ТРАНСВУЗ-2015.Часть 3

Ремонт и динамика подвижного состава

аккумуляторы (литий-манганат-графитные); LFPаккумуляторы (литий- железо-фосфатные); LCO (литий-кобальтовые); NCA (литий-никель-кобальт- алюминиевые).

6. Требуемая значительная энергоемкость устройства Ресурс литий-ионных аккумуляторов находится в диапазоне 3000-

5000 циклов. Так, для аккумуляторов марки LT-LYP 770 он равен 3000 циклам (при глубине разрядки до 80 %), а емкость аккумуляторов данного типа достигает 770 А·ч. Рекомендуемые режимы эксплуатации данных аккумуляторов: непрерывный ток разряда – 0,5 С, ток заряда 0,5 С (С – номинальная емкость аккумулятора); предельные режимы эксплуатации: непрерывный ток разряда – 3 С, ток заряда – 3 С. [10]. Номинальные параметры литий-ионных аккумуляторов в целом схожи и свидетельствуют о том, что токи в нормальных режимах близки к 0,5 С. Указанное обстоятельство определяет необходимость расчета энергоемкости накопителя с запасом (50 % и более) для сохранения номинального ресурса его работы.

При определении ресурса работы в системе электроснабжения железнодорожного транспорта следует учитывать зависимость количества циклов работы от SOC (уровня заряда) и DOD (глубина разряда). Указанная зависимость, известная как кривая Вёлера, свидетельствует об уменьшении количества циклов при росте уровня разряда батареи, что характерно для условий работы накопителя в системе тягового электроснабжения.

7. Высокая единичная стоимость и большой срок окупаемости Высокая стоимость накопителя электроэнергии, включающая затраты на

устройство сопряжения с шинами поста секционирования или тяговой подстанции, является одним из основных сдерживающих факторов внедрения накопителей электроэнергии в системах электроснабжения железнодорожного транспорта. Потенциальный эффект, складывающийся от применения накопителя электроэнергии, и заключающийся в снижении потребления электроэнергии на тягу, потерь электроэнергии в тяговой сети и оборудовании тяговой подстанции, сокращения издержек при эксплуатации колесных пар и тормозных колодок, а также повышении надежности электроснабжения в системах оперативного тока и особых групп потребителей в системах электроснабжения, нивелируется высокими единовременными затратами, связанными с приобретением устройства.

150

ТРАНСВУЗ – 2015

Выход из указанной ситуации видится только при снижении суммарной стоимости накопителя электроэнергии до уровня выпрямительно-инверторных преобразователей при применении в системах тягового электроснабжения, и до уровня стоимости эксплуатируемых в настоящее время классических аккумуляторных батарей.

Несмотря на принципиальное преимущество размещения накопителей в системе тягового электроснабжения перед поглощающими устройствами и выпрямительно-инверторными преобразователями применение их сопряжено с необходимостью решения целого комплекса проблем, связанных с режимом работы, энергоемкостью, ресурсом работы и сроком окупаемости подобных проектов. Часть указанных проблем может быть снята при применении накопителей электроэнергии в системах оперативного тока на тяговых подстанциях и при резервировании электроснабжения особых групп потребителей. Основными проблемами при решении вопросов о применении накопителей электроэнергии в системе тягового электроснабжения являются – повышение срока окупаемости и коэффициента полезного действия, решение которых возможно при снижении стоимости энергоемкости и разработке эффективного устройства сопряжения накопителя с шинами поста секционирования или контактной сетью.

Список литературы

1.Черемисин, В. Т. Влияние рекуперативного торможения на систему тягового электроснабжения / В. Т. Черемисин, А. С. Вильгельм и др. // Локомотив, № 8, 2013, С. 5-8.

2.Черемисин, В. Т. Повышение энергетической эффективности системы тягового электроснабжения в условиях работы постов секционирования с накопителями электрической энергии / В. Л. Незевак, В. Т. Черемисин, А. П. Шатохин // Известия Томского политехнического университета. – Томск: ТПУ.

