Галушкин А.И.

Применение нейрокомпьютеров в энергетических системах

Оглавление

1. Программирование нагрузки.

2. Потокораспределение энергии.

3. Диагностика энергосистем.

4. Стабилизация напряжения в энергосистемах с использованием нейронных сетей.

5. Размещение измерительных устройств на электростанциях с помощью нейронных сетей.

6. Защита силовых трансформаторов с использованием аппарата нейронных сетей.

7. Синхронные генераторы.

8. Управление сетью синхронных генераторов.

9. Управление переключательными инверторами.

Выводы.

Литература. .

Подобная тематика все более и более занимает умы разработчиков и эксплуатационщиков современных энергетических систем [1,2,3]. В работе [4] рассматривается возможность использования искусственных нейронных сетей для быстрого принятия решений в опасной обстановке на энергетических станциях. Проведен анализ специфики возникающих задач и распространенных методов их решения. Изучены различные архитектуры искусственных многослойных нейронных сетей, пригодные для реализации этих методов. Представлены оценки их релевантности. Рассмотрено несколько процедур обучения. Приведены экспериментальные данные. Оценивается перспективность различных направлений дальнейшего прогресса в рассматриваемой области. Еще ранее были опубликованы обзорная работа [5], в которой говорится о том, что нейросетевые вычислительные модели дают большие надежды для улучшения различных аспектов операций на электростанциях. В статье проводится краткий, но исчерпывающий обзор нейронных сетей. Обсуждаются различные парадигмы обучения при использовании нейронной сети для решения оптимизационных задач. Кратко описываются различные применения в энергетике. Они включают предсказание нагрузки, управление безопасностью, оптимизацию обратного давления турбин и моделирование процессов. Здесь способность нейронных сетей обучаться сложному отображению обучающих данных используется для построения оценок или предсказания различных интересующих свойств. Обсуждаются характеристики, которыми должны обладать задачи для возможности применения нейросетевого подхода. Появляются разработки в этой области крупных зарубежных фирм [6]. В данной работе освещается разработанный фирмой метод создания нейронных сетей для оценки систем генерирования электрической энергии, которые работают в 10 раз быстрее, чем при обычной технологии обратного распространения сигналов. Метод использует результаты исследования по применению нейронных сетей для управления промышленности объектами и другими большими системами. Он предусматривает создание сети в трех уровнях: входном внутреннем (скрытом) и выходном на базе самоорганизующихся моделей вместе с правилами обучения. Это позволяет оценивать состояния энергосистемы по задаваемым изображениям и рекомендовать оператору решения при возможных аварийных ситуациях.

Ниже представлен перечень основных задач, решаемых нейрокомпьютерами в современных энергетических системах:

· предсказание нагрузки;

· прогнозирование температуры окружающей среды с целью прогнозирования нагрузки;

· управление потоками электроэнергии в сетях;

· обеспечение максимальной мощности;

· регулирование напряжения;

· диагностика энергосистем с целью определения неисправностей;

· оптимизация размещения датчиков для контроля безопасности энергосистем;

· мониторинг безопасности энергосистем; · обеспечение защиты трансформаторов;

· обеспечение устойчивости, оценка динамического состояния и диагностика генераторов;

· управление турбогенераторами;

· управление сетью генераторов;

· управление мощными переключательными системами.

Перечень задач применения нейрокомпьютеров в системах управления энергетическими системами постоянно растет.

Основой для постановок задач прогнозирования нагрузок или потребления электроэнергии были ранние работы [7,8,9,10]. Начиная с 1990-1991 г.г. [11] начинает активно внедряться в задачи прогнозирования нагрузки нейросетевой подход. Эти работы активно развиваются вплоть до настоящего времени [12]. В работе [12] описана реализованная для этих целей голографическая ассоциативная память, реализующая нейронную сеть, и основанная на знаниях экспертная система. Другие нейросетевые системы прогнозирования нагрузки представлены в работах [13-18]. Значительное количество работ посвящено прогнозированию нагрузок с помощью нейрокомпьютеров на короткое время [19-23]. Эти работы являются развитием более ранних работ в этой области, не связанных с нейрокомпьютерами [24-27]. Так в работе [19] рассматривается задача построения краткосрочных предсказаний нагрузок с повышенной точностью. Исследована релевантность нескольких известных моделей. Предложен новый метод прогнозирования, основанный на использовании 3-слойных искусственных нейронных сетей с комбинированной структурой, объединяющих линейные и нелинейные схемы. При модификации весов учитываются только результаты недавних наблюдений. Проведена серия тестовых испытаний, в которых ошибки предсказания не превысили 4-5%.

