3702

где Q0SP – расчётная тепловая мощность на отопление; QhSP – расчетная тепловая мощность на нужды ГВС; QvSP – расчетная тепловая мощность на вентиляцию.

Составляющие выражения (1), в свою очередь, определяются приближённо и прямо пропорционально зависят от следующих факторов, указанных в (2):

где с – теплоемкость воды; (55 tc )– разница температур прямой и обратной труб; kтп – коэффициент, учитывающий потери теплоты трубопроводом; kч – коэффициент часовой неравномерности потребления энергоресурсов; Gim – расход потока на данный вид нужд.

Произведем нормирование варьируемых коэффициентов, входящих в (2) и оказывающих влияние на требуемый уровень подачи теплоресурсов в конкретный момент времени (табл. 1).

Проектирование ИТП по тепловому расходу предусматривает рабочий диапазон по данному параметру на уровне 0,75 1,0 от величины проектной мощности (10 МВт).

Проведем аналогичные операции для нормирования параметров давления трубопровода ИТП. В соответствии с [2], давление в трубопроводе не должно быть ниже (3), но не должно превышать 2,5 МПа для воды при температуре tmax = 2 50 C.

где Pn – давление, требуемое для функционирования трубопровода; Pподг – дав-

ление, требуемое для преодоления сопротивления элементов водоподготовки ИТП; Pтруб – давление, требуемое для преодоления сопротивления элементов

трубопровода; Pпот – давление, требуемое для преодоления сопротивления элементов трубопровода потребителя.

Используя формулу Дарси – Вейсбаха [4], эмпирически позволяющую определить потери в развитом трубопроводе, принимаем:

80

–за счет своего активно-адаптивного характера, системы на базе адаптивных АСУТП ИТП повышают энергоэффективность РСУ с сохранением качества требуемых характеристик (в рассматриваемой модели, в сравнении с существующими системами, работающими в номинальном или близком к нему режимах, есть возможность плавной оптимизации теплового потока – от 0,65 до 1,0 номинального значения; и давления в трубопроводе – от 0,75 до 1,0 номинального значения в зависимости от входных переменных состояния);

–в данном случае повышение энергоэффективности выражается в экономии теплового потока в случае наличия / отсутствия людей в объектах инфраструктуры, а также в случае изменения тепловых потерь в линиях; снижении амортизационных затрат на элементы трубопровода и ИТП и, как следствие, снижение стоимости ремонтных и профилактических работ.

Литература

1.Крысанов В.Н. Применение нейро-нечётких сетей для распределённых объектов / В.Н. Крысанов, А.Л. Руцков // Электротехнические комплексы и системы управления. – 2013. – № 2. – С. 18-22.

2.Свод правил по проектированию и строительств центральных тепловых пунктов СП 41 – 101 – 95.

3.Строительные нормы и правила тепловые сети СНиП 2.04.07 – 86.

4.Гидравлика, гидромашины и гидроприводы: Учебник для машиностроительных вузов / Т.М. Башта, С.С. Руднев, Б.Б. Некрасов и др. - 2-е изд., перераб. - М.: Машиностроение, 1982. – 423 с., ил.1.

5.Усольцев А.А. Частотное управление асинхронными двигателями / Учебное пособие. СПб: СПбГУ ИТМО, 2006, – 94 с.

DEVELOPMENT OF AN ADAPTIVE AUTOMATIC CONTROL SYSTEM OF TECHNOLOGICAL PROCESS OF HEAT SUPPLY BY THE EXAMPLE OF INDIVIDUAL CALORIFIC POINT

V.N. Krysanov, V.S. Dotsenko

Voronezh State Technical University

In the article the questions of increase of efficiency of functioning of automatic system of technological process control of individual calorific point of minimizing losses of thermal and electric flows

Keywords: individual heating unit, a frequency electric drive, adaptive control system, the improvement of energy efficiency

83

УДК 621.311

МОДЕЛИРОВАНИЕ СИСТЕМ УПРАВЛЕНИЯ ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ СТРУКТУР НА БАЗЕ АДАПТИВНЫХ МЕТОДОВ И АЛГОРИТМОВ

А.Л. Руцков

Воронежский государственный технический университет alex_8_90@mail.ru

В статье рассматриваются особенности применения методов искусственных нейронных и нечетких нейронных сетей с целью многокритериальной оптимизации электроэнергетических систем

Ключевые слова: электроэнергетические системы, искусственные нейронные сети, нечеткие нейронные сети, многокритериальная оптимизация

Электроэнергетика в целом – в масштабах стран – и в частных случаях (электроэнергетические системы (ЭЭС) регионов, городов, районов) является сочетанием сложных динамических подсистем с распределенными параметрами (генерация, передача и потребление электрической энергии).

