ПРИМЕРЫ МЕТОДИКИ ПОСТРОЕНИЯ ОПТИМАЛЬНОЙ КОНФИГУРАЦИИ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ УПРАВЛЕНИЯ СУДОВЫМ СИНХРОННЫМ ГЕНЕРАТОРОМ
Трапезникова Д.А., инженер-технолог 3 категории (АО "51 ЦКТИС"
Аннотация. На сегодняшний день актуализируется задача, связанная с обеспечением наиболее стабильной и надежной работы синхронного генератора. При этом именно синхронный генератор является основным источником электроэнергии в большинстве электрических сетей. Одним из методов решения данной задачи является разработка и использование нечеткой модели управления синхронным генератором. Основной целью представленной статьи является выполнение разработки нечеткой модели управления синхронным генератором. Для достижения цели предполагается решение ряда задач, связанных с построением математической модели и разработкой искусственной нейронной сети управления синхронными генератором. Основным результатом работы стало построение оптимальной конфигурации искусственной нейронной сети для управления синхронным генератором. В результате работы применены такие теоретические и эмпирические методы исследования, как анализ, синтез, обобщение и эксперимент. Информационной базой исследования стали научные материалы отечественного и зарубежного авторства. Научная ценность работы определяется новизной полученных результатов и разработкой новой модели управления синхронным генератором на основе нейронной сети. Практическая значимость материалов статьи состоит в возможности применения нечеткой модели управления синхронным генератором в управлении системой смешанной генерации электроэнергии.
Ключевые слова. Синхронный генератор, нечеткие правила, модель управления, искусственная нейронная сеть, функция риска.
Моделирование является основным инструментом в проведении современных исследований, которые напрямую зависят от большого числа проведенных экспериментов. Для повсеместного использования сложных интеллектуальных систем управления необходима интеграция в современные системы большого опыта исследований относительно автоматического управления синхронным генератором [1]. Нечеткая модель управления синхронным генератором используется для обеспечения более эффективного и стабильного управления работой синхронного генератора.
Основная причина использования нечеткой модели заключается в том, что синхронные генераторы являются нелинейными и сложными системами с большим количеством взаимосвязанных параметров [2]. Традиционные методы управления, основанные на математических моделях, оказываются недостаточно эффективными в учете всех этих параметров и обеспечении желаемой динамики работы генератора. Нечеткая модель управления позволяет учесть неопределенность и нечеткость в системе, а также адаптировать управление к изменяющимся условиям работы генератора. Она основывается на принципах нечеткой логики, которая позволяет работать с понятиями нечеткости, неопределенности и размытости [3]. Это позволяет учесть различные ситуации и условия работы генератора, такие как изменения нагрузки, колебания напряжения или частоты, и выбрать наиболее оптимальные параметры управления.
Синхронный генератор работает на основе принципа электромагнитной индукции. Это электромеханическое устройство, которое преобразует механическую энергию в электрическую энергию. Основные компоненты синхронного генератора: статор - стационарная часть генератора, состоящая из обмотки, намотанной на железном сердечнике (создает магнитное поле); ротор - вращающаяся часть генератора, состоящая из обмотки, намотанной на железном сердечнике (также создает магнитное поле) диодный мост - используется для преобразования переменного электрического тока (АС) в постоянный ток (ПС).
Работа синхронного генератора включает основной источник энергии (например, двигатель внутреннего сгорания) вращает ротор генератора. Вращение ротора создает переменное магнитное поле вокруг обмотки статора. Это переменное магнитное поле индуцирует переменное напряжение в обмотке статора. Полученное переменное напряжение передается через диодный мост, который преобразует его в постоянное напряжение. Постоянное напряжение используется для питания электрических устройств, подключенных к генератору. Таким образом, синхронный генератор работает путем преобразования механической энергии в электрическую энергию при помощи электромагнитной индукции.
