборудования для оперативного регулирования получасовой активной нагрузки предприятий с непрерывным характером производства, позволившие повысить эффективность управления режимом электропотребления предприятий.

Выполнена оптимизация разработанных моделей, моделей и алгоритмов управления путем моделирования на ЭВМ.

Практическая ценность работы заключается в разработке моделей, методов и алгоритмов управления режимом электропотребления предприятий с непрерывным характером производства, позволивших повысить качество управления и выполнить требования энергосистемы с минимальным ущербом для производства.

Внедрение в составе АСУ энергетикой предприятий результатов работы способствует созданию оптимальных условий функционирования энергосистем.

Реализация и внедрение результатов исследований. Результаты диссертационной работы использованы при разработке АСУ энергетикой на ОАО «Саратовстройстекло» и внедрены как составная часть системы управления режимом электропотребления объединения.

Материалы работы нашли применение в лекционных курсах, лабораторных работах, курсовых и дипломных проектах специальности 220200 «Автоматизированные системы обработки информации и управление» в Саратовском государственном техническом университете. Представленные в работе результаты являются составной частью фундаментальных научных исследований, выполняемых Институтом проблем точной механики и управления РАН (№ гос. per. 01.990.0 05866).

Апробация работы. Основные результаты работы докладывались и обсуждались на научных семинарах кафедры «Системотехника» Саратовского государственного технического университета (1998-2003 гг.), Международной научно-технической конференции «Актуальные проблемы анализа и обеспечения надежности и качества приборов, устройств и систем» (Пенза, 1998 г.), региональной межвузовской научно-практической конференции «Прогрессивные технологии в науке и производстве» (Камышин, 2000 г.), Международной научной конференции «Информационные технологии в естественных науках, экономике и образовании» (Саратов-Энгельс, 2002 г.), Международной научной конференции «Проблемы и перспективы прецизионной механики и управления» (Саратов, 2002 г.).

Выносимые на защиту результаты. В соответствии с целью работы получены следующие результаты, которые выносятся на защиту:

1. Структура принятия решений, функциональная, информационная и организационно-техническая структуры автоматизированного управления режимом электропотребления для предприятий с непрерывным характером производства, полученные на основе системного анализа процессов потребления электроэнергии на этих предприятиях.

2. Структура и состав контура автоматизированного управления режимом электропотребления для предприятий с непрерывной технологией и распределение погрешности регулирования получасовой активной нагрузки предприятия по выделенным элементам контура.

3. Адаптивные методы оперативного прогнозирования получасовой активной нагрузки промышленных предприятий, построенные на основе полиномиальных моделей и искусственных нейронных сетей с использованием процедур коррекции, обеспечивающие необходимую точность прогноза в условиях реализации управляющих воздействий по регулированию режима электропотребления.

4. Статистические, эвристические и генетические алгоритмы выбора состава потребителей-регуляторов электрической энергии для оперативного регулирования активной нагрузки предприятий с непрерывной технологией.

5. Процедура оптимизации предложенных моделей и алгоритмов путем моделирования на ЭВМ.

Основные результаты выполненных исследований можно сформулировать следующим образом:

1. Проведен анализ методов автоматизированного управления режимом электропотребления промышленных предприятий, который показал, что существующие методы обладают невысокой эффективностью и не могут в полной мере удовлетворить постоянно растущие требования к качеству управления. Одним из путей повышения качества управления режимом электропотребления предприятий является внедрение математических моделей, методов, алгоритмов и современных технических средств управления. Особую актуальность это приобретает для предприятий с непрерывным характером производства, для которых характерны большие ущербы, вызываемые ненадежной работой технологического оборудования.

2. Предложен подход к построению структуры принятия решений, функциональной, информационной и организационно-технической структур управления режимом электропотребления предприятий с непрерывным характером производства. Выполнено распределение погрешности контроля получасовой активной нагрузки по выделенным элементам контура управления с учетом затрат на его техническую и алгоритмическую реализацию.

