автореферат диссертации по энергетике, 05.14.02, диссертация на тему:Применение искусственных нейронных сетей для решения задач обработки измерительной информации в электроэнергетической системе

В первой главе дан обзор методов обнаружения грубых ошибок в ТИ с помощью ИНС, кратко описан численный метод достоверизации ТИ на основе анализа невязок КУ, разработанного в ИСЭМ СО РАН [2]. Дано обоснование необходимости поиска дополнительных методов достоверизации ТИ. Предложены три новых метода обнаружения грубых ошибок в ТИ с использованием ИНС.

После достоверизации измерений с помощью КУ все ТИ делятся на достоверные, ошибочные, сомнительные, непроверенные (критические). Предложенные в работе методы используются для достоверизации измерений в группах сомнительных данных и критических измерений с помощью ИНС.

Первый метод предназначен для обнаружения ошибочных измерений в группах сомнительных данных. Сомнительные данные - это ТИ, которые входят в КУ с большой невязкой. Известно, что среди них есть ошибочное, но невозможно сказать однозначно, какое из ТИ содержит ошибку. Задача идентификации ошибочного измерения в группе сомнительных данных решается как задача классификации. Однослойный персептрон СЬАВ (разработанный в группе НЕИРОКОМП института вычислительного моделирования (ВЦ) СО РАН г. Красноярска) [11] по входным признаком делит представленные ему измерения на два класса: достоверные и ошибочные. В качестве входных данных используются признаки, полученные с помощью математических вычислений. С целью уменьшения времени на формирование входного вектора определяется значимость каждого признака. В процессе исследования значимости входных признаков определяются, во-первых, минимальное количество нейронных сетей, необходимых для идентификации ошибочных измерений в группах сомнительных данных и, во-вторых, выявляются линии, для которых можно сформировать ИНС при отсутствии части измерений.

С помощью второго метода выполняется достоверизация критических измерений. Критические измерения - это ТИ, которые не входят в КУ. Эти измерения не могут быть проверены с помощью численных методов. Достоверизация критических измерений выполняется с помощью регрессионных уравнений. Задача решается в два этапа: на первом этапе все измерения классифицируются в зависимости от силы корреляции между ними с целью выбора достоверного измерения, с помощью которого прогнозируется критическое измерение (регрессора). Классификация измерений происходит с помощью нейронной сети Кохонена. Прогнозирование критического измерения выполняется многослойным персептроном. Показано, что данный метод применим для задач реального времени, так как переобучение нейронных сетей в случае изменения статистических зависимостей происходит в режиме off-line.

Для достоверизации сомнительных и критических измерений в третьем разработанном методе используются гетероассоциативные свойства многослойного персептрона (МЛП) [8], способного восстанавливать на выходе образ, соответствующий входному. Для обучения сети используются достоверные значения ТИ. Процесс обучения заключается в определении весовых коэффициентов, которые позволяют получить на выходе параметры, близкие входным. При предъявлении такой сети реальных ТИ без ошибок, ее ответом будут значения, мало отличающиеся от входных. В случае существенного отличия между входными переменными и ответом сети делается вывод о наличии грубой ошибки в предъявленном векторе данных. Ответ сети можно использовать в качестве псевдоизмерения.

Во второй главе исследованы численные методы идентификации дисперсий ТИ на основе КУ. Исследование проводилось в имитационном эксперименте, и на реальных данных. Дисперсии ошибок ТИ вычисляются как ковариации невязок двух КУ, которые имеют общее ТИ. Если ТИ входит в одно КУ, дисперсия вычисляется как ковариация самого измерения с невязкой того КУ, в которое оно входит. Разработан усовершенствованный метод, отличающийся способом учета систематической составляющей невязок КУ при вычислении их ковариаций и позволяющий идентифицировать дисперсии для большего числа ТИ. Отмечены недостатки присущие всем численным методам: невозможность идентифицировать дисперсии всех ТИ, длительное время для стабилизации статистик и необходимость перезапуска алгоритмов при перекоммутациях в схеме. Разработаны нейросетевые подходы к идентификации дисперсий ТИ, с помощью карт Кохонена позволяющие идентифицировать дисперсии тех ТИ, для которых невозможно это сделать численными методами. Показано, что ИНС могут также использоваться и для вычисления дисперсий на ранней стадии работы численного алгоритма (когда статистики еще не установились) и для уточнения величины дисперсии в процессе работы численного алгоритма. Приведены результаты идентификации дисперсий для реальных ТИ.