–2015. Т. 326. № 10. С. 54-65.

3.Незевак, В. Л. Подходы к построению систем оперативного тока на тяговых подстанциях с использованиям емкостных накопителей энергии / В. Л. Незевак, А. П. Шатохин // 120 лет железнодорожному образованию в Сибири:

Сборник статей Всероссийской научно-практической конференции с

151

Ремонт и динамика подвижного состава

международным участием: В 1 т. / Отв. ред. Мороз Ж. М. Красноярск: Изд-во «Касс», 2014. С. 131-136.

4.Istomin, S. Analyse des Betriebs der Lokomotive 2ES10 auf der Gleichstromstrecke der Swerdlowsker Eisenbahn/ S. Istomin, V. Nesewak // Elektrische Bahnen. – München: Oldenbourg Industrieverlag GmbH. – 2015. – № 4.

–P. 186-189.

5.Черемисин, В. Т. Пост секционирования постоянного тока с емкостным накопителем энергии / В. Т. Черемисин, В. Л. Незевак, А. П. Шатохин // Пат. на

накопителем энергии / В. Л. Незевак, В. Т. Черемисин, А. П. Шатохин. (РФ) – 2015114253/11. Заявлено 16.04.2015. Опубл. 10.10.2015. Бюл. № 28.

6.Алексеев, Б. А Применение накопителей энергии в электроэнергетике / Электро. – 2005. №1. С. 42-46.

7.Колобов, М. Г. Гибридный накопитель энергии для транспорта / М. Г. Колобов, В. И Климов и др. // Электричество. – 2011. №10. С. 26-30.

8.Атаманюк, И. Н. Исследование перспективных электродных материалов суперконденсаторов для применения в энергетических установках на основе возобновляемых источников энергии / И. Н. Атаманюк, Д. Е. Вервикишко и др. // International Scientific Journal for Alternative Energy and

Ecology № 11 (133) 2013 С. 92-98.

9.Иванов, С. А. Повышение эффективности функционирования тяговотранспортных средств при использовании накопителей энергии / Международный научный журнал. 2013. № 4. С. 92-96.

10.Ваш Солнечный Дом: Загл. с экрана. http://shop.solarhome.ru/lyp-700-li- ion-akkumulyator.html. Дата обращения – 01.11.2015.

152

ТРАНСВУЗ – 2015

УДК 004.942

А. А. Комяков, В. В. Эрбес, Д. О. Силуянов

АНАЛИЗ ВЛИЯНИЯ ТИПА И КОЛИЧЕСТВА ФУНКЦИЙ ПРИНАДЛЕЖНОСТИ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ НА ТОЧНОСТЬ МОДЕЛИРОВАНИЯ ПРОЦЕССА ЭЛЕКТРОПОТРЕБЛЕНИЯ

В статье рассмотрен процесс выбора структуры нечеткой нейронной сети для математической модели, описывающей процесс энергопотребления. Проведен анализ средней ошибки обучения в зависимости от этапа обучения, выбранной функции принадлежности на входе, а также их количества. Выбрана наиболее подходящая структура нечеткой нейронной сети на основе анализа средней относительной и средней квадратической погрешности.

При управлении электроэнергетическими системами важно с определенной степенью точности прогнозировать различные изменения в потреблении электрической энергии, т.к. на основе этой информации делаются выводы о расчетах оптимальных режимов работы, минимизации негативно влияющих факторов, способах повышения надежности и экономичности производственного процесса.

Внастоящее время в связи с развитием технологий на замену уже использующимся методам приходят новые, такие как методы искусственного интеллекта. Одним из видов искусственного интеллекта является нечеткая нейронная сеть.

Качество математической модели процесса электропотребления на основе нечетких нейронных сетей зависит от правильности выбора структуры. Формирование структуры математической модели производится из выбора типа и количества функций принадлежности на входе для каждого фактора и типа функции принадлежности на выходе [1].