Использование нейронных сетей для управления синхронным генератором имеет несколько преимуществ: моделирование сложных динамических систем - синхронный генератор является сложной динамической системой с нелинейными свойствами. Нейронные сети позволяют моделировать и управлять такими системами, обрабатывая большое количество данных и принимая решение на основе полученных результатов. Автоматическое обучение - нейронные сети могут быть обучены автоматически на основе имеющихся данных о работе генератора. Это позволяет создавать более точные управляющие системы, которые могут адаптироваться к изменяющимся условиям и требованиям. Адаптивность и робастность - нейронные сети обладают высокой степенью адаптивности и робастности. Они могут адаптироваться к изменяющимся условиям эксплуатации и компенсировать возможные нелинейности и технические проблемы в работе генератора.
Также стоит отметить улучшение энергоэффективности - использование нейронных сетей для управления генератором может помочь снизить энергопотребление и повысить эффективность работы системы. И сокращение затрат на обслуживание - благодаря автоматизированному управлению, нейронные сети могут помочь сократить затраты на обслуживание и предотвратить возникновение аварийных ситуаций, минимизируя вмешательство человека. Автоматизированное управление и нейронные сети могут помочь сократить затраты на обслуживание и предотвратить аварийные ситуации по следующим критериям:
Прогнозирование поломок: нейронные сети могут анализировать данные о работе оборудования и предсказывать потенциальные поломки до их фактического возникновения. Это позволяет проводить профилактическое обслуживание до того, как случится авария.
Оптимизация технического обслуживания: системы могут определять оптимальные интервалы для обслуживания на основе реальных данных, что помогает избежать как избыточного, так и недостаточного обслуживания.
Анализ данных в реальном времени: нейронные сети могут обрабатывать данные в реальном времени, выявляя аномалии и непредвиденные ситуации, что позволяет быстро реагировать и предотвращать аварии.
Автоматизация процессов: уменьшение необходимости в ручном управлении и вмешательстве человека снижает вероятность ошибок и повышает эффективность процессов.
Обучение на данных: нейронные сети обучаются на исторических данных о поломках и неполадках, что позволяет им эффективно справляться с новыми ситуациями, которые могут не быть очевидными для человека.
Уменьшение человеческого фактора: автоматизированные системы минимизируют влияние человеческого фактора, который может быть источником ошибок или недочетов в процессе обслуживания и управления.
Эти факторы в комплексе способствуют более эффективному управлению и снижению рисков, связанных с техническим обслуживанием и эксплуатацией оборудования.
В рамках статьи основной целью поставлено формирование систему нечеткого вывода для управления синхронным генератором (далее – СГ).
Формирование базы правил систем нечеткого вывода.
При задании базы правил нечетких продукций необходимо определить:
- множество входных лингвистических переменных:
- множество выходных лингвистических переменных:
- множество правил нечетких продукций: .
Примечание: задание лингвистических переменных в упрощенном виде, с определением базового терм-множества (в соответствии с таблицей 1), функциями принадлежности каждого терма (трапецевидными), но без процедур модификации.
|
Символическое обозначение |
Англоязычная нотация |
Русскоязычная нотация |
|
NB |
Negative Big |
Отрицательное большое |
|
NM |
Negative Middle |
Отрицательное среднее |
|
NS |
Negative Small |
Отрицательное малое |
|
ZN |
Zero Negative |
Отрицательное близкое к нулю |
|
