автореферат диссертации по энергетике, 05.14.02, диссертация на тему:Управление режимами реактивной мощности и напряжения систем электроснабжения предприятий методами искусственного интеллекта

На правах рукописи

ТУЛИКОВ Александр Николаевич

Управление режимами реактивной мощности и напряжения систем электроснабжения предприятий методами искусственного интеллекта

Специальность 05 14 02 - Электрические станции и электроэнергетические

системы

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

□ОЗ173184

Красноярск 2007

003173184

Работа выполнена в Политехническом институте ФГОУ ВПО «Сибирский федеральный университет»

Научный руководитель. доктор технических наук, профессор,

Пантелеев Василий Иванович

Официальные оппоненты доктор технических наук, профессор

Цугленок Галина Ивановна

кандидат технических наук, доцент Плотников Сергей Михайлович

Ведущая организация Новосибирский государственный технический

университет (г Новосибирск)

Защита состоится 14 ноября 2007 года в Ю00 на заседании диссертационного совета Д 212.099.07 при ФГОУ ВПО «Сибирский федеральный университет» по адресу г Красноярск, ул Киренского, 26, ауд Д 501

С диссертацией можно ознакомиться в библиотеке Политехнического института ФГОУ ВПО «Сибирский федеральный университет»

Автореферат кандидатской диссертации размещен на официальном сайте Политехнического института ФГОУ ВПО «Сибирский федеральный университет» (http //www sfü-kras ru/science/dissertations).

Отзывы на автореферат в двух экземплярах, заверенные печатью учреждения, просим направлять по адресу 660074, г. Красноярск, ул Киренского, 26, ПИ СФУ, Ученому секретарю диссертационного совета Д 212 099 07

Факс (3912) 43-06-92 (Для кафедры ТЭС) E-mail boiko@krgtu ru

Автореферат разослан 12 октября 2007 года.

Ученый секретарь диссертационного совета

к т н, доцент / Бойко Е А

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Прикладные исследования последних лет показали, что обычные методы анализа систем и моделирования на электронно-вычислительных машинах (ЭВМ), основанные на точной обработке численных данных, по существу не способны охватить огромную сложность реальных технологических процессов, которые определяют, в частности, режимы систем электроснабжения (СЭС) В свою очередь, режимы СЭС определяют и величину потерь в распределительных сетях, и производительность оборудования Поэтому становится все более очевидным появление определенных классов задач управления, связанных с принятием решений оператором в контуре «человек - ЭВМ», осуществление диалога в котором происходит посредством применения лингвистических переменных

В качестве методологической основы для решения подобных задач используется все более популярные в настоящее время искусственные нейронные сети, генетические алгоритмы, теория нечетких множеств и нечеткая логика в совокупности с ситуационным управлением Под ситуационным управлением понимается управление, основанное на выявлении проблемных ситуаций и преобразовании имеющейся информации в управленческие решения, приводящие к их разрешению Достоинства нечеткой логики, которые в наибольшей мере проявляются в нечетком управлении, заключаются, прежде всего, в том, что нечеткая логика позволяет удачно представить мышление человека, а именно способы принятия решений человеком, и способы моделирования сложных объектов средствами естественного языка Нейронные сети, в свою очередь, широко используются дня настройки параметров системы нечеткого логического вывода, а генетические алгоритмы - для оптимизации целевой функции

Совокупность теории нечетких множеств и нечеткой логики образует систему алгоритмов нечеткого управления, реализация которых применительно к ситуационному управлению требует организации периодического измерения исследуемых параметров в реальном масштабе времени. Эту возможность предоставляют автоматизированные системы контроля и учета электроэнергии (АСКУЭ) либо другие совокупности датчиков для измерения электрических параметров, действующие на промышленных предприятиях В этой связи представляется актуальным управление режимами СЭС методами искусственного интеллекта в темпе потребления электроэнергии (ЭЭ)

Техническая задача. Экономия электрической энергии и повышение ее качества является одной из важнейших составляющих увеличения эффективности современного производства и развития социальной сферы Поэтому весьма важной задачей для экономики является совершенствование управления режимами СЭС (в частности, управления режимами реактивной мощности и напряжения) в реальном масштабе времени с помощью таких электроустановок, как трансформаторы главных понизительных подстанций (ГПП) с регулированием под нагрузкой (РПН) и высоковольтные синхронные

двигатели (СД), минимизация потерь активной ЭЭ и мощности, повышение качества напряжения на зажимах электроприемников (ЭП)

Научная задача. Для решения данной технической задами необходимо создать соответствующую ситуационную модель управления режимами реактивной мощности и напряжения СЭС промышленного предприятия, для разработки которой целесообразно использовать методы искусственного интеллекта Работа такой модели должна быть настроена таким образом, чтобы на ее основе некоторое логическое устройство, воздействуя одновременно на исполнительные механизмы трансформаторов с РПН и СД, обеспечивало выполнение ряда основных условий1

а) напряжения в узлах нагрузки СЭС должны находиться в нормируемом диапазоне,

б) реактивная мощность в точке раздела с внешней энергосистемой должна быть полностью скомпенсирована,

в) потери ЭЭ в распределительной сети предприятия должны быть сведены к минимуму при соблюдении первых двух условий

Объект исследований - системы электроснабжения промышленных предприятий с большой установленной мощностью СД и наличием трансформаторов с РПН

Предмет исследований - ситуационное управление режимами реактивной мощности и напряжения СЭС промышленного предприятия в совокупности с методами искусственного интеллекта

Цель исследований - разработка методик идентификации, оптимизации, классификации и распознавания состояний для эффективного управления в реальном масштабе времени режимами реактивной мощности и напряжения СЭС в узлах нагрузки с помощью методов искусственного интеллекта

Задачи исследований:

1) обосновать математический аппарат, адекватный задачам исследования управления режимами реактивной мощности и напряжения СЭС,

2) разработать методику распознавания состояний СЭС, дополняемую идентификацией состояний СЭС с применением нейро-нечеткой сети и оптимизацией состояний СЭС на основе генетического алгоритма

3) разработать методику классификации состояний СЭС с помощью субтрактивной и нечеткой кластеризации;

4) выполнить численный эксперимент в программной среде на основе математической модели, адекватной реальному объекту

Основная идея диссертации заключается в реализации ситуационного управления, основанной на методах искусственного интеллекта для управления режимами реактивной мощности и напряжения СЭС промышленного предприятия в темпе потребления ЭЭ

Методы исследований. В настоящей работе использованы методы теории нечетких множеств и нечеткой логики, методы ситуационного управления, теории нейронных сетей и генетических алгоритмов, математического моделирования, теории вычислительного эксперимента,

теории принятия решения, методы кластерного анализа, программные и языковые средства современных компьютерных технологий Основные тезисы, выносимые на защиту.

1) разработанная методика распознавания состояний СЭС, дополняемая нейро-нечеткой идентификацией и генетической оптимизацией состояний СЭС позволяет решить вопрос о принадлежности текущего состояния к некоторому классу, улучшает качество идентификации какого-либо состояния вследствие уменьшения среднеквадратической ошибки, повышает скорость процесса оптимизации целевой функции суммарных потерь активной мощности по СЭС за счет одновременного использования множества точек поискового пространства без последовательного перехода от точки к точке

2) разработанная методика классификации состояний СЭС, основанная на методах нечеткого кластерного анализа, относит к одному классу состояния, которые имеют наибольшую степень принадлежности к нему Научная новизна

1) сформулированы и реализованы алгоритмически принципы распознавания, идентификации, оптимизации и классификации состояний для решения задачи оптимального управления режимами реактивной мощности и напряжения СЭС на основе методов искусственного интеллекта,

2) разработана методика оптимального управления режимом реактивной мощности и напряжения СЭС, заключающаяся в развитии принципа ситуационного управления для такого объекта, как СЭС, и реализуемая с использованием аппаратов теории нечетких множеств и нечеткой логики, генетических алгоритмов и гибридных нейронных сетей, отличающихся от традиционных методов своей высокой эффективностью

