Estymacja strat mocy, powodowanych przepływem prądów
Transkrypt
Estymacja strat mocy, powodowanych przepływem prądów
ESTYMACJA STRAT MOCY, POWODOWANYCH PRZEPŁYWEM PRĄDÓW ODKSZTAŁCONYCH W LINIACH ELEKTROENERGETYCZNYCH NISKIEGO NAPIĘCIA ZASILAJĄCYCH ODBIORCÓW WIEJSKICH, PRZY WYKORZYSTANIU METODY SZTUCZNYCH SIECI NEURONOWYCH ESTIMATION OF HARMONIC POWER LOSSES IN THE RURAL LOW VOLTAGE POWER LINES WITH USING OF ARTIFICIAL NEURAL NETWORKS Jerzy Niebrzydowski, Grzegorz Hołdyński Politechnika Białostocka Streszczenie Wzrastający udział w mocy zainstalowanej odbiorników nieliniowych, jaki zaobserwowano w ciągu ostatnich lat w gospodarstwach wiejskich wpłynął na fakt, że zjawisko przepływu prądów odkształconych w liniach zasilających odbiorców nie może być pomijany. Wyższe harmoniczne prądu przepływając przez te linie powodują w nich dodatkowe straty mocy proporcjonalne zarówno do wartości jak i rzędu danej harmonicznej. W artykule przedstawiono koncepcję budowy modelu opartego na metodzie sztucznych sieci neuronowych, którego celem będzie oszacowanie wielkości strat mocy spowodowanych przepływem prądów odkształconych w wiejskich liniach elektroenergetycznych niskiego napięcia. 1. WSTĘP Przebiegi odkształcone (wyższe harmoniczne) należą do niekorzystnych zjawisk występujących w sieciach elektroenergetycznych. Powodują one zwiększenie strat mocy i energii w liniach zasilających oraz w transformatorach doprowadzając w niektórych przypadkach do ich przeciążenia lub nawet uszkodzenia. Wpływają również zakłócająco na pracę przyrządów pomiarowych, zabezpieczeń i niektórych odbiorników. 2. STRATY MOCY W LINIACH WYWOŁANE PRZEPŁYWEM PRĄDÓW ODKSZTAŁCONYCH Wyższe harmoniczne prądów przepływając przez przewody linii zasilających wywołują w nich dodatkowe straty mocy zarówno czynnej jak i biernej. Dodatkowe straty mocy czynnej wpływają bezpośrednio na wzrost temperatury przewodów co ma duże znaczenie szczególnie w przypadku linii kablowych powodując szybsze starzenie się izolacji. Nie pozostaje to bez wpływu również w liniach napowietrznych ponieważ na skutek wzrostu temperatury następuje zmiana układu naprężeń w przewodach linii. Dodatkowe straty mocy biernej wpływają bezpośrednio na wartość współczynnika mocy oraz pośrednio na przyrost strat mocy czynnej. Zwiększenie strat mocy biernej pociąga bowiem za sobą zwiększenie przepływu tej mocy przez sieć a co za tym idzie przyrost strat mocy czynnej według następującej zależności [1]: Q2 ⋅R (1) U2 gdzie: ∆Pq – straty mocy czynnej wywołane przepływem mocy biernej, Q – przepływ mocy biernej przez sieć, U – napięcie sieci, R – rezystancja linii, ∆Pq = Podstawowym założeniem do obliczania strat mocy wywołanych odkształceniem prądów, przyjętym na podstawie [2], była następująca zależność rezystancji i reaktancji linii od częstotliwości: R h ≈ h ⋅ R1 X h ≈ h ⋅ X1 (2) gdzie: Rh, Xh – rezystancja i reaktancja dla h-tej harmonicznej, R1, X1 – rezystancja i reaktancja dla pierwszej harmonicznej, h – numer harmonicznej. Na podstawie przyjętych wcześniej założeń, fazowe straty mocy w linii zasilającej wywołane przepływem prądu odkształconego można wyznaczyć z następujących zależności: n ∆PRMS = ∑ h =1 ( n ∆Q RMS = ∑ h =1 h ⋅ R1 ⋅ I 2h ( h ⋅ X1 ⋅ I 2h ) ) (3) gdzie: Ih – prąd h-tej harmonicznej, R1, X1 – rezystancja i reaktancja dla pierwszej harmonicznej, h – numer harmonicznej. Obliczenia względnych przyrostów strat mocy w linii zasilającej dla prądu odkształconego oparto na następujących zależnościach: ∆P − ∆P1 δ∆P = RMS ∆P1 (4) ∆Q RMS − ∆Q1 δ∆Q = ∆Q1 gdzie: ∆PRMS – straty mocy czynnej prądu odkształconego, ∆Q RMS – straty mocy biernej prądu odkształconego, ∆P1 – straty mocy czynnej pierwszej harmonicznej, ∆Q1 – straty mocy biernej pierwszej harmonicznej. dla dla dla dla Po uproszczeniu powyższe zależności można przedstawić jako współczynniki harmonicznych strat mocy – HLF (harmonic loss factor): ∑( n HLFP = h =1 I12 ∑( n HLFQ = h ⋅ I 2h h =1 h ⋅ I 2h I12 ) ) ⋅ 100% (5) ⋅ 100% gdzie: HLFP – współczynnik harmonicznych strat mocy czynnej, HLFQ – współczynnik harmonicznych strat mocy biernej, I1 – wartość skuteczna prądu pierwszej harmonicznej, Ih – wartość skuteczna prądu h-tej harmonicznej, h – numer harmonicznej. 3. PRZYGOTOWANIE ZBIORU DANYCH UCZĄCYCH MODELU NEURONOWEGO Wstępnie, jako dane uczące do modelu wprowadzone zostały procentowe udziały mocy poszczególnych odbiorników w ogólnej mocy zainstalowanej urządzeń przyłączonych do badanej sieci. Dane te zostały uzyskane w wyniku badań ankietowych przeprowadzonych u odbiorców wiejskich. W wyniku ankietyzacji uzyskano informacje o wielkości mocy zainstalowanej 44 rodzajów odbiorników użytkowanych zarówno w gospodarstwach domowych jak i przeznaczonych do produkcji rolnej. Ze względu jednak na dużą liczbę kategorii zastosowanie udziałów mocy wszystkich urządzeń jako sygnałów wejściowych sieci neuronowej okazało się wysoce nieekonomiczne i nieefektywne ponieważ bardziej skomplikowana struktura sieci wpływa na zdolność generalizacji, szybkość obliczeń oraz wymaga większej liczby danych uczących [3, 4]. Z uwagi na to, wszystkie odbiorniki podzielono na 3 kategorie kierując się poziomem zakłóceń wprowadzanych do sieci zasilającej przez poszczególne urządzenia. Ostatecznie jako kryterium podziału wybrano wielkość współczynnika udziału wyższych harmonicznych prądu THDI. Do poszczególnych kategorii zaliczono następujące odbiorniki: • Grupa I (THDI < 2%): − Lampa żarowa, − Żelazko, − Przepływowy ogrzewacz wody, − Bojler elektryczny, − Kuchnia elektryczna, − Kuchenka elektryczna, − Czajnik elektryczny, − Grzałka elektryczna, − Termowentylator, − Piecyk elektryczny, − Parnik elektryczny, − Elektryczny podgrzewacz wody, − Promiennik podczerwieni, • Grupa II (2% < THDI < 40%): − Lampa rtęciowa, sodowa i świetlówka − Lodówka, − Zamrażarka, − Pralka wirnikowa/automatyczna, − Odkurzacz, − Śrutownik − Rozdrabniacz okopowych − Dojarka − Schładzarka do mleka − Wentylator − Dmuchawa − Sieczkarnia − Młynek − Wialnia − Młocarnia − Pompa gnojowicy − Zgarniacz obornika − Hydrofor − Pompa do wody − Piła tarczowa − Spawarka − Szlifierka − Silnik elektryczny dostawczy • Grupa III (THDI > 40%): − Świetlówka kompaktowa − Telewizor − Radioodbiornik − Magnetowid − Sprzęt audio − Kuchenka mikrofalowa − Komputer Obok procentowego udziału mocy zainstalowanej poszczególnych grup odbiorników jako dane wejściowe dla sieci neuronowej wybrano