Регулирование перетоков активной мощности средствами машинного обучения; Электроэнергетика глазами молодежи - 2018; Т. 2
| Parent link: | Электроэнергетика глазами молодежи - 2018: материалы IX Международной молодежной научно-технической конференции, Казань, 1-5 Октября 2018/ Казанский государственный энергетический университет.— , 2018 Т. 2.— 2018.— [С. 237-240] |
|---|---|
| Հիմնական հեղինակ: | |
| Համատեղ հեղինակ: | |
| Ամփոփում: | Заглавие с экрана Состояние вопроса: В данной работе рассматривается задача регулирования перетоков активной мощности по отдельным связям с целью повышения эффективности использования пропускной способности сечения. Существуетмножество факторов, в совокупности влияющих на распределение перетоков по связям, например: участие станций в первичном регулировании частоты, топология сети, уровни напряжений, перетоки реактивной мощности и другие. Для регулирования перетоков по отдельным связям необходимо учитывать степень и характер влияния всех значимых факторов. Однако, в связи с тем, что многие из них являются переменными и связанными друг с другом нелинейными зависимостями, их общее влияние становится трудно анализируемым. Таким образом, для повышения эффективности оперативного или автоматического управления перетоками целесообразным является определение в режиме реального времени функциональной зависимости изменения перетока мощности в отдельной связи от изменения загрузки электростанций и дальнейший расчет на ее основе задания мощности регулирующим электростанциям для коррекции перетока в связи на заданную величину.Материалы и методы: Анализ факторов, влияющих на процесс регулирования, выполнен на базе режимного тренажера диспетчера «Финист», применяемого в АО «СО ЕЭС», на примере тестовой схемы энергосистемы. Результаты: Проанализированы основные факторы, влияющие на распределение перетоков, произведена оценкастепени их влияния на отдельные связи, определена необходимость в использовании эвристических алгоритмов для анализа рассмотренных факторов. Выводы: Предлагается применять алгоритмы машинного обучения, а именно искусственные нейронные сети, для получения функциональной зависимости изменения мощности в конкретных связях от параметров режима и системы. В результате работы алгоритма пользователь получает рекомендуемые значения мощности для каждой регулирующейстанции, при реализации которых обеспечивается изменение перетока в конкретной связи на заданную на входе нейронной сети величину. Background: In this work a process of tie-line power flow control is discussed in order to improve efficiency of overall flowgate capacity utilization. There are many factors influencing power flows distribution over tie-lines included into one flowgate. Thesefactors are primary frequency control, power system topology, voltage levels, reactive power flows, etc. These factors incidence should be taken into account for increasing/decreasing power flows over the tie. But the parameters are variable and non-linear connected to each other, and their common influence is difficult to analyze. So it is necessary to determine a functional connection between tie-line power flows and generating power in real time mode for improving efficiency of manual or automatic power flow control. This function can be used for searching values of changing generator power for correction tie-line flows on the set value. Materials and Methods: Analyze of the factors was done by means of a test power system and operator training simulator “Finist” used by “SO UPS”, JSC. Results: Main factors which affect power flow distribution were analyzed at this work, and the evaluation of its incidence was also described. As a result an heuristic algorithm was proposed like a way to analyze described factors. Conclusions: Machine learning is proposed to use for definition of a functional connection between tie-line power flows and regime variables. From this algorithm a user can take recommended information concerning power of stations under loadfrequency control, which can be used for flow correction in a tie-line on the value set like an input of the neural net. |
| Լեզու: | ռուսերեն |
| Հրապարակվել է: |
2018
|
| Խորագրեր: | |
| Առցանց հասանելիություն: | http://fondsmena.ru/media/EGM_publicationfiles_Article/Сборник_трудов_2018_ч.2_1.pdf#page=238 |
| Ձևաչափ: | MixedMaterials Էլեկտրոնային Գրքի գլուխ |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=664197 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 664197 | ||
| 005 | 20250814112852.0 | ||
| 035 | |a (RuTPU)RU\TPU\network\35381 | ||
| 090 | |a 664197 | ||
| 100 | |a 20210331d2018 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drnn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Регулирование перетоков активной мощности средствами машинного обучения |d Active power flow control using machine learning |f Е. А. Цыденов | |