Значение для теории. Материалы диссертационных исследований включены в учебные программы дисциплин «Математические задачи в электроэнергетике», «Оптимизация электроснабжения промышленных предприятий» специальности 140211 65 - «Электроснабжение» и используются в учебном процессе на кафедре электроснабжения и электрического транспорта Политехнического института Сибирского федерального университета

Значение для практики заключается, во-первых, в создании методики распознавания состояний систем электроснабжения, дополняемой идентификацией состояний с применением нейро-нечеткой сети и оптимизацией состояний на основе генетического алгоритма Во-вторых, значение для практики состоит в разработке методики классификации состояний систем электроснабжения с помощью субтрактивной и нечеткой кластеризации Это дает возможность повысить точность регулирования параметров систем электроснабжения до требуемых значений и, за счет использования распараллеливания вычислительных процессов, позволяет увеличить скорость расчетов, что важно для осуществления управления режимами систем электроснабжения в реальном масштабе времени

Достоверность полученных результатов подтверждается совпадением результатов расчетов, полученных в работе с помощью компьютерного

моделирования с фактическими данными, а также сравнением результатов, полученных различными методами математического моделирования Результаты не противоречат известным положениям современной теории искусственного интеллекта

Использование результатов диссертации. Результаты диссертационной работы используются для проектирования предприятий цветной металлургии в рамках Соглашения о сотрудничестве между ФГОУ ВПО «Сибирский федеральный университет» и ОАО «Сибцветмет НИИ Проект»

Личный вклад автора в работах, опубликованных в соавторстве, соответствует результатам, представляемым в диссертационной работе Общая научная идея, направления исследований были разработаны и реализованы при участии научного руководителя

Апробация результатов диссертации. Основные положения диссертационной работы докладывались и обсуждались на

- XII Международной научно-практической конференции студентов и молодых ученых «Современные техника и технологии СТТ 2006», Томск, 2006

IV Всероссийской научно-практической конференции «Энергоэффективность систем жизнеобеспечения города», Красноярск, 2005,

- V Региональной научно-практической конференции «Интеллектуальные ресурсы ХТИ - филиала КГТУ - Хакасии - 2005 (наука, техника, образование)», Абакан, 2005,

- семинарах кафедры электроснабжения промышленных предприятий ХТИ - филиала КГТУ,

- семинарах кафедры электроснабжения и электрического транспорта

КГТУ

Публикации. По материалам диссертации опубликовано 7 печатных работ, включая 1 в издании по списку ВАК.

Объем и структура диссертации. Диссертационная работа состоит из введения, четырех разделов с выводами, заключения, четырех приложений и библиографического списка из 108 наименований, включая работы автора Основной текст, содержащий 143 страницы машинописного текста, иллюстрирован 31 рисунком и 23 таблицами

СОДЕРЖАНИЕ РАБОТЫ

Во введении содержится краткое описание достоинств основных методов искусственного интеллекта, обоснована актуальность темы, сформулированы цель и задачи работы, отмечаются научная новизна и основные тезисы, выносимые на защиту Дается краткая аннотация содержания работы по разделам

В первом разделе приводится обзор современного состояния исследований в области оптимизации режимов реактивной мощности и напряжений СЭС, обосновывается перспективность применения методов искусственного интеллекта Анализ выполненных работ показывает, что

существующие подходы к решению данной задачи, во-первых, сводятся к оптимизации параметров текущего состояния СЭС с последующей их коррекцией в зависимости от величины и характера возмущающих воздействий Во-вторых, действующая методика оптимального ситуационного управления на основе теории распознавания образов, не обеспечивает достаточной эффективности, скорости и точности расчетов Показано, что в качестве источника информации целесообразно и экономически выгодно использовать инструмент энергосбережения - автоматизированные системы контроля и учета электроэнергии (АСКУЭ), уже имеющиеся на многих предприятиях

Во втором разделе излагается сущность принципа ситуационного управления режимами реактивной мощности и напряжения СЭС, разработаны методики нейро-нечеткой идентификации, генетической оптимизации, классификации на основе нечеткого кластерного анализа и субтрактивной кластеризации и распознавания состояний

Принцип управления по ситуациям реализуется в виде алгоритма, блок-схема которого приводится на рисунке 1 В блоке 1 производится оценка параметров текущего состояния, заключающаяся в определении численных значений активных, реактивных мощностей, токов и напряжений в контрольных точках СЭС. Затем, в блоке 2 текущее состояние СЭС распознается, те относится к одному из известных классов на основании решающего правила по ряду признаков из рабочего словаря

Если не удалось отнести текущее состояние к одному из известных классов, необходимо произвести идентификацию (блок 4) и оптимизацию (блок 5) нераспознанного состояния Затем делается попытка классифицировать неизвестное состояние (блок 6) Если состояние можно классифицировать как принадлежащее одному из известных классов, осуществляется уточнение классификации (блок 9) (к описанию класса добавляется описание текущего состояния), в противном случае (блок 8) классификация пополняется (открывается новый класс состояний)

После этого реализуется план оптимального управления (блок 10), который был получен в результате решения задачи распознавания либо задачи оптимизации

Для практического осуществления принципа ситуационного управления необходимо получить выборку из множества возможных состояний СЭС и решить задачи идентификации, оптимизации и классификации

Для идентификации состояний предложено использовать метод двухэтапной идентификации нелинейных зависимостей с помощью нечетких баз знаний Первый этап - структурная идентификация - представляет собой формирование нечеткой базы знаний, которая грубо отражает взаимосвязь между входами и выходом с помощью лингвистических правил «ЕСЛИ-ТО» На втором этапе проводится параметрическая идентификация исследуемой зависимости путем нахождения таких параметров нечеткой базы знаний, которые минимизируют отклонение модельных и экспериментальных результатов

Пусть идентифицируемая нелинейная зависимость представлена выборкой данных «входы-выход»'

(*„ уЛ г=Ш, О)

где X, = (х, ,, , I, „)- вектор входов и У, - выход в г-ой паре, М - объем выборки

Для построения точной зависимости «входы-выход» на имитационной модели проводятся полные факторные эксперименты при варьировании факторов на двух уровнях при числе опытов 2"

В качестве факторов (входов) выступают положения регулировочной ступени трансформатора с РПН и относительные значения токов возбуждения 5-ти групп СД (двигатели рассортированы по группам в соответствии с типом и их месторасположением в СЭС)), а в качестве откликов (выходов) модели — значения реактивных мощностей и напряжений в Ь контрольных точках СЭС

Задача идентификации состоит в нахождении нечетких моделей Г для каждого отклика, обеспечивающих минимальное значение среднеквадратической невязки

11 = ^(У,-Р(Х,)Г->тт, (2)

М

где Г{Х:)-значение выхода нечеткой модели при значении входов, заданных вектором Хг

При реализации данной методики идентификации используется гибридная нейро-нечеткая сеть (ННС) Ее структура (рисунок 2) слой 1 - входы объекта идентификации (факторы

слой 2 - нечеткие термы, которые используются в нечеткой базе знаний, описывающей исследуемый объект,

слой 3 - строки-конъюнкции (нечеткие правила) нечеткой базы знаний исследуемого объекта,

слой 4 - классы выходной переменной, объединяющие нечеткие правила, слой 5 - блок суперпозиции классов выходной переменной, т е преобразование результатов нечеткого логического вывода в конкретное четкое число

В качестве алгоритма нечеткого логического вывода используется алгоритм Сугено, который по сравнению с алгоритмом Мамдани обладает существенными преимуществами

1) более высокая точность, особенно при больших объемах обучающей выборки, но менее содержательная интерпретация;

2) хорошее сочетание с оптимизационными методами, значительно меньшая ошибка идентификации;

3) обеспечение непрерывности поверхности отклика,

4) гибридность алгоритма, что по своей природе предпочтительнее (правила содержат посылки в виде нечетких множеств и заключения в виде четких линейных функций),

5) более низкая сложность вычислений благодаря отсутствию блока дефаззификации, а отсюда - меньшие требования к вычислительным ресурсам,

Начало |

1 Оценка параметров состояния

2 Распознавание состояния

(Нет)

4 Идентификация состояния

5 Оптимизация состояния

6 Классификация состояния

(Нет) Состояние (Да)

■^классифицировано ^^

8 Пополнение классификации 9 Уточнение классификации

10 Реализовать план оптимального управления

[ Конец )

Рисунок 1 - Блок-схема алгоритма ситуационного управления

6) более простая программная- реализация;

7) предпочтительность для решения задач в тех случаях, когда известны Значения входных переменных и отклик системы на эти значения.