В третьей главе описана методика краткосрочного прогнозирования суточного графика нагрузки в рабочие дни. В начале главы дан обзор методов прогнозирования нагрузки. Описана методика формирования обучающих задачников. Достоинством предложенной методики является отсутствие требования учета температуры; необходимость небольшого объема ретроспективнь1х данных для обучения сети; быстрый отклик обученной сети; простое формирование входного вектора, который предъявляется нейронной сети в реальном времени. Для прогнозирования нагрузки строится два вида моделей. Первая предполагает разбиение суток на четыре части. Для каждой части формируется и обучается своя ИНС, которая прогнозирует нагрузку на 6 часов вперед. В соответствии со второй моделью ИНС предсказывает нагрузку на 24 часа вперед. В работе выполнен сравнительный анализ точности прогнозирования нейронных сетей с разными характеристическими функциями и с разным количеством нейронов в скрытом слое. Кроме того, выполнен сравнительный анализ точности прогноза с помощью ИНС и с помощью рядов Фурье. На основании полученных результатов делается вывод о том, что наиболее точный прогноз выполняется нейронной сетью с сигмоидной характеристической функцией. Средняя точность прогноза для разных дней равна от 0.2 до 3.3 %.

В четвертой главе описана реализация полученных результатов в ПВК "ОЦЕНКА". Показано место разработанных алгоритмов, в блоках достоверизации ТИ и идентификации дисперсий ТИ. Описан алгоритм подготовки нейронных сетей к работе в режиме реального времени. Представлена блок-схема функционирования нейронных сетей в ПВК "ОЦЕНКА".

Основные результаты

1. Проведен анализ численных и нейросетевых методов достоверизации ТИ при ОС ЭЭС. В результате сделан вывод, что численные методы по имеющимся в ЭЭС телеизмерениям не способны обнаружить все ошибки в ТИ и что использование только нейросетевых методов требует формирования и обучения большого количества нейронных сетей. Обоснована необходимость сочетания численных и нейросетевых методов для решения задачи достоверизации ТИ.

2. Разработаны нейросетевые методы достоверизации ТИ, предназначенные для обнаружения ошибок в тех измерениях, которые не могут быть проверены численными методами (сомнительные и критические ТИ). Нейронные сети обучаются по короткому задачнику и не требуют переобучения при изменении режима и конфигурации ЭЭС. Показано, что ИНС, обученная на векторе взаимосвязанных измеренных параметров режима, способна обнаружить в нем ошибочные измерения. Обоснована возможность применения ИНС для достоверизации ТИ на основе корреляционных зависимостей между измерениями в реальных условиях, когда меняются статистические зависимости между параметрами режима. Показано, что сочетание нейросетевых и численных методов повышает эффективность методов решения задачи обнаружения грубых ошибок в ТИ.

3. Исследован вопрос определения значимости входных признаков при принятии нейросетью решения. Полученные показатели значимости использовались для повышения эффективности нейросетевых алгоритмов достоверизации.

4. Исследованы три численных метода идентификации дисперсии ошибок ТИ на основе КУ. В результате этого установлено, что два первых метода дают устойчивые результаты при отсутствии грубых ошибок в ТИ; второй метод более устойчив, чем первый, при наличии грубых ошибок в ТИ; стабилизация статистик по третьему методу происходит медленнее, чем по первому и второму методам.

