Комплекс интеллектуальных средств раннего выявления и предотвращения возникновения системных аварий в энергообъединениях

 
Код статьиS000523100001845-3-1
DOI10.31857/S000523100001845-3
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Аффилиация: Институт систем энергетики им. Л.А. Мелентьева СО РАН
Адрес: Российская Федерация, Иркутск
Аффилиация: Институт систем энергетики им. Л.А. Мелентьева СО РАН
Адрес: Российская Федерация, Иркутск
Аффилиация: Институт систем энергетики им. Л.А. Мелентьева СО РАН
Адрес: Российская Федерация, Иркутск
Аффилиация: Институт систем энергетики им. Л.А. Мелентьева СО РАН
Адрес: Российская Федерация, Иркутск
Аффилиация: Институт систем энергетики им. Л.А. Мелентьева СО РАН
Адрес: Российская Федерация, Иркутск
Аффилиация: Институт систем энергетики им. Л.А. Мелентьева СО РАН
Адрес: Российская Федерация, Иркутск
Аффилиация: Институт систем энергетики им. Л.А. Мелентьева СО РАН
Адрес: Российская Федерация, Иркутск
Аффилиация: Институт систем энергетики им. Л.А. Мелентьева СО РАН
Адрес: Российская Федерация, Иркутск
Название журналаАвтоматика и телемеханика
ВыпускВыпуск 10
Страницы6-25
Аннотация

Предложен комплекс интеллектуальных средств на основе интеграции методов агентного моделирования и машинного обучения для совершенствования систем защиты и противоаварийной автоматики. Изложен онлайн-подход к оценке и управлению динамической режимной надежностью электроэнергетических систем (ЭЭС) с применением потоковой модификации алгоритма случайного леса. Комплекс позволяет проводить распознавание опасных режимов сложнозамкнутых ЭЭС, предотвращая риск возникновения аварийных нарушений на ранних этапах. Приводятся результаты экспериментальных испытаний на тестовых схемах IEEE.

Ключевые словаагентное моделирование, машинное обучение, противоаварийная автоматика, электроэнергетические системы, лавина напряжения, L-индекс
Источник финансированияРабота выполнена в рамках программы фундаментальных исследований СО РАН, рег. № АААА-А17-117030310438-1, научный проект III.17.4.2. и рег. № АААА-А17-117030310442-8, научный проект III.17.3.1.
Получено18.10.2018
Дата публикации25.10.2018
Кол-во символов585
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 1091

Оценка читателей: голосов 0

1. Воропай Н.И., Томин Н.В., Курбацкий В.Г. и др. Комплекс интеллектуальных средств для предотвращения крупных аварий в электроэнергетических системах. Новосибирск: Наука, 2016.

2. Воропай Н.И., Саратова Н.Е. Анализ статистики отказов РЗА на микропроцессорной базе с точки зрения их учета при моделировании каскадных аварий // Проблемы энергетики. 2008. № 11/12 (1). C. 66–71.

3. Воропай Н.И. Снижение рисков каскадных аварий в электроэнергетических системах. Новосибирск: Изд-во СО РАН, 2011.

4. IEEE PES CAMS Task Force on Understanding, Prediction, Mitigation and Restoration of Cascading Failures “Initial Review of Methods for Cascading Failure Analysis in Electric Power Transmission Systems” // Proc. IEEE PES General Meeting, Pittsburgh, PA USA, July, 2008.

5. Negnevitsky M. An Expert System Application for Clearing Overloads // Int. J. Power Energy Syst. 1995. V. 15. No. 1. P. 9–13.

6. Барканс Е., Жалостиба Д. Защита от развалов и самовосстановление энергосистем. Чебоксары: РИЦ «СРЗАУ», 2014.

7. Kessel P., Glavitsch H. Estimating the Voltage Stability of a Power System // IEEE Trans. Power Delivery. 1986. V. 1. No. 3. P. 346–354.

8. Войтов О.Н., Воропай Н.И., Гамм А.З. и др. Анализ неоднородностей электроэнергетических систем. Новосибирск: Наука, 1999.

9. Goh H. Comparative Study of Different Kalman Filter Implementations in Power System Stability // Amer. J. Appl. Sci. 2014. V. 11. No. 8. P. 1379–1390.

10. Karbalaei F., Soleymani H., Afsharnia S. A Comparison of Voltage Collapse Proximity Indicators // IPEC, 2010 Conf. Proc. 2010. P. 429–432.

