Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей

В статье сформирована нейро-фаззи сеть с учетом температурного мониторинга воздушной линии. Отличительной особенностью, предложенной сети, являются возможность обработки информации, заданной в разных шкалах измерения, и высокое быстродействие для прогнозирования режимов работы электрической сети....

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2016
Hauptverfasser:	Мороз, А.Н., Черемисин, Н.М., Черкашина, В.В., Холод, А.В.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут технічних проблем магнетизму НАН України 2016
Schriftenreihe:	Електротехніка і електромеханіка
Schlagworte:	Електричні станції, мережі і системи
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/147050
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей / А.Н. Мороз, Н.М. Черемисин, В.В. Черкашина, А.В. Холод // Електротехніка і електромеханіка. — 2016. — № 1. — С. 65-68. — Бібліогр.: 10 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-147050
record_format	dspace
spelling	irk-123456789-1470502019-02-14T01:26:15Z Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей Мороз, А.Н. Черемисин, Н.М. Черкашина, В.В. Холод, А.В. Електричні станції, мережі і системи В статье сформирована нейро-фаззи сеть с учетом температурного мониторинга воздушной линии. Отличительной особенностью, предложенной сети, являются возможность обработки информации, заданной в разных шкалах измерения, и высокое быстродействие для прогнозирования режимов работы электрической сети. У статті сформована нейро-фаззі мережа з урахуванням температурного моніторингу повітряної лінії. Відмінною особливістю, запропонованої мережі, є можливість обробки інформації, яку задано в різних шкалах вимірювання, і висока швидкодія для прогнозування режимів роботи електричної мережі Purpose. Form a neuro-fuzzy network based on temperature monitoring of overhead transmission line for the prediction modes of the electrical network. Methodology. To predict the load capacity of the overhead line architecture provides the use of neuro-fuzzy network based on temperature monitoring of overhead line. The proposed neuro-fuzzy network has a fourlayer architecture with direct transmission of information. To create a full mesh network architecture based on hybrid neural elements with power estimation accuracy of the following two stages of the procedure: - in the first stage a core network (without power estimation accuracy) is generated; - in the second stage architecture and network parameters are fixed obtained during the first stage, and it is added to the block estimation accuracy, the input signals which are all input, internal and output signals of the core network, as well as additional input signals. Results. Formed neuro-fuzzy network based on temperature monitoring of overhead line. Originality. A distinctive feature of the proposed network is the ability to process information specified in the different scales of measurement, and high performance for prediction modes mains. Practical value. The monitoring system will become a tool parameter is measuring the temperature of the wire, which will, based on a retrospective analysis of the accumulated information on the parameters to predict the thermal resistance of the HV line and as a result carry out the calculation of load capacity in real time. 2016 Article Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей / А.Н. Мороз, Н.М. Черемисин, В.В. Черкашина, А.В. Холод // Електротехніка і електромеханіка. — 2016. — № 1. — С. 65-68. — Бібліогр.: 10 назв. — рос. 2074-272X DOI: https://doi.org/10.20998/2074-272X.2016.1.12 http://dspace.nbuv.gov.ua/handle/123456789/147050 621.315 ru Електротехніка і електромеханіка Інститут технічних проблем магнетизму НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Електричні станції, мережі і системи Електричні станції, мережі і системи
spellingShingle	Електричні станції, мережі і системи Електричні станції, мережі і системи Мороз, А.Н. Черемисин, Н.М. Черкашина, В.В. Холод, А.В. Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей Електротехніка і електромеханіка
description	В статье сформирована нейро-фаззи сеть с учетом температурного мониторинга воздушной линии. Отличительной особенностью, предложенной сети, являются возможность обработки информации, заданной в разных шкалах измерения, и высокое быстродействие для прогнозирования режимов работы электрической сети.
format	Article
author	Мороз, А.Н. Черемисин, Н.М. Черкашина, В.В. Холод, А.В.
author_facet	Мороз, А.Н. Черемисин, Н.М. Черкашина, В.В. Холод, А.В.
author_sort	Мороз, А.Н.
title	Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей
title_short	Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей
title_full	Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей
title_fullStr	Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей
title_full_unstemmed	Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей
title_sort	нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей
publisher	Інститут технічних проблем магнетизму НАН України
publishDate	2016
topic_facet	Електричні станції, мережі і системи
url	http://dspace.nbuv.gov.ua/handle/123456789/147050
citation_txt	Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей / А.Н. Мороз, Н.М. Черемисин, В.В. Черкашина, А.В. Холод // Електротехніка і електромеханіка. — 2016. — № 1. — С. 65-68. — Бібліогр.: 10 назв. — рос.