Отдельно рассматриваются нейросетевые подходы, связанные с почасовым прогнозированием потребления энергии. В работе [28] рассмотрены факторы и исходные данные, используемые в прогнозировании нагрузок на энергетические системы. Описано применение нейронных сетей для такого прогнозирования. Задача сформулирована как задача распознавания образов. Основным фактором, влияющим на потребление электрической энергии и газа, приняты погодные условия. Рассмотрена структура нейронной сети, состоящей из 24 подсистем (по одной на каждый час суток). Описан процесс обучения сети на основе ретроспективных данных. Прогнозирование выполняется с упреждением в 5 час. Изложено содержание испытаний сети. Получены удовлетворительные результаты. Ведется совершенствование нейронной сети для прогнозирования с 3-месячным упреждением. Подобные результаты получены в работах [19,30]. Прогнозирование пикового потребления электроэнергии (в субботние и воскресные дни и праздники) потребует специального нейросетевого подхода [31,32]. В работе [31] описываются принципы и механизм прогнозирования пика потребления электрической энергии, основанного на регрессионном анализе. Предлагается структура и алгоритм обучения нейронной сети для решения задачи прогнозирования пика потребления электрической энергии на следующий день. Описываются модель нейрона, структура многослойной нейронной сети, методы ускорения обучения нейронной сети. Предложенные структура и алгоритм нейронной сети позволяют учитывать возможные изменения пика потребления электрической энергии из-за атмофсерных явлений. Представлены результаты использования нейронной сети для прогнозирования.

Задача оптимального потокораспределения энергии в электрических сетях является важной при управлении современными энергосистемами. Частной задачей при этом является определение оптимальной мощности, производимой каждым узлом сети в текущий момент времени. В нейросетевом логическом базисе эта задача решается как классическая задача нелинейной оптимизации. В работе [33] разработан метод представления чисел в нейронных сетях хопфилдовского типа, не требующий столь большого числа нейронов, как при представлении числа в двоичном коде с помощью (0, 1) нейронов. Метод основан на использовании нейронов со значениями из непрерывного интервала. Проведена оценка точности, достижимой в таких устройствах. Приведено подробное описание разработанного алгоритма обучения. В качестве примера использования предлагаемой методики приведена нейронная сеть для оптимизации распределения нагрузки при передаче электроэнергии. Приведены результаты экспериментальных испытаний подхода на модельных данных. В работе [33] отмечено, что серьезным ограничением на использование хопфилдовских нейронных сетей для задач комбинаторной оптимизации является отсутствие удобного механизма нейронной сети, а существующие методы позволяют представить в сетях только ограниченные числа. В `%’c+lb b% анализа функции Ляпунова предложен метод выбора пороговой функции нейрона таким образом, чтобы непрерывное большое число представлялось непрерывной переменной состояния нейрона, что снимает проблему размерности нейронной сети. На этой основе предложен метод нейросетевого решения задачи определения оптимальной нагрузки электростанций при известных потребностях. В работе [34] исследуется проблема построения системы управления распределенной энергетической системой. Система рассматривается как нейронная система. Предлагается построить экспертную систему для управления. Достоинством предложенного решения является высокая оперативность формирования управляющего воздействия по сравнению с традиционными системами управления, в которых осуществляется принцип построения экспертной системы управления и результаты ее экспериментального использования. В работе [35] рассмотрены приближенные методы оценки потоко распределения в сложнозамкнутой сети электроэнергетической системы, полученные с применением узловых и контурных матричных уравнений. Описанные алгоритмы используют методику размыкания контуров и основы теории чувствительности, что позволяет оперативно учитывать изменения параметров режима. Методика используется для получения ускоренных алгоритмов оценки потокораспределения при выполнении массовых проектных и эксплуатационных инженерных расчетов при наличии переменной исходной информации. В работе [36] рассмотрена задача автоматизированного управления потреблением энергии. Представлено подробное описание нового проекта. Разработана методика решения этой задачи и построения систем автоматизированного распределения энергии. Предложен предварительный вариант оригинального интерфейса пользователя, обеспечивающий возможность работы даже неподготовленному пользователю. Приведены примеры, демонстрирующие возможности нового устройства. В работе [37] разработан пакет программ, реализующий экспертную систему BEAMES для управления большим потоком энергии в зданиях. Приведено описание постановки задачи, структура новой экспертной системы, ее особенностей, связанных с характером прикладной области, примеров работы, демонстрирующих эффективность экономии энергии в реальных условиях, планов дальнейших разработок и внедрения экспертной системы BEAMES. Последние результаты работ в этой области изложены в [38-44]. В работе [45] представлено описание нейросетевого алгоритма обеспечения максимальной нагрузки в электрических сетях.

