CC BY
15ЦИФРОВОЙ ПРОРЫВ: МИРОВОЙ ОПЫТ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЭКСПЛУАТАЦИИ И КОНТРОЛЕ ЭНЕРГОСИСТЕМ
Адылов Ялкин Туйчиевич
Научно-Исследовательский Университет « Ташкентский институт
инженеров ирригации и механизации сельского хозяйства»; кафедра 'Электротехника иМехатроника", PhD, доцент
Рахмонов Комронбек Алишер угли
Научно-Исследовательский Университет «Ташкентский институт инженеров ирригации и механизации сельского хозяйства»; кафедра 'Электротехника и
Мехатроника"магистр 2 курса
Аннотация: В статье представлен обзор различных методов искусственного интеллекта (ИИ), которые могут быть применены в эксплуатации и контроле энергосистем. Показано, как искусственный интеллект можно использовать для учёта оптимального расхода энергии, регулирования напряжения, контроля стабильности энергосистемы, регулирования частоты нагрузки. Методы ИИ позволяют обрабатывать большие объемы данных быстрее, чем методы численной оптимизации и потому могут повысить производительность энергетических систем.
Ключевые слова: эксплуатация и управление энергосистемами, искусственная нейронная сеть, адаптивная нейро-нечеткая система, оптимизация муравьиной колонии, оптимизация роя частиц.
РА^АМЛИ ЮТУЦ: ЭНЕРГИЯ ТИЗИМЛАРИНИ ФОЙДАЛАНИШ ВА БОШКАРИШДА СУНЪИЙ ИНТЕЛЛЕКТНИ КУЛЛАШ буйича дунё
ТАЖРИБАСИ
Адилов Ялкин Туйчиевич
Илмий Текшириш Университет «Тошкент Ирригация ва Цишлоц хужалигини механизациялаштириш институти», «электротехника ва мехатроника»
кафедраси, PhD, доцент
Рахмонов Комронбек Алишер угли
Илмий Текшириш Университет «Тошкент Ирригация ва Цишлоц хужалигини
механизациялаштириш институти», «электротехника ва мехатроника»
кафедраси, 2 курс магистри
Аннотация: Маколада энергия тизимларини ишлатиш ва бошккаришда кулланилиши мумкин булган турли хил сунъий интеллект (СИ) усуллари хдаида умумий маълумот берилган. Оптимал энергия сарфини, кучланишни тартибга солишни, энергия тизимининг баркарорлигини назорат килишни ва юк частотасини тартибга солишни хисобга олиш учун сунъий интеллектдан кандай фойдаланиш мумкинлиги курсатилган. СИ усуллари катта х,ажмдаги маълумотларни ракамли оптималлаштириш усулларига Караганда тезрок кайта ишлашга кодир ва шунинг учун энергия тизимларининг иш фаолиятини яхшилаши мумкин.
Калит сузлар: энергия тизимларининг ишлаши ва бошцаруви, сунъий нейрон тармози, мослашувчан нейро-норавшан тизим, чумолилар колониясини оптималлаштириш, заррачалар тудасини оптималлаштириш.
DIGITAL BREAKTHROUGH: WORLD EXPERIENCE IN THE USE OF ARTIFICIAL INTELLIGENCE IN OPERATION AND CONTROL OF
POWER SYSTEMS
Adilov Yalkin Tuichievich
Scientific Research University "Tashkent Institute of Irrigation and Agricultural Mechanization Engineer "s; Department of Electrical Engineering and Mechatronics,
PhD, Associate Professor
Rakhmonov Komronbek Alisher Ugli
Scientific Research University "Tashkent Institute of Irrigation and Agricultural Mechanization Engineer "s; Department of Electrical Engineering and Mechatronics
2nd year master's student
Abstract: The article provides an overview of various artificial intelligence (AI) methods that can be used in the operation and control of power systems. It is shown how artificial intelligence can be used to account for optimal energy consumption, voltage regulation, control the stability of the power system, and control the frequency of the load. AI methods allow processing large amounts of data faster than numerical optimization methods and therefore can improve the performance of energy systems.
Keywords: operation and management of power systems, artificial neural network, adaptive neuro-fuzzy system, optimization of an ant colony, optimization of a swarm of particles.
ВВЕДЕНИЕ
Во время конференции Transition AI conference-2023 в Бостоне (США) David Groarke, директор кампании Indigo Advisory Group, представил результаты анализа текущих тенденций энергетического сектора, изменяющих эту отрасль. Из доклада следует, что искусственный интеллект в энергетике, — это не просто технология, а вестник нового этапа прогресса в этой области.
Рассмотрим представленные результаты анализа как этапы развития энергетического сектора:
1. Реструктуризация энергетики (1970-1990 гг.): в этот период энергетический сектор претерпел значительную реструктуризацию, что совпало с появлением и растущей популярностью возобновляемых источников энергии. Сектор начал переориентироваться на диверсификацию энергетического баланса и поиск более чистых альтернатив.
2. Цифровизация энергетики (2000-2020 гг.): с начала нового тысячелетия и до недавнего времени энергетический сектор переживал этап цифровизации. Технический прогресс способствовал цифровому преобразованию различных процессов и систем в этом секторе. Цифровизация послужила основой для перехода к энергетике, позволив повысить эффективность, управление данными и интеграцию возобновляемых источников энергии в сеть.