В модели шпа Сугено взаимосвязь между входами X = (х„*г,...,*„) и выходом У задается нечеткой базой знаний. В качестве функций принадлежности используются функции колоколообразного вида.

В качестве алгоритма обучения ННС используется гибридный алгоритм, объединяющий метод обратного распространения ошибки с методом наименьших квадратов, достоинством которого но сравнению с методом «back-propagation» является быстрая сходимость, что уменьшает вычислительные ресурсы.

слой ! слой 2 слой 3 слов 4 мой 5

Рисунок 2 - Структурная идентификация зависимости между параметром состояния и управляющими параметрами СЭС

Задача оптимизации состояния СЭС заключается в том, чтобы найти такой вектор управляющих параметров:

Х0р,-^(Х1,Х2,.,.,ХХ, (4)

и такой вектор параметров состояния:

(5)

чтобы показатель качества состояния достигал своего экстремального значения:

Щ{Х„Хг.....Хп)->тт (6)

при условии соблюдения ограничений на управляющие параметры:

хг" < х°р' < х^, (7)

х™" й х?" < х™, ¡^лС^ (8)

я параметры состояния:

уШ < < у™* ^

а=о, (ш)

где ДР„ = др(Д + дРг + АРсвэ - суммарные потери активной мощности др - в СД, Д/>- в трансформаторе с РПН, ДР(Ю- в элементах системы внутреннего электроснабжения (шинопроводах, реакторах и пр ),

Х°"',Х°1"- оптимальные значения положения регулировочной ступени трансформатора с РПН и тока возбуждения »-ой группы СД, /*/сд - номер группы СД,

и"1", <2°'" - значения напряжений и реактивных мощностей в контрольных точках СЭС, соответствующие Хор, при заданном числе факторов п,

Х""",Х"Ш,Х""\Х"Ш- нижние и верхние предельно допустимые положения регулировочной ступени трансформатора с РПН и значения токов возбуждения СД (-ой группы,

О, - значение реактивной мощности в точке раздела с внешней энергосистемой

В качестве алгоритма оптимизации используется простой генетический алгоритм (рисунок 3) Достоинствами такого подхода, по сравнению с традиционными методами оптимизации, являются'

а) возможность определения глобального экстремума,

б) способность учитывать любые виды ограничений,

в) простая структура алгоритма и его программная реализация,

г) не требуется задание стартовой точки для начала процесса оптимизации, т е нечувствительность к начальному приближению,

д) высокая эффективность применения к комбинаторным и мультимодальным типам задач

Для решения задачи классификации целесообразно использовать кластерный анализ, под которым понимается совокупность методов, подходов и процедур, разработанных для решения проблемы формирования однородных классов в произвольной предметной области. При этом исходным допущением для выделения таких подмножеств, получивших специальное название кластеров (таксонов или классов), служит лишь неформальное предположение о том, что объекты, относимые к одному кластеру, должны иметь большее сходство между собой, чем с объектами из других кластеров

Исследуемая совокупность данных представляет собой конечное множество элементов (множество объектов кластеризации - состояний СЭС)'

А = {а,, а2, ., ап}, I =Гй, (11)

а конечное множество их признаков или атрибутов

Р= {РьРя-,РЧ}, (12)

В качестве признаков используются положение регулировочной ступени трансформатора с РПН и относительные значения токов возбуждения выделенных групп СД

Предполагается, что для каждого из объектов кластеризации измерены все признаки множества Р Тем самым каждому из элементов д, е А поставлен в соответствие вектор

х,={х[,4, (13)

где х\ - количественное значение признака р^ е Р для объекта данных а, е А

[ Начало ]

_ I _

1. Создание исходной популяции

2 Выбор родителей для процесса размножения (работает оператор отбора)

3 Создание потомков выбранных пар родителей (работает оператор скрещивания)

Т

4. Мутация новых особей (работает оператор мутации)

I

5 Расширение популяции за счет добавления новых, только что рожденных, особей_

6 Сокращение расширенной популяции до исходного размера (работает оператор редукции)

8 Поиск лучшей особи в конечной популяции результат работы алгоритма

Конец

Рисунок 3 - Упрощенная блок схема генетического алгоритма

12

Векторы (13) удобно представить в виде матрицы данных £) размерности (п хд), каждая строка которой равна значению вектора х,

Xj Д*2 ^J

Задачу нечеткого кластерного анализа сформулируем следующим образом на основе исходных данных (14) определить такое нечеткое разбиение или нечеткое покрытие множества А = А на заданное число с нечетких кластеров Ак, ке{2, ,с}, которое доставляет экстремум некоторой целевой функции /'СП(А)) среди всех нечетких разбиений или экстремум целевой функции /(3(А)) среди всех нечетких покрытий

(15)

:=1 4-2 J-1

где т - экспоненциальный вес нечеткой кластеризации (msR, т>\), v)-

с

координаты центров нечетких кластеров, ^Иа/0,) ~ нечеткое покрытие

4.1

исходного множества объектов кластеризации А = А

В качестве алгоритма решения задачи нечеткой кластеризации используется метод нечетких с-средних, а в качестве алгоритма решения задачи определения числа кластеров с - методом субтрактивной кластеризации

Распознавание состояния СЭС заключается в определении принадлежности/непринадлежности текущего состояния к одному из известных классов согласно априорной классификации на основании измерений параметров состояния и управляющих параметров

В качестве признаков распознавания используются параметры состояния - значения реактивных мощностей и напряжений в контрольных точках СЭС Описание классов на базе словаря признаков представляет собой совокупность вектора параметров функций принадлежности термов входных переменных, вектора коэффициентов линейных функций в заключениях нечетких правил и структуры математической модели (рисунок 2), полученной в результате решения задачи идентификации состояний

Решение о принадлежности текущего состояния s классу С = 1^с принимается на основании некоторой меры близости В качестве такой меры (показателя распознавания) используется сумма некоторых максимальных значений треугольных функций принадлежности Для перевода каждого признака распознавания в относительный вид отклонения крайних (правого и левого) параметров функции принадлежности приняты равными 25% для наилучшей наглядности (рисунок 4) Здесь L - количество контрольных точек СЭС

Далее производится анализ полученных (отображенных на относительную шкалу) значений и состояние распознается верно, если каждая

степень истинности (относительное значение) не ниже определенного порога г, а также сумма степеней истинности параметров каждого сравниваемого состояния будет иметь максимальную величину:

¿Л,«-ш«, (16)

' е [0,1]

Рисунок 4 - График функции принадлежности треугольной формы

Методика распознавания состояния, наглядно представляющая процесс распознавания с использованием ННС, дает возможность эффективно сопоставить текущее состояние с имеющейся базой данных и в случае успешного распознавания применить план оптимального управления системой

В третьем разделе производится численный эксперимент на основе имитационной модели, адекватной реальному объекту В качестве объекта экспериментальных исследований выбрана часть электрической системы Ачинскою глиноземного комбината (АГК) На имитационной модели исследована выборка из 30 состояний СЭС, характеризующихся различными оперативными схемами электроснабжения, составом и загрузкой СД

Для идентификации состояний применяется методика нейро-нечеткой идентификации Каждая входная переменная Хх -Хб (при приведении их от четких значений к нечетким) определяется терм-множеством, состоящее из двух крайних (левого и правого) термов (рисунок 5)

Для выделения достоинств предложенной методики идентификации были построены кривые обучения нечеткой модели типа Сугено и аппроксимирующего полинома 1-го порядка в виде зависимости ошибки идентификации на контрольной выборке от размера обучающей выборки (рисунок 6) Ошибка идентификации рассчитывалась по формуле (2) В качестве исследуемого параметра использовалось напряжение в контрольной точке СЭС №1 в состоянии 27 Из рисунка 6 видно, что ошибка идентификации для нечеткой модели типа Сугено значительно ниже, чем для полиномиальной зависимости

Рисунок 5 - Терм-множество входной переменной

= —

¡и -

------—

I

!