| 203 | |a Текст |c электронный | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a [Библиогр.: с. 240 (5 назв.)] | ||
| 330 | |a Состояние вопроса: В данной работе рассматривается задача регулирования перетоков активной мощности по отдельным связям с целью повышения эффективности использования пропускной способности сечения. Существуетмножество факторов, в совокупности влияющих на распределение перетоков по связям, например: участие станций в первичном регулировании частоты, топология сети, уровни напряжений, перетоки реактивной мощности и другие. Для регулирования перетоков по отдельным связям необходимо учитывать степень и характер влияния всех значимых факторов. Однако, в связи с тем, что многие из них являются переменными и связанными друг с другом нелинейными зависимостями, их общее влияние становится трудно анализируемым. Таким образом, для повышения эффективности оперативного или автоматического управления перетоками целесообразным является определение в режиме реального времени функциональной зависимости изменения перетока мощности в отдельной связи от изменения загрузки электростанций и дальнейший расчет на ее основе задания мощности регулирующим электростанциям для коррекции перетока в связи на заданную величину.Материалы и методы: Анализ факторов, влияющих на процесс регулирования, выполнен на базе режимного тренажера диспетчера «Финист», применяемого в АО «СО ЕЭС», на примере тестовой схемы энергосистемы. Результаты: Проанализированы основные факторы, влияющие на распределение перетоков, произведена оценкастепени их влияния на отдельные связи, определена необходимость в использовании эвристических алгоритмов для анализа рассмотренных факторов. Выводы: Предлагается применять алгоритмы машинного обучения, а именно искусственные нейронные сети, для получения функциональной зависимости изменения мощности в конкретных связях от параметров режима и системы. В результате работы алгоритма пользователь получает рекомендуемые значения мощности для каждой регулирующейстанции, при реализации которых обеспечивается изменение перетока в конкретной связи на заданную на входе нейронной сети величину. | ||
| 330 | |a Background: In this work a process of tie-line power flow control is discussed in order to improve efficiency of overall flowgate capacity utilization. There are many factors influencing power flows distribution over tie-lines included into one flowgate. Thesefactors are primary frequency control, power system topology, voltage levels, reactive power flows, etc. These factors incidence should be taken into account for increasing/decreasing power flows over the tie. But the parameters are variable and non-linear connected to each other, and their common influence is difficult to analyze. So it is necessary to determine a functional connection between tie-line power flows and generating power in real time mode for improving efficiency of manual or automatic power flow control. This function can be used for searching values of changing generator power for correction tie-line flows on the set value. Materials and Methods: Analyze of the factors was done by means of a test power system and operator training simulator “Finist” used by “SO UPS”, JSC. Results: Main factors which affect power flow distribution were analyzed at this work, and the evaluation of its incidence was also described. As a result an heuristic algorithm was proposed like a way to analyze described factors. Conclusions: Machine learning is proposed to use for definition of a functional connection between tie-line power flows and regime variables. From this algorithm a user can take recommended information concerning power of stations under loadfrequency control, which can be used for flow correction in a tie-line on the value set like an input of the neural net. | ||
| 461 | |t Электроэнергетика глазами молодежи - 2018 |o материалы IX Международной молодежной научно-технической конференции, Казань, 1-5 Октября 2018 |o в 3 т. |f Казанский государственный энергетический университет |d 2018 | ||
| 463 | |t Т. 2 |v [С. 237-240] |d 2018 | ||
| 510 | 1 | |a Active power flow control using machine learning |z eng | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a регулирование | |
| 610 | 1 | |a перетоки | |
| 610 | 1 | |a нейронные сети | |
| 610 | 1 | |a электроэнергетика | |
| 700 | 1 | |a Цыденов |b Е. А. |c специалист в области электротехники |c старший лаборант Томского политехнического университета |f 1996- |g Евгений Александрович |3 (RuTPU)RU\TPU\pers\46078 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |b Инженерная школа энергетики |b Отделение электроэнергетики и электротехники (ОЭЭ) |3 (RuTPU)RU\TPU\col\23505 |
| 801 | 2 | |a RU |b 63413507 |c 20210331 |g RCR | |
| 856 | 4 | |u http://fondsmena.ru/media/EGM_publicationfiles_Article/Сборник_трудов_2018_ч.2_1.pdf#page=238 | |
| 942 | |c CF | ||