5. Разработаны нейросетевые методы идентификации дисперсий ТИ. Использование ИНС дает возможность идентифицировать дисперсии для ТИ, для которых сложно это сделать математическим методом, в частности, для ТИ, которые входят в одно КУ, и дисперсии остальных ТИ этого КУ неизвестны; для ТИ, которые входят в два КУ, но эти уравнения имеют несколько общих измерений. Показано, что сочетание численных и нейросетевых методов повышает точность определения дисперсий ТИ. Использование результатов работы алгоритмов идентификации дисперсии позволяет улучшить качество оценивания состояния.

6. Проведен анализ нейросетевых методов прогнозирования нагрузок. В результате сделан вывод, что в подавляющем большинстве методов требуется знание прогноза о температуре окружающего воздуха. Разработана методика прогнозирования нагрузки нейронными сетями не требующая данных о температуре окружающего воздуха. Исследован вопрос определения качества прогноза нагрузки с помощью ИНС, в зависимости от состава входных данных, количества нейронов в скрытом слое ИНС, преобразующей функции ИНС. Показана эффективность использования нейронных сетей для прогнозирования нагрузки.

7. Разработана методика применения нейросетевых методов для решения задач обработки измерительной информации в реальном времени. Процедуры, связанные с формированием, обучением и тестированием ИНС выполняются вне реального времени. Быстрый отклик обученной сети позволяет использовать ИНС в темпе поступления информации.

8. Разработанные алгоритмы идентификации дисперсий ТИ и достоверизации ТИ реализованы в программно-вычислительном комплексе "ОЦЕНКА" и использовались для расчета реальных схем. Анализ полученных результатов свидетельствует об улучшении качества решения при использовании сочетания численных и нейросетевых методов.

1. Гамм А.З., Кучеров Ю.Н., Паламарчук С.И. и др. Методы решения задач реального времени в электроэнергетике. Новосибирск, Наука, 1991. - 293 с.

2. Гамм А.З. Статистические методы оценивания состояния электроэнергетических систем. М.: Наука, 1976. - 220 с.

3. McCalloch W. A logical calculus of ideas immanents in nervous activity // Bull. Math. Biophys, 1943. V.5. -№ 5,- P.l 15-133.

4. Rudnick H., Palma R., Cura E., Silva C. Economicslly adapted transsion systems in open access schemes Application of genetic algorithms // IEEE/PES 1995 Summer Meeting, Portland, Oregon, Jul. 23-27, 1995. - P. 1-8.

5. Змитрович А.И. Интеллектуальные информационные системы.// Учебное пособие Минск ТетраСистемс, 1997. -368с.

6. В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин, В.Н. Антонов. //Нейросетевые системы управления- Изд. С.-Петербурского университета, 1999.-263с.

7. Alain J. Germond, Dagmar Nibur, Neural network application in Power System// Tutorial session proceedings of the 11 th PSCC, Avingon, France, August 30, 1993.-P. 61-70.

8. С. Терехов. Лекции "Вычислительная нейронаука". Снежинск, 1995.

9. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика- М. Мир, 1992.-186с.

10. Ю.Гордиенко Е.К., Лукьяница А.А. Нейронные модели // Техническая кибернетика, 1994,-№5,-С. 79-92.

11. П.Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996.-276с.

12. С.A. Belhadj, М.А. Abido. Optimized Voltage Stability Loadability Using Neural Networks. // Proceedings of the International Conference ISAP2001, Budapest, Hungary, 17-20 June 2001. P. 183-187.

13. A. A. El-Keib, X.Ma. Application of Artificial neural networks in voltage stability assessmebt. //IEEE Transactions on Power Systems. November, 1995. Vol.10.-№4.-P.1890-1894.

14. Wilkosz K. Verification of the measurements of voltage magnitudes in electric power system. // Second Int. Symp. Security Power System Operation. Wroclaw, 1981. -P. 1-13.

