Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление

Представлен обзор зарубежных и отечественных публикаций по применению искусственных нейронных сетей для управления в энергетике, охватывающий период с 1991-го по 2007 гг Особое внимание уделено способам решения задачи демпфирования низкочастотных и субсинхронных резонансных колебаний в энергосистеме...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2007
Автори:	Вороновский, Г.К., Махотило, К.В., Сергеев, С.А.
Формат:	Стаття
Мова:	Російська
Опубліковано:	Інститут загальної енергетики НАН України 2007
Теми:	Системні дослідження та комплексні проблеми энергетики
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/3097
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Ч. 2. Управление / Г.К. Вороновский, К.В. Махотило, С.А. Сергеев // Пробл. заг. енергетики. — 2007. — № 16. — С. 54-67. — Бібліогр.: 65 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859721478714425344
author	Вороновский, Г.К. Махотило, К.В. Сергеев, С.А.
author_facet	Вороновский, Г.К. Махотило, К.В. Сергеев, С.А.
citation_txt	Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Ч. 2. Управление / Г.К. Вороновский, К.В. Махотило, С.А. Сергеев // Пробл. заг. енергетики. — 2007. — № 16. — С. 54-67. — Бібліогр.: 65 назв. — рос.
collection	DSpace DC
description	Представлен обзор зарубежных и отечественных публикаций по применению искусственных нейронных сетей для управления в энергетике, охватывающий период с 1991-го по 2007 гг Особое внимание уделено способам решения задачи демпфирования низкочастотных и субсинхронных резонансных колебаний в энергосистеме, а также управлению качеством теплоснабжения в крупных системах централизованного теплоснабжения. Представлен опыт авторов в синтезе нейрорегуляторов, предназначенных для работы в составе иерархической системы управления производством теплоэнергии на Харьковской ТЭЦ.
first_indexed	2025-12-01T09:45:18Z
format	Article
fulltext	54 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЭНЕРГЕТИКЕ Часть 2. УПРАВЛЕНИЕ УДК 620:621.31 Г.К. ВОРОНОВСКИЙ, докт. техн. наук, К.В. МАХОТИЛО, канд. техн. наук, С.А. СЕРГЕЕВ, канд. техн. наук (Національний технічний університет “Харківський політехнічний інститут”) Представлен обзор зарубежных и отечественных публикаций по применению искусственных нейронных сетей для управления в энергетике, охватывающий период с 1991-го по 2007 гг. Особое внимание уделено способам решения задачи демпфирования низкочастотных и субсинхронных резонансных колебаний в энергосистеме, а также управлению качеством теплоснабжения в крупных системах централизованного теплоснабжения. Представлен опыт авторов в синтезе нейрорегуляторов, предназначенных для работы в составе иерархической системы управления производством теплоэнергии на Харьковской ТЭЦ. В первой части статьи, опубликованной в [1], мы рассмотрели, каким образом искусственные нейронные сети (ИНС) как новое, более мощное инструментальное средство математического мо- делирования, послужили прогрессу в изучении сложных переходных процессов в энергосисте- мах. Во второй части мы хотели бы продолжить эту тему и обсудить современное состояние и перспективы применения ИНС для решения за- дач управления в энергетике. Безусловно, нейроэмуляторы (НЭ) объектов управления (ОУ), речь о которых шла в первой части статьи, также являются полноправными компонентами систем автоматического управле- ния (САУ). Независимо от того, в рамках какой вычислительной парадигмы реализованы регу- ляторы, непосредственно вырабатывающие ко- манды управления, наличие НЭ в составе САУ дает основания называть ее нейросетевой (НСУ). Однако теперь мы хотели бы остановиться имен- но на нейрорегуляторах (НР) – устройствах или программно-алгоритмических комплексах, реа- лизующих нейросетевые технологии обработки информации при преобразовании сигналов внешнего задания в команды управления, пода- ваемые непосредственно на ОУ. Забегая несколько вперед, отметим, что НР не добились пока что в энергетике такого же успеха, какого добились НЭ. Однако представляется, что проблема здесь не в низкой конкурентоспособ- ности НР по сравнению с традиционными реше- ниями, а в большей открытости энергетики для проникновения в нее новых технологий модели- рования, нежели управления. Действительно, моделирование как одна из центральных интеллектуальных функций управ- ления всегда было прерогативой людей, обеспе- чивающих функционирование и развитие энерго- систем. Сознание человека, несмотря на извес- тную инертность, достаточно быстро реагирует на всякие новшества, облегчающие достижение пос- тавленной цели, и сразу принимает их на воору- жение. Проложить же дорогу этим новшествам в среде хорошо подогнанных друг к другу уст- ройств оказывается значительно труднее, и на это уходит значительно больше времени и сил. К чис- лу факторов, сдерживающих проникновение но- вых технологий управления в хорошо сформиро- ванные, замкнутые техноценозы энергетики, сле- дует отнести и длительный срок жизни основных производственных фондов энергопредприятий (25-40 лет), в том числе штатных САУ. Кроме то- го, существует мертвая пауза в модернизации производственных фондов, превышающая, как минимум, срок их окупаемости, а это 12-15 лет. Тем не менее, переживаемая ныне задержка в развитии отечественного энергокомплекса, похо- же, подходит к концу. Организационно-экономи- ческие основы функционирования энергетики пе- реживают бурный период рыночных преобразова- ний, выдвигающий перед предприятиями отрасли новые задачи. Все чаще можно услышать о начина- ющейся на предприятиях реконструкции АСУ ТП, и никто уже не ставит под сомнение, что реконс- трукция эта должна быть не частичной, а полной и комплексной. Это означает, что у новейших техно- логий управления (нейро-, фаззи- и др.) появляет- ся реальный шанс внедриться в энергетику, взяв на себя хотя бы часть интеллектуальных функций, выполняемых сегодня оперативно-диспетчерским персоналом. Готовы ли они к этому сегодня? Отве- ту на этот вопрос и посвящена данная статья. Методологические основы применения ИНС в задачах управления динамическими объектами В теории автоматического управления (ТАУ) для описания чрезвычайно большого класса ди- намических ОУ применяется метод представле- ния их в координатах "вход-состояние-выход" системой дифференциальных или конечнораз- ностных уравнений. Так, в наиболее общем слу- ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 55 чае динамический ОУ порядка n с p входами и m выходами может быть описан следующей систе- мой уравнений: где ui(t) – входы ОУ, xi(t) – переменные состоя- ния ОУ, yi(t) – выходы ОУ. Φ и Ψ – статические нелинейные преобразования, Φ: ℜn х ℜp ℜn и Ψ : ℜn ℜm. Вектор x(t) описывает состояние ОУ в момент времени t и определяется своим начальным значе- нием в момент t0 < t и значениями входа u на интер- вале [t0, t). Выход ОУ y(t) полностью определяется его переменными состояния в момент времени t. Если ОУ является линейным и стационарным, то описывающая его система (1) приобретает следующий вид: где A, B, и C – матрицы (n n), (n p), и (m n), соот- ветственно. В подавляющем большинстве рассматривае- мых задач объектами управления являются сис- темы дискретного времени, которые могут быть представлены конечноразностными уравнения- ми, соответствующими (1): где xi(k), ui(k) и yi(k) – дискретные временные последовательности. В большинстве случаев ре- зультаты, полученные для дискретных систем уп- равления, могут быть расширены и на непрерыв- ные системы. В знаковой для 90-х годов работе [2], ставшей на десяток лет лидером цитирования, Курт Хор- ник с соавторами, доказывая теорему о существо- вании ИНС, аппроксимирующей с заданной точ- ностью произвольную непрерывную функцию, очень метко назвали ИНС универсальными апп- роксиматорами (universal approximators). Имен- но это свойство ИНС стало основанием для ши- рокого их использования не только при модели- ровании ОУ, но и