Впрограмме MATLAB предлагается восемь типов функций принадлежности: треугольная (trimf), трапецеидальная (trap), обобщенная колоколообразная (gbellmf), гауссова (gaussmf), двойная гауссова (gauss2mf), Pi-функция (pimf), двойная сигмоидальная (dsigmf) и произведение двух

153

Ремонт и динамика подвижного состава

сигмоидальных функций (psigmf) [2]. На начальном этапе исследования было получено, что функции принадлежности типа «двойная сигмоидальная» (dsigmf) и «произведение двух сигмоидальных функций» (psigmf) показывают одинаковые результаты. В дальнейших исследованиях функция принадлежности типа «произведение двух сигмоидальных функций» (psigmf) не рассматривалась. Выбор типа функции принадлежности на входе производился на основе минимальной ошибки обучения по обучающей, проверочной и тестирующей выборкам. Обучающая выборка задействуется при процессе обучения и настройки параметров нечеткой нейронной сети. Проверочная и тестирующая используется для выявления процессов переобучения сети, когда ошибка обучения стремиться к нулю, а ошибка при проверке и тестировании возрастает, и для оценки качества сформированной нечеткой нейронной сети.

Известно, что на процесс электропотребления влияет большое количество факторов, которые не представляется возможным контролировать ежесуточно. Поэтому в качестве основных факторов приняты к рассмотрению средняя температура воздуха и масса пройденных составов в четном и нечетном направлении за сутки.

Авторами была поставлена задача выбора такой структуры нечеткой нейронной сети, которая бы наилучшим образом отразила процесс электропотребления системы тягового электроснабжения и показала бы минимальное расхождение между фактическими и смоделированными показателями расхода электрической энергии.

На основе измеренных на одной из тяговых подстанций ЗападноСибирской железной дороги показаний средней температуры воздуха, а также массы состава в четном и нечетном направлениях была сформированы обучающая, проверочная и тестирующая выборки.

Выборка (90; 20; 18), включает в себя 90 обучающих, 20 тестовых и 18 проверочных значений.

Работа велась в редакторе гибридных систем ANFIS Editor и графическом интерфейсе Fuzzy Logic Toolbox. Значение функции на выходе принималось постоянным (constant).

На первом этапе анализа на основе каждой из семи выбранных функций принадлежности формировалась и проходила пятикратный процесс обучения

154

ТРАНСВУЗ – 2015

математическая модель. Каждая математическая модель обучалась с количеством функций принадлежности на входе 2 2 2 и 3 3 3. Результаты обучения представлены на рис. 1 и 2.

Рис. 1. Сравнение прогресса процесса обучения

δ

Рис. 2. Зависимость средней ошибки от выбранной функции

Для дальнейшего исследования примем функции принадлежности gbellmf (2 2 2), gaussmf (3 3 3) и gauss2mf (3 3 3) как показавшие наилучшие результаты

155

Ремонт и динамика подвижного состава

в процессе обучения. С помощью редактора нечеткой системы вывода (пакет Fuzzy Logic), напрямую задавая значения основных факторов (средняя температура воздуха, масса состава в четном и нечетном направлениях), определим смоделированные показатели удельного расхода электроэнергии (УРЭ). Сравнивая их с фактическими значениями УРЭ, определим отклонения смоделированных значений УРЭ от фактических путем расчета средней относительной погрешности [3], а также средней квадратической погрешности, рассчитанной программно в пакете Fuzzy Logic (табл. 1).

Таблица 1 Среднее расхождение смоделированного и фактического значения

энергопотребления

Примем функцию принадлежности gaussmf (3 3 3) для дальнейшего исследования. Проведем процесс обучения для математических моделей на основе данной функции с различными вариантами количества входных функций принадлежности [4].

Рассмотрим прогресс процесса обучения данных математических моделей на рис. 3. Представленные результаты позволяют принять функцию gaussmf (3 2 3) как лучшую. Сравним ее прогресс обучения с прогрессом

156

ТРАНСВУЗ – 2015

обучения функции принадлежности gaussmf с количеством функций на входе

3 3 3 (рис. 4).