Основной проблемой при рассмотрении подобного рода систем с точки зрения оптимального управления, является необходимость учета изменяющихся во времени функций многих переменных и, особенно, трудноформализуемых и неопределенных составляющих, обусловленных следующими причинами:

организационно-экономическими, организационно-техническими, геологоклиматическими.

Состояние энергосистемы можно описать моделью [1]:

где xk – вектор состояния ЭЭС; xh – вектор управляющих воздействий; k – вектор измерений; k, k –последовательности случайных величин; Hk – матрица параметров электрической сети; T, Г – нормирующие матрицы; – нелинейная вектор-функция.

Как видно из (1), значительную роль имеют последовательности случайных величин, создающих сложности при управлении процессами в ходе транспорта и потребления электроэнергии.

Исходя из анализа основных характеристик ЭЭС, в качестве наиболее перспективного, возможен выбор принципов искусственных нейронных сетей (ИНС) и нейро-нечетких сетей (ННС). Основные свойства рассматриваемых ак- тивно-адаптивных принципов подробно описаны в специальной литературе [2]. Отметим следующие базисные положения при выборе данных алгоритмов:

– ИНС и ННС – универсальные аппроксиматоры и кластеризаторы функ-

ций: y(x) i ai i (x) , где ai – коэффициент полинома аппроксимации, i (x)

– априорно выбранная функция, y(x) – искомая функция для определения;

84

y(x) [ i ai ( j aj ( k akjxk ))] – для случая трехслойной сети с последова-

тельными связями, где i – эквивалентная базовая функция, полученная подбором настраиваемых весов – ai, aj, akj;

–обучаемость и самообучаемость ИНС и ННС, заключающаяся в коррекции весов и структуры сетей;

–параллельность обработки информационных потоков и, как следствие, увеличение производительности информационных систем.

Опишем обобщенную СУ ЭЭС с учетом организационно-технических, организационно-экономических и геолого-климатических подсистем на базе ИНС/ННС.

Иерархически она состоит из следующих подуровней (рис. 1):

–уровень базовых элементов (СУ ТЭС, АЭС, КЭС, альтернативных источников генерации; СУ ЛЭП, распределительных сетей, силового оборудования; СУ объектами потребления – ЭП, осветительная и отопительная нагрузки, информационные потоки; подсистемы окружающей среды совместно с экономической и социальной составляющими);

–уровень макрокластеров (блоки генерации, транспорта, потребления электроэнергии; экономической, социальной, окружающей среды);

–уровень СУ верхнего уровня (совместная оптимизация кластеров). Опишем общие принципы формирования и функционирования СУ верх-

него уровня (рис. 2). После формирования оптимизационных требований к отдельным макрокластерам формируются приоритеты по заданным параметрам оптимизации (с применением экспертных систем, в т.ч. с участием человека). Параллельно формируется максимальная величина отклонения допустимых параметров – σ при комплексном учете задач оптимизации макрокластеров.

Структура ИНС/ННС генерации и транзита электрической энергии представлены в виде адаптивных систем непрямого действия с прямой и инверсными моделями обучения [3-5]. Такой подход (с использованием эталонной модели), с учетом большого количества имеющейся в данных областях априорной информации, позволяет свести ошибки отработки системами входных векто- ров–заданий (rA1,rA2 ) к нулю (рис. 1). Блоки задержки во временной области – z–m, z–n позволяют подробно учитывать динамические свойства системы. Объекты генерации и транспорта электроэнергии (блоки, заключенные между точками А1-В1 и А2-В2) реализуются в виде гибридных сетей, в которых часть функций – сбор и кластеризация информации – производится с использованием ННС, а в решении задач оптимизации и управления применяется структура ИНС.

Структура ИНС/ННС потребителя электроэнергии в силу своей специфики – низкий уровень комплексной априорной информации – предлагается выполнить на базе адаптивной СУ с прямой и инверсной моделями объекта управления [4]. Такой подход обеспечит наиболее гибкую подстройку системы для выполнения оптимумов по потреблению с учетом нестабильной структуры и характера нагрузки. Блоки АО (алгоритмы обучения) содержат информацию для изменения параметров управления ИНС1 и ИНС2, основанную на анализе объектов потребления в режиме реального времени.