при синтезе НСУ. При этом вы- деляются две крайние позиции, с которых разра- ботчики САУ подходят к использованию ИНС – консервативная и радикальная. И первая, и вто- рая имеют множество сторонников в научном мире, объединяя их в соответствующие лагери. Представители лагеря консерваторов не отхо- дят от методологии синтеза САУ, разработанной за последние полвека в рамках классической ТАУ для решения задач управления линейными стаци- онарными объектами вида (2) с полностью или частично заданными параметрами. Насколько возможно, они опираются на полученные ранее результаты, пытаясь преодолеть их внутреннюю ограниченность, обусловленную использованием аналитического математического аппарата, за счет вычислительной гибкости ИНС. Не решаясь полностью заменить традиционные регуляторы на ИНС, они отводят последним функцию вспо- могательных, уточняющих компонентов САУ. Так, одним из замечательных результатов классической ТАУ, полученных усилиями целой, без преувеличения, армии ученых и разработчи- ков, является методология синтеза регуляторов пониженного порядка, представителем которых является пропорционально-интегрально-диффе- ренциальный регулятор (ПИД-регулятор). Пре- образование информации, осуществляемое ПИД-регулятором с постоянными коэффициен- тами, описывается следующим уравнением: где u – сигнал управления, генерируемый на вы- ходе регулятора; kp, kI, kD – коэффициенты про- порциональности, являющиеся настроечными параметрами; e(t) = y(t) – r(t) – ошибка в выход- ной координате ОУ y по отношению к заданию r, подаваемая на вход регулятора. Уже более полувека ПИД-регуляторы успеш- но применяются во всех сферах промышленного производства. Не отрицая никоим образом прог- ресса, достигнутого с их помощью в автоматиза- ции технологических процессов, можно попы- таться улучшить характеристики регуляторов путем привнесения дополнительной гибкости в соотношение их настроечных параметров за счет использования нелинейных свойств ИНС. При- мером могут служить следующие ПИД-нейроре- гуляторы (ПИД-НР) [3-4] СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ (1) (2) (3) (2) (5) 56 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 или где символ NN(·), как и в [1], обозначает преобра- зование, осуществляемое ИНС. При этом отли- чие между ПИД-НР (5) и (6) состоит в том, что в (5) нелинейный характер зависимости каждого коэффициента пропорциональности от величи- ны ошибки описывается отдельной ИНС с одним входом и одним выходом, а в (6) сигналы ошиб- ки, подаваемые на вход ПИД-НР, обрабатывают- ся одной полносвязной ИНС с тремя входами и одним выходом. Попытки улучшить характеристики ПИД-ре- гуляторов за счет использования ИНС, напри- мер, [5], убедительно доказывают наличие допол- нительных преимуществ у этой гибридной техно- логии. Это – и более высокое качество переход- ных процессов, и высокая робастность управле- ния, проявляющаяся в возможности обеспечи- вать требуемое качество управления в весьма ши- роком диапазоне изменения параметров ОУ, для перекрытия которого обыкновенно требуется несколько раз перенастраивать коэффициенты обычного ПИД-регулятора. В то же время, объем и характер информации, поступающей на вход ПИД-НР, изначально сужает возможности даль- нейшего улучшения качества управления дина- мическим объектом. Эти ограничения могут быть успешно преодо- лены в рамках радикального кибернетического подхода к построению НСУ. В последнем случае регулятор рассматривается как черный ящик, способный преобразовывать в команды управле- ния предельно широкий спектр входных сигна- лов о поведении ОУ и об изменяющихся внешних воздействиях, как имевших место в прошлом, так и ожидающихся в будущем. Действительно, для того, чтобы построить ра- ботоспособный НР, достаточно быть уверенным, что то, чего Вы хотите добиться от ОУ, в принци- пе реализуемо, и верить, что ИНС обладает дос- таточной вычислительной мощью, чтобы преоб- разовать совокупность сигналов, подаваемых на ее вход вместе с сигналами задания, в такие ко- манды управления, которые заставят ОУ вести себя любым желаемым образом. Эти два положе- ния составляют своеобразный "символ веры", ис- поведуемый представителями лагеря радикаль- ных сторонников нейроуправления. Конечно, чтобы быть уверенным в способнос- ти ОУ отрабатывать команды управления, необ- ходимо предварительно изучить его характерис- тики и функциональные возможности. Но, все- таки, не на аналитическом уровне, как этого тре- бует ТАУ, а только на уровне количественных со- отношений, описывающих допустимые сочета- ния управляющих воздействий, внешних возму- щений и команд управления. Что же касается ве- ры в могущество ИНС той или иной архитекту- ры, то она вполне может базироваться на опыте решения похожих задач. В таких случаях постро- ение НСУ сводится исключительно к параметри- ческой оптимизации ИНС. Разработка теоретико-методических основ синтеза НСУ в рамках технологий контролиру- емого обучения связана с именами Вербоса и Нарендры, ключевые публикации [6-9] кото- рых увидели свет на рубеже 90-х. Огромной заслугой Нарендры является то, что он, оценив широчайшие возможности ИНС, нашел убеди- тельные доводы к тому, что "...те же подходы, которые оказались успешными для линейных ОУ, также могут быть применены, когда необхо- димо адаптивно управлять нелинейным ОУ. Структуры, используемые для идентификации как модели, так и регулятора, могут быть пос- троены на тех же принципах, что и в линейном случае. Однако вместо линейных звеньев необ- ходимо использовать нелинейные нейронные сети" [9]. Таким образом, изначально стратегическое преимущество НСУ состоит в их адаптивности, базирующейся на способности НР самостоятель- но подстраиваться под происходящие с течением времени изменения в структуре и параметрах ОУ – либо в реальном времени, в темпе процесса уп- равления, либо асинхронно, в темпе отслеживае- мых изменений ОУ или внешней среды. Решение этой весьма непростой задачи обеспечивается на- личием в составе НСУ блока или алгоритма обу- чения (а при наличии НЭ в составе САУ – двух блоков обучения), который обеспечивает перво- начальную настройку НР, и затем его перенас- тройку в ходе работы НСУ. На рис. 1 в самом общем виде представлены структурные схемы НСУ, реализующие принци- пы так называемого прямого и косвенного уп- равления нелинейным ОУ. Важным компонен- том обеих схем является эталонная модель (ЭМ), представляющая собой предельно широ- кое понятие, включающее в себя совокупность представлений разработчика об идеальной рабо- те НСУ в различных режимах функционирова- ния ОУ. СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ (6) ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 57 а б Формально ЭМ может быть представлена как M{r(k), ym(k)}, где r(k) – вход ЭМ; ym(k) – жела- емая реакция ОУ при подаче r(k) на вход НР. Це- лью настройки НР в схемах с ЭМ является наде- ление его способностью генерировать такие уп- равляющие воздействия u(k), подаваемые на вход ОУ вида P{u(k), y(k)}, которые обеспечива- ют для любой заданной малой ε >0: При прямом управлении настроечные пара- метры НР χ непосредственно корректируют так, чтобы уменьшить некоторую норму выходной ошибки ОУ e(k) = y(k) – ym(k) на каждом шаге k или на промежутке k ∈[0,K]. При косвенном уп- равлении для текущего k с помощью НЭ оцени- вают параметры ОУ p(k) и далее, предполагая, что вектор p(k) представляет собой истинные значения параметров объекта p(k), корректируют вектор настроечных параметров НР χ. Даже в схеме с прямым управлением настрой- ка параметров НР на основании ошибки в выхо- де ОУ не является простой задачей. В частности, в этом случае становится проблемным использо- вание наиболее популярного алгоритма обучения ИНС, известного как алгоритм обратного рас- пространения ошибки (АОР), который предпола- гает возможность оценивать ошибку в выходной координате самого НР. Поэтому широкое рас- пространение получило косвенное адаптивное управление