Применение искусственных нейронных сетей для решения задач обработки измерительной информации в электроэнергетической системе

• Автор: Глазунова, Анна Михайловна
• Шифр специальности: 05.14.02
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Иркутск
• Количество страниц: 160 с. : ил

1 Достоверизация ТИ с помощью ИНС

1.1 Задача достоверизации ТИ при ОС ЭЭС и методы ее

решения

1.1.1 Достоверизации ТИ с помощью контрольных уравнений

1.1.2 Применение ИЫС для достоверизации ТИ.

1.2 Нейросетевая классификация измерений в группах

сомнительных данных

1.2.1 Использование нейронной сети СЬАВ для достоверизации

ТИ в группах сомнительных данных.

1.3 Определение значимости входных признаков . . .

1.3.1 Сокращение объема вычислений в реальном времени .

1.3.2 Сокращение количества ИНС, необходимых для
классификации ТИ.
1.3.3 Выбор линий, для которых можно обучить Ш1С при
отсутствии части измерений.
Обнаружение ошибочных измерений с помощью
ИНС ЫЕШОРИО
1.5 Достоверизация критических телеизмерений с
помощью ИНС с учетом корреляционной связи между перетоками.
1.5.1 Достоверизация измерений с использованием
регрессионных уравнений.
1.5.2 Достоверизация критических ТИ с помощью ИНС. .
.3 Использование ИНС.
Выводы.
2 Идентификация дисперсий ошибок
телеизмерений
2.1 Численные методы идентификации дисперсий .
2.1.1 Первый метод идентификации дисперсий ТИ
2.1.2 Второй метод идентификации дисперсий ТИ.
2.1.3 Третий метод идентификации дисперсий ТИ.
2.1.4 Вычисление дисперсий ТИ
2.1.5 Идентификация дисперсий ТИ в имитационном
эксперименте.
2.1.6 Идентификация дисперсий ошибок ТИ на реальных данных
2.2 Идентификация дисперсий измерений на основе КУ
с использованием ИНС.
2.2.1 Идентификация дисперсий ТИ, входящих в два КУ
2.2.2 Идентификация дисперсии ТИ, входящих в одно КУ .
1
Использование результатов идентификации
дисперсий
Корректировка величины дисперсии ТИ, полученной по
второму алгоритму .
Корректировка величины дисперсии ошибок ТИ,
полученной по третьему алгоритму
Выводы.
Краткосрочное прогнозирование нагрузки
Обзор методов прогнозирования.
Обзор численных методов прогнозирования нагрузки . . Применение ИНС для решения задач прогнозирования
нагрузки .
Нейросетевые модели прогнозирования нагрузок в ЭЭС.
Обучение нейронных сетей .
Тестирование ИНС
Прогнозирование нагрузки на 7 дней вперед . . . Влияние различных преобразующих функций ИНС,
на точность прогноза.
Предобработка входных и выходных параметров . . . .
Результаты прогнозирования нагрузки.
Сравнительный анализ прогноза суточного графика нагрузки, выполненною с помощью ИНС и с
помощью рядов Фурье . .
Выводы.
Реализация полученных результатов в ПВК ОЦЕНКА
Подготовка нейронных сетей для работы в режиме
i
Функционирование нейронных сетей в режиме i .
Заключение.
Список литературы


Эта информация поступает в пункты управления ЭЭС в виде телеизмерений ТИ параметров режима и телесигналовТС о состоянии коммутационной аппаратуры. Телеизмеряемыми параметрами, как правило, являются модули узловых напряжений . Они образуют вектор измеряемых переменных у. Наличие погрешностей, а также недостаточное количество измерений привели к необходимости использовать для расчета методы оценивания состояния, позволяющие отфильтровать ошибки измерений и дорассчитать неизмеренные параметры. Помимо случайных погрешностей в ТИ довольно часто возникают грубые ошибки, существенно превышающие у. ТИ называют плохими данными. Грубые ошибки возникают изза выхода из строя элементов телеизмерительного тракта, случайных помех в каналах передачи данных и по ряду других причин , . Как показывает многолетний опыт обработки ТИ в ряде энергосистем России, порядка всех ТИ содержат грубые ошибки. При таком количестве ошибочных измерений результаты ОС не могут считаться надежными без предварительной достоверизации ТИ, т. ЭЭС. Обнаружение плохих данных связано с тем или иным способом использования избыточности измерений, обеспечивающих получение информации о текущем состоянии ЭЭС, и, как правило, со статистическими методами обработки этой измерительной информации. К сожалению, ни один метод не гарантирует стопроцентного обнаружения ошибочных измерений. ТИ. Эти методы повышают эффективность традиционных способов обнаружения ошибок в ТИ за счет способности идентифицировать ошибки в тех измерениях, в которых невозможно это сделать численными методами. Разработанные в настоящее время численные методы обнаружения и подавления плохих данных можно разделить на три группы. К первой группе относятся методы априорного анализа качества измерений, использующие топологические свойства уравнений установившегося режима ЭЭС и априорные сведения о распределении ошибок измерений, и выявляющие грубые ошибки до решения задачи ОС. Вторую группу образуют методы, позволяющие в процессе решения задачи ОС одновременно с получением оценок выявить плохие данные и подавить их влияние на результаты. К третьей группе относятся методы апостериорного анализа, выявляющие плохие данные по результатам оценивания. При обработке ТИ в реальном времени предпочтение отдается методам первой группы, поскольку они, как правило, позволяют выявить все ошибочные ТИ до решения задачи ОС не зависимо от используемого алгоритма получения оценок и не требуют повторных расчетов, что имеет место при использовании методов второй и третьей группы. В ИСЭМ СО РАН разработан априорный метод достоверизации ТИ, основанный на анализе невязок контрольных уравнений 2. Основная идея метода достоверизации ТИ по контрольным уравнениям 1 состоит в следующем. В качестве уравнений 1. УУР, связывающие эти переменные. М2у,2
1. Тогда из подсистемы 1. Эти уравнения называются контрольными уравнениями 2. С помощью КУ решается большое количество задач , одна из главных задач это обнаружение грубых ошибок в ТИ. КУ означает отсутствие ошибок в ТИ, т. КУ с большой невязкой входят измерения, объявленные ранее достоверными, кроме одного, то оно считается ошибочным. Его значение вычисляется из данного КУ и используется для проверки еще непроверенных измерений , . Алгоритм достоверизации ТИ с помощью КУ следующий. Невязки н, полученные после подстановки в КУ измерений, сравниваются с некоторой пороговой величиной г, определяемой точностью входящих в КУ измерений, т. КУ. Если условие 1. В КУ, считаются достоверными. В противном случае выполняется ряд исключений наиболее подозрительных измерений из системы КУ и проверки условия 1. КУ . Используя критерий 1. Алгоритм наибольшего доверия, де основным правилом является следующее если ТИ входит хотя бы в одно КУ е малой невязкой, то ТИ считается достоверным. По второму алгоритму ТИ считается достоверным только в том случае, если все КУ, в которые входит данное ТИ, имеет малую невязку. Ошибочным измерением считается измерение, которое входит в КУ с большой невязкой и при этом все остальные измерения, входящие в данное КУ, уже объявлены достоверными. ЛуМу
1.