3. Автоматизация энергетики (с 2020 г.): современная эра знаменуется появлением автоматизации, которую усилил ИИ. Автоматизация, основанная на технологиях ИИ, призвана сыграть ключевую роль в достижении целей, направленных на достижение нулевой прибыли. Это позволяет принимать интеллектуальные решения, оптимизировать и автоматизировать энергетические системы, тем самым способствуя переходу к устойчивому и низкоуглеродистому будущему, будь то повышение операционной эффективности, оптимизация электросетей, реагирование на спрос, прогнозируемое техническое обслуживание и эффективная интеграция возобновляемых источников энергии. Настоящее и будущее влияние ИИ на сектор энергетики в мире показан на рисунке 1.
Artificial Intelligence (AI) in Energy and Power Market
Market forecast to grow at a CAGR of 247%
USD 3.1 billion
2021
Рисунок 1. Влияние искусственного интеллекта на энергетику и рынок
энергоресурсов [40]
Развитие искусственного интеллекта (ИИ) в энергетическом секторе является динамичным и заметным. Поскольку энергетические компании стремятся удовлетворить постоянно растущий спрос на электроэнергию и одновременно сократить выбросы углекислого газа, они обращаются к ИИ как к решению, которое меняет правила игры. Технологии искусственного интеллекта интегрируются во все аспекты энергетического сектора - от разведки и добычи до распределения и потребления. Новейшие алгоритмы позволят компаниям анализировать огромные объемы данных, собранных с датчиков, интеллектуальных счетчиков и других источников, представляя бесценную информацию о структуре энергопотребления, привычках потребления и производительности инфраструктуры. С помощью искусственного интеллекта энергетические компании могут оптимизировать свою деятельность, выявлять аномалии и принимать решения на основе данных, которые повышают эффективность и способствуют устойчивому развитию. На рисунке 2 представлено настоящее и будущее влияние ИИ на мировую экономику и изменения климата.
USD 14.53 billion
2028
RESEARCH il MARKETS
ТИС WOHLD S LARGEST MARKET RESEARCH STOKE
Рисунок 2. Глобальное влияние искусственного интеллекта в энергетическом секторе на ВВП и выбросы парниковых газов [39]
В [1] сформулировали пять факторов, которые определяют выгоды внедрения ИИ в энергетике:
- Профилактическое обслуживание: Профилактическое обслуживание, основанное на ИИ, меняет правила игры для энергетических компаний. Анализируя данные датчиков и характеристики оборудования, алгоритмы ИИ могут обнаруживать потенциальные неисправности до того, как они произойдут. Такой упреждающий подход к техническому обслуживанию позволяет сократить время простоя до 50% и снизить затраты на техническое обслуживание на 10-40% (по данным АссепШге).
- Торговля энергоресурсами: Искусственный интеллект меняет сферу торговли энергоресурсами. Благодаря своей способности анализировать огромные объемы данных и рыночные тенденции в режиме реального времени, алгоритмы ИИ могут оптимизировать стратегии торговли энергоресурсами и повышать прибыльность. Согласно отчету МсК1шеу, алгоритмы торговли энергоресурсами на основе искусственного интеллекта показали увеличение прибыли от торговли в среднем на 2-4%.
- Прогнозирование нагрузки: программы реагирования на спрос на основе ИИ доказывают свою эффективность в балансировании спроса и предложения на энергию. Стимулируя потребителей регулировать потребление энергии в периоды пикового спроса, энергетические компании могут избежать дорогостоящей модернизации инфраструктуры и снизить зависимость от электростанций, работающих на ископаемом топливе. Исследования
Международного энергетического агентства (МЭА) показали, что программы реагирования на спрос на основе ИИ могут снизить пиковый спрос на электроэнергию на 10-20%.
- Производство энергии из возобновляемых источников: Искусственный интеллект играет решающую роль в оптимизации производства и интеграции возобновляемых источников энергии. Анализируя данные из возобновляемых источников, алгоритмы ИИ могут прогнозировать выработку энергии, оптимизировать выработку электроэнергии и улучшить интеграцию в сеть. Модели прогнозирования солнечной энергии, основанные на ИИ, позволили снизить количество ошибок прогнозирования на 30% по сравнению с традиционными методами.
- Генерация данных и обнаружение аномалий: Генеративные модели ИИ доказали свою ценность при создании синтетических данных, которые очень похожи на данные об энергетике в реальном мире. Эти синтетические данные играют решающую роль в сценариях, где получение реальных данных ограничено или сопряжено с трудностями. Сравнивая данные в режиме реального времени и сгенерированные синтетические данные, можно быстро выявить любые отклонения или аномалии, что позволяет на ранней стадии выявлять неисправности оборудования, сбои в работе электросети или угрозы кибербезопасности.
- Цифровой прорыв: интеграция ИИ в энергетический сектор способствует инновациям и стимулирует развитие преобразующих технологий. Алгоритмы машинного обучения резко улучшают прогноз использования возобновляемых источников энергии, что приводит к более точным прогнозам выработки солнечной и ветровой энергии. Согласно исследованию, опубликованному в журнале Applied Energy, использование алгоритмов машинного обучения при прогнозировании солнечной энергии привело к снижению ошибок прогнозирования на 25% по сравнению с традиционными методами. В докладе Всемирного экономического форума подчеркивается, что системы управления энергопотреблением "умного дома", управляемые алгоритмами ИИ, могут снизить потребление энергии в домашних хозяйствах до 10%. Представляя данные и аналитическую информацию в режиме реального времени, эти системы позволяют потребителям делать рациональный выбор в отношении использования энергии, выявлять области, в которых образуются отходы, и внедрять меры по энергосбережению. Это не только помогает сократить выбросы углекислого газа, но и приводит к существенной экономии средств.
