CC BY
23
__
База знаний структурирована согласно особенно-стям преобразователя и представляет собой наборы правил, каждый из которых обеспечивает проверку функционирования отдельных блоков УВ. Данные наборы правил можно условно коррелировать с этапами программы наладки преобразователя, принимая, однако, во внимание, что связь между ними не является жесткой, а зависит от результатов предварительных интегральных проверок. Таким образом, общая база знаний системы включает следующие наборы правил:
предварительной проверки УВ (выяснение возможности подключения преобразователя к питающей сети);
общей проверки системы управления (проверка соответствия выходных сигналов системы управления заданным параметрам);
проверки параметров блока питания системы управления (проверка соответствия выходного напря-> жения блока номинальному значению и т.п.);
проверки блоков системы управления; проверки входной цепи преобразователя; проверки силовой схемы преобразователя.
Структура базы знаний ЭС наладки УВ показана на рисунке.
База знаний ЭС для наладки УВ формализована структурными логическими выражениями вида
с, (Л А с2 и) л.... л С,_, (Л А с, (/) => йк
или
с, (Л V С2 и) V.... V см (Л V с, Сл => Ок, где СДУ) - независимые (задаваемые) или зависимые (выводимые) логические переменные; у - фикси-
, АЖГлазунова, И,Н.Колосок
рованное значение логической переменой, ] с [ОД]; Вк - экспертные оценки (реплики ЭС),
Прототип ЭС создан в интегрированной инструментальной среде ЕХБУБ и использует встроенный механизм вывода.
В настоящее время экспертная система ЭСНЭП находится на стадии исследовательского прототипа, способна распознавать отдельные неисправности и обнаруживать ошибки монтажа узлов АЭП. База знаний системы содержит более 500 правил. На локализацию неисправностей реальной схемы АЭП затрачивается от 1 до 3 часов. Переход к промышленному образцу ЭС связан с расширением базы знаний системы, а также с включением в нее новых типов объектов контроля.
Экспертная система для наладки АЭП применяется для обучения студентов специальности 1804 «Электропривод и автоматика промышленных установок и технологических комплексов» на кафедре электропривода и электротранспорта ИрГТУ.
Библиографический список
1. Джексон П. Введение в экспертные системы: Пер, с англ. - М.: Вильяме, 2001. - 624 с,
2, Наладка комплектных тиристорных электроприводов с естественным воздушным охлаждением (КТЭ ЕВО) // Сб, учебных материалов. Под ред, Б.И.Андрюкова. - А: ВНИИПЭМ, 1985. - Вып. 9. - 127 с.
3. Комплектные тиристорные электроприводы / Под ред. В.М.Перельмутера. - М,: ЭАИ, 1988, - 319 с,
4, Гаврилова ТА, Хорошевский В.Ф. Базы знаний интеллектуальных систем, - СПб: Питер, 2000, - 384 с.
Организация обучающего задачника для нейросетевого прогнозирования электрической нагрузки
Для эффективного управления электроэнергетической системой (ЭЭС) необходима полная и точная информация о ее текущем состоянии, получаемая на основе телеизмерений (ТИ) и телесигналов (ТС), Поскольку узловые нагрузки контролируются лишь у небольшого числа потребителей, важная роль при оперативном управлении ЭЭС отводится задаче краткосрочного прогнозирования узловых нагрузок с интервалом упреждения до нескольких часов. Знание краткосрочных прогнозов позволяет диспетчерскому персоналу осуществлять оперативную корректировку режима.
Краткосрочное прогнозирование нагрузки необходимо при введении двухставочных тарифов при взаи-
морасчетах с субъектами ФОРЭМ, когда при превышении заявленной по договорам с субъектами рынка и в частности с РАО ЕЭС России мощности, на региональные энергетические компании накладываются штрафные санкции.
Точность краткосрочного прогноза нагрузок существенно влияет на экономичность загрузки генерирующего оборудования и как следствие на стоимость электроэнергии. Недооценка нагрузки может привести к снижению резервов, что, в свою очередь, ведет к росту стоимости электроэнергии из-за использования дорогого пикового оборудования или покупки мощности от соседних производителей по высокой цене. Завышенный прогноз нагрузки может привести к необос-
нованному увеличению вращающегося резерва и, следовательно, цены на электроэнергию.
К настоящему времени разработано большое чис: ло методов и моделей прогнозирования нагрузок ЭЭС. Их обзор приведен в [1,2]. В последние годы для прогнозирования нагрузок используются модели, построенные на применении искусственных нейронных сетей (ИНС) [3].