нелинейными ОУ, где управление уп- реждается процедурой идентификации. В струк- туру такой интеллектуальной НСУ (см. рис. 1б) входит нейроэмулятор ОУ, позволяющий, напри- мер, с помощью несложных вычислений рассчи- тать частные производные показателя качества управления относительно параметров НР, необ- ходимые для применения АОР в качестве алго- ритма обучения НР. Позитивную роль в развитии методов постро- ения НСУ с ЭМ сыграла комбинация нейросете- вых технологий управления с эволюционными технологиями глобального поиска, в частности, с генетическими алгоритмами (ГА), рассматривае- мыми в качестве алгоритма обучения и адапта- ции ИНС. Замечательные свойства ГА позволя- ют оптимизировать настроечные параметры НР, не требуя ни знания его правильного выхода, ни вычисления производных. Крепнущее в среде специалистов в области искусственного интел- лекта понимание комплиментарности этих двух вычислительных технологий привело к тому, что в 1992 году в США прошел первый международ- ный семинар по совместному использованию ГА и ИНС [10], породивший мощную, не стихаю- щую до сих пор волну публикаций об успешно выполненном эволюционном синтезе ИНС са- мой разной прикладной направленности. Весьма удобной эта комбинация оказалась и для задач управления в энергетике, отличающейся относи- тельно большими значениями постоянных вре- мени и низкими темпами развития переходных процессов. Наконец, обсуждая возможные подходы к синтезу НР, нельзя не упомянуть о схемах пос- троения НСУ, использующих понятие "обрат- ной", или "инверсной", модели ОУ. Очевидно, что если ИНС можно обучить эмулировать пре- образование "вход-выход" ОУ, то это дает осно- вания надеяться, что ее можно научить эмули- ровать и обратное преобразование – "выход- вход", по крайней мере, при всех тех предполо- жениях, которые принимаются в классической ТАУ. Такая обратная модель ОУ является иде- альным регулятором, обеспечивающим полное повторение задания r выходным сигналом НСУ y. Однако эта эффектная теоретическая поста- новка далеко не всегда допускает интерпрета- цию на практике. СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ Рис. 1. Прямое (1а) и косвенное (1б) управление нелинейным ОУс помощью эталонной модели. (∆ – элементы временной задержки) (7) 58 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 В докладе [11] указаны причины, обусловли- вающие трудности синтеза НСУ. И хотя с момен- та его публикации прошло 15 лет, они сохранили свою актуальность, бросая вызов новым поколе- ниям сторонников радикального лагеря. Во-первых, парадигма управления при помо- щи ИНС опирается только на веру, что настроеч- ные параметры НР удастся выбрать такими, что- бы обеспечить оптимальное качество управле- ния. К сожалению, пока что теоретические иссле- дования свойств ИНС не дают общих правил вы- бора типа и структуры ИНС, надежно направля- ющих разработчика к гарантированному успеху вне зависимости от области применения. Выбор архитектуры ИНС остается достаточно трудоем- кой процедурой, требующей выполнения много- численных вариантных исследований, а накоп- ленный опыт решения не обладает высокой уни- версальностью. Как и в случае с НЭ, наиболее сложным этапом синтеза НР является выбор структуры сигналов, поступающих на его вход. Только добившись от НСУ способности выпол- нять требования ЭМ, можно с уверенностью го- ворить, что архитектура НР подобрана верно, и что структуры входных переменных и НР, и НЭ – при косвенном управлении – адекватно отража- ют характер решаемой технической задачи. Во-вторых, обучение НР требует достаточно много времени. Но даже длительное обучение от- нюдь не гарантирует сходимости к глобальному экстремуму в пространстве настроечных пара- метров ИНС. Все это приводит к тому, что на практике не всегда удается достичь заданной точ- ности НСУ, не говоря уже о том, чтобы выпол- нить обучение НР в реальном времени. Спектр применения ИНС для решения задач управления в энергетике Опыт применения ИНС для моделирования энергообъектов является прекрасной платфор- мой для последующего решения задач управле- ния ими в рамках нейросетевых технологий. Из ТАУ хорошо известно, что уровень сложности ре- гулятора как совокупности динамических зве- ньев не превосходит сложности ОУ. Отсюда мож- но позволить себе аналогию – структурная слож- ность НР вряд ли должна превосходить слож- ность НЭ. Иначе говоря, если Вам удалось синте- зировать НЭ, синтез НР для того же самого ОУ не должен вызывать особых затруднений. Навер- ное, поэтому задачи, отмеченные в табл. 1 насто- ящей публикации, во многом перекликаются с задачами, перечисленными в табл. 1 из [1]. Здесь же уместно отметить, что среди новей- ших технологий управления в энергетике основ- ным конкурентом НР являются нечеткие логи- ческие регуляторы или, как их еще называют, транслитерируя англоязычный термин, фаззи- регуляторы (ФР) [62]. Хорошо формализуя экс- пертный опыт "ручного" управления, накоплен- ный оперативно-диспетчерским персоналом энергообъектов и энергосистем, ФР имеют высо- кие шансы занять лидирующее положение среди современных средств автоматизации, однако только там, где размерность переменных, харак- теризующих технологический процесс, невысока. Там же, где количество факторов, которые необ- ходимо принимать во внимание при принятии управленческих решений, превышает 4-5, труд- ности реализации ФР становятся настолько ощу- № Тип задачи Публикации 1 Управление электроэнергетическими системами – демпфирование низкочастотных и суб- синхронных резонансных колебаний в многомашинной энергосистеме [12-32] – управление высоковольтными линиями постоянного тока [33,34] – экономическая диспетчеризация энергосистем [35-40] – природоохранная диспетчеризация энергосистемы [41-42] 2 Управление компонентами технологичес- кого оборудования энергопредприятий – управление температурой пара на выходе котла [5] – управление режимами работы парогенератора для минимизации выбросов NOx [43] – управление электроприводами собственных нужд электростанций и тепловых сетей [44-46] – управление инверторами и фильтрами [47-50] – управление нагрузкой в распредели- тельных сетях [51] – управление потреблением реактивной энергии [52] 3 Управление качеством теплоснабжения в крупных системах централизованного теплоснабжения – управление суточными объемами отпуска тепла от ТЭЦ [53] – управление температурой теплоносителя, отпускаемого от ТЭЦ [54] 4 Управление энергопотреблением в зданиях [55-61] СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ Таблиця 1. Задачи управления энергообъектами, в которых применение ИНС признано высокоэффективным ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 59 тимыми, что усилия, потраченные на синтез НР, по существу, "с нуля", оправдывают себя. Рассмотрим, как решаются наиболее сложные из задач, перечисленных в табл. 1, подробнее. Демпфирование низкочастотных и субсинхронных резонансных колебаний в энергосистеме Высокая сложность и нелинейность энерго- систем как объектов управления уже не один де- сяток лет бросают вызов разработчикам САУ. Традиционно автоматический регулятор возбуж- дения (АРВ) и регулятор скорости турбогенера- тора (ТГ) (рис. 2) проектируются с помощью мо- дели энергосистемы, линеаризованной в окрес- тности некоторой рабочей точки. Как результат, в случае резких изменений в режиме работы или конфигурации энергосистемы САУ оказывается неэффективной. Дело в том, что быстродействующие АРВ, ко- торыми оснащены многие генераторы, обеспечи- вают устойчивость, удерживая генератор в син- хронизме с энергосистемой в течение переход- ных аварийных режимов. Однако эти системы возбуждения с большим коэффициентом усиле- ния снижают демпфирующий момент, чем и обусловливают подверженность системы колеба- тельной неустойчивости. Слабые линии передач, работа генераторов при больших углах силы вно- сят дополнительный вклад в эту проблему. Ко- нечно, строительство более мощных линий и уве- личение мощности генераторов снизило бы ее остроту, но далеко не всегда это возможно по эко- номическим или другим соображениям. Именно в связи с упомянутыми обстоятельс- твами в последние 30 лет широкое применение находят регуляторы дополнительного возбужде- ния синхронных генераторов, называемые также стабилизаторами энергосистемы (СЭС). Их уста- навливают на генераторы, чтобы противодейс- твовать отрицательному демпфированию из-за действия АРВ и других факторов. Обыкновенно такое устройство обеспечивает положительный демпфирующий механический момент в фазе с сигналом вариации скорости ротора. Проблема состоит в том, что параметры СЭС выбирают, ис- ходя из специфических условий работы системы, и добиваются оптимальных характеристик толь- ко для этих условий. ИНС, благодаря присущей им способности к обучению, параллельной обра- ботке информации и нелинейности предлагают один из перспективных путей решения этой проблемы. Одним из признанных лидеров по исследова- нию перспектив применения ИНС в составе СЭС является группа сотрудников Университета Кал- гари, Канада, под руководством О.