В доказательство этого утверждения из [1] приведем некоторые реальные достижения энергетических компаний, которые получены благодаря внедрению технологий искусственного интеллекта в различные аспекты своей деятельности
https://www.datadynamLcsinc.com/blog-ai-in-energy-your-data-is-the-game-changer-7-reasons-why/.
NextEra Energy: одна из крупнейших в мире компаний, занимающихся возобновляемыми источниками энергии, использовала ИИ для оптимизации работы своих ветряных турбин. Используя алгоритмы ИИ для анализа данных о ветре в режиме реального времени и производительности турбин, они добились увеличения выработки энергии на своих ветряных электростанциях на 20%.
Duke Energy: ведущая электроэнергетическая холдинговая компания в США, внедрила программы реагирования на спрос на основе искусственного интеллекта. С помощью этих программ они помогают клиентам снизить потребление энергии в периоды пикового спроса. Благодаря этим инициативам, основанным на ИИ, компания снизила пиковый спрос на электроэнергию на 10%. Это позволяет ей лучше сбалансировать спрос и предложение энергии, оптимизировать инфраструктуру и обеспечивать надежное обслуживание своих клиентов.
Enel: итальянская транснациональная энергетическая компания использует ИИ для прогнозирования технического обслуживания. Анализируя данные датчиков и характеристики оборудования, они могут предвидеть и предотвращать потенциальные сбои на своих электростанциях. Такой упреждающий подход к техническому обслуживанию позволил сократить время простоя до 30%, а затраты на техническое обслуживание - на 20%.
Tesla: кампания пришла в энергетический сектор с решениями для управления энергопотреблением на базе ИИ. В своих продуктах Powerwall и Powerpack Tesla использует алгоритмы искусственного интеллекта для оптимизации потребления и накопления энергии в домах и на предприятиях. Это позволило пользователям снизить зависимость от электросети и максимально эффективно использовать возобновляемые источники энергии, что привело к значительной экономии средств и более устойчивому использованию энергии.
Несмотря на то, что достижения в области искусственного интеллекта признаны в современном мире, важность высококачественных и насыщенных данных трудно переоценить, когда речь заходит о максимизации производительности ИИ. Ключ к раскрытию мощности ИИ лежит в данных. Для того чтобы в полной мере использовать возможности ИИ, качество и доступность данных имеют первостепенное значение, поскольку данные служат источником энергии для алгоритмов, позволяя им учиться, делать прогнозы и генерировать аналитические данные. Поэтому необходимо усовершенствовать методы обработки и использования данных. Единое управление данными (Unified Data Management, UDM) — это ключ, который открывает
неиспользованный потенциал предприятий, позволяя им извлекать выгоду из своих данных и использовать всю мощь ИИ.
Цитируемый выше Dr. David Groarke приводит семь ключевых аспектов, данные в которых должны улучшиться, чтобы эффективно использовать ИИ и роль UDM: 1. Количество и разнообразие; 2. Качество и согласованность; 3. Конфиденциальность и безопасность; 4. Доступность данных и совместное использование; 5. Этические соображения; 6. Постоянное обновление; 7. Интерпретируемость и объяснимость данных.
Это требование полностью выполняет платформа Data Dynamics, которая уже зарекомендовала себя в более чем 26 организациях из списка Fortune 100. Платформа предлагает единый интерфейс, оптимизирующий задачи управления данными. В результате улучшается качество данных, повышается доступность и будет создана инфраструктура, которая легко интегрируется с возможностями искусственного интеллекта. Платформа, объединяющая технологии автоматизации, искусственного интеллекта, машинного обучения и блокчейна, гарантирует, что она имеет необходимые инструменты для того, чтобы ориентироваться в сложностях энергетического ландшафта и стимулировать трансформационный рост.
Понимая актуальность проблемы внедрения ИИ в энергосистему Узбекистана, в данном обзоре, который, по нашим сведениям, является первым в этой области, мы представляем наиболее популярные алгоритмы ИИ в приложении к энергетике, фокусируясь на базовых областях энергетики, где уже есть практика применения ИИ, - эксплуатация, и контроль энергосистем.
ОБЗОР ЛИТЕРАТУРЫ
Цифровые технологии оказывают существенное влияние на услуги энергетического рынка и безопасность потребителей энергии, особенно в «умных домах». Устойчивые сети умного дома могут повысить энергоэффективность, использовать местные возобновляемые источники энергии, обезуглеродить системы отопления и охлаждения и способствовать качественной зарядке электромобилей [11]. Следующее десятилетие имеет решающее значение для достижения амбициозных глобальных целей по сокращению выбросов CO2, а декарбонизация зданий является серьезной проблемой. Исследования в области устойчивости и энергоэффективности жизненно важны для улучшения качества жизни в условиях изменения климата [12].
Однако, одним из технических препятствий является разнообразие производителей и устройств, каждое из которых имеет разные системы зарядки, частоты и методы связи [17]. Широкое признание технологий умного дома
является серьезной проблемой, поскольку для её решения надо убедить потребителей в безопасности и надежности ИИ технологий. Интересен подход [13] для разработки моделей, способных выявлять неисправности в энергетическом оборудовании, демонстрируя их эффективность в прогнозе возможных нежелательных явлений. Проблемы, связанные с прогнозированием показателя технического состояния оборудования и определением вероятности наличия дефектов в его текущем состоянии, вносят значительный вклад в развитие инструментов прогнозной аналитики в энергетике, обеспечивая упреждающее обслуживание оборудования [14]. Подходы машинного обучения и управления данными реализуют современные тренды развития в области прогнозного анализа в энергосистемах, особенно в контексте интеллектуальных сетей.
