ipolytechiPolytech JournaliPolytech Journal2782-40042782-6341Irkutsk National Research Technical University10.21285/1814-3520-2018-12-185-201ipolytech-240Research ArticleЭНЕРГЕТИКАPOWER ENGINEERINGМОДЕЛЬ АДАПТИВНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПОТОКОМ РЕАКТИВНОЙ МОЩНОСТИ НА ГРАНИЦЕ БАЛАНСОВОЙ ПРИНАДЛЕЖНОСТИ ПРЕДПРИЯТИЯ И СЕТЕВОЙ ОРГАНИЗАЦИИMODEL OF ADAPTIVE CONTROL SYSTEM OF REACTIVE POWER FLOW AT THE BALANCE AFFILIATION BOUNDARY OF AN ENTERPRISE AND A GRID OPERATORПетуховР. А.PetukhovR. A.rom_pet1@mail.ruСизгановаЕ. Ю.SizganovaE. Yu.seu_eset@mail.ruСизгановН. В.SizganovN. V.vitz1234@gmail.comФилатовА. Н.FilatovA. N.AFilatov@sfu-kras.ruСибирский федеральный университетРоссияSiberian Federal UniversityRussian FederationООО «НПЦ Магнитной гидродинамики»РоссияScientific Production Center of Magnetic Hydrodynamics LLCRussian Federation2018150920202212185201Copyright © Петухов Р.А., Сизганова Е.Ю., Сизганов Н.В., Филатов А.Н., 20202020Петухов Р.А., Сизганова Е.Ю., Сизганов Н.В., Филатов А.Н.Petukhov R.A., Sizganova E.Y., Sizganov N.V., Filatov A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ipolytech.elpub.ru/jour/article/view/240

В данной работе предложена структура системы управления потоком реактивной мощности на границе балансовой принадлежности предприятия и сетевой организации, рассмотрены особенности нейронных сетей и представлена численно-математическая модель на основе искусственной нейронной сети для адаптивного управления потоком реактивной мощности, автоматизировано и программно реализовано обучение нейросети. Применен метод Левенберга-Марквардта для обучения искусственной нейронной сети, разработана структура системы управления потоком реактивной мощности и регулирования уровней напряжения. Разработан и программно реализован алгоритм обучения искусственной нейронной сети, основанный на методе Левенберга-Марквардта. Предложена адаптивная система управления потоком реактивной мощности на границе балансовой принадлежности предприятия и сетевой организации на основе синтеза искусственной нейронной сети и собственной логики СТАТКОМ.

The paper proposes the structure of the reactive power flow control system at a balance affiliation boundary of an enterprise and a grid operator. It deals with the features of neural networks and presents a numerical mathematical model based on an artificial neural network for adaptive control of reactive power flow. Training of the neural network is automated and implemented in software. Levenberg-Marquardt method is used for neural network training. The structure of the control system of reactive power flow and voltage levels is designed. A Levenberg-Marquardt method-based algorithm for neural network training is developed and implemented in software. The authors have proposed an adaptive control system of reactive power flow at the balance affiliation boundary of an enterprise and a grid operator based on the synthesis of the artificial neural network and STATCOM own logic.