Малика. Ею последовательно исследованы самые разные кон- фигурации НСУ, нашедшие теоретическое обос- нование в упоминавшихся выше работах Нарен- дры и др., и, что еще более ценно, выполнены экс- периментальные исследования нейросетевых СЭС (НСЭС) на экспериментальной установке и на физической модели электроэнергетической системы [14-16, 20, 21, 23, 24, 26]. Вкратце рассмотрим отдельные варианты реа- лизации НСЭС, апробированные канадскими исследователями. НСЭС, имитирующий алгоритм адаптивного управления. В этом случае в качестве СЭС ис- пользуется многослойный перцептрон, обучен- ный с помощью АОР имитировать работу адап- тивного СЭС со смещением полюсов. Адаптив- ный СЭС представляет собой контроллер со структурой "один вход – один выход". Следова- тельно, синтезируемый НСЭС также является системой того же типа. Учитывая, что время сче- та ИНС очень мало, описанный в [14] НСЭС объединяет в себе хорошее качество работы адап- тивного СЭС с быстротой реакции ИНС. В качестве входа для НСЭС используется отк- лонение скорости вращения ротора ТГ ∆ω. Учи- тывая динамический характер генератора как ОУ, на вход ИНС подается не только текущая коор- дината ∆ω(k), но и предыстория переходного процесса, то есть лаговые значения ∆ω(k-1), ∆ω(k-2) и ∆ω(k-3). Были попытки использовать и более глубокие задержки, однако, как отмечается, это не оказало значительного влияния на работу системы. СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ Рис. 2. Моделируемая схема управления турбогенератором 60 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 Таким образом, у НР 4 входа. Выход НР пред- ставляет собой сигнал управления VСЭС. Из структуры НСЭС (рис. 3) видно, что вычисление лаговых значений входных сигналов осуществля- ется в самом НСЭС. Поскольку в качестве ЭМ, используемой для обучения НСЭС, предполагалось использовать данные, полученные при работе ТГ под управле- ние адаптивного СЭС, были выполнены комплек- сные исследований переходных процессов, разви- вавшихся под влиянием различных возмущений. Возмущения включали в себя: изменение эта- лонного напряжения и напряжения шины беско- нечной мощности в диапазоне ±5%; изменение момента на валу ТГ в пределах ±20%; отключение одной из передающих линий; трехфазное повреж- дение в одной цепи двухцепной линии электропе- редачи. Так было получено 35000 пар шаблонов "вход-выход", образовавших ЭМ для НСЭС. Из этого набора для обучения НСЭС было использо- вано 20000 пар, а оставшиеся 15000 пар применя- лись для тестирования качества обучения. На основании численных экспериментов, вы- полненных с моделью экспериментальной уста- новки, авторы [14] пришли к выводу, что даже простейший НСЭС обладает хорошими демпфи- рующими свойствами и способен существенно улучшить динамику системы. НСЭС на базе инверсной модели. Схема обу- чения инверсного НР (ИНР) показана на рис. 4. На вход ИНС подается выходной сигнал уста- новки y. Сеть обучается так, чтобы минимизиро- вать разность между выходным сигналом НР и входным сигналом установки x. Вектор входных сигналов ИНР в момент вре- мени k имеет следующий вид: Таким образом, выход сети (k) в момент вре- мени k определяется внешним по отношению к сети входным сигналом y(k) в момент k, его ожи- даемым значением y(k+1) и его задержанными значениями y(k-1), ..., а также, вследствие обрат- ной связи, предыдущим входом (k-1) и его за- держанными значениями (k-2). Архитектура НСЭС в рабочем состоянии по- казана на рис. 5. Здесь выходной сигнал ИНР, обозначавшийся в процессе обучения , стал сиг- налом управления АРВ и изменил обозначение на u(k). Поскольку механическая постоянная времени генератора намного больше, чем такт работы ИНР, ожидаемое отклонение скорости на следу- ющем шаге выбиралось таким же, как и на преды- дущем. Для того чтобы расширить спектр возмуще- ний, которые мог бы отработать НСЭС, в набор входных сигналов ИНР дополнительно были включены ожидаемое, текущее и лаговые значе- ния отклонений мощности нагрузки ТГ ∆P (табл. 2). Результаты численных экспериментов с ИНР показали его высокую эффективность, которая была подтверждена в ходе натурных экспериментов. СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ Рис. 3. НСЭС с одним входом и одним выходом (8) Рис. 4. Схема обучения инверсного НР. а) общая схема; б) структура обратных связей Рис. 5. Архитектура НСЭС на базе ИНР ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 61 С другими вариантами реализации НСЭС, в том числе с теми, которые осуществляют косвен- ное управление с помощью НЭ, можно ознако- миться в многочисленных публикациях, ключе- вые из которых приведены в списке литературы. Управление качеством теплоснабжения в крупных теплофикационных системах В последние годы мы становимся свидетелями того, как наукоемкие технологии управления, разработанные в свое время для нужд электроэ- нергетики и электроснабжения, начинают приме- няться в коммунальном хозяйстве городов, в час- тности – в теплоснабжении. Превращаясь из не- кой зоны застоя, в которой ничего не менялось на протяжении полувека, в объект самого присталь- ного внимания со стороны общества, коммуналь- ное теплоснабжение сегодня прилагает отчаян- ные усилия, чтобы выжить в конкурентной борь- бе с индивидуальными отопительными техноло- гиями в условиях неудержимого роста цен на природный газ. По нашим прогнозам, острейшая необходи- мость реформирования организационно-эконо- мических начал коммунальной энергетики в духе рыночных принципов приведет в ближайшие го- ды к взрыву исследовательской активности, нап- равленной на моделирование новых взаимосвя- зей в этой сфере, на совершенствование алгорит- мов экономического и технологического регули- рования энергопотоков в регионах, на развитие способов активного управления энергопотребле- нием. Либерализация экономической ситуации, в частности, открытие доступа частным инвесто- рам к строительству когенерационных установок (КГУ), вызовет вполне естественную диверсифи- кацию методов ведения хозяйства, в том числе используемых технологий управления произ- водством и распределением тепловой и электри- ческой энергии. Остро встанет вопрос о коорди- нации режимов работы средств покрытия нагруз- ки, продающих электроэнергию через Оптовый рынок электроэнергии (ОРЭ), и распределенной системы мелких КГУ. Сегодня эту пустующую нишу заполнить нечем, и тут ученых и разработ- чиков САУ ждет, что называется, непочатый край работ, в котором найдется место и предельно простым алгоритмам, и крайне изощренным ин- теллектуальным подходам. Из того, что уже удалось создать в сфере уп- равления взаимосвязанным потреблением тепло- вой и электрической энергии крупными жилыми массивами многоэтажной застройки, отметим НР качества теплоснабжения (НР-КТ), предназ- наченный для расчета суточной потребности жи- лых массивов в тепловой энергии [53]: а также НР