и

-----V--- —1----

1— «—

1

10 20 30 40 50 60 70

Рисунок 6 - Зависимость ошибки обучения II от объема выборки М: 1 — аппроксимирующий полином 1-ГО порядка, 2 - нейро-нечеткаа сеть

В качестве независимых переменных для генетической опгимиззвми целевой функции (б) выступают факторы Х\ ~ Х6. На управляющие параметры и параметры состояния накладываются следующие ограничения:

55-]5' _ 0,95<и, <1,05, /=1 Д7; А = 0.

0.5<Х. <1,0 /=2,6;

Преимущество генетических алгоритмов для решения задачи оптимизации по сравнению с методом скользящего допуска (МСД) заключается в следующем. По требуемому времени расчета несомненное преимущество имеет метод нелинейного программирования. Среднее время расчета по 30-ти состояниям по данному методу - 10,74 с против 33,48 с для генетического алгоритма. Однако для генетического подхода время целиком определяется заданной точностью расчета. Кроме того, проведенный сравнительный анализ быстродействия алгоритмов показывает, что с увеличением числа факторов (управляющих параметров), временной ресурс традиционного метода нелинейного программирования возрастает существенно быстрее, нежели для генетического алгоритма (рисунок 7). Как видно, от количества факторов напрямую зависит качество оптимизации состояния.

1200

1000

я

г

Ъ зоо «

с.

I 600

<и О,

И

Ж 400 х =т

200

6

Число факторов, шт.

Рисунок 7 - Сравнительный анализ времени расчета

На основании результатов решения задачи оптимизации состояний производим классификацию состояний. Зависимость радиуса окрестности нечеткого кластера от количества состояний объекта приводится на рисунок 8 Центры нечетких кластеров образуют эталоны классов состояний.

0,6

а

ь с

F

о «

0,3

о v

£» 0.2 s

й в

а. о,1

о

о

Рисунок 8 - Зависимость радиуса окрестности нечеткого кластера от количества классов (кластеров)

Преимущество предложенной методики классификации по сравнению с методиками на основе традиционных методов (а частности, теории распознавания образов (ТРО)) Подтверждает тот факт, что качество разбиения множества состояний на классы, проведенного с помощью методов нечеткого кластерного анализа, существенно выше (наименьшее значение критерия сравнения - 31,728), чем методов ТРО (5353,257). В качестве критерия сравнения выбрана сумма квадратов взвешенных отклонений координат объектов классификации от эталонов (центров) классов состояний:

M.J-'

где п - количество независимых переменных (л = 6); m - количество кластеров (классов) (т = 11); х--значение независимой переменной с номером i кластера (класса)/; Щ -координата центраj-го кластера (класса).

Проверка алгоритма распознавания производилась для состояния 27 на основании меры сходства, вычисляемой согласно (16) и показала, что для этого состояния мера сходства принимает максимальное значение 20,72, в то время как для любого другого состояния эта величина не превышает 13,63. Порог распознавания I устанавливается равным 0,4. Результаты проверки позволяют сделать вывод о раб ото способы ости предложенного алгоритма распознавания состояния СЭС,

В четвертом разделе разработан один из возможных вариантов программной реализации идентификации, оптимизации, классификации и распознавания состояний СЭС (на примере АГК) в среде MATLAB с помощью готовых пакетов подпрограмм Fuzzy Logic Toolbox и Genetic Algorithm and Direct Search Toolbox. Пример зависимости напряжения в контрольной точке №8 в состоянии 27 от двух факторов (положения регулировочной ступени трансформатора с Р) IH на ГПП и относительного значения токов возбуждения

5 10 15 20 25 30

Количество классов

первой ]~руппы СД) представлен на рисунке 9. Сгенерированная структура системы нечеткого вывода типа Сугено изображена на рисунке 10.

' * -inpaii

Рисунок 9 - Поверхность системы нечеткого вывода

infioi . i v оФ"1 -

Logiu-S-Cpprailinij ■ 1

Г I

Рисунок 10 - Структура системы нечеткого вывода

Для решения задачи программной реализации разработанных методик идентификация, оптимизации, классификации и распознавания состояний СЭС требуется подготовка данных для системы МА'П.ЛН, которые могут быть получены от персонального компьютера, обрабатывающего поступающую информацию от АСКУЭ в темпе потребления ЭЭ,

Предложенная программная реализация разработанных методик идентификации, оптимизации, классификации и распознавания состояний СЭС на основе готовых программных пакетов Fuzzy Logic Toolbox и Genetic Algorithm and Direct Search Toolbox обладает высокой эффективностью, что позволяет сделать вывод о ее пригодности для решения реальных задач управления режимами реактивной мощности и напряжения СЭС предприятий.

ЗАКЛЮЧЕНИЕ

1. Применение современных эффективных математических методов в области искусственного интеллекта позволяет радикально изменить существующую методику оптимального управления режимами реактивной мощности и напряжения Доказано, что для этой цели целесообразно использовать нейро-нечеткие сети, генетические алгоритмы, нечеткий кластерный анализ и субтрактивную кластеризацию.

2 Разработанная методика идентификации состояний СЭС с применением нейро-нечеткой сети позволяет с большей точностью по сравнению с регрессионными зависимостями идентифицировать какое-либо состояние вследствие существенного уменьшения среднеквадратической ошибки отклонения модельных результатов от экспериментальных

3 Методика генетической оптимизации дает возможность с увеличением количества факторов (управляющих параметров) минимизировать время, необходимое для расчета, по сравнению с методами нелинейного программирования, и, наряду с этим, не требует задания стартовой точки, позволяет учитывать любые виды ограничений и найти максимально близкое к оптимуму решение задачи

4 Предложенная методика нахождения числа кластеров (классов), в которые объединяются по специальным признакам исследуемые состояния СЭС, позволяет найти оптимальное количество классов Выявлена закономерность между радиусом окрестности нечеткого кластера и количеством классов, которая близка к обратно пропорциональной зависимости При этом методика классификации состояний СЭС при помощи метода нечетких с-средних по сравнению с методикой на основе ТРО, значительно улучшает качество разбиения множества состояний СЭС на классы, что является фундаментальной задачей управления режимами реактивной мощности и напряжения СЭС предприятий

5 Методика распознавания состояний, которая сравнивает поступающую на входы системы информацию о текущем состоянии после обработки в ННС и треугольных функциях принадлежности, с информацией, имеющейся в памяти системы управления, использует значение порога распознавания на уровне 0,4 и тем самым улучшает качество распознавания

6 В целом, разработанная методика оптимального управления режимами реактивной мощности и напряжения, включающая этапы распознавания, идентификации, оптимизации и классификации состояний СЭС повышает точность регулирования параметров СЭС до требуемых значений и, за счет использования распараллеливания вычислительных процессов, позволяет увеличить и скорость расчетов, что важно для осуществления управления системой в реальном масштабе времени

7 Программный инструмент МАТЬАВ с помощью уже готовых подпрограмм дает возможность воспроизвести каждый этап алгоритма ситуационного управления

Основные результаты работы представлены в следующих публикациях

1 Туликов, А. Н. Математическая постановка задачи управления режимами систем электроснабжения промышленных предприятий / В И Пантелеев, А. Н. Туликов // Вестник Ассоциации выпускников КГТУ Вып 12 / Под ред А А Михеева, В А Кулагина - Красноярск ИПЦ КГТУ - 2005 -С 136-140

2 Туликов, А. Н. Предпосылки использования нечеткой логики для ситуационного управления режимами систем электроснабжения предприятий / В И Пантелеев, А. Н. Туликов // Энергоэффективность систем жизнеобеспечения города. Материалы VI Всероссийской научно-практической конференции / Под ред В. М Журавлева, В А Кулагина -Красноярск ИПЦ КГТУ -2005 -С 192-195

3 Туликов, А. Н. Аппарат нечетких регуляторов в задачах ситуационного управления режимами систем электроснабжения предприятий / В И Пантелеев, А. Н. Туликов // Интеллектуальные ресурсы ХТИ - филиала КГТУ - Хакасии - 2005 (наука, техника, образование) Сб тезисов НПК / Под ред С И Рябихина - Красноярск ИПЦ КГТУ - 2005 - С 85-87

4 Туликов, А. Н. Возможности нечеткого управления режимами систем электроснабжения промышленных предприятий / В И Пантелеев, А. Н. Туликов // XII Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Современные техника и технологии», 27-31 марта 2006 г. Труды в 2-х т - Томск Изд-во Томского политехи ун-та -2006 -Т.2 - С 183-185.