Использование ИНС для прогнозирования нагрузки. Искусственная нейронная сеть (ИНС) - это совокупность нейронов, связанных между собой определенным образом [4]. ИНС обладают рядом достоинств, которые позволяют использовать их для построения нейросетевых моделей прогнозирования нагрузки, К этим достоинствам относятся:
отсутствие необходимости построения модели объекта (нагрузки);
способность восстанавливать нелинейные функциональные зависимости;
хорошая работоспособность в условиях неполных данных;
возможность использования малых обучающих выборок, не обеспечивающих получение статистически достоверных результатов классическими методами; быстрый отклик обученной сети.
Большинство разработчиков нейросетевых методов прогнозирования нагрузок отмечают, что точность прогнозирования с помощью ИНС как правило выше, чем при использовании статистических моделей [5-7].
В свою очередь, точность нейросетевых методов прогнозирования зависит от многих факторов. Наиболее важные из них перечислены ниже: выбор типа и структуры ИНС; выбор входных данных; способ организации обучающего задачника; точность обучения ИНС; способность к обобщению обученной ИНС; способ предобработки входных данных; выбор параметров при интерпретации ответов ИНС и др.
Данная работа посвящена исследованию зависимости точности нейросетевого прогнозирования от способа организации обучающего задачника, в частности, от способа анализа данных, из которых формируется требуемый задачник.
Формирование обучающего задачника. Обучающая выборка (задачник) состоит из примеров. Каждый пример представляет собой индивидуальный набор признаков (входные параметры ИНС) и заранее известный результат (выходные параметры ИНС). Для прогнозирования нагрузки в качестве входных параметров в данной работе используются значения электрических нагрузок предыдущих дней, а заранее известным результатом являются нагрузки прогнозируемого периода. Несколько примеров с разными входными и выходными данными образуют задачник,
Использование искусственной нейронной сети Р£ШЖ Исследование качества результатов прогнозирования проводилось с помощью нейронной сети РЕРСЕРУУ, которая представляет собой трехслойный персептрон, Количество нейронов в каждом слое настраивается по желанию пользователя. Задача прогнозирования решается нейронной сетью, которая состоит из 48 нейронов во входном слое, 10 нейронов в скрытом слое и 6 нейронов в выходном слое. Информация, поступающая в обученную ИНС, обрабатывается в следующем порядке.
В блоке предобработки выполняется нормировка входных данных,
Нормализованные данные поступают на первый слой нейронов, задачей которого является распределение входных данных между нейронами второго слоя.
■ Нейроны второго слоя суммируют информацию, полученную от нейронов первого слоя, преобразуют ее и передают нейронам третьего слоя.
Нейроны третьего слоя выполняют аналогичные действия с той разницей, что выходные сигналы поступают в интерпретатор ответов.
В интерпретаторе ответов эти сигналы преобразуются в именованные единицы.
Практические результаты. В качестве примера приводится решение задачи прогнозирования нагрузки с упреждением в три часа на три дня вперед. Для составления задачника были использованы данные бытовой нагрузки, измеренные через каждые тридцать минут в течение двух месяцев в одной из Российских энергосистем. Измерения первых 55 дней использовались для создания обучающего задачника. Из измерений следующих 5 дней была сформирована тестовая выборка,
Перед составлением обучающего (тестового) задачника был проведен анализ данных, выбранных для его формирования. Целью этого анализа является исключение из обучающей (тестовой) выборки противоречивых и резко выделяющихся из всех остальных примеров.
ИНС обучалась на двух задачниках. Первый формировался из всех данных с последующим исключением из него примеров, отличающихся от других. Перед формированием второго задачника все измерения классифицировались на две группы с помощью карт Кохонена [8]. Затем из самой многочисленной группы данных формировался задачник.
Результаты прогнозирования нагрузки с упреждением в три часа на три дня вперед с помощью ИНС, обученных по первому и второму задачникам, показаны в табл. 1 и 2 соответственно.