температуры прямого теплоносителя (НР-ТТ), отдаваемого ТЭЦ в городскую тепло- фикационную сеть [54]: Здесь Q* обозначает суточное задание для ТЭЦ по отпуску тепла; r – уставку, определяю- щую граничную величину избыточного потреб- ления электроэнергии населением теплового ра- йона ТЭЦ на нужды электроотопления; W и Wэ – фактическое и эталонное потребление электроэ- нергии населением; Tн – среднесуточную наруж- ную температуру; τ1* – задание по температуре теплоносителя, отпускаемого в теплосеть; d – но- мер суток; h – номер часа в сутках. Параметры ИНС Тип нейрорегулятора аналог адаптив- ного, [14] инверс- ный, [15] с учетом мощнос- ти, [15] Выходные переменные (сигналы управления НР) VСЭС + + + Входные переменные НР Отклонение скорости ТГ – ожидаемое значение ∆ω(k+1) + + – на текущем шаге ∆ω(k) + + + – лаговое значение ∆ω(k-1) + + + – лаговое значение ∆ω(k-2) + + + – лаговое значение ∆ω(k-3) + + + – лаговое значение ∆ω(k-4) + – лаговое значение ∆ω(k-5) + Сигнал управления – лаговое значение u(k-1) + + – лаговое значение u(k-2) + + – лаговое значение u(k-3) + + – лаговое значение u(k-4) + – лаговое значение u(k-5) + Отклонение электрической мощности – ожидаемое значение ∆P(k+1) + – на текущем шаге ∆P(k) + – лаговое значение ∆P(k-1) + – лаговое значение ∆P(k-2) + – лаговое значение ∆P(k-3) + Послойная раскладка нейронов 1-20-20-1 12-30-10-1 13-35-1 СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ Таблиця 2. Параметры некоторых нейросетевых стабилизаторов энергосистем, разработанных в Университете Калгари (9) (10) 62 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 Оба указанных НР предназначены для сов- местного использования в составе иерархической системы управления производством теплоэнер- гии (ИСУ-ПТ) на Харьковской ТЭЦ-5 (ХТЭЦ- 5), обеспечивающей планирование работы энер- гогенерирующего оборудования ТЭЦ на сутки вперед [63-64]. Нейросетевые компоненты ИСУ- ПТ в привязке к технологической схеме теплос- набжения представлены на рис. 6. Для синтеза обоих НР, а также для выполне- ния оперативных расчетов потребности в тепле и суточного графика температуры прямого тепло- носителя используются нейросетевые модели связного потребления электроэнергии и тепла (МСПЭТ) тепловым районом ХТЭЦ-5, а также модель температуры обратного теплоносителя (МТОТ), описанные в первой части статьи [1]. Структура входных и выходных переменных НР-КТ и НР-ТТ представлена в табл. 3. ИНС обоих НР синтезированы в рамках архи- тектуры "многослойный перцептрон с активаци- онными функциями типа гиперболический тан- генс". Обучение НР осуществлялось при помощи ГА. По сравнению с задачей моделирования (на базе РБФ-сетей с использованием локального ускорителя процесса поиска), описанной в [1], здесь нужен вдвое больший размер популяции и на порядок больше вычислений целевой фун- кции. В среднем поисковый процесс занимает 100 тысяч эпох моделируемой эволюции популя- ции из 100 особей. Зато, и в этом состоит другая особенность синтеза НР, целевая функция счита- ется в несколько раз быстрее, чем при синтезе НЭ. Причина этого в том, что здесь для оценки приспособленности каждой особи не нужно ска- нировать достаточно большой набор тренировоч- ных шаблонов. Доступ к памяти компьютера ос- тается пока что одной из самых медленных опе- раций в цикле вычислений, и сокращение коли- чества обращений существенно ускоряет поиско- вый процесс. После правильного выбора перечня входных переменных, предопределяющего – что особенно важно – за счет включения в него лаговых значе- ний переменных, динамические свойства НР, большое внимание должно быть уделено выбору вида целевой функции в задаче параметрической оптимизации ИНС и подбору тестовых входных заданий, с помощью которых осуществляется нас- тройка НСУ. Наш опыт показывает, что удачной Параметры ИНС Тип нейрорегулятора НР-КТ, [53] НР-ТТ, [54] Выходные переменные (сигналы управления НР) Отпуск тепла, суточный + Температура прямого теплоносителя, часовая + Входные переменные НР Условия управления – время суток + Наружная температура – прогноз на текущие сутки + + – прогноз на несколько суток + – лаговые значения + Избыточное потребление электро- энергии в быту – задание на текущие сутки + – лаговые значения + Теплопотребление – задание на текущие сутки + Послойная раскладка нейронов 4-10-1 4-30-1 Количество настраиваемых переменных 61 181 СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ Рис. 6. Общая схема НСУ теплоснабжением от ТЭЦ Таблиця 3. Нейрорегуляторы для управления отпуском тепла от Харьковской ТЭЦ-5 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 63 формой целевой функции является свертка век- торного критерия, отдельные компоненты кото- рого содержат оценку степени неуспешности чис- ленных экспериментов с ОУ в статике и динами- ке. Тестовые задания ri(k), входящие в состав ЭМ, должны в компактной форме отображать харак- терные режимы работы, планируемые для НСУ. Обычно мы используем следующую постанов- ку задачи параметрической оптимизации НР: где χ – вектор настроечных параметров НР; f(·) – функционал качества, рассчитываемый на i-м прогоне НСУ при подаче на ее вход тестового за- дания ri; p(·) – штрафная функция, рассчитывае- мая по значениям выхода ОУ y и/или управляю- щим воздействиям u в зависимости от того, отно- сительно кого из них действуют проектные огра- ничения; a – весовые коэффициенты. Планирование работы энергогенерирующего оборудования ТЭЦ при помощи окончательно настроенной ИСУ-ПТ осуществляется в нес- колько этапов. На первом этапе при помощи НР-КТ оценива- ются верхняя и нижняя границы допустимого ди- апазона изменения суточного отпуска тепловой энергии от ТЭЦ, обеспечивающего стабильность качества теплоснабжения на территории ее тепло- вого района в ближайших сутках при ожидаемых погодных условиях [65]. На втором этапе при по- мощи НР-ТТ рассчитывается оптимальный су- точный график изменения температуры прямого теплоносителя на коллекторе ХТЭЦ-5, предус- матривающий заблаговременную разгрузку теп- лосети в ночные часы, когда на теплораспредели- тельных станциях, расположенных в непосредс- твенной близости от потребителей, сокращается разбор горячей воды. На третьем этапе на основа- нии решения задачи оптимизации распределения тепловой и электрической нагрузки между энер- гоблоками, а также между энергоблоками и пико- выми водогрейными котлами составляются пред- варительные суточные графики маневрирования тепловой и электрической нагрузкой для тепло- фикационных энергоблоков и, при необходимос- ти, тепловой мощностью водогрейных котлов, ко- торые обеспечивают одновременное выполнение требования, касающегося оптимизированного су- точного профиля температуры теплоносителя, а также графиков маневрирования электрической мощностью энергоблоков, которые, как ожидает- ся, будут получены от Администратора ОРЭ. Центральным критерием при решении опти- мизационной задачи третьего этапа является максимизация прибыли предприятия от продажи электроэнергии в ОРЭ и теплоэнергии местным потребителям. Иначе говоря, производственно- технический отдел ТЭЦ, исходя из установив- шейся практики эксплуатации оборудования, сначала разрабатывает наиболее выгодный, с эко- номической точки зрения, план его почасовой загрузки, а только потом подает в ОРЭ ценовые заявки, выверенные по каждому энергоблоку, ко- торые, в случае их принятия и подтверждения Администратором ОРЭ, вернутся на ТЭЦ плано- выми графиками несения нагрузки желаемого типа. Если этого не происходит, и ТЭЦ получает в качестве задания совершенно другие суточные профили электрической нагрузки энергоблоков, оптимизационная задача, предварительно решен- ная на третьем этапе, рассматривается еще раз. Результаты ее решения утверждаются главным инженером и передаются в котлотурбинный цех. Проблемы применения НР в энергетике Как можно увидеть из перечня литературы, приложенного к первой и второй частям статьи, ключевые публикации по применению НЭ и НР в