5 Туликов, А. Н. Основы нечеткого управления режимами систем электроснабжения предприятий с помощью АСКУЭ / В И Пантелеев, А. Н. Туликов // XII Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Современные техника и технологии», 27-31 марта 2006 г Труды в 2-х т - Томск Изд-во Томского политехи ун-та -2006 -Т.2 - С 180-182

6 Туликов, А. Н. Оптимизация состояний систем электроснабжения предприятий с помощью генетических алгоритмов / В И Пантелеев, А. Н. Туликов // НАУКА ТЕХНОЛОГИИ ИННОВАЦИИ Материалы всероссийской научной конференции молодых ученых в 7-ми частях Часть 3 - Новосибирск Изд-во НГТУ - 2006 - С 222-224

7 Туликов, А. Н. Методы искусственного интеллекта в управлении режимами систем электроснабжения предприятий / В И Пантелеев, А. Н. Туликов//«ДокладыТУСУРа»№2 (16) -2007 - С 28-34

Туликов Александр Николаевич Управление режимами реактивной мощности и напряжения систем электроснабжения предприятий методами искусственного интеллекта Автореф дисс на соискание учёной степени кандидата техн наук Подписано в печать 10 10 2007 Заказ Формат 60x90/16 Уел печ л 1 Тираж 100 экз ИПЦ Политехнического института Сибирского федерального университета

ВВЕДЕНИЕ.

1 УПРАВЛЕНИЕ РЕЖИМАМИ СЭС ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ.

1.1 Особенности управления режимами СЭС.

1.2 АСКУЭ как информационная основа для управления режимами

1.3 Современные проблемы управления режимами СЭС.

1.4 Принцип ситуационного управления и методы искусственного интеллекта в задачах управления режимами СЭС.

1.5 Теория нечетких множеств как математический аппарат для ситуационного управления режимами СЭС.

1.6 Выводы.

2 СИТУАЦИОННОЕ УПРАВЛЕНИЕ СОСТОЯНИЯМИ СЭС.

2.1 Принцип ситуационного управления состояниями СЭС.

2.2 Идентификация состояний.

2.2.1 Постановка задачи.

2.2.2 Методика нейро-нечеткой идентификации состояний СЭС.

2.3 Оптимизация состояний.

2.3.1 Постановка задачи.

2.3.2 Генетические алгоритмы оптимизации.

2.4 Классификация состояний.

2.4.1 Постановка задачи.

2.4.2 Алгоритм решения задачи нечеткой кластеризации методом нечетких с-средних.

2.4.3 Алгоритм решения задачи определения числа кластеров методом субтрактивной кластеризации.

2.5 Распознавание состояний.

Л 2.6 Выводы.

3 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ СОСТОЯНИЙ СЭС

3.1 Идентификация состояний СЭС АГК.

3.2 Оптимизация состояний СЭС АГК.

3.3 Классификация состояний СЭС АГК.

3.4 Распознавание состояний СЭС АГК.

3.5 Выводы.

4 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ИДЕНТИФИКАЦИИ, ОПТИМИЗАЦИИ, КЛАССИФИКАЦИИ И РАСПОЗНАВАНИЯ СОСТОЯНИЙ СЭС В СРЕДЕ MATLAB.

4.1 Обоснование использования системы MATLAB для программной реализации идентификации, оптимизации, классификации и распознавания состояний СЭС.

4.2 Моделирование нейро-нечеткой идентификации состояний СЭС.

4.3 Моделирование генетической оптимизации состояний СЭС.

4.4 Моделирование классификации состояний СЭС на основе нечеткой и субтрактивной кластеризации.

4.5 Моделирование распознавания состояний СЭС.

4.6 Выводы.

Актуальность темы. Прикладные исследования последних лет показали, что обычные методы анализа систем и моделирования на электронно-вычислительных машинах (ЭВМ), основанные на точной обработке численных данных, по существу не способны охватить огромную сложность реальных технологических процессов, которые определяют, в частности, режимы систем электроснабжения (СЭС). В свою очередь, режимы СЭС определяют и величину потерь в распределительных сетях, и производительность оборудования. Поэтому становится всё более очевидным появление определенных классов задач управления, связанных с принятием решений оператором в контуре «человек - ЭВМ», осуществление диалога в котором происходит посредством применения лингвистических переменных.

В качестве методологической основы для решения подобных задач используется все более популярные в настоящее время искусственные нейронные сети, генетические алгоритмы, теория нечетких множеств и нечеткая логика в совокупности с ситуационным управлением. Под ситуационным управлением понимается управление, основанное на выявлении проблемных ситуаций и преобразовании имеющейся информации в управленческие решения, приводящие к их разрешению. Достоинства нечеткой логики, которые в наибольшей мере проявляются в нечетком управлении, заключаются, прежде всего, в том, что нечеткая логика позволяет удачно представить мышление человека, а именно способы принятия решений человеком, и способы моделирования сложных объектов средствами естественного языка. Нейронные сети, в свою очередь, широко используются для настройки параметров системы нечеткого логического вывода, а генетические алгоритмы - для оптимизации целевой функции.

Совокупность теории нечетких множеств и нечеткой логики образует систему алгоритмов нечеткого управления, реализация которых применительно к ситуационному управлению требует организации периодического измерения исследуемых параметров в реальном масштабе времени. Эту возможность предоставляют автоматизированные системы контроля и учета электроэнергии (АСКУЭ) либо другие совокупности датчиков для измерения электрических параметров, действующие на промышленных предприятиях. В этой связи представляется актуальным управление режимами СЭС методами искусственного интеллекта в темпе потребления электроэнергии (ЭЭ).

Техническая задача. Экономия электрической энергии и повышение ее качества является одной из важнейших составляющих увеличения эффективности современного производства и развития социальной сферы. Поэтому весьма важной задачей для экономики является совершенствование управления режимами СЭС (в частности, управления режимами реактивной мощности и напряжения) в реальном масштабе времени с помощью таких электроустановок, как трансформаторы главных понизительных подстанций (ГПП) с регулированием под нагрузкой (РПН) и высоковольтные синхронные двигатели (СД), минимизация потерь активной ЭЭ и мощности, повышение качества напряжения на зажимах электроприемников (ЭП).

Научная задача. Для решения данной технической задачи необходимо создать соответствующую ситуационную модель управления режимами реактивной мощности и напряжения СЭС промышленного предприятия, для разработки которой целесообразно использовать методы искусственного интеллекта. Работа такой модели должна быть настроена таким образом, чтобы на ее основе некоторое логическое устройство, воздействуя одновременно на исполнительные механизмы трансформаторов с РПН и СД, обеспечивало выполнение ряда основных условий: а) напряжения в узлах нагрузки СЭС должны находиться в нормируемом диапазоне; б) реактивная мощность в точке раздела с внешней энергосистемой должна быть полностью скомпенсирована; в) потери ЭЭ в распределительной сети предприятия должны быть сведены к минимуму при соблюдении первых двух условий.