Из таблиц следует, что ИНС, обученная по второму задачнику, точнее предсказывает величину нагрузки. В предпоследней строке каждой таблицы показаны суммарные реальная и ожидаемая нагрузки за прогнози-
Таблица I
Результаты прогнозирования нагрузки с помощью И НС, обученной по первому задачнику
№ дня Реальное значение нагрузки Ответ ИНС Ошибка
кВт %
1 441.00000 468.92350 -27.92349 -6.33186
415.00000 448.27250 -33.27246 -8.01746
403.00000 430.14030 -27.14029 -6.73456
398.00000 427.03790 -29.03787 -7.29595
398.00000 420.56460 -22,56458 -5,66949
396.00000 396.48630 -.48633 -.12281
2 369.00000 385.58160 -16.58160 -4.49366
343.00000 354.79260 -11.79260 -3.43808
331.00000 355,24300 -24.24301 -7.32417
333.00000 345.96880 -12.96881 -3,89454
326.00000 335.17100 -9.17102 -2,81320
333.00000 343.79640 -10.79642 -3.24217
3 333.00000 336.71460 -3.71463 -1.11550
328,00000 320.24060 7.75940 2.36567
324.00000 319.44320 4.55682 1.40643
319.00000 319.12140 -.12137 -.03805
312,00000 313.99230 -1.99234 -.63857
312.00000 299.66550 12.33447 3.95336
сумма 6414 6612 -198
Средняя ошибка 14 3,6
Таблица 2
Результаты прогнозирования нагрузки с помощью ИНС, обученной по второму задачнику
№ дня Реальное значение нагрузки Ответ ИНС Ошибка
кВт %
1 334.00000 332,93080 1.06924 .32013
322.00000 322.51220 -.51218 -.15906
314.00000 313.41090 .58908 .18761
307.00000 307.21910 -.21912 -.07137
300.00000 303.36860 -3.36859 -1.12286
293.00000 296.35030 -3.35025 -1.14343
2 350,00000 332.27050 17.72946 5.06556
329,00000 330.48510 -1,48511 -.45140
324.00000 318.21850 5.78149 1.78441
312.00000 302.18280 9.81723 3.14655
312.00000 308.64720 3.35278 1.07461
307.0С000 301.31830 5.68170 1.85072
3 362.00000 389.43200 -27.43198 -7.57789
343.00000 353.62730 -10.62735 -3.09835
324.00000 342.35760 -18.35764 -5.66594
310.00000 330.09870 -20.09866 -6.48344
305.00000 314.79170 -9.79175 -3.21041
305.00000 304.39140 .60861 .19954
сумма 5753 5797 -44
Средняя ошибка 7,59 2,3
руемый период (18 часов). ИНС, обученная по первому задачнику, предсказывает потребление энергии в размере 6612 кВт*ч вместо 6414 кВт*ч (больше на 192 кВт*ч). Согласно прогнозам второй ИНС, потребление энергии составит 5797 кВт*ч вместо реальной 5753 кВт*ч (больше на 44 кВт*ч). В обоих случаях имеет место завышенный прогноз нагрузки, но во втором случае (см. табл.2) эта ошибка значительно ниже. Результаты сравнения абсолютных и средних ошибок прогнозов (последние строки в табл.1, 2) также говорят в пользу второго задачника. Следовательно, точность прогноза зависит от организации обучающего задачника, и одним из важных факторов при формировании задачника является предварительный анализ исходных данных.
Выполненное в данной работе исследование является первым этапом на пути организации обучающего задачника, в результате которого отбираются данные для формирования задачника. Вторым этапом, как правило, является исследование структуры обучающего задачника, т.е. рассматриваются разнообразные параметры каждого примера. В настоящей работе в качестве параметров каждого примера выступают нагрузки предыдущего дня.
Вывод. Способ организации обучающего задачника влияет на точность нейросетевого прогнозирования электрической нагрузки. Предварительная обработка данных, из которых формируется обучающий задачник, позволяет увеличить точность нейросетевого прогнозирования на 1,3%.
Библиографический список
1. Бэнн Д.В., Фармер Б,Д. Сравнительные модели прогнозирования электрической нагрузки / Пер. с англ. - М.: Энергоатомиздат, 1987.
2. Гамм А.З., Герасимов АН., Голуб И.И. и др. Оценивание состояния в электроэнергетике. - М,: Наука,1983. - 302 с.
3. Antonio Piras, These llA Multiresponse structural connectionist model for short term electrical load forecasting". -Lausanne, EPFL, 1996. - 174 p.
4. Горбань A.H., Россиев Д.А, Нейронные сети на персональном компьютере, - Новосибирск: Наука, Сибирская издательская фирма РАН, 1996, - 276 с.
5. А.М. Glazunova. Neural network-based load forecasting for power system reliability support II Proceedings of the Int. Symposium on power engineering, - Kazan, Russia, 10-14 September 2001. - Vol, II. - Kazan state power engineering University, 2001, - Pp. 281-285.
6. Шумилова Г. П., Готман Н.Э., Старцева Т.Б, Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей II Электричество, - 1999, - №10. - С. 6-13,
7. Kab-Ju-Hwang, Myubg-Kook Yang, Sung-Woo Cho. Daily Load Forecasting Using the Self-Organizing Map. II Proc, The International Conference on Electrical Engineering, 1998, V.2. - P. 429-432.
8. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика, - М.: Мир, 1992. - 186с,