энергетике приходятся на начало 90-хх. Тогда многим казалось, что основная трудность работы с ИНС состоит в отсутствии быстродействующей вычислительной техники. Для преодоления этой проблемы ведущими компаниями электронной индустрии стали активно создаваться специали- зированные компьютерные платы-акселераторы и даже нейрокомпьютеры, делающие упор на па- раллельной обработке информации. Однако прошло совсем немного времени, и производительность процессоров для персональ- ных компьютеров выросла сначала в сотни, а по- том и в тысячи раз, обесценивая усилия, потрачен- ные на совершенствование специализированных систем. Шагнуло вперед и прикладное програм- мное обеспечение, позволяя даже новичкам самос- тоятельно изучать возможности ИНС. С середи- ны 90-хх активно начали развиваться коммуника- ционные системы, что стимулировало дальнейшее развитие автоматизированных систем контроля и СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ (11) 64 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 учета энергопотребления. Стало ясно, что ключе- вую роль для внедрения в энергетику новых вы- числительных технологий играют данные о состо- янии ОУ, и теперь уже их недостаток или ограни- ченная доступность стали восприниматься как главное препятствие на пути к успеху НСУ. Кстати сказать, и сегодня собираемые архивы топливо- и энергопотребления остаются далеки- ми от совершенства. На любом энергопредприя- тии фиксируются и архивируются огромные ин- формационные массивы параметров оборудова- ния и режимов его функционирования. Но дале- ко не всегда в этих архивах находят адекватное отражение данные о структуре объектов монито- ринга, о моментах ее изменения в соответствии с требованиями практики. И это создает серьезные проблемы с использованием уже собранных дан- ных при синтезе сначала нейросетевых моделей ОУ, а затем и НР для управления ими. Негатив- ное влияние на доступность первичных данных по энергопотреблению оказала приватизация энергообъектов и спровоцированная ею обста- новка искусственной информационной закры- тости, якобы охраняющая корпоративные инте- ресы собственников предприятий от посяга- тельств конкурентов. К этому стоит добавить, что между теорети- ческими разработками в области применения средств искусственного интеллекта в энергетике и достигнутыми с их помощью практическими результатами остается достаточно большой раз- рыв. К сожалению, ожидания по-прежнему пре- восходят фактические достижения, и многое из того, чем манит и привлекает к себе доктрина нейроуправления, остается неуловимым фанто- мом. Главное потенциальное преимущество ИНС – адаптивность, понимаемая еще и как способ- ность к самообучению, к самостоятельному изу- чению внешней среды, повсеместно встречающа- яся в природных системах, остается пока что тай- ной за семью печатями. Алгоритмы и, в более ши- роком смысле, методология контролируемого обучения ИНС, получившие широкое распрос- транение в нейроуправлении, все-таки, остаются неким способом заставить НР вести себя прибли- зительно так же, как ведут себя их предшествен- ники, может быть, немного лучше [14-16]. Но го- ворить о способности современных НР к самоо- бучению в тех ситуациях, которые не принима- лись во внимание в процессе их контролируемо- го обучения, например, при резких изменениях структуры ОУ, сегодня, по-видимому, преждевре- менно. В этом смысле показательными являются ре- зультаты сопоставительных исследований тех же ПИД-регуляторов и НР [5,33,60,61], которые, когда задача рассматривается в теоретической постановке, безусловное предпочтение отдают НР, но, когда дело доходит до оценки фактичес- кой эффективности, утрачивают категоричность. Не случайно, не доверяя в полной мере НР, авто- ры [61] (и не только они) вводят в состав НСУ дублирующий ПИД-регулятор на случай генери- рования НР некорректных управляющих воз- действий. А такое вполне возможно, если не уда- ется исключить режимы функционирования НСУ, которые могут выходить за пределы облас- ти, для которой проводилось обучение НР. В целом, ситуация с освоением НР в энергети- ке, безусловно, не так плачевна, как, скажем, с экспертными системами, на которые возлагались огромные надежды в 80-хх, но о которых практи- чески забыли уже в 90-хх. Но и не так оптимис- тична, как с ФР, которые нуждаются в очень не- большом объеме данных для настройки, отдавая предпочтение человеческому опыту, и поэтому относительно легко отвоевывают для себя новые плацдармы на нижних уровнях иерархического управления энергообъектами. Как бы там ни было, никакие трудности и проблемы не могут лишить очарования киберне- тический подход к управлению, который без тру- да находит себе сторонников в мире ученых се- годня и, без сомнения, будет находить завтра. Са- мое главное, что им предстоит сделать, чтобы до- казать исключительность ИНС на практике – это правильно определиться с точкой приложения усилий, выбрать для них новую область, где кон- куренция с опытом, аккумулированным тради- ционными технологиями управления, не была бы так сильна. Тогда группам разработчиков НСУ, охватывающим, как правило, не более 5–10 чело- век, не придется ставить себя в необходимость превзойти результаты, достигнутые многолетним упорным трудом тысяч и тысяч инженеров, опи- равшихся на аппарат классической ТАУ. Но и в этом вопросе сделаны определенные подвижки и накоплен новый багаж знаний и представлений, который позволяет представителям радикально- го лагеря браться за решение по-настоящему сложных практических задач. Заключение Энергетика Украины сегодня представляет со- бой некогда самодостаточный техноценоз, сфор- мировавшийся 30-35 лет назад на базе передовых СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 65 для того времени технологий управления и боле- е-менее успешно адаптировавшийся (благодаря интеллектуальным усилиям самих же энергети- ков) к новым условиям хозяйствования в период относительной стабильности цен на энергоноси- тели, имевшей место на рубеже веков. Начавший- ся полтора года назад рост цен на топливо открыл новую страницу в ее развитии, предъявив общес- тву новый уровень требований, касающихся эко- номичности производства, передачи, распределе- ния и потребления всех видов энергии. Чтобы выполнить эти требования, энергетика должна найти и освоить новые способы организационно- экономического и технологического управления, концентрирующие внимание всех участников процесса энергоснабжения на необходимости роста энергоэффективности. Появление новых целей и новых методических подходов для их достижения откроет дорогу новым вычислитель- ным технологиям, наработавшим к теперешнему времени обширный задел приемов решения сложных многопараметрических и многокрите- риальных задач. И среди них, без сомнений, ока- жутся ИНС, уже доказавшие свою исключитель- но высокую эффективность, по крайней мере, при решении задач моделирования энергообъек- тов и краткосрочного прогнозирования их пове- дения. Мы живем в эпоху информационной револю- ции, и будущее развитие технологий неразрыв- но связано с дальнейшей информатизацией и интеллектуализацией процессов управления. В будущем все больше и больше усилий будет тра- титься на оптимизацию управления формаль- ными и неформальными корпорациями, дейс- твующими в сфере энергоснабжения. Рост зат- рат на управление является естественной пла- той за рост энергоэффективности общественно- го производства, и поэтому крайне важно не ошибиться в выборе самих вычислительных технологий для эффективного решения управ- ленческих задач. СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ 1. Вороновский Г.К., Махотило К.В., Сергеев С.А. Проблемы и перспективы использования искусственных нейронных сетей в энергетике. 1. Моделирование // Проблемы общей энергетики. – 2006, №14. – C. 50-61. 2. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators // Neural Networks. – 1989,Vol.2 – p. 359-366. 