Объект исследований - системы электроснабжения промышленных предприятий с большой установленной мощностью СД и наличием трансформаторов с РПН.

Предмет исследований - ситуационное управление режимами реактивной мощности и напряжения СЭС промышленного предприятия в совокупности с методами искусственного интеллекта.

Материалы диссертационных исследований включены в учебные программы дисциплин «Математические задачи в электроэнергетике», «Оптимизация электроснабжения промышленных предприятий» специальности 140211.65 - «Электроснабжение» и используются в учебном процессе на кафедре электроснабжения и электрического транспорта Политехнического института Сибирского федерального университета.

Цель исследований - разработка методик идентификации, оптимизации, классификации и распознавания состояний для эффективного управления в реальном масштабе времени режимами реактивной мощности и напряжения СЭС в узлах нагрузки с помощью методов искусственного интеллекта.

Задачи исследований:

1) обосновать математический аппарат, адекватный задачам исследования управления режимами реактивной мощности и напряжения СЭС;

2) разработать методику распознавания состояний СЭС, дополняемую идентификацией состояний СЭС с применением нейро-нечеткой сети и оптимизацией состояний СЭС на основе генетического алгоритма.

3) разработать методику классификации состояний СЭС с помощью субтрактивной и нечеткой кластеризации;

4) выполнить численный эксперимент в программной среде на основе математической модели, адекватной реальному объекту.

Основная идея диссертации заключается в реализации ситуационного управления, основанной на методах искусственного интеллекта для управления режимами реактивной мощности и напряжения СЭС промышленного предприятия в темпе потребления ЭЭ.

Методы исследований. В настоящей работе использованы методы теории нечетких множеств и нечеткой логики, методы ситуационного управления, теории нейронных сетей и генетических алгоритмов, математического моделирования, теории вычислительного эксперимента, теории принятия решения, методы кластерного анализа, программные и языковые средства современных компьютерных технологий.

Основные тезисы, выносимые на защиту:

1) разработанная методика распознавания состояний СЭС, дополняемая нейро-нечеткой идентификацией и генетической оптимизацией состояний СЭС позволяет решить вопрос о принадлежности текущего состояния к некоторому классу, улучшает качество идентификации какого-либо состояния вследствие уменьшения среднеквадратической ошибки, повышает скорость процесса оптимизации целевой функции суммарных потерь активной мощности по СЭС за счет одновременного использования множества точек поискового пространства без последовательного перехода от точки к точке.

2) разработанная методика классификации состояний СЭС, основанная на методах нечеткого кластерного анализа, относит к одному классу состояния, которые имеют наибольшую степень принадлежности к нему. Научная новизна:

1) сформулированы и реализованы алгоритмически принципы распознавания, идентификации, оптимизации и классификации состояний для решения задачи оптимального управления режимами реактивной мощности и напряжения СЭС на основе методов искусственного интеллекта;

2) разработана методика оптимального управления режимом реактивной мощности и напряжения СЭС, заключающаяся в развитии принципа ситуационного управления для такого объекта, как СЭС, и реализуемая с использованием аппаратов теории нечетких множеств и нечеткой логики, генетических алгоритмов и гибридных нейронных сетей, отличающихся от традиционных методов своей высокой эффективностью.

Апробация результатов диссертации. Основные положения диссертационной работы докладывались и обсуждались на:

- XII Международной научно-практической конференции студентов и молодых ученых «Современные техника и технологии СТТ 2006», Томск, 2006

- IV Всероссийской научно-практической конференции «Энергоэффективность систем жизнеобеспечения города», Красноярск, 2005;

- V Региональной научно-практической конференции «Интеллектуальные ресурсы ХТИ - филиала КГТУ - Хакасии - 2005 (наука, техника, образование)», Абакан, 2005;

- семинарах кафедры электроснабжения промышленных предприятий ХТИ - филиала КГТУ;

- семинарах кафедры электроснабжения и электрического транспорта КГТУ.

Публикации. По материалам диссертации опубликовано 7 печатных работ.

Объем и структура диссертации. Диссертационная работа состоит из введения, четырех разделов с выводами, заключения, четырех приложений и библиографического списка из 108 наименований, включая работы автора. Основной текст, содержащий 143 страницы машинописного текста, иллюстрирован 31 рисунком и 23 таблицами.

4.6 Выводы

1. Для решения задачи программной реализации разработанных методик идентификации, оптимизации, классификации и распознавания состояний СЭС требуется подготовка данных для системы MATLAB, которые могут быть получены от персонального компьютера, обрабатывающего поступающую информацию от АСКУЭ в темпе потребления ЭЭ.

2. Предложенная программная реализация разработанных методик идентификации, оптимизации, классификации и распознавания состояний СЭС на основе готовых программных пакетов Fuzzy Logic Toolbox и Genetic Algorithm and Direct Search Toolbox обладает высокой эффективностью, что позволяет сделать вывод о ее пригодности для решения реальных задач управления режимами реактивной мощности и напряжения СЭС предприятий.

130

ЗАКЛЮЧЕНИЕ

1. Применение современных эффективных математических методов в области искусственного интеллекта позволяет радикально изменить существующую методику оптимального управления режимами реактивной мощности и напряжения. Доказано, что для этой цели целесообразно использовать нейро-нечеткие сети, генетические алгоритмы, нечеткий кластерный анализ и субтрактивную кластеризацию.

2. Разработанная методика идентификации состояний СЭС с применением нейро-нечеткой сети позволяет с большей точностью по сравнению с регрессионными зависимостями идентифицировать какое-либо состояние вследствие существенного уменьшения среднеквадратической ошибки отклонения модельных результатов от экспериментальных.

3. Методика генетической оптимизации дает возможность с увеличением количества факторов (управляющих параметров) минимизировать время, необходимое для расчета, по сравнению с методами нелинейного программирования, и, наряду с этим, не требует задания стартовой точки, позволяет учитывать любые виды ограничений и найти максимально близкое к оптимуму решение задачи.

4. Предложенная методика нахождения числа кластеров (классов), в которые объединяются по специальным признакам исследуемые состояния СЭС, позволяет найти оптимальное количество классов. Выявлена закономерность между радиусом окрестности нечеткого кластера и количеством классов, которая близка к обратно пропорциональной зависимости. При этом методика классификации состояний СЭС при помощи метода нечетких с-средних по сравнению с методикой на основе ТРО, значительно улучшает качество разбиения множества состояний СЭС на классы, что является фундаментальной задачей управления режимами реактивной мощности и напряжения СЭС предприятий.

5. Методика распознавания состояний, которая сравнивает поступающую на входы системы информацию о текущем состоянии после обработки в

ННС и треугольных функциях принадлежности, с информацией, имеющейся в памяти системы управления, использует значение порога распознавания на уровне 0,4 и улучшает качество распознавания.

6. В целом, разработанная методика оптимального управления режимами реактивной мощности и напряжения, включающая этапы распознавания, идентификации, оптимизации и классификации состояний СЭС повышает точность регулирования параметров СЭС до требуемых значений и, за счет использования распараллеливания вычислительных процессов, позволяет увеличить и скорость расчетов, что важно для осуществления управления системой в реальном масштабе времени.

7. Программный инструмент MATLAB с помощью уже готовых подпрограмм дает возможность воспроизвести каждый этап алгоритма ситуационного управления.

1. Абакумов, Ю. М. Опыт проектирования и внедрения АСКУЭ промышленного предприятия на базе КТС «Энергия» / Ю. М. Абакумов, А. А. Мартынов, О. В. Саламатов, П. Ф. Орехов // Промышленная энергетика №6. -2002.-С. 28-33.

2. Автоматизация, информатизация, моделирование процессов и систем: Материалы 23 Науч. конф., 4-7 дек. 2001 г. Редкол.: В.И. Емельянов отв. ред. и др.. - Новомосковск: Новомоск. ин-т Рос. хим.-технол. ун-та им. Д.И. Менделеева. - 2002. - 91 с.