В статье [1] освещены проблемы, связанные с эксплуатацией, контролем, планированием энергосистемы и применением методов ИИ. Рассматриваются три области: экономичное распределение нагрузки, управление напряжением и планирование энергосистемы.
Известно, что эксплуатация энергосистемы [15] включает в себя общую потребность в мощности, которая должна надежно обеспечивать выработку электроэнергии в режиме реального времени, включая потери при передаче. Проблемы, связанные с этой задачей, включают экономичное распределение нагрузки (economic load dispatch, ELD), поток мощности, нагрузки агрегата и график технического обслуживания генератора.
В [16] представлена сложная конструкция большой энергосистемы, где помехи являются проблемой. При возникновении больших помех необходимы контрольные задачи по поиску нарушенного участка, контролю вызванного воздействия и приведению процесса к нормальному виду. Эвристические решения здесь нелинейны и, следовательно, не предназначены для борьбы с быстро возникающими возмущениями. Поэтому для решения этой проблемы используются многие методы оптимизации управления, такие как управление напряжением (voltage control, VC), управление стабильностью энергосистемы и управление частотой нагрузки.
Наконец, планирование энергосистемы, которое выходит за рамки данной статьи, предполагает организацию сложной и большой энергосистемы, состоящей из множества частей, таких как устройства гибкой системы передачи переменного тока (flexible alternating current transmission system, FACTS) и системы распределения. Основная цель планирования наименьших затрат — оптимизировать компоненты, необходимые для обеспечения достаточной мощности при минимальных затратах. Многим факторам, таким как размещение FACTS и спрос на электрическую энергию, придается важное значение при
расширении планирования энергосистемы. Оптимизация реактивной мощности, планирование системы распределения (distribution system planning, DSP) [17] и размещение конденсаторов — это задачи оптимизации, рассматриваемые в этой задаче [18]. Некоторые статьи, посвященные применению искусственного интеллекта в управлении энергетическими системами, представлены в таблице 1.
МЕТОДОЛОГИЯ
Таким образом, в секторе электрических сетей неуклонно растет спрос на передовые исследования и технологии [1]. Традиционные методы исследования быстро становятся недостаточными для того, чтобы справиться с глобальными проблемами, которые искусственный интеллект может помочь решить и открыть важные идеи среди миллиардов фрагментов данных, разбросанных по энергосистемам [2]. Оценка использования технологий ИИ в энергосистемах требует всестороннего анализа существующих исследований в области искусственного интеллекта.
Таблица 1
Применение ИИ в управлении энергосистемой
Применение Ссылка Дата Цель Методы
Регулирование Zidani et al. 2018 Напряжением и частотой Искусственная
напряжения [24] автоматического индукционного генератора управляют с помощью новой технологии. нейронная сеть
Sumathi et al. 2015 Фидер обратного Искусственная
[25] распространения ошибки для ИНС оценки выходных переменных иРБС для различных условий нагрузки в 24-шинной индийской энергосистеме сверхвысокого напряжения. нейронная сеть с обратным распространением ошибки и прямой связью
Kanata et al. 2018 Повышение качества Оптимизация роя
[26] энергосистемы за счёт измерения точного значения управляющей переменной. частиц и гибридная искусственная нейронная сеть
Abdalla et al. 2016 Предотвращение нарушений Генетический
[27] напряжения в аварийных ситуациях за счет согласованной настройки параметров ПИД-регулятора. алгоритм
Chung et al. 2008 Представлены системы Оптимизация роя
[28] управления для координации многочисленных микросетевых генераторов для подключенных к сети и автономной модификации с использованием интерфейсов инверторного типа. частиц
Контроль Yousuf et al. 2021 Автоматизация энергосистемы Нечеткая логика,
устойчивости [29] обеспечивает восстановление, генетический
энергосистемы диагностику ошибок, управление и безопасность сети. алгоритм
Aakula et al. 2020 Оптимизация, , позволяющая Оптимизация роя
[30] получить достаточно реактивной энергии для улучшения напряжения на шине. частиц
Karthikeyan 2017 STATCOM на основе Нечеткая логика
et al. [31] нечеткого ПИД-регулятора для повышения устойчивости энергетической системы в условиях отказа
Torkzadeh et 2014 Генетический алгоритм GA- генетический
al. [32] FLC используется для подавления низкочастотных колебаний. алгоритм и нечеткая логика
Dutta et al. 2017 Общее решение, необходимое Оптимизация
[33] для стабилизатора мощности для сжатия низкочастотных колебаний (PSS). колонии муравьев
Регулирование Safari et al. 2021 Для управления частотой Искусственная
частоты [34] нагрузки (LFC) предлагается нейронная сеть на
нагрузки микросеть MG. основе оптимизации роя частиц
Joshi et al. 2020 Новый план управления LFC Нечеткая логика с
[35] гидроэнергосистемы, основанный на совместных усилиях управления нечеткой логикой и конструкции PID на основе алгоритма PSO. оптимизацией роя частиц
Balamurugan 2018 Баланс выработки и спроса Fuzzy logic
[36] энергосистемы.
