АНАЛИЗ И ВЫБОР МЕТОДИКИ В РЕШЕНИИ ЗАДАЧ ИНТЕЛЛЕКТУАЛИЗАЦИИ СИСТЕМ ПРОГНОЗИРОВАНИЯ ТЕРМОФЛУКТУАЦИОННЫХ ПРОЦЕССОВ В КАБЕЛЬНЫХ СЕТЯХ

  • Н.К. Полуянович Южный федеральный университет
  • М.Н. Дубяго Южный федеральный университет
Ключевые слова: Искусственный интеллект, нейронные сети, термофлуктуационные процессы, изоляционные материалы, прогнозирование, надежность систем энергоснабжения

Аннотация

Статья посвящена исследованиям вопросам создания диагностики и прогнозирования
термофлуктуационных процессов изоляционных материалов силовых кабельных линий (СКЛ)
электроэнергетических систем на основе таких методов искусственного интеллекта, как
нейронные сети и нечеткая логика. Показана необходимость разработки более совершен-
ной методики анализа тепловых режимов в СКЛ. Обоснована актуальность задачи созда-
ния нейросетей (НС) для оценки пропускной способности, расчёта и прогнозирования тем-
пературы жил СКЛ в режиме реального времени на основе данных системы температур-
ного мониторинга, с учетом изменения токовой нагрузки линии и внешних условий тепло-
отвода. По основным критериям проведено сравнение традиционных и нейросетевых алго-
ритмов для прогнозирования, показало преимущество НС методов. Проведена классифи-
кация НС методов и моделей прогнозирования температурных режимов КЛ. Для решения
задачи прогнозирования ресурса СКЛ была выбрана сеть с прямым распространением дан-
ных и обратного распространения ошибки, т.к. сети такого типа в совокупности с акти-
вационной функцией в виде гиперболического тангенса являются в некоторой степени уни-
версальной структурой для многих задач аппроксимации, приближения и прогнозирования.
Разработана нейросеть для определения температурного режима токоведущей жилы
силового кабеля. Проведен сравнительный анализ экспериментальных и расчетных харак-
теристик распределений температуры, при этом исследовались различные нагрузочные
режимы работы и функции изменения тока кабеля. При анализе данных было определено,
что максимальное отклонение данных, полученных от нейросети от данных обучающей
выборки, составило менее 2,5 % что является вполне приемлемым результатом. Для по-
вышения точности необходимо использовалось большое количество входных и выходных
данных при обучении сети, а также некоторая доработка ее структуры. Модель позволя-
ет оценивать текущее состояние изоляции и прогнозировать остаточный ресурс СКЛ. Модель
может быть использована в устройствах и системах непрерывного диагностирования
силовых кабелей по температурным режимам.