series	Електротехніка і електромеханіка
work_keys_str_mv	AT morozan nejrosetevoemodelirovanievzadačahprognozirovaniârežimovrabotyélektričeskihsetej AT čeremisinnm nejrosetevoemodelirovanievzadačahprognozirovaniârežimovrabotyélektričeskihsetej AT čerkašinavv nejrosetevoemodelirovanievzadačahprognozirovaniârežimovrabotyélektričeskihsetej AT holodav nejrosetevoemodelirovanievzadačahprognozirovaniârežimovrabotyélektričeskihsetej
first_indexed	2025-07-11T01:14:55Z
last_indexed	2025-07-11T01:14:55Z
_version_	1837311203711385600
fulltext	ISSN 2074-272X. Електротехніка і Електромеханіка. 2016. №1 65 © А.Н. Мороз, Н.М. Черемисин, В.В. Черкашина, А.В. Холод УДК 621.315 doi: 10.20998/2074-272X.2016.1.12 А.Н. Мороз, Н.М. Черемисин, В.В. Черкашина, А.В. Холод НЕЙРО-СЕТЕВОЕ МОДЕЛИРОВАНИЕ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ РЕЖИМОВ РАБОТЫ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ У статті сформована нейро-фаззі мережа з урахуванням температурного моніторингу повітряної лінії. Відмінною особливістю, запропонованої мережі, є можливість обробки інформації, яку задано в різних шкалах вимірювання, і висока швидкодія для прогнозування режимів роботи електричної мережі. Бібл. 10, рис. 1. Ключові слова: електрична мережа, нейромережа, нейро-фаззі мережа, температурний моніторинг повітряної лінії, прогнозування режимів роботи електричної мережі. В статье сформирована нейро-фаззи сеть с учетом температурного мониторинга воздушной линии. Отличительной особенностью, предложенной сети, являются возможность обработки информации, заданной в разных шкалах изме- рения, и высокое быстродействие для прогнозирования режимов работы электрической сети. Библ. 10, рис. 1. Ключевые слова: электрическая сеть, нейросеть, нейро-фаззи сеть, температурный мониторинг воздушной линии, прогнозирование режимов работы электрической сети. Введение. Важным фактором, влияющим на ре- жим работы электрических сетей (ЭС), является воз- растание нагрузки и старение электросетевого обору- дования, что характерно и для большинства промыш- ленно развитых стран мира. Пропускная способность ЭС с течением времени снижается за счёт разветвлён- ности и усложнения конфигурации сети. Данный факт приводит к увеличению нагрузки воздушных линий (ВЛ), как магистральных, так и распределительных. Отсутствие информации о реальных параметрах ВЛ заставляет использовать приближенные к реальности расчеты допустимых режимов работы сети. В боль- шинстве случаев они не соответствуют действитель- ному состоянию режимов работы сетей, что ведет к значительному уменьшению транзитных перетоков мощности и перегрузке элементов ЭС. Для устранения недопустимой перегрузки элемен- тов ЭС предусмотрены средства противоаварийной ав- томатики. Устройства автоматического ограничения перегрузки ВЛ предназначены для противоаварийного управления, включающего в себя: изменение конфигу- рации ЭС, отключение части потребителей электриче- ской энергии, категория надёжности которых допускает перерыв электроснабжения, отключение ВЛ. Основное требование к таким устройствам – селек- тивность действия, т.е. автоматика должна действовать только в недопустимых режимах работы, не ограничи- вая пропускную способность ЭС. Спрогнозировать про- пускную способность ЭС возможно на основе реальной и накопленной информации о ее параметрах. Анализ последних публикаций. Как показал анализ научных информационных источников, задачи прогнозирования потребления электроэнергии реша- ются практически всеми организациями, связанными с производством и её распределением. Для решения этих задач используются как традиционные методы прогнозирования (регрессионный, корреляционный, спектральный анализы, подход Бокса-Дженкинса, экспоненциальное сглаживание, адаптивные предик- торы и т.