3. Scott G.M., Shavlik J.W., Ray W.H. Refining PID controllers using neural nets // In: Advances in Neural Information Processing Systems / Eds. J.E Moody, S.J.Hanson, R.P.Lippmann.– San Mateo, CA: Morgan Kaufmann, 1992. – p. 555-562. 4. Jones A.H. Genetic tuning of non-linear PID-controllers // In: Artificial Neural Nets and Genetic Algorithms. Procs. of the Int. Conf. in Ales, France, 1995 / Eds. D.W.Pearson, N.C.Steele, R.F.Albrecht).– Wien: Springer Verlag, 1995. – p. 412-415. 5. Вороновский Г.К., Махотило К.В., Сергеев С.А. Синтез робастного ПИД-нейроконтроллера для регулирования темпера- туры пара на выходе котла // Вестник ХГПУ. Экология. Математика. Электроэнергетика. – 1997. – вып. 8. – C. 121-125. 6. Werbos P. J. Backpropagation and neurocontrol: A review and prospectus // In: Procs. of the Int. J. Conf. on Neural Networks.– Washington, DC.– 1989. – v.1. – p. 209-216. 7. Neural networks for control / Eds. W. T. Miller, R. S. Sutton, P. J. Werbos. – The MIT Press, 1990. 8. Narendra K.S., Parthasarathy K. `Identification and control of dynamical systems using neural networks // IEEE Trans. on Neu- ral Networks. – 1990, v.1, N 1. – p. 4-27. 9. Levin A. U., Narendra K. S. Control of nonlinear dynamical systems using neural networks: Controllability and stabilization // IEEE Trans. on Neural Networks. – 1993.– vol. 4. – p. 192-206. 10. Schaffer J.D., Whitley L.D., Eshelman L.J. Combination of Genetic Algorithms and Neural Networks: A Survey of the State of the Art // In: Procs. of the Int. Workshop on Combinations of Genetic Algorithms and Neural Networks / Eds. L.D. Whitley and J.D. Schaffer.– Baltimore, Maryland. – 1992. – p. 1-3. 11. Shaohua Tan, Shi-Zhong He. Hybrid Control of Nonlinear Dynamical Systems Using Neural Nets and Conventional Control Schemes // In: Int. J. Conf. on Neural Networks. Baltimore, Maryland. June 7-11, 1992. – v.2. – p. 805-810. 12. Hsu Y.Y., Chen C.L. Tuning of power system stabilizers using an artificial neural network // IEEE Trans. on Energy Conversion. – 1991. – v.6, N4. – p. 612-619. 13. Wu Q.H., Hogg B.W., Irwin G.W. A neural network regulator for turbogenerators // IEEE Trans. on Neural Networks. – 1992. – v.3, N1. – p. 95-100. 14. An artificial neural network based adaptive power system stabilizer / Y.Zhang, G.P.Chen, O.P.Malik, G.S. Hope // IEEE Trans. on Energy Conversion. – 1993. – v.8, N1. – p. 71-77. 15. Application of an inverse input/output mapped ANN as a power system stabilizer / Y.Zhang, O.P.Malik, G.S.Hope, G. P.Chen // IEEE Trans. on Energy Conversion. – 1994. – v.9, N3. – p. 433-441. 16. Zhang Y., Malik O.P., Chen G.P. Artificial neural network power system stabilizers in multi-machine environment // IEEE Trans. on Energy Conversion. – 1995. – v.10, N1. – p. 147-155. 66 ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 17. Park Y.M., Choi M.S., Lee K.Y. A neural network-based power system stabilizer using power flow characteristics // IEEE Trans. on Energy Conversion. – 1996. – v. 11, N 2. – p. 435-441. 18. Kobayashi T., Yokoyama A. An adaptive neuro-control system of synchronous generator for power system stabilization // IEEE Trans. on Energy Conversion. – 1996. – v. 11, N3. – p. 621-630. 19. Park Y. M., Hyun S. H., Lee J. H. A synchronous generator stabilizer design using neuro inverse controller and error reduction net- work // IEEE Trans. on Power Systems. – 1996. – v. 11, N 4. – p. 1969-1975. 20. Shamsollahi P., Malik O.P. An adaptive power system stabilizer using on-line trained neural networks // IEEE Trans. on Energy Conversion. – 1997. – v.12, N4. – p. 382-387. 21. He J., Malik O.P. An adaptive power system stabilizer based on recurrent neural networks // IEEE Trans. on Energy Conversion. – 1997. – v.12, N4. – p. 413-418. 22. Neural control of turbogenerator systems / D. Flynn, S. MacLoone, G.W. Irwin, M. D. Brown, E. Swidenbank, B. W. Hogg // Au- tomatica. – 1997. – v.33, N 11. – p. 1961-1973. 23. Shamsollahi P., Malik O.P. Real-time implementation and experimental studies of a neural adaptive power system stabilizer // IEEE Trans. on Energy Conversion. – 1999. – v.14, N3. – p. 737-742. 24. Shamsollahi P., Malik O.P. Direct neural adaptive control applied to synchronous generator // IEEE Trans. on Energy Conversi- on. – 1999. – v.14, N 4. – p. 1341-1346. 25. Neural network based control for synchronous generators / E. Swidenbank, S. McLoone, D. Flynn, G. W. Irwin, B. W. Hogg // IEEE Trans. on Energy Conversion. – 1999. – v.14, N4. – p. 1673-1679. 26. Experimental verification of a generating unit excitation neurocontroller / M.M. Salem, A.M. Zaki, O.A. Mahgoub, E. Abu El- Zahab, O.P. Malik // In: Procs. of IEEE PES Winter Meeting. – 2000. – v.1. – p. 585-590. 27. Changaroon B., Srivastava S. C., Thukaram D. A neural network based power system stabilizer suitable for on-line training – a practical case study for EGAT system // IEEE Trans. on Energy Conversion. – 2000. – v.15, N1. – p. 103-109. 28. Segal R., Kothari M. L., Madnani S. Radial basis function (RBF) network adaptive power system stabilizer // IEEE Trans. on Power Systems. – 2000. – v.15, N2. – p. 722-727. 29. Venayagamoorthy G.K., Harley R.G. A continually online trained neurocontroller for excitation and turbine control of a turbo- generator // IEEE Trans. on Energy Conversion. – 2001. – v.16, N1. – p. 261-269. 30. Venayagamoorthy G. K., Harley R.G., Wunsch D.C. Adaptive critic based neurocontroller for turbogenerators with global dual heuristic programming // In: Procs. IEEE PES Winter Meet. – 2001. – v.1. – p. 291-294. 31. Liu W., Venayagamoorthy G.K., Wunsch D.C. Design of an adaptive neural network based power system stabilizer // Neural Net- works. – 2003. – v.16. – p. 891-898. 32. Park J.P., Ganesh K. Comparison of MLP and RBF Neural Networks Using Deviation Signals for Indirect Adaptive Control of a Synchronous Generator // IEEE Trans. on Power Delivery. – 2004. – N 1. – p. 919-925. 33. Comparative Evaluation of Neural-Network-Based and PI Current Controllers for HVDC Transmission / V.K. Sood, N. Kandil, R.V. Patel, K. Khorasani // IEEE Trans. on Power Electronics. – 1994. – vol. 9, N 3. – p. 288-296. 34. Intelligent current controller for an HVDC transmission link / K.G. Narendra, K. Khorasani, V.K. Sood, R.V. Patel // IEEE Trans. on Power Systems. – 1998. – v.13, N 3. – p. 1076-1083. 35. Matsuda S., Akimoto Y. The Representation of Large Numbers in Neural Networks and Its Application to Economical Load Dis- patching of Electric Power // In: Procs. of the Int. J. Conf. on Neural Network. Washington (DC), 1989. – New York (N.Y.): 1989. – v.1. – p. 587-592. 36. Application of Artificial Neural Networks to Unit Commitment / M. H. Sendaula, S. K. Biswas, A. Eltom, C. Parten and W. Ka- zibwe // In: Procs of the First Int. Neural Networks Application to Power Systems, 23-26 July 1991. – p. 256-260. 37. Liang R.-H, Hsu Y.-Y. Scheduling of hydroelectric generation using artificial neural networks // IEE Procs. Gener., Transm., Dis- trib. – 1994. – vol.141, N5. – p.452-458. 38. Neural-net based coordinated stabilizing control for the exciter and governor loops of low head hydropower plants / M. Djuka- novic et al. // IEEE Trans. on Energy Conversion. – 1995. – v.10, N4. 39. Wong K. P. Computational Intelligence Application in Unit Commitment, Economic Dispatch and Power Flow // In: IEEE Conf. in Advance in Power System Control, Operation and Management. – November 1997. – p. 54-59. 40. Improve the Unit Commitment Scheduling by Using the Neural Network Based Short Term Load Forecasting / T. Saksornchai, W.J. Lee, M. Methaprayoon, J. Liao // IEEE Trans. on Power Delivery. – June 2004. – p. 33-39. 41. Optimal environmental dispatching of electric power systems via an improved Hopfield neural network model / T.D.King et al. // IEEE Trans. on Power Systems. – 1995. – v.10, N3. – p. 327-332. 