3. Построены адаптивные процедуры оперативного прогнозирования получасовой активной нагрузки для предприятий с непрерывной технологией в нормальных условиях их функционирования и в условиях реализации управляющих воздействий по регулированию режима электропотребления: на основе полиномиальных моделей (фильтров Брауна) и искусственных нейронных сетей, обеспечивающих точность прогноза нагрузки в пределах установленных ограничений.

4. Разработан комбинированный метод обучения искусственных нейронных сетей, обеспечивающий прогнозирование получасовой активной нагрузки предприятий в условиях ее глубоких ограничений, устанавливаемых энергетической системой.

5. Предложены статистические, эвристические и генетические алгоритмы формирования оптимального состава электропотребляющего оборудования для регулирования получасовой активной нагрузки предприятий, позволившие повысить эффективность управления режимом электропотребления предприятий на основе своевременного получения качественной информации для принятия решений.

6. Материалы диссертационной работы реализованы на ОАО «Саратовстройстекло», а также использованы в научных разработках Института проблем точной механики и управления РАН.

ЗАКЛЮЧЕНИЕ

1. Серков A.B. О порядке ограничения или временного отключения потребителей электрической энергии // Энергетик. 2000. №8. С. 10.

2. Орнов В.Г., Решетов В.И., Моржин Ю.И., Савваитов Д.С. Автоматизация диспетчерского управления ЕЭС России // Энергетик. 2001. №2. С.8-10.

3. Лысюк С.С. Автоматизированная система диспетчерского управления Гродненских электрических сетей // Энергетик. 1997. №8. С. 19-20.

4. Кустов A.A. Автоматизация управления рациональным электропотребле нием. М.: Наука, 1990. 282 с.

5. Еремин Л.М. Очерки об электроэнергетики Японии // Энергетик. 2001. №2. С.14-16.

6. Еремин Л.М. Очерки об электроэнергетики Японии // Энергетик. 2000. №8. С. 17-20.

7. Федоров Д.А., Русанов А.И., Маклецов A.M. Оптимизация размещения систем сбора, обработки и передачи информации о параметрах режима электроэнергетической системы // Энергетика. 1985. №3. С. 13-16.

8. Степура И.И. О некоторых возможностях регулирования электропотребления завода // Промышленная энергетика. 1975. №3. С.28-31.

9. Резчиков А.Ф., Новиков Р.В. Экспертно-моделирующая система формирования рациональных структур для энергетики промышленных предприятий // Проблемы точной механики и управления: Сб. науч. трудов. Саратов: СГТУ, 2002. С. 108-116.

10. Антоневич В.Ф. Автоматизация учета и контроля потребления электроэнергии на промышленных предприятиях / Автоматизированные системы управления в энергохозяйстве промышленных предприятий: Материалы конф. М., 1976. С.103-106.

11. Каханович B.C., Телицын С.С., Порохнявый Б.Н. Экономическая эффективность внедрения автоматизированных систем учета электроэнергии // Промышленная энергетика. 1980. №2. С.5-7.

12. Алгоритм централизованного контроля и учета расхода электроэнергии в АСУТП электроснабжения промышленного предприятия. Ульяновск, 1979 /Ульяновский ЦНТИ, инф. листок, № 300-79/.

13. Резчиков А.Ф. Структуры автоматизированных систем управления энергетикой промышленных предприятий. Саратов: Изд-во Сарат. ун-та, 1983. 4.1. 120 е., 4.2. 164 с.

14. Хронусов Г., Кошта А., Распутин А. АС контроля и учета основных показателей режимов электропотребления промышленных предприятий // Современные технологии автоматизации. 1998. №1. С. 78-82.

15. Махов В., Распутин А. Устройство сбора и передачи данных ЭКОМ-ЗООО // Современные технологии автоматизации. 1998. №1. С. 84-86.

16. Махов В., Распутин А. Опыт реализации системы учета электропотребления АО «Уралэлектромедь» // Современные технологии автоматизации. 1996. №1. С. 86-88.

