ТРАНСВУЗ-2015.Часть 3

Ремонт и динамика подвижного состава

образом, разработка метода определения фактической экономии электроэнергии от внедрения ЭСУиТ, учитывающего влияние производственных и природно-климатических факторов на процесс электропотребления, является актуальной задачей.

Предлагаемый метод оценки эффективности ЭСУиТ на железнодорожном транспорте включает в себя три этапа:

–обработку первичных исходных данных объекта, на котором планируется внедрение ЭСУиТ;

–разработку модели электропотребления объекта для моделирования расхода электроэнергии;

–сравнение фактического и смоделированного расхода электроэнергии на объекте с целью оценки экономии электроэнергии от внедрения ЭСУиТ.

Для апробации разработанного метода выбран объект железнодорожного транспорта – распределительная подстанция Депо (РП Депо) ст. Екатеринбург-сортировочный Свердловской железной дороги.

При нормальной схеме питания от РП Депо получают питание три трансформаторных подстанции (ТП-4611, ТП-4659 и ТП-4748), а также распределительная подстанция РП-449 питающая потребителей подключенных к шинам 0,4 кВ. К числу основных потребителей электроэнергии РП Депо относятся локомотивное ремонтное депо ТЧР-33, компрессорная ВЧДЭ-4, освещение ДС и пост ЭЦ. Депо ТЧР-33 включает в себя электромашинный цех, цех ТР-1, цех ТР-3 и испытательную станцию.

При анализе эффективности внедрения ЭСУиТ в качестве первичных исходных данных выбраны:

–посуточный расход электроэнергии по РП Депо в целом и по всем отходящим фидерам;

–производственные и внешние факторы, оказывающие влияние на расход электрической энергии (количество отремонтированных тяговых двигателей, объем ремонта локомотивов ТР-1, объем ремонта локомотивов ТР-3, количество испытанных электродвигателей на испытательной станции, температура воздуха и продолжительность светового дня).

160

ТРАНСВУЗ – 2015

Из-за сложности характера потребления электроэнергии на объекте внедрения целесообразно выполнить перераспределение электропотребителей по четырем группам, подключенным к различным источникам питания: ТП-

4611, ТП-4659, ТП-4748 и РП-449.

При построении моделей электропотребления для всех объектов РП Депо получен массив с исходными данными в количестве ста наблюдений, включающих:

–расход электроэнергии по РП Депо;

–расход электроэнергии по всем отходящим фидерам;

–количество отремонтированных тяговых двигателей;

–объем ремонта локомотивов ТР-1;

–объем ремонта локомотивов ТР-3;

–количество испытанных электродвигателей на испытательной станции;

–температуре воздуха;

–продолжительности светового дня.

Для определения перечня факторов, включенных в модель электропотребления, вычислены корреляционные матрицы объектов РП Депо [1]. В результате выполненного анализа сделаны следующие выводы:

1)на расход электроэнергии по группе потребителей, получающих питание от ТП-4611, оказывает влияние количество отремонтированных тяговых двигателей и продолжительность светового дня;

2)на расход электроэнергии по группе потребителей, получающих питание от ТП-4659, оказывают влияние количество отремонтированных тяговых двигателей, количество испытанных электродвигателей на испытательной станции и продолжительность светового дня;

3)на расход электроэнергии по группе потребителей, получающих питание от ТП-4748, оказывают влияние температура воздуха и продолжительность светового дня;

4)на расход электроэнергии по группе потребителей, получающих питание от РП-449, оказывают влияние температура воздуха и продолжительность светового дня.

161

Ремонт и динамика подвижного состава

В качестве примера приведена корреляционная матрица РП-449 (табл. 1). По частным коэффициентам корреляции видно, что на расход электроэнергии РП-449 оказывают существенное влияние выбранные факторы.

В качестве метода формирования моделей электропотребления использовались нечеткие нейронные сети (ННС), которые показывают лучшие результаты при моделировании электропотребления в сравнении с другими методами [2, 3]. Процесс формирования и определения точности моделей электропотребления объектов железнодорожного транспорта подробно описан в [4]. Точность модели электропотребления определяется средней квадратической ошибкой рассчитанной по фактическим и смоделированным значениям расхода электроэнергии.

На основании проведенных исследований разработаны модели электропотребления объектов РП Депо, имеющие следующую точность представленную в табл. 2.

Расчет экономии электроэнергии от внедрения ЭСУиТ на РП Депо выполнен в соответствии с [1], при этом полученное значение экономии составило 1,3 %.

Для оценки точности разработанного метода оценки эффективности ЭСУиТ на железнодорожном транспорте выполнен расчет существующим методом, основанным на сравнении расхода электроэнергии до и после внедрения ЭСУиТ.

162

ТРАНСВУЗ – 2015

Фактический и смоделированный расход электроэнергии РП Депо представлен на рис. 1.