Рис. 3. Сравнение прогресса обучающего процесса для различных вариантов количества функций принадлежности на входе

Рис. 4. Сравнение прогресса обучающего процесса функции принадлежности gaussmf (3 2 3) и gaussmf (3 3 3)

Таким образом, наиболее оптимально процесс энергопотребления моделируется на основе гауссовой функции принадлежности. Можно сделать

157

Ремонт и динамика подвижного состава

предварительный вывод, что модель, построенная на базе неоднородного количества функций принадлежности на входе показывает лучший результат, чем та модель, количество функций принадлежности которой одинаково для всех заданных значений. Следует также учитывать, что каждая конкретная модель строится для решения конкретной задачи, т.к. настройка и обучение созданной модели производится на основе специфических данных.

Список литературы

1.Манусов, В. З. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами [Текст] / В. З. Манусов, Е. В. Бирюков // Известия Томского политехнического университета. 2006. Т. 309. № 6. С. 153-157.

2.Дьяконов, В. П. Математические пакеты расширения MATLAB. Специальный справочник [Текст] / В. П. Дьяконов, В. В. Круглов – СПб.: Питер. 2001. – 480.

3.Эрбес, В. В. Способ оценки эффективности работы энергосберегающих устройств в системе тягового электроснабжения [Текст] / В. В. Эрбес // Инновационные проекты и технологии в образовании, промышленности и на транспорте. Материалы научно-практической конференции, посвященной Дню российской науки. Омск, 2014. С. 253 – 259.

4.Гателюк, О. В. Сравнительный анализ структур нечеткой нейронной сети для формирования модели электропотребления в системе тягового электроснабжения [Текст] / О. В. Гателюк, А. А. Комяков, В. В. Эрбес // Известия Транссиба. Омск, 2015. № 2. С. 64 – 71.

158

ТРАНСВУЗ – 2015

УДК 004.942

В. Т. Черемисин, В. В. Эрбес

АПРОБАЦИЯ МЕТОДА ОЦЕНКИ ЭФФЕКТИВНОСТИ ЭНЕРГОСБЕРЕГАЮЩИХ УСТРОЙСТВ И ТЕХНОЛОГИЙ В СИСТЕМЕ ЭЛЕКТРОСНАБЖЕНИЯ РЕМОНТНЫХ ПРЕДПРИЯТИЙ ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА

Работа посвящена вопросам оценки эффективности энергосберегающих устройств и технологий в системе электроснабжения ремонтных предприятий железнодорожного транспорта. Выполнена обработка первичных исходных данных для формирования модели электропотребления объекта железнодорожного транспорта. Разработаны модели электропотребления объекта железнодорожного транспорта, основанные на нечетких нейронных сетях. Произведено сравнение точности разработанного и применяемого методов оценки эффективности энергосберегающих устройств и технологий на железнодорожном транспорте.

В соответствии с «Программой энергосбережения и повышения энергетической эффективности ОАО «РЖД» на 2013-2015 годы» и инвестиционным проектом «Внедрение ресурсосберегающих технологий на железнодорожном транспорте» ежегодно внедряется большое количество энергосберегающих устройств и технологий (ЭСУиТ). Одной из задач внедрения ЭСУиТ является снижение потребления электроэнергии на единицу выпушенной продукции.

Как правило, на железнодорожном транспорте для оценки эффективности ЭСУиТ используется метод расчета фактической экономии электроэнергии (далее существующий метод), которая определяется как разница потребляемой электроэнергии до и после внедрения ЭСУиТ за одинаковые периоды времени. Недостатком такого метода является то, что он не учитывает изменение производственных и природно-климатических факторов, оказывающих влияние на процесс электропотребления, что приводит к существенной погрешности в расчетах экономии электроэнергии на объектах со сложном технологическом процессом производства. Таким

159