17. Конопелько В.В. Комплекс аппаратно-программных средств "ПОТОК-1" для многоуровневой сети учета и контроля электропотребления // Энергетик. 1997. №8. С. 28-29.

18. Егоров В.А. АСКУЭ современного предприятия // Энергетик. 2001. №12. С. 41.

19. Ковезев С.Н., Уразов В.В., Чумаков В.В. Создание АСКУЭ на базе ИВК "Спрут" // Энергетик. 2001. №2. С.11-13.

20. Капитонова JL, Туганов Б., Сатаров В. Территориально-распределенная автоматизированная система учета и контроля электропотребления // Современные технологии автоматизации. 1996. №1. С. 78-80.

21. Молокан Э., Бирюков П., Хатламанджиев JL, Зубченко В. и др. Автоматизация учета энергопотребления // Современные технологии автоматизации. 1996. №1. С. 74-76.

22. Волошко А., Данильчик А., Коцарь О. и др. Система информационных энергосберегающих технологий // Современные технологии автоматизации. 1997. №4. С. 80-85.

23. Гельман Г.А. Вопросы оптимизации работы систем электроснабжения предприятий / Автоматизированные системы управления в энергохозяйстве промышленных предприятий: Материалы конф. М., 1976. С. 130-133.

24. Вартанян Н.Ш., Загородний C.B., Калинчик В.П. и др. Автоматизированная система управления потреблением электроэнергии // Электронная промышленность. 1979, С. 35-36.

25. Мирзоян Ю.Ц. Программное обеспечение КТС "Энергомера" // Энергетик. 2000. №8. С. 42-44.

26. Хронусов Г.С. Комплексы потребителей-регуляторов мощности на гродненских предприятиях. М.: Недра, 1989. 200 с.

27. Куцевич H.A. SCADA-системы. Взгляд со стороны // PC WEEK. 1999. № 33. С.7-18.

28. Самосейко В.Ф., Шошмин В.А. Математическое моделирование потребления электроэнергетики производственными системами // Энергетика и транспорт. 1995. № 3. С. 23-29.

29. Сазыкин В.Г. Использование нечетких чисел в задачах электроснабжения // Электричество. 1995. №3. С. 29-33.

30. Сазыкин В.Г. Интеллектуализация САПР объектов электроэнергетики: Нечетко-множественная концепция // Энергетика. 1994. №9. С. 14-20.

31. Мохначев Д.М., Митяшин Н.П. и др. Несимметричные режимы многочастотных тиристорных комплексов // Вопросы преобразовательной техники, частотного электропривода и управления: Межвуз. науч. сб. Саратов: СГТУ, 1998. С. 18-26.

32. Куэн Зуин Ань. Самообучающаяся экспертная система для управления электроэнергетическими системами в аварийных режимах // Электричество. 1995. №3. С. 34-36.

33. Куэн Зуин Ань. Применение методов распознавания образов для экспресс-анализа динамической устойчивости электроэнергетических систем // Электричество. 1994. №4. С.28-32.

34. Богатырев Л.Л. Алгоритмы принятия решений в экспертных системах управления аварийными режимами энергосистем // Изв. АН СССР. Энергетика и транспорт. 1998. №1. С. 14-17.

35. Богатырев Л.Л. К поиску управляющих воздействий, повышающих устойчивость электроэнергетической системы // Изв. АН СССР. Энергетика и транспорт. 1983. №1. С. 23-26.

36. Ивахненко А.Г., Зайченко Ю.П., Димитров В.Д. Принятие решений на основе самоорганизации. М.: Сов. Радио, 1976. 280 с.

37. Голембиовский Ю.М., Колдаев Р.В. Генетический алгоритм синтеза оптимальной кривой многоступенчатого выходного напряжения однофазного инвертора // Техническая электродинамика. Ч. 2. Киев: ИЭД HAH Украины, 2000. С. 93-96.

38. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами / Клепиков В.Б., Сергеев С.А., Махотило К.В., Обруч И.В. // Электротехника. 1999. № 5. С. 2-6.

39. Сочков А.Л., Калин С.А. Использование технологии нейронных сетей для решения электротехнических задач // Электротехника. 2000. №2. С.

40. Колосок И.Н., Глазунова A.M. Достоверизация телеизмерений в ЭЭС с помощью искусственных нейронных сетей // Электричество. 2000. №10. С. 18-24.

41. Шумилова Г.П., Готмаи Н.Э., Старцева Т.Б. Краткосрочное прогнозирование электрических нагрузок с использованием нейронных сетей // Электричество. 1999. №10. С. 7-12.

42. Чукреев Ю.Я., Хохлов М.В., Алла Э.А. Оперативное управление режимами региональной энергосистемы с использованием нейронных сетей // Электричество. 2000. №4. С. 2-10.

43. Галушкин А.И. Применение нейрокомпьютеров в энергетических системах // www.user.citvline.ru/~neurncws.

44. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки / Пер. с анг. М.: Энергоатомиздат, 1987. 214с.

45. Kanai Н. Total Energy Management in a Factory Through Distributed Processing. Proc. IEEE, 1979. № 5. p. 542-546.

46. Учет иконтроль энергоносителей и тепловой энергии: методы и приборы / Под ред. В.С. Кахановича. М.: Энергия, 1980. 232 с.

47. Веников В.А., Журавлев В.Г., Филлипова Т.А. Оптимизация режимов электостанций и энергосистем. М.: Энергоиздат, 1981. 464 с.

48. Веников В.А., Жуков J1.A., Поспелов Г.Е. Электрические системы: Режимы работы электрических систем и сетей / Под ред. В.А. Веникова. М.: Высшая школа, 1975. 344 с.

49. Проектирование подсистем и звеньев автоматизированных систем управления / А.Г. Мамиконов, В.В. Кульба, А.Д. Цвиркун, С.А. Косяченко: Под ред. А.Г. Мамиконова. М.: Высшая школа, 1975. 248 с.

50. Цвиркун А.Д. Структура сложных систем. М.: Сов. радио, 1975. 200 с.

51. Цвиркун А.Д. Основы синтеза структуры сложных систем. М.: Наука, 1982. 200 с.

52. Мамиконов А.Г. Основы построения АСУ. М.: Высшая школа, 1981. 248 с.

53. Мамиконов А.Г., Цвиркун А.Д., Кульба В.В. Автоматизация проектирования АСУ. М.: Энергоиздат, 1981. 328 с. (Применение вычислительных машин в исследованиях и управлении производством).

54. Арефьев И.Б., Кезлинг Г.Б., Кукор Б.Л. Интегрированные АСУ в машиностроении. J1.: Машиностроение, 1988. 224 с.

55. Автоматизированная система управления для металлургического завода / А.П. Копелевич, М. Кнотек, A.A. Белостоцкий, С.К. Раевич. М.: Металлургия, 1973.232 с.

56. Проблемы создания автоматизированных систем управления производством / М. Кнотек, А.П. Копелевич, Е.К. Масловский, А.Б. Челюсткин. М.: МЦНТИ, 1977. 64 с.

57. Резчиков А.Ф., Иващенко В.А., Канофьев A.B. и др. Управление режимом электропотребления в АСУ энергохозяйством предприятия // Энергетика. 1981. №3. С.81-85.

58. Иващенко В.А. Методологические аспекты автоматизации управления энергетическими системами промышленных предприятий // Проблемы и перспективы прецизионной механики и управления: Материалы Междунар. конф. Саратов: Изд-во Сарат. ун-та, 1997. С.30-32.

59. Резчиков А. Ф., Иващенко В.А., Захаров В.И. Систематизация задач и подсистем АСУ энергохозяйством предприятия // Проблемы и системы управления. 1979. №4. С. 10-11.

