Разработка метода определения гибкости электроэнергетической системы с ветропарками на базе искусственных нейронных сетей

   Цель исследования – представление метода определения гибкости электроэнергетической системы в режиме онлайн с помощью искусственных нейронных сетей разных структур. Для быстрого вычисления показателя гибкости электроэнергетической системы используется разработанный алгоритм, в который встроена искусственная нейронная сеть с разными парадигмами обучения. Приемлемое время получения результатов обеспечивается разделением процесса вычисления гибкости на процессы, выполняемые офлайн и онлайн. Для обучения нейронных сетей были использованы методы обучения искусственных нейронных сетей. Многослойный персептрон обучается методом обратного распространения ошибки. Обучение нейронной сети Кохонена выполняется по правилу «победитель забирает все». В качестве меры близости между исследуемыми векторами используется Евклидово расстояние. Разработан алгоритм анализа результатов двух типов искусственных нейронных сетей с разными структурами на предмет выбора оптимальной структуры каждого типа нейронной сети, с точки зрения рекомендации к их применению в режиме реального времени, при определении гибкости электроэнергетической системы. Апробация предложенного алгоритма была выполнена на 6-узловой схеме по сценарию: вычислить гибкость данной системы, функционирующей в разных режимах. Анализ критерия показал, что структура многослойного персептрона с 16 нейронами в скрытом слое и структура нейронной сети Кохонена с девятью выходными нейронами являются оптимальными для определения установившегося режима с минимальной гибкостью в режиме реального времени. Анализ результатов показал, что величина гибкости системы не остается постоянной в разное время суток. Искусственные нейронные сети могут быть применены при определении гибкости электроэнергетической системы в режиме реального времени.

1. Mohandes B., Moursi M. S. E., Hatziargyriou N., Khatib S. E. A review of power system flexibility with high penetration of renewables // EEE Transactions on Power Systems. 2019. Vol. 34. Iss. 4. P. 3140–3155. https://doi.org/10.1109/TPWRS.2019.2897727.

2. Rebours Y., Kirschen D. S., Trotignon M., Rossignol S. A survey of frequency and voltage control ancillary services – Part I: Technical features // IEEE Transactions on Power Systems. 2007. Vol. 22. Iss. 1. P. 350–357. https://doi.org/10.1109/TPWRS.2006.888963.

3. Terras J. M., Catia S., Zita V., Faria P. Consumers modelling and clustering for the use of flexibility to mitigate network congestion // Proceedings Journal. 2020. Vol. 2020. Iss. 1. P. 364–367. URL: https://zenodo.org/record/5045736#.YsLjQ2DP2Uk

4. Сидорович В. Управление спросом в электроэнергетике России: открывающиеся возможности. Экспертно-аналитический доклад / В. Сидорович [и др.] // Инфраструктурный центр EnergyNet. – Москва, 2019. [Электронный ресурс]. URL: https://www.so-ups.ru/fileadmin/files/company/markets/dr/publication/EnergyNet_2019.pdf (12. 03. 2021).

5. Bell K. R. W., Nedic D. P., Martin L. A. S. S. The need for interconnection reserve in a system with wind generation // IIEEE Transactions on Sustainable Energy. 2012. Vol. 3. Iss. 4. P. 703–712. https://doi.org/10.1109/TSTE.2012.2208989.

6. Chicco G., Riaz S., Mazza A., Mancarella P. Flexibility from distributed multienergy systems // Proceedings of the IEEE. 2020. Vol. 108. Iss. 9. P. 1496–1517. https://doi.org/10.1109/JPROC.2020.2986378.

7. Klyapovskiy S., You Shi, Michiorri A., Kariniotakis G., Bindner H. W. Incorporating flexibility options into distribution grid reinforcement planning: a techno-economic framework approach // Applied Energy. 2019. Vol. 254. Р. 113662. https://doi.org/10.1016/j.apenergy.2019.113662.

