Details

Целью диссертационной работы является разработка и верификация алгоритма на базе искусственных нейронных сетей для вероятностной оценки и прогнозирования нарушения статической устойчивости энергосистемы по параметрам установившегося режима. Объект исследования – установившиеся режимы электроэнергетических систем и процессы потери статической апериодической устойчивости. Предмет исследования – нейросетевые алгоритмы бинарной классификации для мониторинга режимов электроэнергетических систем. Для достижения поставленной цели исследования были решены следующие задачи: 1. Выполнить анализ существующих методов диагностики аварийных режимов энергосистем, обосновать целесообразность применения нейросетевых классификаторов. 2. Разработать цифровую модель тестовой электроэнергетической системы в программном комплексе RastrWin3 с учетом статических характеристик нагрузки (СХН) по напряжению. 3. Разработать программно-алгоритмический комплекс на языке Python для автоматизированного стресс-тестирования и генерации нормальных и аварийных сценариев обучающей выборки. 4. Спроектировать и реализовать архитектуру многослойного перцептрона (MLP), произвести обучение модели с учетом компенсации дисбаланса классов, провести оценку её прогностических способностей. 5. Разработать рекомендации по внедрению обученной модели в контур АСУ ТП в качестве программного датчика угрозы нарушения статической устойчивости. Обосновано применение выходных данных нейросетевого бинарного классификатора в качестве индекса близости текущего режима к границе статической устойчивости для проведения превентивной идентификации аварийного режима. Разработанный алгоритм может быть применен в качестве цифрового модуля в составе систем мониторинга запасов устойчивости или противоаварийной автоматики. Замена ресурсоемких итерационных расчетов представленным бинарным классификатором обеспечивает достаточно малое время реакции, что позволяет интегрировать его в промышленные микроконтроллеры.

The objective of the thesis is the development and verification of an algorithm based on artificial neural network for the probabilistic assessment and prediction of power system static stability violations. The objective of the study is the steady-state operating modes of electrical power systems and the processes leading to the loss of the static aperiodic stability. The subject of the study is neural network binary classification algorithms for monitoring power system operating modes. To achieve this objective, the following tasks were performed: 1. Analyze existing methods for power system emergency mode diagnostics and justify the feasibility of using neural network classifiers. 2. Develop a digital model of a test power system in the RastrWin3 software package, incorporating voltage-dependent static load characteristics. 3. Develop a Python-based algorithm for automated stress testing and generation of training datasets containing both normal and emergency scenarios. 4. Design and implement a multilayer perceptron architecture, train the model while compensating for class imbalance, and evaluate its predictive performance. 5. Formulate recommendations for integrating the trained model into industrial control systems as «soft sensor» for static stability violations threats. The use of the neural network binary classifier output as proximity index to the static stability margin was justified, enabling the preemptive identification of emergency modes. The developed algorithm can be applied as digital module within stability margin monitoring systems or emergency control schemes. Replacing computationally intensive iterative calculations with the purposed binary classifier ensures a significantly reduced response time, allowing for its integration into industrial microcontrollers.