Z |
Zero |
Нуль, близкое к нулю |
|
ZP |
Zero Positive |
Положительное близкое к нулю |
|
PS |
Positive Small |
Положительное малое |
|
PM |
Positive Middle |
Положительное среднее |
|
PB |
Positive Big |
Положительное большое |
Таблица 1. Общепринятые сокращения для значений основных термов лингвистических переменных в системах нечеткого вывода
Table 1. Common abbreviations for the meanings of the main terms of linguistic variables in fuzzy inference systems
Множество входных лингвистических переменных:
V = {Ток нагрузки {PS <0; 0; 1кА; 2кА>; PM <1кА; 2кА; 2,4кА; 2,6кА>; PB <2,2кА; 2,4кА; 2,6кА; 2,6кА>};
Температура {PS <0; 0; 90°С; 105°С>; PM <90°С; 105°С; 120°С; 130°С>; PB <120°С; 130°С; 155°С; 180°С>};
Сопротивление изоляции {PS <0; 0; 0,5МОм; 1МОм>; PM <0,5МОм; 1МОм; 2,5МОм; 5МОм>; PB <2,5МОм; 4МОм; 5МОм; 5МОм>};
Напряжение {PS <0; 0; 220В; 400В>; PM <220В; 400В; 450В; 500В>; PB <400В; 500В; 500В; 500В>};
Частота {PS <0; 0; 45Гц; 50Гц>; PM <45Гц; 47Гц; 50Гц; 55Гц>; PB <50Гц; 50Гц; 55Гц; 55Гц>}};
Множество выходных лингвистических переменных [4]:
W = {Ток возбуждения {PS <0; 0; 4А; 5А>; PM <4А; 6А; 8кА; 10кА>; PB <8А; 9А; 10А; 10А>};
Подача топлива {PS <0; 0; 10%; 60%>; PM <50%; 70%; 85%; 90%>; PB <80%; 100%; 100%; 100%>};
Уровень охлаждения {PS <100°С; 100°С; 90°С; 80°С>; PM <90°С; 80°С; 70°С; 60°С>; PB <70°С; 60°С; 50°С; 40°С>};
Необходимость ТО {PS <0; 0; 10%; 60%>; PM <50%; 60%; 70%; 80%>; PB <80%; 90%; 100%; 100%>}};
Множество правил нечетких продукций:
- P = {Правило_1: ЕСЛИ Ток нагрузки PS И Температура PS, ТО Подача топлива PS;
- Правило_2: ЕСЛИ Ток нагрузки PS И Температура PM, ТО Уровень охлаждения PM;
- Правило_3: ЕСЛИ Ток нагрузки PS И Температура PB, ТО Уровень охлаждения PS;
- Правило_4: ЕСЛИ Ток нагрузки PM И Температура PS, ТО Уровень охлаждения PM;
- Правило_5: ЕСЛИ Ток нагрузки PM И Температура PM, ТО Подача топлива PM;
- Правило_6: ЕСЛИ Ток нагрузки PM И Температура PB, ТО Уровень охлаждения PS;
- Правило_7: ЕСЛИ Ток нагрузки PB И Температура PS, ТО Уровень охлаждения PB;
- Правило_8: ЕСЛИ Ток нагрузки PB И Температура PM, ТО Уровень охлаждения PB;
- Правило_9: ЕСЛИ Ток нагрузки PB И Температура PB, ТО Подача топлива PB;
- Правило_10: ЕСЛИ Напряжение PS И Частота PS, ТО Подача топлива PS;
- Правило_11: ЕСЛИ Напряжение PS И Частота PM, ТО Ток возбуждения PS;
- Правило_12: ЕСЛИ Напряжение PS И Частота PB, ТО Ток возбуждения PS;
- Правило_13: ЕСЛИ Напряжение PM И Частота PS, ТО Ток возбуждения PB;
- Правило_14:ЕСЛИ Напряжение PM И Частота PM, ТО Ток возбуждения PM;
- Правило_15: ЕСЛИ Напряжение PM И Частота PB, ТО Ток возбуждения PS;
- Правило_16: ЕСЛИ Напряжение PB И Частота PS, ТО Ток возбуждения PB;
- Правило_17: ЕСЛИ Напряжение PB И Частота PM, ТО Ток возбуждения PB;
- Правило_18: ЕСЛИ Напряжение PB И Частота PB, ТО Подача топлива PB;
- Правило_19: ЕСЛИ Сопротивление изоляции PS, ТО Необходимость ТО PB;
- Правило_20: ЕСЛИ Сопротивление изоляции PM, ТО Необходимость ТО PM;
- Правило_21: ЕСЛИ Сопротивление изоляции PB, ТО Необходимость ТО PS;}
Результаты проверки использования всех входных нечётких переменных в качестве подусловий и всех выходных нечётких переменных в качестве подзаключений на множестве правил нечётких продукций сведены в табл. 2.
|
|
V1
|
V2 |
V3 |
V4 |
V5 |
W1 |
W2 |
W3 |
W4 |
|
PS
|
1;2;3 |
1;4;7 |
19 |
10;11;12 |
10;13;16 |
11;12;15 |
1;10 |
3;6 |
21 |
|
PM
|
4;5;6 |
2;5;8 |
20 |
13;14;15 |
11;14;17 |
14 |
5 |
2;4 |
20 |
|
PB
|
7;8;9 |
3;6;9 |
21 |
16;17;18 |
12;15;18 |
13;16;17 |
9; 18 |
7;8 |
19 |
Таблица. 2. Результаты проверки всех входных нечётких переменных
Table. 2. Results of checking all input fuzzy variables
2. Фаззификация входных переменных (введение нечёткости).