п.), так и более «продвинутые» подходы, основанные на интеллектуальном анализе данных – Data Mining [1]. Преимущество традиционных подходов состоит в простоте применения прогнозирующих моделей и наличии доступного программного обеспечения. Од- нако, в силу того, что связи между потреблением электроэнергии и влияющими на него факторами за- частую носят сложный нелинейный характер, в рам- ках указанных подходов получить приемлемые по точности прогнозы удается далеко не всегда [2]. Существенные трудности при использовании систем вычислительного интеллекта возникают в слу- чае, когда часть обрабатываемой информации задана не в количественной, а в порядковой или номиналь- ной шкалах. Ставшие уже традиционными нейро- и нейро-фаззи сети плохо приспособлены к обработке информации вида «плохая, нормальная, хорошая по- года», «сильный или слабый ветер», «облачно – ту- манно – морозно» и т.п. [3]. В связи с этим предлагается синтез прогнози- рующей нейро-фаззи сети, способной к восприятию данных в разных шкалах и алгоритма ее обучения, обладающего высокой скоростью сходимости и спо- собностью к обработке информации по мере ее по- ступления в реальном времени [4]. Эффективной альтернативой может служить подход, основанный на применении методов вычис- лительного интеллекта и, прежде всего, искусствен- ных нейронных сетей и систем нечеткого вывода. Эффективность этих систем связана с их универсаль- ными аппроксимирующими возможностями и спо- собностью к обучению непосредственно в процессе прогнозирования. На сегодня эти методы подтвердили свою эффек- тивность при решении широкого круга задач, связан- ных с прогнозированием в электроэнергетике [5-7]. Методы прогнозирования электрической нагрузки ЭС, архитектура которых основанная на базе гибридных нейроподобных элементов с блоком оценивания точно- сти, в значительной мере позволяет получить результа- ты максимально приближенные к реальным данным. Но учитывая значительное влияние условий окружающей среды (скорость и направление ветра, температура сре- ды и т.д.) на пропускную способность ВЛ, существует необходимость в насыщении количественными и поряд- ковыми переменными скрытого слоя, для более досто- верного прогноза допустимого режима ЭС [7-9]. 66 ISSN 2074-272X. Електротехніка і Електромеханіка. 2016. №1 Система мониторинга параметров ВЛ станет ин- струментом измерения температуры провода, что по- зволит на основе ретроспективного анализа накоплен- ной информации о параметрах ВЛ прогнозировать термическую стойкость линии и в результате прово- дить расчет допустимой нагрузки в реальном времени. Цель статьи – сформировать нейро-фаззи сеть с учетом температурного мониторинга воздушной ли- нии для прогнозирования режимов работы электриче- ской сети. Основные материалы исследования. Для про- гнозирования допустимой нагрузки ВЛ предлагается применение архитектуры нейро-фаззи сети с учетом температурного мониторинга ВЛ. Предлагаемая нейро-фаззи сеть имеет четырех- слойную архитектуру с прямой передачей информа- ции. Для создания полносвязной архитектуры сети на базе гибридных нейроподобных элементов с блоком оценивания точности выполнены два этапа процедур:  первым этапом генерируется основная сеть (без блока оценивания точности);  на втором этапе фиксируется архитектура и па- раметры сети, полученные в ходе выполнения первого этапа, и к ней добавляется блок оценивания точности, входными сигналами которого становятся все вход- ные, внутренние и выходные сигналы основной сети, а также дополнительные входные сигналы (при необ- ходимости). С нулевого слоя информация поступает на пер- вый скрытый слой задержек и фаззификации входных сигналов. В этом слое формируется предыстория про- гнозируемого сигнала, а также функции принадлеж- ности факторов, которые заданны в различных шка- лах измерений. С выхода этого слоя информация в числовой форме поступает на второй и третий скры- тые слои, которые сформированы из однотипных элементарных нейронов Розенблатта. Выходной слой образован единственным нейроном с нелинейной функцией активации, на выходе которого и формиру- ется прогнозируемый сигнал [9, 10]. Добавление блока оценивания точности значи- тельно расширяет эксплуатационные возможности сети за счет добавления к точечным аппроксимациям оценок их ожидаемой точности, что снижает уровень неопределенности