Kuma et al. [37] 2020 Запланированная солнечная и ветровая энергия используется для анализа частоты нагрузки, смягчения изменений частоты, обеспечения стабильности энергосистемы ОМ, реагирования на неожиданный всплеск спроса на мощность зарядки и ПИ-контроллеры из невозобновляемых источников. Рекуррентная нейронная сеть
Arora et al. [38] 2020 Проектируемый метод показал превосходные результаты для интеллектуального управления частотными проблемами. Генетический алгоритм, оптимизация роя частиц
Существуют различные энергосистемы, - солнечные энергетические системы, ветроэнергетические системы, тепловые электростанции, атомные электростанции, геотермальные электростанции и т. д. [4]. Все энергосистемы имеют разные конструкции и оборудование для выработки электроэнергии [5], но базовая структура энергосистемы включает следующие компоненты: (i) генерирующая станция; (ii) передающая подстанция; (iii) подстанция линий электропередачи; (iv) распределительная подстанция.
Приведём несколько методов искусственного интеллекта, позволяющих решить многие проблемы оптимизации управления энергосистемами, используя минимальные затраты на время и объём вычислений. Более полный обзор можно прочитать в [1].
Адаптивная нейро-нечеткая интерференционная система. Адаптивная система нейро-нечеткой интерференции (adaptive neuro-fuzzy interference system, ANFIS) создает набор вход/выходных данных, параметры функции принадлежности которого изменяются с помощью метода минимального квадрата или алгоритма обратного распространения ошибки, используя систему нечеткой интерференции [2]. Эта модификация помогла нечеткой системе учиться на моделируемых ею данных. Применяя гибридное обучение, ANFIS использует систематический подход для определения оптимального распределения функций принадлежности, что позволяет эффективно отображать взаимосвязи между входными и выходными данными [3]. Архитектура ANFIS сочетает в себе искусственные нейронные сети (ИНС) с нечеткой логикой, что делает процесс моделирования более структурированным и менее зависимым от экспертных знаний.
Оптимизация муравьиной колонии. Муравьи демонстрируют поведение, при котором они запоминают и следуют определенному пути между своей колонией и источником пищи. Они достигают этого, оставляя следы феромонов во время поиска пищи [4]. Когда другие муравьи натыкаются на эти феромонные следы, они начинают следовать за ними, чтобы найти лучшее. Чтобы решить изучаемую проблему, оптимизация муравьиной колонии (Ant Colony Optimization, ACO) создает несколько итеративных решений. Задачи [5] заключались в том, чтобы оценить особенности области поиска проблем и использовать эти знания для решения процесса решения. Процесс построения решения представляет собой последовательный процесс принятия решений, основанный на параметрических стохастических решениях. Алгоритм ACO зависит от последовательности изучения параметров, используемых при принятии решений для достижения глобальной стратегии, обеспечивающей оптимальные решения для конкретной ситуации [6]. Параметры объекта обучения считаются феромонами и называются переменными феромонов.
Оптимизация роя частиц. Оптимизация роя частиц (Particle Swarm Optimization, PSO) — это эволюционный вычислительный метод, который используется для решения стохастического устранения неполадок. Он относится к категории роевого интеллекта и основан на социальных и психологических принципах. PSO предоставляет ценную информацию об инженерных приложениях и способствует их развитию [7]. Но у PSO есть определенные неудобства, такие как глобальная конвергенция; в отличие от некоторых других алгоритмов оптимизации, PSO не имеет гарантии глобальной сходимости, а это означает, что он может не найти истинно оптимальное решение. Чтобы устранить этот недостаток, разработаны новые PSO и хаотические PSO, позволяющие эффективно решать проблемы оптимизации энергетической системы.
Задачи регрессии и классификации. RNN - это разновидность нейронной сети, часто используемой в области энергетических систем для решения задач регрессии и классификации, связанных с последовательными данными. В отличие от прямых моделей нейронных сетей, структура и принцип действия RNN существенно отличаются [8].
Энергетические системы являются одним из основных направлений перспективного развития и применения искусственного интеллекта. Использование алгоритмов ИИ на электростанциях исследовалось с момента появления техники экспертных систем [9]. Однако в большинстве ситуаций при использовании классических методов ИИ возникают такие проблемы, как длительное время цикла, сложные вычисления и трудности в обучении. В последние годы удалось преодолеть эти трудности благодаря продолжающемуся
совершенствованию алгоритмов искусственного интеллекта. Модель гетерогенных больших данных с несколькими источниками динамично развивалась, объем данных сегодня продолжает расти, с использованием ИИ в энергосистемах появляются новые возможности, но и проблемы.
Хотя машинное обучение (МО) продемонстрировало значительный потенциал в моделировании сложных систем, его внедрение включают в себя трудности, связанные с доступом к актуальным и надежным наборам данных, а также неточностями в прогнозах моделей, которые необходимо устранить, прежде чем МО можно будет широко использовать. Для эффективного внедрения машинного обучения в больших масштабах нужны убедительные доказательства его эффективности в различных областях, таких как производство, хранение и управление энергией. Кроме того, крайне важно иметь коммерческое программное обеспечение и квалифицированные кадры [10].
ОБСУЖДЕНИЕ И РЕЗУЛЬТАТЫ
Из трёх базовых областей энергетики, где уже есть практика применения ИИ, мы обсудим две первых, - эксплуатация, и контроль энергосистем, давая краткую постановку задачи и её решения.