Таблица 2

Точность моделей электропотребления

кВт∙ч

W

Рис.1. Фактический и смоделированный расход электроэнергии РП Депо

Расчет выполнен по выборкам расхода электроэнергии РП Депо до и после внедрения ЭСУиТ, состоящим из 50 значений суточного расхода электроэнергии. Расход электроэнергии, полученный до внедрения, составил 319 527 кВт∙ч, а после внедрения – ЭСУиТ 393 241 кВт∙ч. Используя существующий метод расчета, было получено, что потребление электроэнергии увеличилось на 23 %, однако это связано с влиянием производственных и климатических факторов.

163

Ремонт и динамика подвижного состава

На основании полученных результатов, можно сделать вывод, что для получения достоверной оценки эффективности внедрения ЭСУиТ на железнодорожном транспорте точности существующего метода недостаточно. Предложенный метод, основанный на формировании модели электропотребления с применением ННС, успешно апробирован и доказал эффективность его применения при расчете технико-экономических показателей внедрения ЭСУиТ, в т.ч. на ремонтных предприятиях железнодорожного транспорта.

Список литературы

1.Комяков, А. А. Апробация алгоритма оценки эффективности энергосберегающих устройств и технологий в системе тягового электроснабжения [Текст] / А. А. Комяков, В. В. Эрбес, О. А. Гателюк // Известия Транссиба. Омск, 2014. № 4(20). С. 79–85.

2.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.

3.Каштанов, А. Л. Современные подходы к оценке фактической экономии электроэнергии в системе тягового электроснабжения на основе

искусственных нейронных сетей и нечетких нейронных сетей [Текст] / А. Л. Каштанов, А. А. Комяков и др. // Вестник РГУПС. Ростов-на-Дону, 2015.

№2. С. 63 – 68.

4.Гателюк, О. В. Сравнительный анализ структур нечеткой нейронной сети для формирования моделей электропотребления в системе тягового электроснабжения [Текст] / О. В. Гателюк, А. А. Комяков, В. В. Эрбес // Известия трансиба. Омск, 2015. № 2(22). С. 64 – 71.

164

ТРАНСВУЗ – 2015

УДК 621.33

В. И. Иванченко

АНАЛИЗ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ТЯГУ ПОЕЗДОВ

НА ОСНОВЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Произведено сравнение по пяти показателям двух математических моделей электропотребления на тягу поездов, основанных на методах искусственного интеллекта: модели на искусственных нейронных сетях и модели на нечетких нейронных сетях (гибридных сетях); сделан вывод о целесообразности использования и дальнейшего изучения конкретных моделей.

Внастоящее время достаточно актуальна проблема повышения энергетической эффективности электрических железных дорог. Можно условно выделить два пути решения этой проблемы: применение различных технических решений в системе тягового электроснабжения и на электроподвижном составе, а также улучшение планирования финансовых затрат на электроэнергию за счет совершенствования планирования электропотребления.

Известно, что расход электроэнергии на тягу поездов (наблюдаемый,

кпримеру, на тяговой подстанции) зависит главным образом от некоторых существенных факторов, к которым следует отнести массу поездов, пройденных за какой-либо период в четном m2 и нечетном m1 направлении, а также среднесуточную температуру воздуха Т [1]. Представляется целесообразным сформировать такую математическую модель, которая бы максимально точно позволяла спрогнозировать объем электропотребления на тягу W в зависимости от влияния указанных факторов. Для этой цели следует использовать статистические данные в виде выборки значений указанных четырех величин, получаемой по данным измерительных комплексов, устанавливаемых на объектах системы тягового электроснабжения.

В[1] рассматривается применение математических моделей в виде искусственных нейронных сетей (ИНС) для различных объектов системы тягового электроснабжения, которые формируются на основе выборок

165

Ремонт и динамика подвижного состава

значений электропотребления на тягу W и влияющих факторов за период времени не менее чем 2 года. В частности, такая модель была сформирована на основе данных, собранных на одной из тяговых подстанций постоянного тока Западно-Сибирской железной дороги.

Предпринималась попытка рассмотреть для этой же подстанции модель электропотребления на тягу, основанную на применении нечетких нейронных сетей (ННС) при помощи программы MATLAB. При этом использовалась выборка из 128 наборов значений необходимых величин, полученная за период около двух месяцев при ежедневном сборе данных. Данная выборка была разделена на обучающую и тестовую выборки объемом 118 и 10 значений соответственно для формирования и обучения модели [2].