również następujące wielkości: • liczba gospodarstw zasilanych z badanej stacji transformatorowej, • liczba mieszkańców przypadająca na jedno gospodarstwo badanej wsi, • powierzchnia użytków rolnych przypadająca na gospodarstwo, • roczne zużycie energii elektrycznej przypadająca na gospodarstwo. Jako dane podawane na wyjście sieci neuronowej (uczenie z nauczycielem) wybrano dwie następujące wielkości: • średnia wartość procentowego przyrostu strat mocy czynnej w poszczególnych fazach (HLFf), • wartość procentowego przyrostu strat mocy czynnej w przewodzie neutralnym (HLF0). Dla zobrazowania przydatności poszczególnych kategorii w modelu wykonano analizę korelacji. Wartości współczynników korelacji danych wejściowych w stosunku do wyjściowych przedstawiono w tabeli 1. Ze względu na niski poziom skorelowania dwóch pierwszych wielkości (liczba gospodarstw i liczba mieszkańców) z wielkościami wyjściowymi, dane te usunięto z modelu. Ostatecznie na wejście sieci podawano 5 sygnałów uczących, natomiast na wyjście 2 sygnały. Schemat prezentacji danych uczących przedstawiono na rysunku 1. Tab. 1. Wartości współczynników korelacji pomiędzy wielkościami wejściowymi i wyjściowymi modelu neuronowego liczba gospodarstw liczba mieszkańców powierzchnia. użytków rolnych zużycie energii elektrycznej udział odbiorników grupy I udział odbiorników grupy II udział odbiorników grupy III HLF3f HLF0 0,361 - 0,153 0,025 0,138 - 0,209 - 0,506 0,556 0,448 0,635 0,368 - 0,693 - 0,425 0,814 0,623 Powierzcnia użytków rolnych [ha/gosp.] Roczne zużycie energii elektrycznej [MWh/gosp.] Udział odbiorników grupy I [%] HLFf [%] Sieć neuronowa Udział odbiorników grupy II [%] HLF0 [%] Udział odbiorników grupy III [%] Rys. 1. Schemat prezentacji danych uczących 4. WYBÓR STRUKTURY NEURONOWEGO MODELU Przy wyborze optymalnej struktury sieci neuronowej przetestowano kilkadziesiąt różnych rodzajów i konfiguracji oraz metod uczenia sieci neuronowych. Ze względu na charakter postawionego zadania (estymacja strat mocy polegająca na rozwiązaniu problemu regresyjnego) zakres poszukiwań ograniczono do wielowarstwowych sieci jednokierunkowych bez sprzężeń takich jak: • perceptron wielowarstwowy (MLP), • sieć o radialnych funkcjach bazowych (RBF), • sieć realizująca regresję uogólnioną (GRNN). • sieć o liniowych funkcjach bazowych. W efekcie przeprowadzonych badań pomiarowych oraz ankietowych uzyskano 9 kompletów danych uczących. Do trenowania sieci wykorzystano 6 kompletów, natomiast pozostałe 3 do testowania sieci. Wybrane wyniki testów przedstawia tabela 2. Tab. 2 Wyniki wstępnego testowania sieci neuronowych Błąd Struktura Błąd sieci trenowania testowania 5-1-2 0,1198 0,0475 5-2-2 0,0325 0,0394 5-3-2 0,0309 0,0397 5-4-2 0,0054 0,0684 5-5-2 4,88E-16 0,0786 5-6-2 1,28E-16 0,0769 5-2-2 0,0360 0,7468 5-6-2 0,0034 0,4474 5-10-2 0,0012 0,4048 5-15-2 0,0674 0,2588 5-2-2-2 0,0821 0,9223 5-3-5-2 0,0306 0,4703 5-10-10-2 0,0021 0,2628 5-15-15-2 0,0033 0,1571 5-6-3-2 0,0242 0,0334 5-2 0,0006 0,8841 5. TESTOWANIE WYBRANYCH NEURONOWYCH Tab. 3 Wyniki trenowania i testowania sieci MLP o strukturze 5-15-15-2 przy użyciu różnych algorytmów BP (η = 0,01) BP (η = 0,03) Błąd trenowania 0,0056 0,0121 Błąd