Оптимальный расход энергии. Оптимальный расход энергии (Optimal power flow, OPF) - это очень важный метод определения оптимальных настроек параметров управления, которые улучшают или уменьшают заданную целевую функцию, но также имеют ряд ограничений. Важным инструментом проектирования и эксплуатации энергосистемы является определение оптимального расхода электроэнергии для определения наилучших настроек параметров, которые могут максимизировать или минимизировать предполагаемую целевую функцию в рамках определенных ограничений. Регулирование напряжения и реактивной мощности, называемое OPD, является подзадачей OPF, которая направлена на снижение общих потерь при передаче путем возобновления подачи реактивной мощности. Оптимальное распределение реактивной мощности является нелинейным решением проблемы смешивания целых чисел, поскольку некоторые управляющие переменные, такие как коэффициенты отвода трансформаторов, выходные сигналы шунтирующих конденсаторов и реакторов, различны.
Альтернативной стратегией для решения проблемы является обучение в автономном режиме искусственных нейронных сетей (ИНН). Для выбора подходящих входных данных ИНН используется популярный метод кластеризации,- k-средних. При правильном обучении функций нейронные сети могут легко и с большой точностью оценивать соответствующие результаты.
Пакет ANFIS=Adaptive Neuro Fuzzy Inference System разрабатывает систему нечеткого вывода (FIS=Fuzzy Inference System) набора входных/выходных данных, которая сопоставляет параметры корректировки с типом процесса обратного распространения ошибки.
Это обновление позволяет обучаться на нечетких данных, которые используются в реализациях шин IEEE39 и программном обеспечении для моделирования ANFIS. Результаты показывают, что ANFIS предлагает решения, не уступающие по точности традиционным, но это занимает меньше времени и работает очень быстро.
Регулирование напряжения. Основной задачей системы электропитания с регулятором напряжения является поддержание профиля напряжения в пределах определенного предела, чтобы минимизировать потери при передаче и избежать случаев нестабильности напряжения [19]. Система VC состоит из трех уровней иерархического управления: AVR (автоматический регулятор напряжения), третичный регулятор напряжения (TerVC) и вторичный регулятор напряжения (SecVC). AVR предназначен для управления напряжением шин, оснащенных источниками реактивной мощности (например, синхронными, sync, статическими компенсаторами var и статический синхронный компенсатор STATCOM (static synchronous compensator). Действия выполняется локально на этом уровне управления. SecVC используется для контроля напряжения на конкретной шине, которая управляет грузовой шиной.
В ситуациях, когда поблизости имеется аппаратное обеспечение, которое изменяет исходную точку для AVR, уровень управления обычно работает медленнее по сравнению с уровнем управления AVR. SecVC отвечает за определение областей VC и их корреляцию с отдельными шинами нагрузки. Чтобы адаптироваться к изменяющимся условиям в энергосистеме, SecVC должна демонстрировать гибкость в настройке областей управления с учетом всех условий в сети. С другой стороны, TerVC определяет оптимальное исходное значение для сетей с напряжением на каждой нагрузочной шине. Цель состоит в том, чтобы свести к минимуму потери электроэнергии, оптимизировать реактивную мощность и поддерживать минимальное отключение или резервирование нагрузки. Сервис обычно обновляется каждые 30 минут - 1 час.
Алгоритм обратного распространения ошибок обучает многоуровневому восприятию с прямой связью. Метод минимального сингулярного значения анализирует падение статического напряжения. Процедура использует минимальное время для оценки стабильности напряжения после завершения обучения сети. Для мониторинга снижения напряжения в приложении могут быть объединены взаимодополняющие методологии нейронных сетей и экспертных систем [20].
Подход, основанный на методе итеративной оптимизации, используется для обучения модели роевого алгоритма (PSO). Эти цели достигаются за счет использования оптимального значения PSO. Последними результатами являются инициализации в рамках изменяющейся во времени нелинейной оптимизации роя частиц (time-varying non-linear partióle swarm optimization, TVNLPSO).
Контроль стабильности энергосистемы. Стабильность энергосистемы -свойство, позволяющее ей оставаться в равновесии в нормальных условиях эксплуатации и восстанавливать приемлемый баланс после изменений. Можно видеть, что пределы стабильности снижаются во всем мире [21]. Выделим три из многих причин этого:
- Препятствование дальнейшей передаче или строительству из-за экономических и экологических ограничений. Поэтому энергосистемы должны эксплуатироваться с меньшими запасами безопасности;
- Реструктуризация электроэнергетики. Процесс реструктуризации снижает запасы стабильности, поскольку энергетические системы не взаимодействуют эффективно [22];
- Большие нелинейные колебания; частотные различия между слабо связывающими областями энергосистемы; взаимодействие с насыщенными устройствами.
Нечеткая логика пытается решать эти проблемы, имитируя человеческое мышление и позволяя принимать оптимальные решения на основе доступной информации. Её также можно использовать для регулирования устойчивости не моделируемых систем. Для достижения улучшенных характеристик регулятор нечеткой логики (fuzzy logic, FL) объединяется с PID (proportional-integralderivative) регулятором.
Контроллер с нечеткой логикой состоит из четырех основных частей: размытие, база нечетких правил, нечеткий логический вывод и восстановление. FACTS зарекомендовал себя как чрезвычайно перспективный инструмент для повышения производительности в стабильных условиях. Наиболее перспективным устройством FACTS является унифицированный контроллер расхода энергии (unified power flow controller, UPFC). Можно регулировать три фактора управления: напряжение на шине, линию реакции и фазовый угол между двумя шинами. При сохранении стабильного состояния необходимо перераспределять мощность между линиями. Это также может быть использовано для увеличения демпфирования при временном снижении низких частот.