8. Krč R., Kratochvilova M., Podroužek J., Apeltauer T., Stupka V., Pitner T. Machine learning-based node characterization for smart grid demand response flexibility assessment // Sustainability. 2021. Vol. 13. Iss. 5. Р. 2954. https://doi.org/10.3390/su13052954.

9. Förderer K., Ahrens M., Bao Kaibin, Mauser I., Schmeck H. Towards the modeling of flexibility using artificial neural networks in energy management and smart grids: note // e-Energy '18: Proceedings of the Ninth Inter-national Conference on Future Energy Systems (Karlsruhe, 12–15 June 2018). Karlsruhe, 2018. P. 85–90. https://doi.org/10.1145/3208903.3208915.

10. Förderer K., Ahrens M., Bao Kaibin, Mauser I., Schmeck H. Modeling flexibility using artificial neural networks // Proceedings of the 7th DACH + Conference on Energy Informatics. 2018. Vol. 21. P. 73–91. https://doi.org/10.1186/s42162-018-0024-4.

11. Hammami Z., Mouchaweh M. S., Mouelhi W., Said L. B. Discussion and review of the use of neural networks to improve the flexibility of smart grids in presence of distributed renewable resources // 17th IEEE International Conference on Machine Learning and Applications (Orlando, 17–20 December 2018). Orlando: IEEE, 2018. Р. 1304–1309. https://doi.org/10.1109/ICMLA.2018.00211.

12. MacDougall P., Kosek A. M., Bindner H., Deconinck G. Applying machine learning techniques for forecasting flexibility of virtual power plants // IEEE Electrical Power and Energy Conference. 2016. https://doi.org/10.1109/EPEC.2016.7771738.

13. Maruf M. N. I., Munoz L. A. H., Nguyen P. H., Ferreira H. M. L., Kling W. L. An enhancement of agent-based power supply-demand matching by using ANN-based forecaster // 4th IEEE PES Innovative Smart Grid Technologies Europe. 2013. https://doi.org/10.1109/ISGTEurope.2013.6695257.

14. Coccia G., Mugnini A., Polonara F., Arteconi A. Artificial-neural-network-based model predictive control to exploit energy flexibility in multi-energy systems comprising district cooling // Energy. 2021. Vol. 222. https://doi.org/10.1016/j.energy.2021.119958.

15. Baboli P. T., Babazadeh D., Bowatte D. R. K. Measurement-based modeling of smart grid dynamics: a digital twin approach // 10th Smart Grid Conference. 2020. https://doi.org/10.1109/SGC52076.2020.9335750.

16. Глазунова А. М. Оценка гибкости электроэнергетической системы с ветровыми станциями и накопителями энергии в режиме реального времени / А. М. Глазунова, Е. С. Аксаева // Электроэнергия. Передача и распределение. – 2021. – № 3. – С. 24–31.

17. Glazunova A., Aksaeva E., Semshikov E., Negnevitsky M. Determining the flexibility of power systems with high share of wind generation using artificial neural networks // 31st Australasian Universities Power Engineering Conference. 2021. https://doi.org/10.1109/AUPEC52110.2021.9597838.

18. Аксаева Е. С. Использование искусственных нейронных сетей при определении гибкости электроэнергетической системы / Е. С. Аксаева, А. М. Глазунова // Методические вопросы исследования надежности больших систем энергетики. Надежность систем энергетики в условиях их цифровизации: 93-е заседание семинара (г. Волжский, 13–17 сентября 2021 г.). – Волжский, 2021. – С. 272–282.

19. Пархоменко С. С. Обучение нейронных сетей методом Левенберга–Марквардта в условиях большого количества данных / С. С. Пархоменко, Т. М. Леденева // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. – 2014. – № 2. – С. 98–106.

20. Кохонен Т. Самоорганизующиеся карты / Т. Кохонен ; пер. 3-го англ. изд. – М.: Бином. Лаборатория знаний, 2008. – 655 с.