Задается текущими значениями входных переменных: V’ = {2,1кА; 70°С; 1,5МОм; 440В; 51 Гц}.
Рис.1. Графики функций принадлежности входных переменных
Figure.1. Graphs of membership functions of input variables
Рис. 2. Графики функций принадлежности входных переменных
Figure.2. Graphs of membership functions of input variables
Окончательно находим: B = {<0;1;0>; <1;0;0>; <0;1;0>; <0;1;0,4>; <0;0,8;1>}.
3. Агрегирование подусловий в нечётких правилах продукций
Поскольку элементы множества P = {Ri} представляют собой 2 подусловия связанные нечётким «И», то степень истинности сложного высказывания находится следующим образом: B’’ = {b’’i = min (b’ij; b’ik)} = {0;0;0; 1;0;0; 0;0;0; 0;0;0; 0;0,8;1; 0;0,4;0,4; 0;1;0}.
4. Композиция подзаключений в нечётких правилах продукций.
Процедура композиции (min-активизации) заключается в нахождении множества Ci (y), где ci = b’’i ∙Fi ; Fi – весовой коэффициент каждого правила (по умолчанию полагается равным 1):
- Cток возбуждения PS = min (1∙μток возбуждения PS(y));
- Cток возбуждения PM = min (0,8∙μток возбуждения PM(y));
- Cток возбуждения PB = min (0,4∙μток возбуждения PB(y));
- Cподача топлива PS = min (0∙μподача топлива PS(y));
- Cподача топлива PM = min (0∙μподача топлива PM(y));
- Cподача топлива PB = min (0,4∙μподача топлива PB(y));
- Cуровень охлаждения PS = min (0∙μуровень охлаждения PS(y));
- Cуровень охлаждения PM = min (1∙μуровень охлаждения PM(y));
- Cуровень охлаждения PB = min (0∙μуровень охлаждения PB(y));
- Cнеобходимость ТО PS = min (0∙μнеобходимость ТО PS(y));
- Cнеобходимость ТО PM = min (1∙μнеобходимость ТО PM(y));
- Cнеобходимость ТО PB = min (0∙μнеобходимость ТО PB(y));
5. Аккумулирование заключений нечетких правил продукций.
Для объединения всех степеней истинности подзаключений и получения функции принадлежности проведем логическое объединение множеств Ci для каждой из выходных переменных (рис. 3).
Рис. 3. Функции принадлежности выходных переменных
Figure.3. Membership functions of output variables
6. Дефаззификация выходных переменных.
Цель дефаззификации заключается в получении количественного значения выходных переменных (приведение к чёткости) [5]. В данной работе дефаззификация производится методом центра тяжести.
При дефаззификации методом центра тяжести обычное (не нечеткое) значение выходной переменной равно абсциссе центра тяжести площади, ограниченной графиком кривой функции принадлежности соответствующей выходной переменной [6].
Y = {4,481; 91,412; 75; 65}.
7. Построение оптимальной конфигурации искусственной нейронной сети для управления синхронным генератором.
Таким образом, основной целью представленной статьи являлось выполнение разработки нечеткой модели управления синхронным генератором. Основным результатом работы стало построение оптимальной конфигурации искусственной нейронной сети для управления синхронным генератором.