Регулирование частоты нагрузки. Регулирование частоты нагрузки, определяемое с помощью управления выходной мощностью генератора в заданной области, позволяет регулировать изменения частоты системы,
двухлинейные нагрузки или взаимодействия для поддержания обмена данными с другими регионами в пределах установленного предела или запланированной частоты системы [23]. Традиционный пропорционально-интегральный (proportional-integral, PI) контроллер является наиболее широко используемым среди различных типов регуляторов частоты нагрузки. PI-контроллер может быть легко реализован и обеспечивает более быструю реакцию, но его производительность снижается, когда нежелательные помехи, такие как динамика изменения нагрузки, увеличивают сложность работы системы. В этой статье для архитектуры управления нелинейной авторегрессионной скользящей средней-Ь2 (non-linear autoregressive moving average L2, NARMA-L2) требуется меньше вычислений. Включены выходные, эталонные и управляющие сигналы установки. Таким образом, контроллер обучается контролировать выходные данные эталонной модели. Модельная сеть, которая обновляет настройки контроллера, предсказывает влияние изменения производительности установки.
ЗАКЛЮЧЕНИЕ
Оценка затрат на электроэнергию и внесение улучшений могут привести к значительной экономии энергии. Интеллектуальные технологии могут снизить спрос на электроэнергию и воздействие на окружающую среду. Дальнейшие исследования могут расширить размеры выборки, и изучить показания интеллектуальных счетчиков. В будущих исследованиях следует подчеркнуть важность решения технических проблем, проблем безопасности и конфиденциальности, а также призвать к сотрудничеству между заинтересованными сторонами для расширения рынка интеллектуальных средств. Несмотря на то, что разработанный подход обладает рядом преимуществ, однако до сих пор остается нерешенным вопрос, касающийся расчета индекса технического состояния оборудования, состоящего из нескольких функциональных блоков. Существующие методы основаны на присвоении веса каждому элементу на основе экспертной оценки для определения его важности. Дополнительные исследования могут быть направлены на совершенствование методов расчета индекса технического состояния для различных типов энергетического оборудования и создание прогностических моделей для прогнозирования неисправностей оборудования в случае сбоев в работе функциональных блоков. В будущих исследованиях следует уделять приоритетное внимание разработке более точных и надежных прогностических моделей для энергосистем, принимая во внимание проблемы, связанные с доступностью данных и возможностью их интерпретации.
СПИСОК ИСПОЛЬЗОВАННЫХ ЛИТЕРАТУР
1. Utkarsh Pandey, Anshumaan Pathak, Adesh Kumar and Surajit Mondal Applications of artificial intelligence in power system operation, control and planning: a review Clean Energy, 2023, Vol. 7, No. 6, 1199-1218).
2. Panta S, Premrudeepreechacharn S. Economic dispatch for power generation using artificial neural network ICPE'07 conference in Daegu, Korea. In: 2007 7th International Conference on Power Electronics, Daegu, South Korea, 22-26 October 2007,558-562.
3. Rahmat NA, Musirin I. Differential evolution ant colony optimization (DEACO) technique in solving economic load dispatch problem. In: 2012 IEEE International Power Engineering and Optimization Conference, Melaka, Malaysia, 67 June 2012, 263-268.
4. Reyes DM, de Souza RM, de Oliveira AL. A three-stage approach for modeling multiple time series applied to symbolic quartile data. Expert Syst Appl, 2022, 187:115884.
5. Almaghrebi A, Aljuheshi F, Rafaie M, et al. Data-driven charging demand prediction at public charging stations using supervised machine learning regression methods. Energies, 2020, 13:4231.
6. Huang P, Copertaro B, Zhang X, et al. A review of data centers as prosumers in district energy systems: renewable energy integration and waste heat reuse for district heating. Appl Energy, 2020, 258:114109
7. Dommel HW, Tinney WF. Optimal power flow solutions. IEEE Transactions on Power Apparatus and Systems, 1968, PAS-87:1866-1876.
8. Holen AT, Botnen A, Stoa P, et al. Coupling between knowledge based and algorithmic methods. Proc IEEE, 1992, 80:745-757.
9. Borges AF, Laurindo FJ, Spinola MM, et al. The strategic use of artificial intelligence in the digital era: systematic literature review and future research directions. Int J Inf Manage, 2021, 57:102225.
10. Bordin C, Skjelbred HI, Kong J, et al. Machine learning for hydropower scheduling: state of the art and future research directions. Procedia Comput Sci, 2020, 176:1659-1668
11. Bibri SE, Krogstie J. Environmentally data-driven smart sustainable cities: applied innovative solutions for energy efficiency, pollution reduction, and urban metabolism. Energy Informatics, 2020, 3:1-59.
12. Strielkowski W. Social Impacts of Smart Grids: The Future of Smart Grids and Energy Market Design. Amsterdam, Netherlands: Elsevier, 2019.
13. Moleda M, Momot A, Mrozek D. Predictive maintenance of boiler feed water pumps using SCADA data. Sensors, 2020, 20:571.
14. Ren C, Xu Y. A fully data-driven method based on generative adversarial networks for power system dynamic security assessment with missing data. IEEE Trans Power Syst, 2019, 34:5044-5052.
15. Wood AJ, Wollenberg BF, Sheble GB. Power Generation, Operation, and Control. Hoboken, NJ, USA: John Wiley & Sons, 2013.
16. Kumar N, Mishra VM, Kumar A. Smart grid and nuclear power plant security by integrating cryptographic hardware chip. Nuclear Engineering and Technology, 2021, 53:3327-3334.