60. Калянов Г.Н. CASE-технологии. Консалтинг при автоматизации бизнес-процессов/ 2-е изд. перераб. и доп. М.: Горячая линия-Телеком, 2000. 320 с.

61. Кузнецов А. АСУ ТП на рубеже веков // PC WEEK/RE. 1999. №47. С. 28-29.

62. Колосок И.Н., Глазунова A.M. Достоверизация телеизмерений в ЭЭС с помощью искусственных нейронных сетей // Электричество. 2000. №10. С. 1824.

63. Управляющие вычислительные машины в АСУ технологическими процессами: Пер. с англ. / Под ред. Т. Харрисона. М.: Мир, 1975. Т. 1. 536 с.

64. Управление электропотреблением и его прогнозирование / В.И. Гордеев, И.Е. Васильев, В.И. Щуцкий. Ростов на Дону: Изд-во Ростов, ун-та, 1991. 104 с.

65. Большев JI.H., Смирнов Н.В. Таблицы математической статистики. М.: Изд-во вычислительного центра АН СССР, 1986. 462 с.

66. Четыркин E.H. Статистические методы прогнозирования. М.: Статистика, 1977. 200 с.

67. Гельман Г.А., Ракант М.И. Автоматизированный комплексный учет энергоносителей промышленных предприятий // Промышленная энергетика. 1979. №9. С. 12-17.

68. Ивахненко А.Г., Зайченко Ю.П., Димитров В.Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976. 280 с.

69. Brown, R.G. Smoothing, Forecasting and Prediction of Discrete Time Series. Prentice Hall, Englewood Cliffs, NJ, 1963.

70. Васильев Д.А., Иващенко B.A., Резчиков А.Ф. Адаптивные процедуры прогнозирования электрических нагрузок промышленных предприятий // Проблемы и перспективы прецизионной механики и управления: Материалы Междунар. конф. Саратов, 2002. С. 58-65.

71. Теория прогнозирования / Под. ред. С.А.Саркисяна М.: Высшая школа, 1977.351 с.

72. Методика определения ущерба от нарушения нормального режима электроснабжения. Комитет ВСНТО по промышленной энергетике, 1978. 81 с.

73. Михайлов В.В. Вопросы надежности энергоснабжения // Промышленная энергетика. 1977. № 5. С. 31-33.

74. Головкин П.И. Режимы электроснабжения потребителей. М.: Энергия, 1971. 112с.

75. Непомнящий В.А. Учет надежности при проектировании энергосистем. М.: Энергия, 1978.260 с.

76. Лойтер Э.Э., Ерекеев O.K., Недельчик Э.А. Инженерная реализация построения нелинейных характеристик ущербов у потребителей-регуляторов / Проблемы общей энергетики и единой энергетической системы. М., 1979. С. 37-48.

77. Нейронные сети. STATISTICA Neural Networks. М: Горячая линия-Телеком, 2000. 182с.

78. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. 150с.

79. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей // Электричество. 1999. № 10. С. 7-12.

80. Руденко О.Г., Шамраев A.A., Лавренченко К.А. Исследование методов обучения многослойного персептрона // Автоматизированные системы управления и приборы автоматики. Харьков, 2002. С. 4-9.

81. Булдакова Т.И., Суятинов С.И. Нейрокомпьютерные системы: Учеб. пособие для студ. спец. 220400, 210100. Саратов, 1999. 96 с.

82. Лисицкий Л.А., Яковлева Г.Л. Модернизированный метод обратного распространения ошибки // Проблемы и перспективы прецизионной механики и управления: Материалы Междунар. науч. конф. Саратов, 2002. С. 93-94.

83. Степанов М.Ф., Брагин Т.М. Искусственные нейронные сети и их использование в интеллектуальных системах: Учеб. пособие. Саратов: СГТУ, 2000. 128 с.

84. S zu H., Hartley R. Fast Simulated annealing // Physics Letters/ 1222(3,4), 1987.P. 157.

85. Rumelhart D.E., Hinton G.E.,Williams R.j. Learning internal reprentations by error propagation // Parallel distributed processing, vol. 1. Cambridge, MA: MIT Press, 1986. P. 318.