85

–применение описанных принципов активно-адаптивного управления позволит производить комплексную оптимизацию параметров глобальной электроэнергетической системы в организационно-технической части;

–появляется принципиальная возможность подробного учета и влияния на процессы в ЭЭС нетехнических параметров окружающей среды;

–принцип открытой архитектуры позволяет использовать принципы ИНС/ННС совместно с существующими СУ;

–предложенный обобщенный алгоритм организации ЭЭС на базе ИНС/ННС позволяет производить комплексную последовательную оптимизацию (различные вариации градиентного метода) всех этапов в отрасли.

Литература

1.Бурковский В.Л. Модель прогнозирования регионального энергопотребления на базе нечеткой нейронной сети / В.Л. Бурковский, В.Н. Крысанов, А.Л. Руцков, Шукур Омар Шукур Махмуд // Вестник Воронежского государственного технического университета. – 2015.– Т. 11 – № 5. – С. 41-46.

2.Крысанов В.Н. Вопросы концептуального развития Smart Grid в электроэнергетике

сприменением искусственных нейронных и нейро-нечетких сетей / В.Н. Крысанов, А.Л. Руцков // Электротехнические комплексы и системы управления. – 2014.– № 1. – С. 7-14.

3.Крысанов В.Н., Руцков А.Л. Применение нейро-нечетких сетей для распределенных объектов // Электротехнические комплексы и системы управления. – 2013. – № 2. – С. 18-23.

4.Крысанов В.Н., Гамбург К.С., Руцков А.Л. Энергоэффективные алгоритмы управления системами осветительной нагрузки // Вестник Воронежского государственного технического университета. – 2013. – Т. 9. – № 3-1. – С. 142-147.

5.Крысанов В.Н., Гамбург К.С., Руцков А.Л. Влияние нейросетевого управления на качество переходных процессов динамических режимов электроприводов с частотным управлением // Электротехнические комплексы и системы управления. – 2013. – № 1. – С. 5057.

MODELING OF CONTROL SYSTEMS OF POWER STRUCTURES BASED ON ADAPTIVE METHODS AND ALGORITHMS

A.L. Rutskov

Voronezh State Technical University

The article discusses the features of application of methods of artificial neural and fuzzy neural networks with the aim of multi-objective optimization of electric power systems

Keywords: power system, artificial neural networks, fuzzy neural networks, multi-objective optimization

88

УДК 621.316.726, 681.5.01

ОПТИМИЗАЦИЯ ПРОЦЕССА ЭНЕРГОСБЕРЕЖЕНИЯ ПРОМЫШЛЕННЫХ ОБЪЕКТОВ

В.Н. Крысанов, М.О. Слепокуров, Н.А. Ерошенков

Воронежский государственный технический университет maksslepockurov@yandex.ru

В статье рассматриваются вопросы повышения энергосбережения производственных мощностей ПАО «ВАСО» посредствам модернизации осветительной нагрузки предприятия

Ключевые слова: энергосбережение, энергоэффективность, осветительная нагрузка, нечеткие нейронные сети

Всоответствии с Федеральным Законом № 261 «Об энергосбережении и

оповышении энергетической эффективности и о внесении изменений в отдельные законодательные акты Российской Федерации» [1], в настоящее время проводится большая работа по снижению потерь расходуемых энергоресурсов. Зачастую для ряда предприятий основным типом потребителем энергии является осветительная нагрузка (ОН). Особенно остро это проявляется в административных, здравоохранительных, учебных, научно-производственных объектах, где до 80 – 90% всего энергопотребления приходится на ОН.

Примером производственного объекта с высокой степенью ОН является «Воронежское акционерное самолетостроительное общество» («ВАСО»), структура которого представлена 42 цехами, специализированными на выполнении литейных, кузнечных работ (заготовительная фаза производственного процесса), механической, термической и других видах обработки деталей (обрабатывающая фаза), а также сборке изделий. Отмеченные этапы образуют основное производство предприятия. Доля ОН в каждом из них колеблется от 5 до 60 %, и в среднем, по предприятию, составляет 15 % общего потребления электрической энергии.

Вподавляющем большинстве случаев управление коммутацией ОН производится в ручном режиме, без использования для этих целей автоматики и учета дополнительных возмущающих факторов (естественный световой поток, наличие людей в помещении). Этот факт, в свою очередь, приводит к снижению энергоэффективности рассматриваемого класса объектов.

Для повышения показателей СУ ОН в последнее время активно используются системы на базе нечетких и нейро-нечетких алгоритмов [2]. При этом затраты на группы датчиков и управляющую аппаратуру возрастает на 5-10%. Структурная схема таких систем представлена на рисунке.

Тогда задача управления ОН рассматривается как зависимость, связывающая входные (естественная освещенность, уровень движения, состояние среды) и выходные (уровень искусственного освещения, потребляемая мощ-

89