17. Kumar N, Mishra VM, Kumar A. Smart grid security by embedding s-box advanced encryption standard. Intelligent Automation &. Soft Comput, 2022, 34:623638.
18. Xu G, Wang Z. Power system load flow distribution research based on adaptive neuro-fuzzy inference systems. In: 2012 Spring Congress on Engineering and Technology, Xi'an, China, 27-30 May 2012, 1-4.
19. Prakash S, Sinha SK. Application of artificial intelligence in load frequency control of interconnected power system. International Journal of Engineering, Science and Technology, 2011, 3:264-275.
20. Moshtagh J, Rafinia A. A new approach to high impedance fault location in three-phase underground distribution system using combination of fuzzy logic & wavelet analysis. In: 2012 11th International Conference on Environment and Electrical Engineering, Venice, Italy, 15-18 May 2012, 90-97.
21. Ng HN, Salama MMA, Chikhani AY. Capacitor allocation by approximate reasoning: fuzzy capacitor placement. IEEE Trans Power Deliv, 2000, 15:393-398.
22. Zhang H, Zhang L, Meng F. Reactive power optimization based on genetic algorithm. In: POWERCON'98. International Conference on Power System Technology. Proceedings, Vol. 2, Beijing, China, 18- 21 August 1998, 1448-1453.
23. Mamandur KRC, Chenoweth RD. Optimal control of reactive power flow for improvements in voltage profiles and for real power loss minimization. IEEE Transactions on Power Apparatus and Systems, 1981, PAS-100:3185-3194.
24. Zidani Y, Zouggar S, Elbacha A. Steady-state analysis and voltage control of the self-excited induction generator using artificial neural network and an active filter. Iranian Journal of Science and Technology, Transactions of Electrical Engineering, 2018, 42:41-48.
25. Sumathi S. Artificial neural network application for voltage control and power flow control in power systems with UPFC. In: 2015 International Conference on Emerging Research in Electronics, Computer Science and Technology (ICERECT), Mandya, India, 17-19December 2015, 403-407.
26. Kanata S, Sianipar GH, Maulidevi NU. Optimization of reactive power and voltage control in power system using hybrid artificial neural network and particle
swarm optimization. In: 2018 2nd International Conference on Applied Electromagnetic Technology (AEMT), Lombok, Indonesia, 9-12 April 2018, 67-72.
27. Abdalla OH, Ghany AA, Fayek HH. Coordinated PID secondary voltage control of a power system based on genetic algorithm. In: 2016 Eighteenth International Middle East Power Systems Conference (MEPCON), Cairo, Egypt, 2729 December 2016,214-219.
28. Chung IY, Liu W, Cartes DA. Control parameter optimization for a microgrid system using particle swarm optimization. In: 2008 IEEE International Conference on Sustainable Energy Technologies, Singapore, 24-27 November 2008, 837-842.
29. Yousuf H, Zainal AY, Alshurideh M, et al. Artificial intelligence models in power system analysis. In: Hassanien AE, Bhatnagar R, Darwish A (eds). Artificial Intelligence for Sustainable Development: Theory, Practice and Future Applications. Cham, Switzerland: Springer, 2021, 231-242.
30. Aakula JL, Khanduri A, Sharma A. Determining reactive power levels to improve bus voltages using PSO. In: 2020 IEEE 17th India Council International Conference (INDICON), New Delhi, India, 10-13 December 2020, 1-7.
31. Karthikeyan R, Pasam S, Sudheer S, et al. Fuzzy fractional order PID based parallel cascade control system. In: Thampi S, Abraham A, Pal S, Rodriguez J (eds). Recent Advances in Intelligent Informatics. Advances in Intelligent Systems and Computing, Vol. 235. Cham, Switzerland: Springer, 2014, 293-302.
32. Torkzadeh R, NasrAzadani H, Aliabad AD, et al. A genetic algorithm optimized fuzzy logic controller for UPFC in order to damp of low frequency oscillations in power systems. In: 2014 22nd Iranian Conference on Electrical Engineering (ICEE), Tehran, Iran, 20-22 May 2014, 706-712.
33. Dutta S, Singh SP. Optimal rescheduling of generators for congestion management based on particle swarm optimization. IEEE Trans Power Syst, 2008, 23:1560-1569.
34. Safari A, Babaei F, Farrokhifar M. A load frequency control using a PSO-based ANN for micro-grids in the presence of electric vehicles. Int J Ambient Energy, 2021, 42:688-700.
35. Joshi M, Sharma G, Davidson IE. Load frequency control of hydroelectric system using application of fuzzy with particle swarm optimization algorithm. In: 2020 International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD), Durban, South Africa, 6-7 August 2020, 1-6.
36. Balamurugan CR. Three area power system load frequency control using fuzzy logic controller. International Journal of Applied Power Engineering (IJAPE), 2018, 7:18-26.
37. Kumar D, Mathur HD, Bhanot S, et al. Forecasting of solar and wind power using LSTM RNN for load frequency control in isolated microgrid. Int J Modelling Simul, 2021, 41:311-323.
38. Arora K, Kumar A, Kamboj VK, et al. Optimization methodologies and testing on standard benchmark functions of load frequency control for interconnected multi area power system in smart grids. Mathematics, 2020, 8:980.
39. https://www.datadynamicsinc.com/blog-ai-in-energy-your-data-is-the-game-changer-7-reasons-why//
40. https://www. researchandmarkets. com/reports/5794099