в процессе дельнейшего принятия решений. На вход первого скрытого слоя подается инфор- мация:  количественные переменные: – текущее значение прогнозируемого сигнала y(k) (здесь k = 0, 1, 2,…, N имеет смысл текущего дис- кретного времени, N – длина выборки); – температура воздуха;  порядковые переменные: – относительная влажность в форме «низкая – средняя – высокая»; – скорость ветра в форме «штиль – слабый – сильный – ураганный»; – облачность в форме «ясно – переменная – плотная»; – номер часа в сутках: 0, 1, 2, …, 23; – день недели в форме «понедельник – вторник – … – воскресенье»;  номинальные переменные: – тип дня в форме «рабочий – выходной – праздничный – региональный праздник – перенесен- ный выходной – перенесенный рабочий»; – тип погоды в форме «без осадков – туман – дождь – снег». Переменные предварительно кодируются в ин- тервал [0, 1] следующим образом: minmax min ˆˆ ˆˆ~ ll ll l xx xx x    , (1)  1~ˆ~ˆˆ minmax  lllll xxxxx , (2) где lx̂ – значение l-й входной переменной в исходной шкале измерений: МВтч, С; lx~ – кодированное зна- чение l-й входной переменной; minˆlx , maxˆlx – мини- мальное и максимальное значение l-й входной пере- менной в исходной шкале. Далее, в первом скрытом слое с помощью эле- ментов задержки z1 формируется предыстория про- гнозируемого сигнала вида y(k1), y(k2), y(k24), y(k48), y(k168), y(k336), которая подается на вто- рой скрытый слой в виде набора x1(k), x2(k), x3(k), x4(k), x5(k), x6(k), при этом в зависимости от горизонта упреждения могут использоваться и другие значения задержек, отличные от указанных выше [8-10]. Далее в этом же слое производится фаззифика- ция сигналов температуры воздуха, номера часа в сутках, относительной влажности, скорости ветра, облачности и дня недели с помощью треугольных функций принадлежности, равномерно распределен- ных в интервале [0, 1] и которые имеют вид:  2 2 2 1 ,0~, ~ ll l ll l cx c xc    , (3)                             ,1,...,2 ,,~, ~ ,,~, ~ 1, 1, 1, 1, 1, 1, l illil liil lil liill illi ill li pi ccx cc xc ccx cc cx (4)  1,~, 1 ~ 1, 1, 1,        l l l l pll pl pll ip cx c cx , (5) где cli – расположение центра i-й функции принад- лежности l-й переменной, pl – количество функции принадлежности l-й переменной. Архитектура прогнозирующей нейро-фаззи сети с учетом параметров провода ВЛ показана на рис. 1. В результате обработки исходных данных в пер- вом скрытом слое формируется набор выходных сиг- налов o1 [1], o2 [1],…, on [1], которые далее подаются на второй скрытый слой в форме (n+1)1-вектора         Tnooox 11 2 1 1 2 ,...,,,1 , (6) где единичная компонента необходима для оценки смещения каждого из нейронов последующих слоев. ISSN 2074-272X. Електротехніка і Електромеханіка. 2016. №1 67 Рис. 1. Архитектура прогнозирующей многослойной нейро-фаззи сети Второй скрытый слой предлагаемой нейро-фаззи сети содержит n однотипных нейронов с нелинейны- ми сигмоидальными функциями активации j [2], j = 1, 2, …, n и содержит n(n+1) настраиваемых синаптиче- ских весов wji [2]. Выходной сигнал j-го нейрона второ- го скрытого слоя имеет вид                         n i ijijjjj xwuo 0 222222 , (7) где wj0 [2]  j [2] – уровень смещения j-го нейрона, а выходной сигнал слоя:         2222 xWo  , (8) где o[2](n1) – векторный сигнал, передаваемый на третий скрытый слой в виде x[3] = (1, o[2]T)T, [2] = diag{j [2]}  (nn) – матричная активационная функ- ция, W[2]  n(n+1) – матрица настраиваемых синап- тических весов. Третий скрытый слой содержит 2n+1 нейронов и формирует сигналы вида                         n i ijijjjj xwuo 0 333333 , (9)         3333 xWo  , (10) где [3] = diag{j [3]}  ((2n+1)(2n+1) – матричная активационная функция, W[3]  ((2n+1)(n+1)) – матрица настраиваемых синаптических весов, o[3]((2n+1)1) – векторный сигнал, передаваемый на выходной слой в виде     TTox 34 ,1 . Выходной слой сети образован единственным нейроном, формирующим скалярный сигнал прогноза                  444 12 0 44444ˆ xwxwuy T n i ii             , (11) где w[4]((2n+2)1) – вектор настраиваемых синапти- ческих