15. T.T. Nguyen. Be. Phd. Neural network load-flow. //IEEE Proc.-Gener. Transm. Distrib. January, 1995. Vol. 142.-№l.-P.51-58.

16. С. Rodriguez, S. Rementeria, J.I. Martin, A. Lafuente, J. Muguerza, J. Perez. Fault analysis with modular neural networks. //Electrical Power & Energy Systems, 1996. Vol. 18, -№2.-P. 99-110.

17. M. Kezunouit, I. Rikalo. Automating the Analysis of Faults Power Quality. //IEEE Computer Application in Power, 1999. -P.42-47.

18. Резников А. П. Обработка накопленной информации в затрудненных условиях-Наука, Москва, 1976. -242с.

19. Резников А. П. Детерминированно-вероятностная обучающая информационная система (ДВОИС). Изв. АН СССР. Энергетика и транспорт, 1969. -№ 3. -С.20-30.

20. Резников А.П. Полуформализованная аппроксимация скрытых закономерностей с помощью обучающейся системы В кн. Вопросы оценивания и идентификации в энергетических системах. Иркутск, СЭИ СО АН СССР, 1974.

21. К. Г. Митюшкин. Телемеханика в энергосистемах. -Энергия. Москва. 1975.-360с.

22. К. Г. Митюшкин Телеконтроль и телеуправление в энергосистемах-Москва. Энергоатомиздат, 1990. -287с.

23. Еамм А.З. Колосок H.H. Обнаружение плохих данных а телеизмерениях для АСДУ ЭЭС на основе контрольных уравнений. Иркутск, препринт, 1998.-47с.

24. Еамм А.З., Колосок И.Н. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах Наука, Новосибирск, 2000. -150с.

25. Колосок И.Н. Использование метода топологического анализа при обнаружении плохих данных в алгоритмах реального времени.// Информационное обеспечение диспетчерского управления в электроэнергетике. Новосибирск, Наука, 1985 - С. 52-59.

26. Еамм А.З., Голуб И.И. Наблюдаемость электроэнергетических систем. -М. Наука, 1990.-220с.

27. Clements К.А., Krumpholz G.R., Davis P.W. Power system state estimation residual analysis: an algorithm using network topology // IEEE Trans. PAS, 1984.-№4.-P. 1779-1787.

28. Kogin H.J., Neisius TH., Beibier G., Schmitt K.D., Bad data detection and identification. // Int. J. Electr. Power Energy Syst., 1990. -№4(1).-P.94-103.

29. J. С. S. Souza, A. M. Leite da Silva, A. P. Alves da Silva. Data visualisation and identification of anomalies in power system state estimation using artificial neural networks // IEE Ppoc. Sep. 1997. Vol. 144. -№5. -P. 445455.

30. J. C. S. Souza, A. M. Leite da Silva, A. P. Alves da Silva. Online topology determination and bad data suppression in power system operation using artificial neural networks. // IEEE Transactions on Power Systems, August 1998. Vol.13. -№ 3.-P.796-803.

31. A.P. Alves da Silva, V.H. Quintana and G.K.H. Pang. Solving data acquisition and processing problems in power systems using a pattern analysis approach. //IEE Ppoc. C. Jul. 1991. Vol. 138. -P. 365-376.

32. Еришин Ю.А., Колосок И.Н., Коркина E.C. др. Программно-вычислительный комплекс "Оценка" оценивания состояния ЭЭС в реальном времени. // Электричество, 1990. №2. С. 8-16.

33. Нейроинформатика. Изд. Новосибирск, Наука, 1998. -295с.

34. Шумский С.А. Нейрокомпьютинг состязание с человеческим мозгом. // Вестник. -Российской Академии Наук, 2000, том70 №1. -С.36-44.

35. Л. Закс. Статистическое оценивание. Москва статистика, 1976.-598с.

36. Е. С. Вентцель. Теория Вероятностей. -Наука. Москва, 1969. -400с.