42. Kumarappan N., Mohan M.R., Murugappa S. ANN Approach to Combined Economic and Emission Dispatch for Large-Scale System // IEEE Power Distribution System. – March 2002. – p. 323-327. 43. Closed Loop NOx Control and Optimisation Using Neural Networks / J. Gabor et al. // In: Power Plants and Power Systems Con- trol (IFAC Proceedings Volumes) / Ed J.-P. Waha. – Brussels, Belgium: 2000. 44. Losleay A., Zargari N.R., Joos G. A neural network controlled unity power factor three phase current source PWM front-end rec- tifier for adjustable speed drives // In: Fifth Int. Conf. on Power Electronics and Variable-Speed Drives, London, UK, 26-28 Oct. 1994. – London, 1994. – p. 251-255. СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ ПРОБЛЕМИ ЗАГАЛЬНОЇ ЕНЕРГЕТИКИ • №16/2007 67 45. Neural technologies in electrical drive control / V.B.Klepikov, G.K.Voronovsky, S.A.Sergeev, K.V.Mahotilo // In: Procs. of the II Konf. Sterowanie w Energoelektronike i Napedzie Elektrycsnym. SENE'95. Poland, Lodz-Arturowek, 1995 – p. 336-343. 46. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами / В.Б. Клепиков, С.А. Сергеев, К.В. Махотило, И.В. Обруч // Электротехника. – М., 1999. – №5. – C. 2-6. 47. Design of an adaptive variable-structure voltage regulator using artificial network / M.E.Aggoune, F.Boudjemaa, A.Bensenou- ci, A.Hellal, S.V.Vadari, M.R.Elmesai // In: Second IEEE Conference on Control Applications, Vancouver, DC, Canada, 13-16 Sept. 1993. – New York, NY, USA: 1993. – v.1. – p.337-343. 48. Trzynadlowski A.M., Legowski S.. Application of neural networks to the optimal control of three-phase voltage-controlled inver- ters // IEEE Trans. on Power Electronics. – 1994. – v.9, N4. – p. 397-404. 49. Moreno J., Esquivel A. Neural Network Based Approach for the Computation of Harmonic Power in Real Time Microprocessor- Based Vector for an Induction Motor Drive // IEEE Trans. on Industry Application.– 2000. – N1. – p. 277-282. 50. Vazquez J.R., Salmeron P.R. Three Phase Active Power Filter Control Using Neural Networks // In: 10th Mediterranean Electro- technical Conference. – 2000. – v. 3. – p. 924-927. 51. Novosel D., King R.L. Using artificial neural network for load shedding to alleviate overload lines // IEEE Trans. on Power De- livery. – 1991. – v.9, N1. 52. Santoso N.I., Tan Owen T. Neural net based real-time control of capacitors installed on distribution systems // IEEE Trans. on Power Delivery. – 1990. – v.5, N1. – p.266-272. 53. Вороновский Г.К. Усовершенствование практики управления крупными теплофикационными системами в новых эконо- мических условиях. – Х.: Изд-во "Харьков", 2002. – 240 с. 54. Вороновский Г.К., Махотило К.В., Сергеев С.А. Энергоэкономичное управление состоянием теплосети в крупных систе- мах централизованного теплоснабжения // Технічна електродинаміка. – К.: Інститут електродинаміки НАНУ, 2006. – Те- мат. вип. Проблеми сучасної електротехніки. – Ч. 1. – C. 129-135. 55. Kreider J.F., Wang, X.A. Artificial neural networks demonstrated for automated generation of energy use predictors for commer- cial buildings // ASHRAE Trans. // 1991. – v. 97, N 2. – p. 775-779. 56. Expert systems, neural networks and artificial intelligence applications in commercial building HVAC operations / J.F.Kreider, X.A.Wang, D.Anderson, J.Dow // Automation in Construction. – 1992. – v.1, N3. – p. 225-238. 57. Curtiss P.S., Kreider J.F., Brandemuehl M.J. Adaptive control of HVAC processes using predictive neural networks // ASHRAE Trans. – 1993. – v.99, Pt 1. – p. 496-504. 58. Curtiss P.S., Kreider J.F., Brandemuehl M.J. Energy management in central HVAC plants using neural networks // ASHRAE Trans. – 1994. – v.100. – Pt 1. – p. 476-493. 59. Kreider J.F., Rabl A. Neural Networks Applied to Building Energy Studies. – Boston, USA: McGraw-Hill, 1994. 60. Curtiss P.S. Experimental results from a network-assisted PID controller // ASHRAE Trans. – 1996. – v.102. – Pt. 2. 61. Bailey M.B., Curtiss P.S. Neural Network Modeling and Control Applications in Building Mechanical Systems // Proc. of 2001 Int. Conf. of Chartered Institution of Building Services Engineers and American Society of Heating Refrigeration and Air-Conditioning Engineers, Inc., London, England, October 18, 2001. – p. 193-226. 62. Momoh J. A., Ma X., Tomsovic K. Overview and Literature Survey of Fuzzy Set Theory in Power System // IEEE Trans. on Po- wer Systems. – 1995. – pp. 1676-1690. 63. Розробка алгоритмів управління температурними режимами теплоносія з метою енергозбереження при виробництві теплової енергії на ВАТ "Харківська ТЕЦ-5": Звіт про НДР / НТУ "ХПІ". – 92539; № ДР 0107U003014/ – Харків, 2007. – 111 с. 64. Иерархическая система управления производством тепловой энергии на Харьковской ТЭЦ-5 (Прогнозирование пот- ребности, планирование производства, выбор рационального состава оборудования) / Г.К. Вороновский, К.В. Махотило, А.Ю. Козлоков, С.А. Сергеев. Препринт Института системных исследований в энергетике № 2007-1/НР. – Х.: ИСИЭ, 2007. – 76 с. 65. Вороновский Г.К., Махотило К.В., Сергеев С.А. Планирование работы ТЭЦ в условиях Оптового рынка электроэнергии // В кн.: Инновационное развитие топливно-энергетического комплекса: проблемы и возможности / Под общ. ред. Г.К. Воро- новского, И.В. Недина. – К.: Знания Украины, 2004. – C. 219-226. СИСТЕМНІ ДОСЛІДЖЕННЯ ТА КОМПЛЕКСНІ ПРОБЛЕМИ ЕНЕРГЕТИКИ
id	nasplib_isofts_kiev_ua-123456789-3097
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1562-8965
language	Russian
last_indexed	2025-12-01T09:45:18Z
publishDate	2007
publisher	Інститут загальної енергетики НАН України
record_format	dspace
spelling	Вороновский, Г.К. Махотило, К.В. Сергеев, С.А. 2009-06-22T16:22:31Z 2009-06-22T16:22:31Z 2007 Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Ч. 2. Управление / Г.К. Вороновский, К.В. Махотило, С.А. Сергеев // Пробл. заг. енергетики. — 2007. — № 16. — С. 54-67. — Бібліогр.: 65 назв. — рос. 1562-8965 https://nasplib.isofts.kiev.ua/handle/123456789/3097 620:621.31 Представлен обзор зарубежных и отечественных публикаций по применению искусственных нейронных сетей для управления в энергетике, охватывающий период с 1991-го по 2007 гг Особое внимание уделено способам решения задачи демпфирования низкочастотных и субсинхронных резонансных колебаний в энергосистеме, а также управлению качеством теплоснабжения в крупных системах централизованного теплоснабжения. Представлен опыт авторов в синтезе нейрорегуляторов, предназначенных для работы в составе иерархической системы управления производством теплоэнергии на Харьковской ТЭЦ. ru Інститут загальної енергетики НАН України Системні дослідження та комплексні проблеми энергетики Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление Article published earlier
spellingShingle	Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление Вороновский, Г.К. Махотило, К.В. Сергеев, С.А. Системні дослідження та комплексні проблеми энергетики
title	Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление
title_full	Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление
title_fullStr	Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление
title_full_unstemmed	Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление
title_short	Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление
title_sort	проблемы и перспективы использования искусственных нейронных сетей в энергетике. часть 2. управление
topic	Системні дослідження та комплексні проблеми энергетики
topic_facet	Системні дослідження та комплексні проблеми энергетики
url	https://nasplib.isofts.kiev.ua/handle/123456789/3097
work_keys_str_mv	AT voronovskiigk problemyiperspektivyispolʹzovaniâiskusstvennyhneironnyhseteivénergetikečastʹ2upravlenie AT mahotilokv problemyiperspektivyispolʹzovaniâiskusstvennyhneironnyhseteivénergetikečastʹ2upravlenie AT sergeevsa problemyiperspektivyispolʹzovaniâiskusstvennyhneironnyhseteivénergetikečastʹ2upravlenie

Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление

Репозитарії

Схожі ресурси