testowania 0,2038 0,2250 BP (η = 0,07) 0,0032 0,2219 BP (η = 0,1) 0,0032 0,2457 QP (η = 0,01) 0,0055 0,1720 QP (η = 0,1) 0,0004 0,1934 QP (η = 0,4) CG BFGS BP, QP BP, CG BP, BFGS 0,0013 0,0257 0,0219 0,041 0,0131 3,49E-5 0,1746 0,2538 0,2374 0,2043 0,2151 0,4019 Algorytm SIECI Na podstawie wyników uzyskanych w procesie wstępnego testowania struktur sieci neuronowych (tab. 2) do dalszych wybrano trzy następujące sieci: • czterowarstwową sieć typu MLP, gdzie w obu warstwach ukrytych występowało po 15 neuronów, • sieć typu RBF z trzema neuronami w warstwie ukrytej, • sieć typu GRNN z sześcioma neuronami w pierwszej i trzema drugiej warstwie ukrytej. Przy badaniu sieci typu MLP wykorzystano cztery metody uczenia: • algorytm propagacji wstecznej (BP), • algorytm Quickprop (QP), • algorytm gradientów sprzężonych (CG), • algorytm BFGS oparty na metodzie gradientowej drugiego rzędu. Błąd Typ sieci RBF RBF RBF RBF RBF RBF MLP MLP MLP MLP MLP MLP MLP MLP GRNN Linear Przy badaniu algorytmu propagacji wstecznej, dla poprawienia jakości uczenia i zdolności uogólniania sieci, wykorzystano technikę momentum oraz wtrącenia szumu do wzorców uczących. Proces trenowania sieci przeprowadzono dla pięciu wartości współczynnika uczenia η: 0,01; 0,03; 0,07; 0,1. Proces uczenia sieci przy użyciu algorytmu Quickprop prowadzono dla trzech wartości współczynnika uczenia η: 0,02; 0,1; 0,4. Wykorzystano również metody hybrydowe polegające na połączeniu algorytmów uczących np. najpierw BP a następnie QP lub CG. Wyniki badań sieci MLP zestawiono w tabeli 3, natomiast na rysunkach 2 i 3 przedstawiono przykładowe przebiegi procesu uczenia oraz testowania dla dwóch wybranych algorytmów. Błąd testowania Błąd trenowania Liczba epok Rys. 2. Przebieg procesu uczenia sieci typu MLP przy użyciu algorytmu BP i współczynniku uczenia η = 0,01 Błąd Tab. 5 Wyniki trenowania i testowania sieci GRNN o strukturze 5-6-3-2 przy użyciu różnych algorytmów Algorytm Błąd testowania SS KM Błąd trenowania 0,0142 0,1434 Błąd testowania 0,0323 0,0868 Błąd trenowania 6. WNIOSKI Liczba epok Rys. 2. Przebieg procesu uczenia sieci typu MLP przy użyciu algorytmu QP i współczynniku uczenia η = 0,01 Przy badaniu sieci typu RBF wykorzystano cztery metody uczenia: • losowy wybór centrów funkcji bazowej (SS), • algorytm K-uśrednień (KM), • algorytm propagacji wstecznej (BP), • algorytm gradientów sprzężonych (CG). Wykorzystano również, podobnie jak w przypadku sieci MLP, możliwość wykorzystania metod hybrydowych. Wyniki badań sieci RBF przedstawiono w tabeli 4. Tab. 4 Wyniki trenowania i testowania sieci RBF o strukturze 5-3-2 przy użyciu różnych algorytmów Algorytm SS KM BP CG SS, BP SS, CG KM, BP KM, CG SS, BP, CG KM, BP, CG Błąd trenowania 0,1514 0,1963 0,1353 0,1067 0,0369 0,0309 0,0395 0,0507 0,0485 0,0372 Błąd testowania 0,0683 0,0614 0,1264 0,0769 0,0802 0,0595 0,0804 0,0772 0,0329 0,0302 Przy badaniu sieci typu GRNN wykorzystano dwie następujące metody uczenia: • losowy wybór centrów funkcji bazowej (SS), • algorytm K-uśrednień (KM). Wyniki badań sieci GRNN przedstawiono w tabeli 5. Przedstawione powyżej wyniki badań sieci neuronowych wskazują na możliwość ich zastosowania do zadań estymacji przyrostu