37. Герасимов Л.И. Корреляционный метод достоверизации измереений перетоков в реальном времени. // Информационное обеспечение диспетчерского управления в электроэнергетике, Новосибирск.: Наука, 1985. -С.80-90.

38. Гришин Ю.А. Программа оценивания состояния ЭЭС в реальном времени на ЕС 1010 // Статистическая обработка оперативной информации в электроэнергетических системах, Иркутск: СЭИ СО АН СССР, 1979. -С.201-214.

39. Гришин Ю.А, Плотников И.Л. Адаптивный комплекс динамического оценивания состояния ЭЭС // Информационное обеспечение диспетчерского управления в электроэнергетике. Новосибирск. Наука. Сиб. отд-е, 1985.-С.119-130.

40. Гамм А.З. Методологические вопросы оценивания и идентификации в электроэнергетических системах. //Вопросы оценивания и идентификации в энергетических системах,- Иркутск СЭИ СО АН СССР, 1974.-С.29-51.

41. Гамм А.З., Колосок И.Н. Идентификация характеристик ошибок измерений при оценивании состояния. //Электронное моделирование, 1986. №3.-С.45-50.

42. Гамм А.З., Глазунова A.M., Колосок И.Н., Овчинников В.В., Методы оценки дисперсий ТИ в ЭЭС. // Электричество, 1997. -№7. -С.282-287.

43. Гамм А.З., Курбацкий В.Г., Вероятностные методы расчета режимов электроэнергетических систем. Братск, 1990. -90с.

44. Antonio Piras. These "A Multiresponse structural connectionist model for short term electrical load forecasting".- Lausanne. EPFL, 1996. -174p.

45. Kab-Ju-Hwang, Myubg-Kook Yang, Sung-Woo Cho. Daily Load Forecasting Using the Self-Organizing Map. // Proc. The International Conference on Electrical Engineering, 1998. V.2. -P. 429-432.

46. K.Y.Lee, Y.T. Cha, J.H. Park. Short-term Load Forecasting Using an Artificial Neural Network. //IEEE Trans. On Power Systems, 1992. V.7.-№1. -P. 124-132.

47. Tomonobu Seniue, Hirokazu Sakihara, Katsumi Uezato. Next day load forecasting usingvneural network based on similarity. //The International Conference on Electrical Engineering, 1998. V.2. -P. 314-317.

48. P.K. Dash, A.S. Liew, G. Ramakrishna. Power-demand forecasting using s neural network with an adaptive learning algorithm. // IEEE, Proc. 1995. Vol.142. -№6. -P. 560-568.

49. Kwang-Ho Kim, Hyoung-Sun Youn, Yong-Cheol Kang. Short-term load forecasting for special days in anomalous load conditions using Neural Networks and fuzzy inference method. //IEEE, May 2000. Vol. 15. -№2. -P.559-565.

50. Tojoda J., Mo-Shing Chen, Inowe Y. An application state estimation to short term load forecasting: Implementation. //IEEE Trans. PAS, 1970 №7. -P.100-107.

51. Grishin Y.A., Kolosok I.N., Korkina E.S., Em L.V. State Estimation of electric power system for new technological systems. // The Intern. Conf. "Power Tech 1999". Proc. CD ROM, Aug. 29 Sept. 2. - Budapest, 1999.

52. Фу К. Последовательные методы в распознавании образов и обучении машин,- Москва- Наука, 1971. -255с.

53. Горбань А. Н. Обучение нейронных сетей М.: ParaGraph 1990. -159с.

54. Описание пакета программ Clab. -Красноярск, 1995.-85с.

55. Царегородцев В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей// Методы нейроинформатики. Красноярск, 1998. -С. 176-193.

56. С. Блинов. Brainmaker прогнозирование на финансовых рынках. Открытые системы., 1998. -№ 4-5.

57. В. F. Потемкин. Matlab 5,-Москва. "Диалог-Мифи", 1998. -314с.

58. Matlab5\help\toolbox\nnet\NNETTOC.HTML