весов. Объединяя выражения (9-11), передаточная функция сети в целом имеет вид:                 2223344ˆ xWWwy T  . (12) Предлагаемый в статье подход обеспечивает вы- сокую точность прогнозирования в условиях измен- чивости и стохастичности исходных данных для про- гнозирования набора взаимосвязанных временных рядов, описывающих потребление электрической энергии в пределах нескольких областей одной терри- тории, входящих в единую энергосистему. Выводы. Сформирована нейро-фаззи сеть с уче- том температурного мониторинга воздушной линии. Отличительной особенностью, предложенной сети, являются возможность обработки информации, за- данной в разных шкалах измерения, и высокое быст- родействие для прогнозирования режимов работы электрической сети. СПИСОК ЛИТЕРАТУРЫ 1. Наумов А.Н., Вендров А.М., Иванов В.К. Системы управления базами данных и знаний. – М.: Финансы и ста- тистика, 1991. – 352 с. 2. Kenneth C. Sevcik. Priority scheduling disciplines in queue- ing network models of computer systems. In Proceedings of IFIP Congress’77. August 8-12, 1977, Toronto, Canada, pp. 565-570. 3. V. Mainkar, K.S. Trivedi. Approximate analysis of priority scheduling systems using stochastic reward nets. In Proceedings of the 13th International Conference on Distributed Computing Systems ICDCS’93. May 1993, Pittsburgh, PA, USA, pp. 466- 473. doi: 10.1109/icdcs.1993.287678. 68 ISSN 2074-272X. Електротехніка і Електромеханіка. 2016. №1 4. Leonard Kleinrock. Queueing Systems. Volume 8: Com- puter Applications. John Wiley and Sons, New York, NY, USA, 1976. 5. Попов С.В., Черемісін М.М., Пархоменко О.В., Шкуро К.А. Нейромережевий метод прогнозування аварійних си- туацій внаслідок утворення ожеледі на повітряних лініях електропередачі // Вісник Вінницького політехнічного ін- ституту. – 2012. – №1. – С. 161-163. 6. Попов С.В., Шкуро К.А., Черемисин Н.М., Пархоменко О.В. Гибридный метод прогнозирования гололедной на- грузки на ВЛ // Енергетика та електрифікація. – 2013. – №5. – С. 33-38. 7. Круглов В.В. Методы прогнозирования многомерных временных рядов // Приборы и системы. Управление, кон- троль, диагностика. – 2005. – №2. – С. 62-66. 8. Попов С.В., Шкуро К.А. Эволюционная нейро-фаззи сеть на базе гибридных нейроподобных элементов // 17 міжн. конф. з автоматичного управління «Автоматика- 2010». Тези доповідей. Т. 2. – Харків, 2010. – С. 193-194. 9. Попов С.В. Специализированные архитектуры искусственных нейронных сетей на базе гибридных нейроподобных элементов // Збірник наукових праць Національного гірничого університету. – 2009. – Т.2. – №33. – С. 76-82. 10. Титов Н.Н. Повышение надежности и качества функционирования автоматизированных систем диспетчерского управления электроэнергетическими системами. – Харьков: Факт, 2013. – 200 с. REFERENCES 1. Naumov A.N., Vendrov A.M., Ivanov V.K. Sistemy upravleniia bazami dannykh i znanii [Database management systems and knowledge]. Moscow, Finansy i statistika Publ., 1991. 352 p. (Rus). 2. Kenneth C. Sevcik. Priority scheduling disciplines in queue- ing network models of computer systems. In Proceedings of IFIP Congress’77. August 8-12, 1977, Toronto, Canada, pp. 565-570. 3. V. Mainkar, K.S. Trivedi. Approximate analysis of priority scheduling systems using stochastic reward nets. In Proceedings of the 13th International Conference on Distributed Computing Systems ICDCS’93. May 1993, Pittsburgh, PA, USA, pp. 466- 473. doi: 10.1109/icdcs.1993.287678. 4. Leonard Kleinrock. Queueing Systems. Volume 8: Computer Applications. John Wiley and Sons, New York, USA, 1976. 5. Popov S.V., Cheremisin M.M., Parkhomenko O.V., Shkuro K.A. Neural network method for predicting accidents due to formation of ice on power lines overhead. Visnyk Vinnytskoho politekhnichnoho instytutu – Visnyk of Vinnytsia Politechnical Institute, 2012, no.1, pp.161-163. (Ukr). 6. Popov S.V., Shkuro K.A., Cheremisin N.M., Parkhomenko O.V. A hybrid method of predicting ice load on power lines overhead. Enerhetyka ta elektryfikatsiia – Energetic and electri- fication, 2013, no.5, pp. 33-38. (Rus). 