активно-адаптивные элементыискусственные нейронные сетиобучение нейронных сетейметод Левенберга-Марквардтасистема электроснабжениякомпенсирующее устройствоactive-adaptive elementsartificial neural networksneural network trainingLevenberg-Marquardt methodpower supply systemcompensating deviceReferencesПетухов Р.А., Сизганова Е.Ю., Сизганов Н.В., Филатов А.Н. К вопросу автоматизации управления потоками реактивной мощности в системах электроснабжения // Вестник Иркутского государственного технического университета. 2018. Т. 22. № 7. С. 123-146. https://doi.org/10.21285/1814-3520-2018-7-123-146Петухов Р.А., Сизганова Е.Ю., Сизганов Н.В., Филатов А.Н. К вопросу автоматизации управления потоками реактивной мощности в системах электроснабжения // Вестник Иркутского государственного технического университета. 2018. Т. 22. № 7. С. 123-146. https://doi.org/10.21285/1814-3520-2018-7-123-146Guo Z. et al. (2019) Cloud Computing Platform Design and Machine Learning-Based Fault Location Method in Automatic Dispatching System of Smart Grid. In: Liang Q., Mu J., Jia M., Wang W., Feng X., Zhang B. (eds) Communications, Signal Processing, and Systems. CSPS. Lecture Notes in Electrical Engineering. 2017. Vol. 463. Springer, Singapore DOIhttps://doi.org/10.1007/978-981-10-6571-2_259Guo Z. et al. (2019) Cloud Computing Platform Design and Machine Learning-Based Fault Location Method in Automatic Dispatching System of Smart Grid. In: Liang Q., Mu J., Jia M., Wang W., Feng X., Zhang B. (eds) Communications, Signal Processing, and Systems. CSPS. Lecture Notes in Electrical Engineering. 2017. Vol. 463. Springer, Singapore DOIhttps://doi.org/10.1007/978-981-10-6571-2_259Han D., Sun W., FanX. Dynamic energy management in smart grid: a fast randomized first-order optimization algorithm IJEPES, 94 (2018), 10.1016/j.ijepes.2017.07.003Han D., Sun W., FanX. Dynamic energy management in smart grid: a fast randomized first-order optimization algorithm IJEPES, 94 (2018), 10.1016/j.ijepes.2017.07.003Gwang W.K., Lee K.Y. Coordination control of ULTC transformer and STATCOM based on an artificial neural network, IEEE Trans. on Power System. 2005. Vol. 20 (2). P. 580-586.Gwang W.K., Lee K.Y. Coordination control of ULTC transformer and STATCOM based on an artificial neural network, IEEE Trans. on Power System. 2005. Vol. 20 (2). P. 580-586.Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6.М.: ДИАЛОГ-МИФИ, 2002. 496 с.Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6.М.: ДИАЛОГ-МИФИ, 2002. 496 с.Anil K. Jain, Jianchang Mao, K.M. Mohiuddin - Artificial Neural Networks: A Tutorial, Computer.1996. Vol. 29.No. 3.P. 31-44.Anil K. Jain, Jianchang Mao, K.M. Mohiuddin - Artificial Neural Networks: A Tutorial, Computer.1996. Vol. 29.No. 3.P. 31-44.Комякова О.А. Возможности искусственных нейронных сетей как аппарата для прогнозирования расхода электрической энергии на предприятиях железнодорожного транспорта // Омский научный вестник. Серия: Приборы, машины и технологии. 2013. № 2. С. 264-266.Комякова О.А. Возможности искусственных нейронных сетей как аппарата для прогнозирования расхода электрической энергии на предприятиях железнодорожного транспорта // Омский научный вестник. Серия: Приборы, машины и технологии. 2013. № 2. С. 264-266.Хайкин С. Нейронные сети: полный курс. 2-е изд. / пер. с англ. М.: Изд. Дом «Вильямс», 2006. 1104 с.Хайкин С. Нейронные сети: полный курс. 2-е изд. / пер. с англ. М.: Изд. Дом «Вильямс», 2006. 1104 с.Пархоменко С.С., Леденева Т.М. Обучение нейронных сетей методом Левенберга-Марквардта в условиях большого количества данных // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2014. № 2.С. 98-106.Пархоменко С.С., Леденева Т.М. Обучение нейронных сетей методом Левенберга-Марквардта в условиях большого количества данных // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2014. № 2.С. 98-106.Кохонен Т. Толковый словарь «нейронных» терминов. Самоорганизующиеся карты / пер. с англ. М.: БИНОМ. Лаборатория знаний, 2013. С. 532.Кохонен Т. Толковый словарь «нейронных» терминов. Самоорганизующиеся карты / пер. с англ. М.: БИНОМ. Лаборатория знаний, 2013. С. 532.Хайкин С. Преимущества и ограничения обучения методом обратного распространения // Нейронные сети. М.: Вильямс, 2006.С. 304-314.Хайкин С. Преимущества и ограничения обучения методом обратного распространения // Нейронные сети. М.: Вильямс, 2006.С. 304-314.Sousa C. Neural network learning by the Levenberg-Marquardt algorithm with Bayesian regularization (part 1). 2009. URL: http:// crsouza.blogspot.com/2009/11/neural-networklearning-by-levenberg_18.html.Sousa C. Neural network learning by the Levenberg-Marquardt algorithm with Bayesian regularization (part 1). 2009. URL: http:// crsouza.blogspot.com/2009/11/neural-networklearning-by-levenberg_18.html.Suratgar A.A., Tavakoli M.B., Hoseinabadi A. Modified Levenberg-Marquardt method for neural networks training.Suratgar A.A., Tavakoli M.B., Hoseinabadi A. Modified Levenberg-Marquardt method for neural networks training.Transtrum M.K., Sethna J.P. Improvements to the levenberg-marquardt algorithm for nonlinear least-squares minimization // Journal of Computational Physics. 2012.Transtrum M.K., Sethna J.P. Improvements to the levenberg-marquardt algorithm for nonlinear least-squares minimization // Journal of Computational Physics. 2012.Sousa C. Neural network learning by the Levenberg-Marquardt algorithm with Bayesian regularization (part 2). 2009. URL: http:// crsouza.blogspot.com/2009/11/neural-networklearning-by-levenberg.html.Sousa C. Neural network learning by the Levenberg-Marquardt algorithm with Bayesian regularization (part 2). 2009. URL: http:// crsouza.blogspot.com/2009/11/neural-networklearning-by-levenberg.html.

The authors declare that there are no conflicts of interest present.