3. Буторин, А. А. Определение располагаемой реактивной мощности насыщенных неявнополюсных синхронных двигателей в условиях эксплуатации / А. А. Буторин, И. А. Ниссельбаум // Промышленная энергетика №3. 1991.-С. 33-35.

4. Васильев, В. И. Интеллектуальные системы управления с использованием нечеткой логики / В. И. Васильев, Б. Г. Ильясов // Учеб. пособие; Уфим. гос. авиац. техн. ун-т. Уфа: УГАТУ. - 1995. - 99 с.

5. Вершинин, П. П. Рациональный режим напряжения синхронных двигателей // Промышленная энергетика №3. 1987. - С. 23-25.

6. Вершинин, П. П. Повышение эффективности использования синхронных двигателей для компенсации реактивных нагрузок / П. П. Вершинин, А. В. Бугаенко, А. Г. Цыганок // Промышленная энергетика №8. 1989. - С. 4446.

7. Галкина, В. А. Дискретная математика: комбинаторная оптимизация на графах. М.: Гелиос АРВ. - 2003. - 232 с.

8. Гальченко, В. Я. Использование генетических алгоритмов в структурном синтезе источников магнитных полей с заданными свойствами / В. Я. Гальченко, М. А. Воробьев // Информационные технологии №7. 2003. -С. 7-12.

9. Горбань, А. Н. Обучение нейронных сетей. М.: СП ПараГраф. - 1990.190 с.

10. ГОСТ 13109-97. Электрическая энергия. Совместимость технических средств электромагнитная. Нормы качества электрической энергии в системах электроснабжения общего назначения.

11. Гостев, В. И. Синтез нечетких регуляторов систем автоматического управления. Киев: Радюаматор. - 2003. - 510 с.

12. Диденко, С. А. Система поддержки принятия решения при оперативном управлении тепловой электрической станцией: Дисс. . канд. техн. наук: 05.14.02. Новосибирск. - 2003. - 140 с.

13. Жежеленко, И. В. Показатели качества электроэнергии и их контроль на промышленных предприятиях. 2-е изд., перераб. и доп. М.: Энергоатом-издат. - 1986.- 168 с.

14. Железко, Ю. С. Компенсация реактивной мощности и повышение качества электроэнергии. М.: Энергоатомиздат. - 1985. - 224 с.

15. Жмак, Е. И. Регулирование напряжения в электроэнергетических системах на основе нечеткой логики. Дисс. . канд. техн. наук: 05.14.02. Новосибирск. - 2004. - 120 с.

16. Заде, JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир. - 1976. - 167 с.

17. Иванов, В. С. Режимы потребления и качество электроэнергии систем электроснабжения промышленных предприятий / В. С. Иванов, В. И. Соколов. М.: Энергоатомиздат. - 1987. - 336 с.

18. Интеллектуальные технологии в задачах идентификации и управления * Межвуз. сб. науч. тр. Моск. гос. ин-т радиотехники, электроники и автоматики (техн. ун-т); Редкол.: И. М. Макаров (отв. ред.) и др.. М.: МИ-РЭА. - 1997. - 119 с.

19. Киреева, Э. А. Рациональное использование электроэнергии в системах промышленного электроснабжения. М.: Энергопрогресс: Энергетик. -2000.-74 с.

20. Кирилина, О. И. Управление потреблением реактивной мощности промышленных узлов нагрузки: Дисс. . канд. техн. наук: 05.09.03.

21. Красноярск. 2001. - 204 с.

22. Клыков, Ю.И. Ситуационное управление большими системами. М.: Энергия. - 1974.- 136 с.

23. Комарцова, Л.Г. Нейрокомпьютеры / Л.Г. Комарцова, А.В. Максимов. -М.: Изд-во МГТУ им. Баумана. 2002. - 320 с.

24. Кофман, А. Введение в теорию нечетких множеств; Перевод с фр. В. Б. Кузьмина. М.: Радио и связь. - 1982. - 432 с.

25. Кричевский, М. Л. Интеллектуальные методы в менеджменте. СПб.: Питер. - 2005. - 304 с.

26. Круглов, В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. М.: Горячая линия. - Телеком. - 2001. - 382 с.

27. Круглов, В.В. Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голунов. М.: Физматлит. - 2001. - 224 с.

28. Кудрин, Б. И. Электроснабжение промышленных предприятий: Учебник для вузов. М.: Интермет Инжиниринг. - 2005. - 672 с.

29. Курейчик, В.М. Генетические алгоритмы // Перспективные информационные технологии и интеллектуальные системы № 1. 2000. - С. 18-22.

30. Курейчик, В. М. Перспективные архитектуры генетического поиска // Перспективные информационные технологии и интеллектуальные системы №12000. С. 58-60.

31. Леоненков, А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург. - 2003. - 736 с.

32. Малышев, Н. Г. Нечеткие модели для экспертных систем в САПР / Н. Г. Малышев, Л. С. Берштейн, А. В. Боженюк. М.: Энергоатомиздат. - 1991.-136 с.

33. Манусов, В. 3. Моделирование режимов систем электроснабжения в условиях неполной информации / В. 3. Манусов, С. М. Моисеев, И. J1. Озерных. Новосибирск: НЭТИ. - 1985. - 75 с.

34. Манусов, В. 3. Оптимальное размещение линейных регуляторов на основе генетического алгоритма / В. 3. Манусов, Д. А. Павлюченко // Проблемы энергетики №2. 2003. - С. 11-18.

35. Манусов, В. 3. Эволюционный алгоритм оптимизации режимов электроэнергетических систем по активной мощности / В. 3. Манусов, Д. А. Павлюченко // Электричество №3. 2004. - С. 2-8.

36. Маркушевич, Н. С. Регулирование напряжения и экономия электроэнергии. М.: Энергоатомиздат. - 1984. - 104 с.

37. Мартынова, М. А. Ситуационный анализ и управление опасными производственными объектами: Автореф. дисс. . канд. техн. наук: 05.13.06. -Тул. гос. ун-т, Тула. 2003. - 20 с.

38. Мезенцев, П. Е. Оценка энергетической безопасности территорий и принятие решений по развитию электроэнергетических систем с применением теории нечетких множеств: Дисс. . канд. техн. наук: 05.14.02. -Екатеринбург. 2004. - 140 с.

39. Минаков, И. А. Сравнительный анализ некоторых методов случайного поиска и оптимизации // Известия Самарского научного центра Российской академии наук №2. 1999. - С. 286-293.

40. Митюшкин, Ю. И. Soft computing: идентификация закономерностей нечеткими базами знаний / Ю. И. Митюшкин, Б. И. Мокин, А. П. Ротштейн; М-во образования и науки Украины. Винницкий гос. техн. ун-т. Вшниця: Ушверсум-Вшниця. - 2002. - 145 с.

41. Многофункциональный микропроцессорный счетчик электрической энергии типа ЕвроАЛЬФА. Руководство по эксплуатации. ДЯИМ.411152.003-11РЭ.

42. Могиленко, А. В. Теория нечетких множеств. Нечеткий регрессионный анализ. Томск: Печ. Мануфактура. - 2004. - 61 с.

43. Моделирование в приложении Simulink системы Matlab: Учебно-методическое пособие для студентов специальностей / Сост. Н. И. Зубков, Е. В. Платонова. Красноярск, КГТУ. - 2004. - 176 с.

44. Нейлор, Т. Машинные имитационные эксперименты с моделями экономических систем / Пер. с англ. М.: Мир. - 1975. - 502 с.

45. Нечеткие множества в моделях управления и искусственного интеллекта / А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун, В.Б. Силов, В.Б. Тарасов / Под ред. Д.А. Поспелова. М.: Наука. Гл. ред. физ.-мат. лит. - 1986. - 312 с.

46. Организация и обучение искусственных нейронных сетей: Учеб. пособие / Авт.-сост. Л. В. Калацкая, В. А. Новиков, В. С. Садов. Мн.: БГУ. - 2003. -75 с.