7. Kruglov V.V. Methods of forecasting multivariate time se- ries. Pribory i sistemy. Upravlenie, kontrol', diagnostika – De- vices and systems. Management, monitoring, diagnostics, 2005, no.2, pp. 62-66. (Rus). 8. Popov S.V., Shkuro K.A. Evolutionary neuro-fuzzy network based on hybrid neural elements. 17 mizhn. konf. z avtomatych- noho upravlinnia «Avtomatyka-2010». Tezy dopovidei [Proceed- ings of 17th Int. Conf. of Automatic Control «Automation 2010»]. Kharkiv (Ukraine), 2010, vol.2, pp. 193-194. (Rus). 9. Popov S.V. Specialized architecture of artificial neural net- works based on hybrid neural elements. Zbirnyk naukovykh prats Natsionalnoho hirnychoho universytetu – The collection of scientific works of National Mining University, 2009, vol.2, no.33, pp. 76-82. 10. Titov N.N. Povyshenie nadezhnosti i kachestva funktsioni- rovaniia avtomatizirovannykh sistem dispetcherskogo uprav- leniia elektroenergeticheskimi sistemami [Improving the reli- ability and quality of the functioning of the automated systems of dispatching management of power systems]. Kharkov, Fakt Publ., 2013. 200 p. (Rus). Поступила (received) 20.10.2015 Мороз Александр Николаевич1, д.т.н., проф., Черемисин Николай Михайлович1, к.т.н., проф., Черкашина Вероника Викторовна2, к.т.н., доц., Холод Андрей Владимирович3, инженер, 1 Харьковский национальный технический университет сельского хозяйства им. П. Василенко, 61052, Харьков, ул. Энгельса, 19, e-mail: moroz-fekt@inbox.ru, cheremisin.energy@rambler.ru 2 Национальный технический университет «Харьковский политехнический институт», 61002, Харьков, ул. Фрунзе, 21, e-mail: cherk34@rambler.ru 3 ЧАО «ЭЛАКС», 61085, Харьков, ул. Ак. Проскуры, 1, корпус 12, e-mail: underholod@mail.ru A.N. Moroz1, N.M. Cheremisin1, V.V. Cherkashina2, A.V. Kholod3 1 Kharkiv Petro Vasylenko National Technical University of Agriculture, 19, Engelsa Str., Kharkiv, 61052, Ukraine. 2 National Technical University «Kharkiv Polytechnic Institute», 21, Frunze Str., Kharkiv, 61002, Ukraine. 3 Company «ELAKS», 1, build. 12, Ac. Proskura Str., Kharkiv, 61085, Ukraine. Neural network modeling in problems of prediction modes of electrical grids. Purpose. Form a neuro-fuzzy network based on temperature monitoring of overhead transmission line for the prediction modes of the electrical network. Methodology. To predict the load capacity of the overhead line architecture provides the use of neuro-fuzzy network based on temperature monitoring of overhead line. The proposed neuro-fuzzy network has a four- layer architecture with direct transmission of information. To create a full mesh network architecture based on hybrid neural elements with power estimation accuracy of the following two stages of the procedure: - in the first stage a core network (without power estimation accuracy) is generated; - in the sec- ond stage architecture and network parameters are fixed ob- tained during the first stage, and it is added to the block estima- tion accuracy, the input signals which are all input, internal and output signals of the core network, as well as additional input signals. Results. Formed neuro-fuzzy network based on tem- perature monitoring of overhead line. Originality. A distinctive feature of the proposed network is the ability to process infor- mation specified in the different scales of measurement, and high performance for prediction modes mains. Practical value. The monitoring system will become a tool parameter is measur- ing the temperature of the wire, which will, based on a retro- spective analysis of the accumulated information on the parame- ters to predict the thermal resistance of the HV line and as a result carry out the calculation of load capacity in real time. References 10, figures 1. Key words: electric grid, neural grid, neuro-fuzzy grid, temperature monitoring of air electric line, prediction modes of electric grid.

Нейро-сетевое моделирование в задачах прогнозирования режимов работы электрических сетей

Institution

Ähnliche Einträge