В [1] говорится о том, что можно рассчитать пять показателей для того, чтобы охарактеризовать модель на основе ИНС и выбрать наилучшую, а также приводятся значения этих показателей для моделей на ИНС. К этим показателям относятся:

– MAPE (mean absolute percentage error – средняя абсолютная ошибка в процентах):

– RMSE (root mean squared error – средняя квадратичная ошибка):

– CV (coefficient of variation – коэффициент вариации):

где S1 и S2 – дисперсии фактической и смоделированной выборок расхода электроэнергии (отношение большей к меньшей, так что значение F всегда больше единицы), рассчитываемые по формуле:

ТРАНСВУЗ – 2015

где nТ – объем тестовой выборки;

Wi – фактическое или смоделированное значение расхода электрической энергии;

влияющих факторов; Wactual – среднее арифметическое значение фактического расхода электрической энергии; n – объем выборки данных.

Представляется интересным сравнить две модели для тяговой подстанции Западно-Сибирской железной дороги, о которых было упомянуто выше, сравнив значения указанных показателей для них (табл. 1).

Таблица 1

Сравнительная характеристика математических моделей электропотребления на тягу поездов

по данным для тяговой подстанции Западно-Сибирской железной дороги

Результаты расчета показателей для модели на основе ИНС взяты из [1]. Выборка, использованная для формирования модели на ИНС и, соответственно, для расчета показателей MAPE, RMSE, CV и F-критерия Фишера значительно больше выборки из 128 наборов значений, использованной для модели на ННС,

167

Ремонт и динамика подвижного состава

однако для расчета показателя δ использованы данные, собранные в течение месяца. Тем не менее, такое сравнение уже позволяет сделать первые выводы.

Выводы:

1)модель на основе нечетких нейронных сетей имеет в целом лучшие показатели, но не по всем параметрам: критерий Фишера значительно больше 1; возможно, следует увеличить объем как обучающей, так и тестовой выборки для получения наиболее корректной модели на основе ННС; однако если большая часть показателей модели на основе ННС с учетом даже меньшего объема используемой выборки лучше, можно утверждать о преимуществе модели на основе ННС; это уже давало толчок к более подробному рассмотрению таких моделей [3];

2)в целом низкие значения параметра MAPE и δ рассмотренных моделей позволяют сказать о потенциальной возможности разработки и внедрения в производство программных комплексов или методических указаний для прогнозирования электропотребления на тягу поездов на основе одной из представленных моделей или на основе обеих, что в конечном итоге позволит повысить энергоэффективность участков электрических железных дорог;

3)следует отметить также и о возможности изучения новых методов для прогнозирования электропотребления на тягу поездов, например, так называемого метода опорных векторов, поскольку он, в частности для вопроса прогнозирования электропотребления в операционной зоне регионального диспетчерского управления энергосистемы, дает ещё более низкие значения критерия MAPE, чем рассмотренные выше модели [4].

Список литературы

1. Komyakov, A. A. Application of artificial neural networks for electric load forecasting on railway transport / A. A. Komyakov, V. V. Erbes, V. I. Ivanchenko – 15th International Conference on Environment and Electrical Engineering (June 10-13, 2015, Rome): Conference Proceedings. Rome, 2015. – P. 43 – 46.

2. Иванченко, В. И. Разработка математической модели объема потребления электрической энергии в системе тягового электроснабжения на основе нечетких нейронных сетей / В. И. Иванченко, А. А. Комяков, В. В. Эрбес – Повышение энергетической эффективности наземных транспортных

168

ТРАНСВУЗ – 2015

систем: материалы международной научно-практической конференции (11, 12 декабря 2014 г.) – Омский государственный университет путей сообщения. Омск, 2014. – С. 129 – 134.

3.Гателюк, О. В. Сравнительный анализ структур нечеткой нейронной сети для формирования модели электропотребления в системе тягового электроснабжения / О. В. Гателюк, А. А. Комяков, В. В. Эрбес – Известия Транссиба – Омский государственный университет путей сообщения. Омск, 2015. №2(22). С. 64 – 71.

4.Надтока, И. И. Краткосрочное прогнозирование нагрузки с помощью теории наименьших квадратов опорных векторов (LS-SVM) / И. И. Надтока,

М. Аль-Зихери Баласим – Современные проблемы науки и образования – 2013. №6.

УДК 621.336

И. Е. Чертков, А. В. Тарасенко

ПОВЫШЕНИЕ ДОСТОВЕРНОСТИ ОЦЕНКИ КАЧЕСТВА ТОКОСЪЕМА

В статье рассмотрен токоприемник с изменяемой приведенной массой, позволяющий повысить достоверность оценки качества токосъема во время движения электроподвижного состава. Получены характеристики приведенной массы токоприемника при различных вариантах размещения съемных грузов на системе подвижных рам.

Обеспечение безопасности и эффективности перевозочного процесса, в том числе надежного и экономичного токосъема, одна из главных проблем развития электрического транспорта, для которого характерны увеличение скоростей движения, повышение токовых нагрузок, ужесточение экологических требований, появление нового электроподвижного состава.

Для получения достоверной информации о состоянии токоприемников и контактной подвески необходимо контролировать их параметры во время движения электроподвижного состава, когда на них воздействуют реальные

169