На основе приведенного метода использования системы нечеткого вывода была разработана математическая модель для управления СГ. При заданных входных параметрах: ток нагрузки 2,1кА; температура 70°С; сопротивление изоляции 1,5МОм; напряжение 440В; частота 51Гц. Были получены следующие выходные параметры: ток возбуждения 4,481А; подача топлива 91,412%; температура охлаждения 75°С; необходимость ТО 65%. Практическая значимость материалов статьи состоит в возможности применения нечеткой модели управления синхронным генератором в управлении системой смешанной генерации электроэнергии.
СПИСОК ИСТОЧНИКОВ
1. Бурмакин, О. А. Модель синхронного генератора с регулятором на базе нечеткой логики в среде matlab / О. А. Бурмакин, С. В. Попов, Ю. С. Малышев // Великие реки. 2020. – С. 63. – EDN NWMRUD.
2. Бурмакин, О. А. Модель для исследования параллельной работы генераторов с регуляторами на базе нечеткой логики в системе двойного рода тока / О. А. Бурмакин, С. В. Попов, Ю. С. Малышев // Великие реки. 2020. – С. 64. – EDN AZCOKX.
3. Седойкин, Д. Н. Эффективность адаптивного АРВ на основе нечеткого аппроксиматора при работе синхронного генератора в сложной энергосистеме / Д. Н. Седойкин, А. А. Юрганов // Релейная защита и автоматизация. – 2018. – № 2(31). – С. 30-35. – EDN OUCLVG.
4. Шуманский, Э. К. Настройка нечеткой системы регулирования скорости вращения ротора маломощного ветрогенератора / Э. К. Шуманский // Труды Братского государственного университета. 2019. – Т. 1. – С. 25-30. – EDN SIMBRN.
5. Абдали Л.М., Аль-Руфаи Х.А., Исса Х.А., Якимович Б.А. Моделирование и управление системой ветроэнергетики, связанной с сетью с использованием синхронного генератора с постоянными магнитами (СГПМ) / Л. М. Абдали, Ф. М. Аль-Руфаи, Х. А. Исса, Б. А. Якимович // Актуальные проблемы электроэнергетики. 2021. – С. 299-308. – DOI 10.46960/44170389_2021_299. – EDN PKEHXF.
6. Кузьменко, А. А. Нелинейное робастное управление возбуждением синхронного генератора: синергетическая система с переменной структурой / А. А. Кузьменко, А. Н. Попов, И. А. Радионов // Информатика и системы управления. – 2014. – № 3(41). – С. 130-139. – EDN SMFIQZ.
REFERENCES
1. Burmakin, O. A. Model of a synchronous generator with a controller based on fuzzy logic in the matlab environment / O. A. Burmakin, S. V. Popov, Yu. S. Malyshev // Great Rivers. 2020. – P. 63. – EDN NWMRUD.
2. Burmakin, O. A. Model for studying the parallel operation of generators with controllers based on fuzzy logic in a double current system / O. A. Burmakin, S. V. Popov, Yu. S. Malyshev // Great Rivers. 2020. – P. 64. – EDN AZCOKX.
3. Sedoykin, D. N. Efficiency of adaptive ARV based on a fuzzy approximator during the operation of a synchronous generator in a complex power system / D. N. Sedoykin, A. A. Yurganov // Relay protection and automation. – 2018. – No. 2(31). – pp. 30-35. – EDN OUCLVG.
4. Shumansky, E. K. Setting up a fuzzy system for controlling the rotor speed of a low-power wind generator / E. K. Shumansky // Proceedings of the Bratsk State University. 2019. – T. 1. – P. 25-30. – EDN SIMBRN.
5. Abdali L.M., Al-Rufai H.A., Issa H.A., Yakimovich B.A. Modeling and control of a wind power system connected to a network using a permanent magnet synchronous generator (PMSG) / L. M. Abdali, F. M. Al-Rufai, H. A. Issa, B. A. Yakimovich // Current problems of electric power engineering . 2021. – pp. 299-308. – DOI 10.46960/44170389_2021_299. – EDN PKEHXF.
6. Kuzmenko, A. A. Nonlinear robust control of the excitation of a synchronous generator: a synergetic system with a variable structure / A. A. Kuzmenko, A. N. Popov, I. A. Radionov // Informatics and control systems. – 2014. – No. 3(41). – pp. 130-139. – EDN SMFIQZ.