Келембет Александр Александрович – аспирант.
644050, Омск, пр. Мира, 11
Aleksandr A. Kelembet - Postgraduate Student.
11 Mira pr., Omsk 644050
Бигун Александр Ярославович - к.т.н., доцент кафедры радиоэлектроники и электроэнергетики.
628403, Сургут, пр. Ленина, 1
Aleksandr Ya. Bigun - Cand. Sci. (Eng.), Associate Professor of the Department of Radio Electronics and Electrical Power Engineering.
1 Lenin pr., Surgut 628403
Целью работы является разработка нейросетевой модели на основе кривых нагрева и охлаждения изолированных проводов воздушных линий при изменении скорости ветра и его направления относительно оси провода, полученных экспериментальным путем. Объектом исследований выступают изолированные провода воздушных линий марки СИП-3. Для моделирования нагрева и охлаждения изолированного провода при разных скоростях ветра и его направлении была использована нейросетевая модель на основе многослойного перцептрона. В качестве критерия оценки результатов прогнозирования температуры жилы и изоляции провода была принята средняя абсолютная ошибка. Приведены основные параметры разработанной нейросетевой модели: количество скрытых слоев и нейронов в каждом из скрытых слоев, степень регуляции и регулирующая жесткость модели. По результатам моделирования построены прогнозируемые кривые нагрева и охлаждения изолированных проводов, которые в дальнейшем были сравнены с кривыми, полученными в ходе экспериментальных исследований. Получены следующие значения средней абсолютной ошибки: для прогнозируемой температуры жилы средняя абсолютная ошибка составила 1,74°C, а для прогнозируемой температуры изоляции – 4,08°C. Установлено, что разность между кривыми нагрева при малых скоростях ветра находится в пределах 9°C. Показано, что при увеличении скорости ветра разность между кривыми уменьшается. Таким образом, анализ полученных результатов показал, что для повышения точности прогнозирования при помощи нейросетевой модели требуется более широкий перечень входящих параметров для обучения модели. Только в таком случае разность между экспериментальными данными и полученными при помощи разрабатываемой модели может составить менее 5%.
In this work, we develop a neural network model based on experimental heating and cooling curves of insulated wires of overhead lines under changes in wind speed and its direction relative to the wire axis. Insulated SIP-3 wire used in overhead lines was investigated. A multilayer perceptron neural network was employed to model the process of heating and cooling of insulated wire under changes in wind speed and its direction. The average absolute error was taken as a criterion for evaluating the prediction accuracy of wire core and insulation temperatures. The main parameters of the developed neural network model include the number of hidden layers and neurons in each hidden layer, the degree of regulation, and the regulatory rigidity of the model. The modelled heating and cooling curves of insulated wire were compared with those obtained experimentally. The average absolute error was equal to 1.74 and –4.08°C for the predicted core and insulation temperatures, respectively. The difference between the heating curves at low wind speeds was found to range within 9°C. It was shown that an increase in wind speed leads to a decrease in the difference between the curves. Our analysis showed that neural network models used for predicting variations in the temperature of insulated overhead lines should be trained using a larger number of input parameters. This is the main prerequisite for high prediction accuracy of such models, when the difference between the simulated and experimental data does not exceed 5%.
The authors declare that there are no conflicts of interest present.