Details

Данная работа посвящена исследованию возможности идентификации моделей электроэнергетических систем (ЭЭС) по данным системы мониторинга переходных режимов (СМПР) при помощи искусственных нейронных сетей (ИНС). Задачи, которые решались в ходе исследования: 1. анализ и обработка данных измерений СМПР для определения параметров переходных процессов, возникающих при аварийных возмущениях в энергосистеме; 2. исследование методов обучения нейронных сетей и подходов к формированию оптимальной обучающей выборки; 3. исследование возможностей моделирования объектов электроэнергетики нейронной сетью. В ходе работы сформулирован новый подход к использованию данных синхронизированных векторных измерений (СВИ) для моделирования энергосистем. Представлены соображения по формированию обучающей выборки на основе СВИ и определению параметров обучения, позволяющие ИНС идентифицировать динамические свойства рассматриваемой энергосистемы с высокой точностью. Разработаны модели частей электроэнергетической системы Северо-Запада и некоторых электроэнергетических объектов (ЛАЭС т.п.). Обученная модель энергосистемы может быть интегрирована в программный комплекс «Simulink» для упрощенного моделирования различных переходных процессов. Нейронная сеть позволяет полностью описать динамические свойства энергосистемы в рассматриваемом режиме без необходимости решения традиционных электроэнергетических уравнений, что существенно повышает производительность моделирования. Также подобная модель может быть использована при моделировании в реальном времени, испытаниях и сертификации различных устройств автоматики и релейной защиты. Результаты работы могут быть масштабированы при увеличении количества данных в обучающей выборке за счет внедрения СМПР на большем числе подстанций. ИНС способна прогнозировать развитие переходного процесса, что открывает возможности для создания предиктивных систем управления энергосистемами. Такой подход в будущем позволит снизить экономические потери от недоотпуска электроэнергии и ремонта оборудования.

This thesis is devoted to the study of the possibility of identifying electric power system models based on wide area monitoring system (WAMS) data using artificial neural networks (ANN). The tasks that were solved during the study: 1. analysis and processing of WAMS measurement data to determine the parameters of transient processes that occur during emergency disturbances in the power system; 2. study of neural network training methods and approaches to forming an optimal training sample; 3. investigation of the possibilities of modeling electric power facilities using a neural network. New approach to the use of phasor measurement units (PMU) data for modeling power systems is formulated. Considerations to the formation of a training sample based on PMU and the determination of training parameters are presented, allowing the ANN to identify dynamic properties of considered power system with high accuracy. Models of a part of electric power system of North – West and private electric power facilities were developed. The trained model of the power system can be integrated into «Simulink» software package for simplified modeling of various transient processes. The neural network allows you to fully describe dynamic properties of power system in considered operation without need to solve traditional electric power equations, which significantly improves performance of modeling. Also, such a model can be used in real – time modeling, testing and certification of various automation relay controllers. The results of study can be scaled by increasing amount of data in training sample due to implementation of the WAMS at a larger number of substations. The ANN is able to predict development of transient process, which opens up opportunities for creating predictive control systems for power systems. In the future, this approach will reduce economic losses from undersupply of electricity and equipment repairs.