Литература

1. Polozhenie OAO «Rosseti» o edinoy tekhnicheskoy politike v elektrosetevom komplekse
[Regulation of JSC "rosseti" on the unified technical policy in the electric grid complex]. Moscow:
OAO «Rosseti», 2013, 196 p.
2. Anishchenko V.A., Kolosova I.V. Osnovy nadezhnosti sistem elektrosnabzheniya [Fundamentals
of reliability of power supply systems]. Minsk.: BNTU, 2007.
3. Dubyago M.N., Poluyanovich N.K. Sovershenstvovanie metodov diagnostiki i
prognozirovaniya elektroizolyatsionnykh materialov sistem energosnabzheniya [Improving
methods of diagnostics and forecasting of electrical insulation materials of power supply systems].
Rostov-on-Don; Taganrog: Izd-vo YuFU, 2019, 192 p.
4. Katalog oborudovaniya kompanii LIOS Technology GmbH – 2010 [Directory of equipment of
the company lios Technology GmbH – 2010].
5. GOST R MEK 60287-1-1. Kabeli elektricheskie. Raschet nominal'noy tokovoy nagruzki. Ch.
1-1. Uravneniya dlya rascheta nominal'noy tokovoy nagruzki i raschet poter'. Obshchie
polozheniya [GOST R IEC 60287-1-1. Electrical cables. Calculation of the rated current load.
Part 1-1. Equations for calculating the rated current load and calculating losses. Generalities].
Moscow: Standartinform, 2009, 28 p.
6. GOST R MEK 60287-1-2. Kabeli elektricheskie. Raschet nominal'noy tokovoy nagruzki. Ch.
1-2. Uravneniya dlya rascheta nominal'noy tokovoy nagruzki i raschet poter'. Koeffitsienty
poter', obuslovlennykh vikhrevymi tokami v obolochke, dlya dvukh tsepey, raspolozhennykh v
odnoy ploskosti [GOST R IEC 60287-1-2. Electrical cables. Calculation of the rated current
load. Part 1-2. Equations for calculating the rated current load and calculating losses. Coefficients
of losses due to eddy currents in the shell for two circuits located in the same plane].
Moscow: Standartinform, 2009, 23 p.
7. GOST R MEK 60287-2-2. Kabeli elektricheskie. Raschet nominal'noy tokovoy nagruzki. Ch.
2-2. Teplovoe soprotivlenie. Metod rascheta koeffitsientov snizheniya maksimal'no
dopustimoy tokovoy nagruzki dlya grupp kabeley, prolozhennykh na vozdukhe i
zashchishchennykh ot pryamogo solnechnogo izlucheniya [GOST R IEC 60287-2-2. Electrical
cables. Calculation of the rated current load. Part 2-2. Thermal resistance. Method for calculating
the reduction coefficients of the maximum permissible current load for groups of cables
laid in the air and protected from direct solar radiation]. Moscow: Standartinform, 2009, 12 p.
8. Larina E.T. [i dr.]. Raschet perekhodnykh teplovykh rezhimov odnozhil'nogo silovogo kabelya
s plastmassovoy izolyatsiey, prolozhennogo v vozdukhe [Calculation of transient thermal
modes of a single-core power cable with plastic insulation laid in the air], Elektrotekhnika
[Electrical Engineering], 1991, No. 10, pp. 39-42.
9. Titkov V.V. K otsenke teplovogo rezhima trekhfaznoy linii iz SPE-kabelya [on the estimation
of the thermal regime of a three-phase line from a SPE cable], Kabel'news [Cable-news], 2009,
No. 10, pp. 47-51.
10. Neher J.M., McGrath M.H. The calculation of the temperature rise and load capability of cable
systems, Philadelphia electric company, October 1957, pp. 752-763.
11. Leon F. Calculation of underground cable ampacity, CYME international T&D Inc., 2005.
12. Poluyanovich N.K., Dubyago M.N. Prognozirovanie resursa kabel'nykh liniy s ispol'zovaniem
metoda iskusstvennykh neyronnykh setey [Forecasting the resource of cable lines using the
method of artificial neural networks], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU.
Engineering Sciences], 2019, No. 3, pp. 51-62.
13. Dubyago M.N., Poluyanovich N.K. Metod otsenki i prognozirovaniya ostatochnogo resursa
izolyatsii kabel'nykh liniy [Method for estimating and predicting the residual insulation life of
cable lines] Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences],
2019, No. 3, pp. 132-143.
14. Goreva T.I, Pornyagin N.N., Pyukke G.A. Neyrosetevye modeli diagnostiki tekhnicheskikh
sistem [Neural network model for diagnosis of technical systems], Vestnik KRAUNTS. Fiz.-
mat. nauki [Vestnik KRAUNTS. Phys. -Mat. sciences], 2012, No. 1 (4), pp. 31-43.
15. Yakunin A.V. Monitoring teplovogo rezhima ekspluatatsii kabel'nykh liniy 110-500 kV [Monitoring
of the thermal mode of operation of 110-500 kV cable lines], Sb. dokladov konferentsii
«Linii elektroperedachi 2010: Proektirovanie, stroitel'stvo, opyt ekspluatatsii i NTP» [Collection
of reports of the conference "power transmission Lines 2010: Design, construction, operational
experience and NTP"], 2010, pp. 306-310.
16. Ukil A., Braendle H., Krippner P. Distributed temperature sensing: review of technology and
applications, Sensors Journal, IEEE, 2012, Vol. 12, No. 5, pp. 885-892.
17. Deng J., Xiao H., Huo W. and other. Optical fiber sensor-based detection of partial discharges
in power transformers, Optics and Laser Technology, 2001, Vol. 33, No. 5, pp. 305-311.
18. Bachelis D.S., Belorusov N.I., Saakyan A.E. Elektricheskie kabeli, provody i shnury: Sprav.
[Electric cables, wires and cords: Reference]. Moscow: Energiya, 1971, 704 p.
19. El-Sharkawi, Park D.C. Electric the load forecasting using an artificial neural network, IEEE
Transaction on Power Systems, 1991, No. 6 (2), pp. 442-449.
20. Peng M., Hubele N.F., Karady G.G. Advancement in the application of neural networks for
short-term load forecasting, IEEE Transactions on Power Systems, 1992, Vol. 7, pp. 250-257.
21. Desouky A.A., Elkateb M.M. Hybrid adaptive techniques for electric-load forecast using ANN
and ARIMA, IEE Proceedings of Generation, Transmission and Distribution, 2000, Vol. 4,
pp. 213-217.
22. Peng M., Hubele N.F., Karady G.G. Advancement in the application of neural networks for
short-term load forecasting, IEEE Transactions on Power Systems, 1992, Vol. 7, pp. 250-257.
23. Papalexopoulos A.D., Hao S., Peng T.M. An implementation of a neural network based load forecasting
model for the EMS, IEEE Transactions on Power Systems, 1994, Vol. 9, pp. 1956-1962.
24. Khotanzad A. ANNSTLF - A neural-network-based electric load forecasting system, IEEE
Transactions on Neural Networks, 1997, Vol. 8, pp. 835-846.
25. Chen C.S., Tzeng Y.M., Hwang J.C. The application of artificial neural networks to substation
load forecasting Electric, Power Systems Research, 1996, Vol. 38, Issue 2, pp. 153-160.
26. Chow T.W., Leung C.T. Nonlinear autoregressive integrated neural network model for shortterm
load forecasting, IEE Proceedings, Generation, Transmission and Distribution, 1996,
Vol. 143, pp. 500-506.
27. Kurbatskiy V.G., Tomin N.V. Praktika ispol'zovaniya novykh informatsionnykh tekhnologiy dlya
prognozirovaniya i analiza otdel'nykh kharakteristik setevykh energopredpriyatiy [The Practice of
using new information technologies for forecasting and analysis of individual characteristics of the
network utilities], Problemy energetiki [Problems of power engineering], 2006, No. 3-4.
Опубликован
2020-07-20
Выпуск
Раздел
РАЗДЕЛ I. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