МОДЕЛЬ АДАПТИВНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПОТОКОМ РЕАКТИВНОЙ МОЩНОСТИ НА ГРАНИЦЕ БАЛАНСОВОЙ ПРИНАДЛЕЖНОСТИ ПРЕДПРИЯТИЯ И СЕТЕВОЙ ОРГАНИЗАЦИИ

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.

активно-адаптивные элементы, искусственные нейронные сети, обучение нейронных сетей, метод Левенберга-Марквардта, система электроснабжения, компенсирующее устройство

1. Петухов 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/10.21285/1814-3520-2018-7-123-146

2. Guo 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_259

3. Han D., Sun W., FanX. Dynamic energy management in smart grid: a fast randomized first-order optimization algorithm IJEPES, 94 (2018), 10.1016/j.ijepes.2017.07.003

4. 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.

5. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6.М.: ДИАЛОГ-МИФИ, 2002. 496 с.

6. Anil K. Jain, Jianchang Mao, K.M. Mohiuddin - Artificial Neural Networks: A Tutorial, Computer.1996. Vol. 29.No. 3.P. 31-44.

7. 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.

8. Хайкин С. Нейронные сети: полный курс. 2-е изд. / пер. с англ. М.: Изд. Дом «Вильямс», 2006. 1104 с.

9. 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.

10. Кохонен Т. Толковый словарь «нейронных» терминов. Самоорганизующиеся карты / пер. с англ. М.: БИНОМ. Лаборатория знаний, 2013. С. 532.

11. Хайкин С. Преимущества и ограничения обучения методом обратного распространения // Нейронные сети. М.: Вильямс, 2006.С. 304-314.

12. 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.

13. Suratgar A.A., Tavakoli M.B., Hoseinabadi A. Modified Levenberg-Marquardt method for neural networks training.

14. Transtrum M.K., Sethna J.P. Improvements to the levenberg-marquardt algorithm for nonlinear least-squares minimization // Journal of Computational Physics. 2012.

15. 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.