|
|
Известия НТЦ Единой энергетической системы
выпуск 2025, № 2 (93) |
|
Нейросетевая идентификация параметров моделей
электроэнергетических систем по данным мониторинга переходных режимов |
EDN: RNTXJJ
УДК 621.311
с. 3 – 14
|
Скачать pdf
Скачать JATS |
Авторы
Абубакиров Александр Янович, Россети Управление имуществом, Санкт-Петербург, Россия.
E-mail: abubakirovalex@mail.ru
Беляев Андрей Николаевич, д-р техн. наук, доцент, высшая школа электроэнергетических систем
Санкт-Петербургского политехнического университета Петра Великого, Санкт-Петербург, Россия.
E-mail: andreybelyaev@yandex.ru
Кошлаков Алексей Юрьевич, филиал «СО ЕЭС» ОДУ Северо-Запада, Санкт-Петербург, Россия.
E-mail: koshlakov.aleksei@gmail.com
Ключевые слова
электроэнергетическая система, синхронизированные векторные измерения, искусственные нейронные сети, градиентный метод адаптивного импульса
Аннотация
Работа посвящена исследованию возможности идентификации моделей электроэнергетических систем по данным системы мониторинга переходных режимов при помощи искусственных нейронных сетей (ИНС). Сформулирован новый подход к использованию данных синхронизированных векторных измерений (СВИ) для моделирования энергосистем. Представлены соображения по формированию обучающей выборки на основе СВИ и определению параметров обучения, позволяющие ИНС идентифицировать динамические свойства рассматриваемой энергосистемы с высокой точностью. Разработаны модели частей электроэнергетической системы Северо-Запада и некоторых электроэнергетических объектов (ЛАЭС и др.).
|
Neural network identification of electric power system model parameters based on wide area monitoring system data |
|
|
Authors
Abubakirov A. Ya., ROSSETI, St.Petersburg, Russia.
E-mail: abubakirovalex@mail.ru
Belyaev A. N., Dr, Peter the Great St.Petersburg Polytechnic University, St.Petersburg, Russia.
E-mail: andreybelyaev@yandex.ru
Koshlakov A. Yu., Branch of «SO UPS» ODU of the North-West, St.Petersburg, Russia.
E-mail: koshlakov.aleksei@gmail.com
Keywords
electric power system, phasor measurement units, artificial neural networks, adaptive momentum gradient method
Annotation
This paper explores the feasibility of identifying electric power system models based on wide area monitoring system (WAMS) data using artificial neural networks (ANNs). A new approach to using phasor measurement units (PMU) data for power system modeling is formulated. Considerations for forming a training set based on PMUs and determining training parameters that enable the ANN to identify the dynamic properties of the power system under consideration with high accuracy are presented. Models of parts of the Northwest electric power system and some electric power facilities (such as the Leningrad Nuclear Power Plant) are developed.
|
|
Библиография
- Годовой отчет ПАО «Россети» за 2023 год // Россети. URL: https://ar23.rosseti.ru/ru (дата обращения: 10.02.2025).
- Проект объединения энергосистем ЕЭС/ОЭС и UCTE // Системный оператор Единой энергетической системы. URL:
https://www.so-ups.ru/functioning/international/ ips-ups-ucte (дата обращения: 7.02.2025).
- Идентификация параметров энергосистем по данным мониторинга переходных режимов /
А. Ю. Кошлаков, Р. Н. Николаев, А. Н. Беляев // Известия НТЦ Единой энергетической системы. – 2021. – № 85 (2), –
C. 61–75.
- Mathlab Documentación // MathWorks. URL: https://www.mathworks.com/help/matlab/ ref/double.normalize.html (дата обращения: 23.02.2025).
- Mathlab Documentación // MathWorks. URL: https://www.mathworks.com/help/ident/ref/ goodnessoffit.html (дата обращения: 31.03.2025).
- Доррер М. Г. Моделирование нейронных сетей в системе MatLab: лабораторный практикум. – Красноярск: СибГУ им. М. Ф. Решетнева, 2021. – 98 с.
- Нейронные сети. Краткое введение в теорию. // Пропропрогс. URL: https:// proproprogs .ru/ml/ml-neyronnye-seti kratkoe-vvedenie-v-teoriyu (дата обращения: 07.03.2025).
- Методы оптимизации в машинном и глубоком обучении. От простого
к сложному // Habr. URL: https://habr.com/ru/articles/813221/ (дата обращения: 14.03.2025).
| |
|