86. Минский M., Пейперт С. Персептроны. M.: Мир, 1971. 287 с.

87. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. 399 с.

88. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. 301 с.

89. Галушкин А.И. О современных направлениях развития нейрокомпьютеров // Информационные технологии. № 5. 1997. С. 2-4.

90. Сентаготаи Я., Арбиб М. Концептуальные модели нервной системы. М.: Мир, 1976. 200 с.

91. Васильев Д.А., Иващенко В.А., Ханбиков Р.И. Оперативное управление режимом электропотребления промышленных предприятий // Автоматизация и управление в машино- и приборостроении: Межвуз. науч. сб. Саратов, 2003. С. 34-38.

92. Резчиков А.Ф., Иващенко В.А., Васильев Д.А. Перспективные информационные технологии построения структур управления энергетикой промышленных предприятий // Высокие технологии путь к прогрессу: Сб. науч. тр. Саратов: "Научная книга", 2003. С. 40-48.

93. Червонный Е.М., Папков Б.В. Об ущербе от нарушений электроснабжения потребителей // Электрические станции. 1975. №2. С. 42-44.

94. Вороновский Г.К., Махотило К.В., Петрашов С.Н. и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: Основа, 1997.

95. Турчин В.Ф. Феномен науки. Кибернетический подход к эволюции. М.: Наука, 1993.231 с.

96. Clement R., Wren A. Genetic Algorithms and Bus-Driver Scheduling. I IjL

97. Presented at the 6 Intervational Conference for Computer-Aided Transport Scheduling. Lisbon. Portugal. 1993.

98. Атмар Вирт. Рассуждения об эволюции машинного интеллекта и ее возможной реализации в машинной форме. Дисс. 1976.

99. Вентцель Е.С. Исследование операций. Задачи, принципы, методология: Учеб. Пособие для студ. Вузов. М.: Высш. шк., 2001. С. 161-170.

100. Турчак Л.И. Основы численных методов. М.: Наука, 1987. 320 с.

101. Соболь И.М. Метод Монте-Карло. М.: Наука, 1985. 80 с.

102. Хартли Г.О. Решение статистических задач о распределении методом Монте-Карло // Статистические методы для ЭВМ / Под ред. К. Эйнслейна, Э. Рэлстона, Г.С. Уилфа. М.: Наука, 1986. С. 26-50.

103. Хемминг Р.В. Численные методы для научных работников и инженеров. М.: Наука, 1972. 400 с.

104. Шеннон Р. Имитационное моделирование систем — искусство и наука: Пер. с англ. М.: Мир, 1978. 400 с.

105. Нейлор Т. Машинные имитационные эксперименты с моделями экономических систем: Пер. с англ. М.: Мир, 1975. 540 с.

106. Прикладная статистика: Основы моделирования и первичная обработка данных. Справ, изд. / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин. М.: Финансы и статистика, 1989. 608 с.

107. Балантер Б.И., Ханин М.А., Чернавский Д.С. Введение в математическое моделирование патологических процессов. М.: Медицина, 1980. 264 с.

108. Гене Г.В., Левнер E.B. Дискретные оптимизационные задачи и эффективные приближенные алгоритмы. Обзор. Изв. АН СССР // Техническая кибернетика. 1979. №6. С. 84-92.

109. Корбут A.A., Сигал И.Х., Финкильштейн Ю.Ю. Об эффективности комбинаторных методов в дискретном программировании. В кн.: Современное состояние теории исследования операций. М.: Наука, 1979. С. 237-264.

110. Финкильштейн Ю.Ю. Приближенные методы и прикладные задачи дискретного программирования. М.: Наука, 1976. 264 с.

111. Использования алгоритмов решения задачи выбора состава потребителей-регуляторов электроэнергии для оперативного регулирования активной нагрузки предприятия.

112. Председатель комиссии Члены комиссии:и со/) 6 ^