11. Sayed Shah D.M. Voltage Stability in Electric Power System: A Practical Introduction. Berlin: Logos Verlag GmbH, 2015.

12. Kurbatsky V.G., Sidorov D.N., Spiryaev V.A., Tomin N.V. The Hybrid Model Based on Hilbert-Huang Transform and Neural Networks for Forecasting of Short-Term Operation Conditions of Power Systems // Proc. IEEE PES Trondheim PowerTech. Trondheim. 2011. P. 1–7.

13. Zhukov A., Tomin N., Sidorov D., Panasetsky D., Spirayev V. A Hybrid Artificial Neural Network for Voltage Security Evaluation in a Power System // Proc. 2015 Int. Youth Con. Energy (IYCE). Pisa, 2015. P. 1–8.

14. Kurbatsky V., Tomin N., Sidorov D., Spiryaev V. Application of Two Stages Adaptive Neural Network Approach for Short-Term Forecast of Electric Power Systems // Proc. 10 Int. Conf. Environ. Electr. Engineer. Rome. 2011. P. 1–4.

15. Манов Н.С., Хохлов М.В., Чукреев Ю.Я. и др. Методы и модели исследования надежности электроэнергетических систем. Сыктывкар: Изд-во Коми научный центр УрО РАН, 2010.

16. Курбацкий В.Г., Сидоров Д.Н., Спиряев В.А., Томин Н.В. Прогнозирование нестационарных временных рядов на основе преобразования Гильберта–Хуанга и машинного обучения // АиТ. 2014. № 5. C. 143–158.

17. Kalyani S., Shanti Swarup K. Design of Pattern Recognition System for Static Security Assessment and Classification // Patt. Anal. Appl. 2012. V. 15. P. 299– 311.

18. Jothinathan K., Ganapathy S. Transient Security Assessment in Power Systems Using Deep Neural Network // Int. J. Appl. Engin. Res. 2012. V. 10. No. 15. P. 787–790.

19. Diao R., Sun K., Vittal V., et al. Decision Tree-Based Online Voltage Security Assessment Using PMU Measurements // IEEE Trans. Power Syst. 2009. V. 24. No. 2. P. 832–839.

20. Архипов И.Л., Иванов А.М., Холкин Д.В. и др. Мультиагентная система управления напряжением и реактивной мощностью // Тр. 22-й конф. «Релейная защита и автоматика энергосистем». Москва. 2014. С. 243–252.

21. Belkacemi R., Babalola S., Zarrabian A. Experimental Implementation of MultiAgent System Algorithm to Prevent Cascading Failure after N − 1 − 1 Contingency in Smart Grid Systems // IEEE Power & Energy Society General Meeting, Denver, CO. 2015. P. 1–5.

22. Панасецкий Д.А. Совершенствование структуры и алгоритмов противоаварийного управления ЭЭС для предотвращения лавины напряжения и каскадного отключения линий // Дис. ... канд. техн. наук: 05.14.02; Иркутск: ИСЭМ СО РАН, 2015. 192 c.

23. Negenborn R.R., De Schutter B., Hellendoorn J. Multi-agent Model Predictive Control for Transportation Networks: Serial Versus Parallel Schemes // Engineer. Appl. Artific. Intelligence. 2008. V. 21. P. 353–366.

24. Жуков А.В., Сидоров Д.Н. Модификация алгоритма случайного леса для классификации нестационарных потоковых данных // Вестн. ЮУрГУ. Сер. Матем. моделирование и программирование. 2016. Т. 9. № 4. С. 86–95.

25. Zhukov A.V., Sidorov D.N., Foley A.M. Random Forest Based Approach for Concept Drift Handling // Commun. Comput. Inform. Sci. 2017. V. 661. P. 69–77.

26. Воропай Н.И., Негневицкий М., Томин Н.В. и др. Интеллектуальная система для предотвращения крупных аварий в энергосистемах // Электричество. 2014. № 8. С. 1–7.

27. Geurts P., Ernst D., Wehenkel L. Extremely Randomized Trees // Machine Learning. 2006. V. 63. No. 1. P. 3–42.

28. Scornet E. Random Forests and Kernel Methods // IEEE Trans. Inform. Theory. 2016. V. 62. No. 3. P. 1485–1500.

29. Kundur P. Power System Stability and Control. N.Y.: McGraw Hill, 1994.

Система Orphus

Загрузка...
Вверх