strat mocy wywoływanych przepływem prądów odkształconych w przewodach linii elektroenergetycznych. Z analizy błędów zamieszczonych w tabelach 2 – 5 wynika, że najlepsze do tego celu są sieci zawierające neurony o radialnych funkcjach bazowych a więc zarówno sieci typu RBF jak i GRNN. W przypadku pierwszej grupy najlepsze wyniki uzyskano dla struktury 5-3-2 uczonej metodą hybrydową stworzoną z połączenia trzech algorytmów: K-uśrednień (KM), propagacji wstecznej (BP) i gradientów sprzężonych (CG), dla której błąd testowania wynosił 3,02% (tab. 4). Równie dobre wyniki uzyskano przy zastosowaniu złożenia trzech innych metod uczenia (SS, BP, CG), gdzie błąd uogólniania pozostawał na poziomie 3,29%. Podobny błąd generalizacji uzyskano dla sieci typu GRNN przy zastosowaniu metody losowego doboru centrów funkcji bazowej (SS), gdzie wynosił on 3,23% (tab. 5). Przy zastosowaniu innych metod uczenia zanotowano nieco gorsze wyniki, gdzie błąd testowania sieci zawierał się w przedziale od 6% do 12%. Z uwagi jednak na obecnie niewielką liczbę próbek uczących również i te wyniki mogą być zakwalifikowane jak zadowalające. Inna sytuacja, co wykazywały już wstępne testy (tab. 2), występowała przy badaniu sieci typu MLP. Tutaj, niezależnie od metody uczenia lub ich połączenia, błędy uogólniania wahały się w granicach od 17,2% do 40,2% (tab. 3), co nawet przy niewielkiej liczbie próbek uczących sprawia, że wyniki takie stają się nie do przyjęcia. Podobnie jest również w przypadku sieci liniowych, gdzie błąd generalizacji sięgał nawet 88%. Badania pomiarowe oraz ankietowe wykorzystane w pracy sfinansowane zostały ze środków KBN w ramach pracy statutowej S/WE/5/98 oraz pracy własnej W/WE/9/00. Abstract Higher harmonic of current flowing through the transmission line and they cause in them of additional power loss. Therefore problem of increasing part of nonlinear receiver sets in country farms is most important. In article conception of building of neural model for estimation of harmonic power losses in the rural low voltage transmission lines was introduced. Second chapter introduces description of phenomenon of harmonic power losses. In further part (chapter 3 and 4) the choice of teachings' datas and structures of neural networks was presented. In the chapter 5 presents results of tests of harmonic power losses estimation. The bests nets for this problem the RBF (Radial Basis Function) and GRNN (General Regression Neural Network) type neural nets (tab. 4, 5) turned out. LITERATURA 1. Niebrzydowski J.: Sieci elektroenergetyczne. Wydawnictwa Politechniki Białostockiej, Białystok 1997. 2. Kowalski Z.: Wyznaczanie odchyleń i spadków napięcia w sieciach niskiego napięcia zasilających niesymetryczne i nieliniowe odbiorniki energii elektrycznej. Jakość i użytkowanie energii elektrycznej, tom 2 - zeszyt 1 - 1996. 3. Osowski S.: Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 1996. 4. Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000. prof. dr hab. inż. Jerzy Niebrzydowski mgr inż. Grzegorz Hołdyński Politechnika Białostocka Wydział Elektryczny 15-893 Białystok ul. Grunwaldzka 11/15 tel. (085) 742-16-51 w. 167 fax (085) 742-16-57 e-mail [email protected]