47. Оссовский, С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика. - 2002. - 344 с.

48. Паклин, Н.Б. Адаптивные модели нечеткого вывода для идентификациинелинейных зависимостей в сложных системах: Дисс. . канд. техн. наук.- Ижевск. 2004. - 162 с.

49. Пантелеев, В. И. К построению систем управления режимами электроснабжения предприятий / Под ред. А. А. Михеева, В. А. Кулагина // Вестник Ассоциации выпускников КГТУ. Вып. 12. Красноярск: ИПЦ КГТУ. -2005.-С. 140-146.

50. Пантелеев, В. И. Управление режимами реактивной мощности и напряжения промышленного предприятия: Науч. издание / В. И. Пантелеев, А. Н. Филатов. Красноярск: ИПЦ КГТУ. - 2005. - 125 с.

51. Пантелеев, В. И. Методы искусственного интеллекта в управлении режимами систем электроснабжения предприятий / В. И. Пантелеев, А. Н. Туликов // «Доклады ТУСУРа» №2 (16). 2007. - С. 28-34.

52. Поспелов, Д. А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат. 1981. -231 с.

53. Поспелов, Д. А. Ситуационное управление: теория и практика. М.: Наука. - Гл. ред. физ.-мат. лит. - 1986. - 286 с.

54. Постановление правительства Российской Федерации от 11 июля 2001 г. N 526 «О реформировании электроэнергетики Российской Федерации» // Собрание законодательства РФ, 16.07.2001, №29, ст.3032.

55. Правила учета электрической энергии (Зарегистрировано в Минюсте РФ 24 октября 1996 г. N 1182) // Бюллетень нормативных актов федеральных органов исполнительной власти №9. 1996.

56. Ротштейн, А. П. Интеллектуальные технологии идентификации: нечеткаялогика, генетические алгоритмы, нейронные сети. Винница: УНИВЕРСУМ - Винница. - 1999. - 320 с.

57. Рыжов, А.П. Элементы теории нечетких множеств и измерения нечеткости. М.: Диалог-МГУ. - 2000. - 116 с.

58. Сазыкин, В. Г. Автоматизированная система управления многосвязанными параметрами // Промышленная энергетика №1. 1997. - С. 33-34.

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

60. Сазыкин, В. Г. Классификация экспертных систем в электроэнергетике // Электричество №4. 1993. - С. 10-17.

61. Сазыкин, В. Г. Нечетко-множественный подход к принятию решений в новом поколении АСУ // Промышленная энергетика №10. 1995. - С. 26-29.

62. Сазыкин, В. Г. Проблемы и пути становления технологии искусственного интеллекта в энергетике // Промышленная энергетика №5. 1993. - С. 2428.

63. Сазыкин, В. Г. Расширение и классификация используемых в задачах электроснабжения нечетких чисел // Электричество №6. 1996. - С. 33-38.

64. Сазыкин, В. Г. Формирование основных требований к новому поколению автоматизированных систем управления // Промышленная энергетика №8. 1995.-С. 19-24.

65. Сазыкин, В. Г. Экспертная система для нового поколения АСУ // Промышленная энергетика №11. 1995. - С. 22-28.

66. Сапронов, А. А. К вопросу о создании эффективного механизма контроля и учета энергопотребления в сетях 0,4 кВ // Промышленная энергетика №1.-2004.-С. 22-28.

67. Симанков, В. С. Ситуационное управление сложным объектом в условиях нечеткой исходной информации / В. С. Симанков, А. В. Шопин // Труды ФОРА №9.-2004.-С. 116-120.

68. Соловьев, В. А. Управление тепловыми и энергетическими процессами на основе нечеткой логики. Владивосток: Дальнаука. - 2003. - 181 с.

69. Стальский, В. В. Нечеткая логика и ее применение в автоматическом регулировании: Учеб. пособие; М-во общ. и проф. образования РФ. С.-Петерб. гос. горн, ин-т им. Г. В. Плеханова. СПб.: С.-Петерб. гос. горн, ин-т им. Г. В. Плеханова. - 1998. - 91 с.

70. Тарасов, В. Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном // Новости искусственного интеллекта №4. 1995. - С. 12-16.

71. Терехов, В. М. Алгоритмы фаззи-регуляторов в электротехнических системах // Электричество №12. 2001. - С. 55-63.

72. Терехов, В. М. Фаззи-управление в электротехнических системах // Электрика №6. 2002. - С. 40-44.

73. Ткачева, Ю. И. Разработка методов и технических средств по снижению потерь электроэнергии в распределительных сетях низкого напряжения: Дисс. канд. техн. наук: 05.09.03.-Комсомольск-на-Амуре. -2003. 185 с.

74. Усков, А. А. Интеллектуальные системы управления на основе методов нечеткой логики / А. А. Усков, В. В. Круглов. Смоленск: Смол. гор. тип. -2003.- 176 с.

75. Федеральный закон от 14 апреля 1995 г. Н41-Ф3 «О государственном регулировании тарифов на электрическую и тепловую энергию в Российской Федерации» (в ред. Федерального закона от 26.03.2003 N 38-Ф3) // Конitсультант Плюс, Выпуск 3. 2005.

76. Федеральный закон от 26 марта 2003 г. N35-®3 «Об электроэнергетике» (в ред. Федерального закона от 22.08.2004 N 122-ФЗ) // Консультант Плюс, Выпуск 3.-2005.

77. Федеральный закон от 3 апреля 1996 г. N 28-ФЗ «Об энергосбережении» (в ред. Федерального закона от 05.04.2003 N 42-ФЗ) // Консультант Плюс, Выпуск 3.-2005.

78. Филатов, А. Н. Управление режимом реактивной мощности и напряжения промышленного предприятия: Дисс. . канд. техн. наук: 05.09.03. -Красноярск. 1997. - 120 с.

79. Чернецкий, В. О. Анализ и синтез систем управления с нечеткой логикой: Учеб. пособие. М-во образования Рос. Федерации. Юж.-Урал. гос. ун-т. Каф. систем упр. - Челябинск: Изд-во ЮУрГУ. - 2002. - 51 с.

80. Чуканов, С. Н. Интеллектуальные информационные системы: системы с нечеткой логикой: Учеб. Пособие. Омск: Ом. гос. техн. ун-т. - 2002. - 52 с.

81. Шеметов, А. Н. Управление режимами электропотребления агломерационного производства с целью повышения его эффективности: Дисс. . канд. техн. наук: 05.09.03. Магнитогорск. - 2003. - 168 с.

82. Шклярский, Я. Э. Методы и средства повышения эффективности управления потоками реактивной мощности электротехнических комплексов горнодобывающих предприятий: Дисс. докт. техн. наук: 05.09.03. СПб. -2004.-258 с.

83. Штовба, С. Д. Введение в теорию нечетких множеств и нечеткую логику. -Винница: УНИВЕРСУМ Винница. - 2004. - 297 с.

84. Штовба, С. Д. Идентификация нелинейных зависимостей с помощью нечеткого логического вывода в пакете MATLAB // Exponenta Pro: Математика в приложениях № 2. 2003. - С. 9-15.

85. Щербаков, Е. Ф. Оптимизация потерь мощности в электрических сетях и синхронных двигателях при использовании их для компенсации реактивной мощности / Е. Ф. Щербаков, В. М. Петров // Промышленная энергетика №5. 1997. - С. 40-42.

86. Ярушкина, Н. Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика. - 2004. - 319 с.

87. Fuzzy Logic Toolbox. User's Guide. Version 2. The Math Works. Inc. - 1999.

88. Genetic Algorithm and Direct Search Toolbox. User's Guide. Version 2. The Math Works. Inc. - 2006.

89. Gen, M. Genetic Algorithms and Engineering design / M. Gen, R. Cheng. -USA: John Wiley & Sons. 1997. - 352 p.

90. Yager, R. Essentials of Fuzzy Modeling and Control / R. Yager, D. Filev. -USA: John Wiley & Sons. 1994. - 388 p.