Оценка состояния системы является весьма важной компонентой диспетчерского наблюдения и контроля таких гигантских систем, как системы генерации и передачи электроэнергии и промышленные системы. В работе [46] предлагается 2 метода построения нейронных сетей для оценки переменных состояния системы. Один метод основан на обратном распространении сигналов в нейронных сетях. Второй метод использует самоорганизующиеся модули, которые селективно активизируются в зависимости от входного набора. Второй метод характеризуется коротким временем обучения нейронных сетей. В работе [47] приводятся результаты исследований по использованию техники искусственных нейронных сетей для оценки качества работы технических систем, в частности - динамической устойчивости электроэнергетических систем. Метод нейронных сетей может быть полезен в качестве вспомогательного средства для персонала электроэнергетических систем в их оперативной работе, а также при проектировании и анализе электроэнергетических систем. На базе полученных данных о параметрах работы электроэнергетической системы происходит самообучение нейронной сети в автономном режиме, а при получении запроса нейронная сеть выдает оценку степени устойчивости системы и отдельных ее частей. Действие предложенного метода иллюстрируется на примере экспериментальной нейронной сети, моделирующей систему, состоящую из 9 шинных линий и трех генераторов. Для такой небольшой системы использована трехслойная нейронная сеть, содержащая 60 нейронов (по количеству входных переменных). Приводятся результаты испытаний нейронной сети, которые расцениваются как обнадеживающие. Для подавляющего большинства предложенных ситуаций нейронная сеть правильно определила устойчивые контуры в электроэнергетической системе. Анализируются нерешенные проблемы, связанные с использованием нейронных сетей и намечаются направления дальнейших исследований в этой области. В работе [48] разработана нейронная сеть для осуществления оперативного управления и слежения за неопределенными ситуациями в ходе работы электростанций. Проведена классификация возможных неполадок; разработаны методы получения их предсказаний, определения существования устойчивых режимов работы в случае повреждений и выяснения их допустимости с точки зрения термальных и прочих ограничений по безопасности. Рассмотрены также возможности оптимизации выбора обучающей информации. Приведены примеры построения отображений неисправностей на режимы с помощью метода моделируемого подавления. В работе [49] разработан новый метод определения весов связей и порогов элементов нейронной сети Хопфилда, основанный на использовании вместо процедур обучения алгоритмов оптимизации. С помощью алгоритмов линейного программирования максимизируется вероятность правильной классификации. Описаны: формальная постановка задачи, структура нейронной сети, алгоритм оптимизации, примеры реальных задач классификации непредвиденных ситуаций, результаты проведенных экспериментальных испытаний, результаты сравнения со стандартными процедурами обучения. В работе [50] рассмотрена проблема интерпретации большого ко личества одновременных сигналов тревоги в центре управления элект рическими сетями в условиях стресса. Отмечено, что традиционные методы принятия решений в данной ситуации оказываются малопригодными, поскольку сильно зависят от конкретной конфигурации электрической сети. Предложено использовать для анализа множественных сигналов тревоги и выделения исходной причины нейронную сеть. Предварительные результаты моделирования показывают, что такой нейросетевой интеллектуальный процессор может быть применен для энергетических систем различной конфигурации с алгоритмами. В работе [51] представлены предварительные результаты исследования возможностей нейронно-сетевых систем как средства обучения и оперативной помощи диспетчеру, следящему за безопасностью на энергетических станциях. Описана структура нейронной сети, процедура выбора обучающей (-d.`, f(( и обучения. Приведенные экспериментальные данные свидетельствуют о возможности построения реальных систем с повышенной надежностью, учитывающей возможность возникновения разнообразных непредвиденных опасных ситуаций. В работе [52] предложен новый метод оценки состояния элект ростанций с помощью искусственных нейронных сетей. Построены квад ратичные уравнения, описывающие состояние. Вместо использования для линеаризации метода Ньютона-Рафсона используется непосредственное нейросетевое решение задачи минимизации. Энергия сети Хоп филда имеет вид E=-1/2V_5t_0NV-I_5t_0V, где пороговый вектор I соответс твует коэффициенту Лагранжа. Описан метод выбора функции Лагранжа для штрафной функции. Представлены результаты проведенных испы таний нового метода. Нейронные сети являются эффективным аппаратом диагностики энергетических систем исследуемым как в поздних [53-56] работах так и в работах последних лет [57-76].

Данная задача начала привлекать специалистов в области нейронных сетей в последние годы [75,76].

В работе [77] предложена методика использования генетических алгоритмов для поиска оптимального решения в задаче о размещении измерительных датчиков на электростанциях, предназначенных для контроля безопасности. Проведены испытания в реальных задачах. Показано, что генетический алгоритм дает вполне удовлетворительные решения при числе измерений порядка 10 в 11 степени; относительная ошибка составляет 0,102%.

Решение данной задачи представлено в работе [78].

Аппарат нейронных сетей применяется здесь в основном для решения трех задач: · анализа устойчивости; · диагностики; · оценки динамического состояния синхронных генераторов. В работе [79] предложена методика нового варианта нейронной сети, основанной на адаптивном резонансе, - нечеткой системы ARTMAP - для исследования устойчивости стабильных состояний синхронного генератора. Описана модель генератора, учитывающая особенности работы регулятора напряжений стабилизатора системы. Показаны основные отличия ARTMAP от .!kg-ke архитектур адаптивного резонанса. В ходе испытаний проводились сравнения новой системы с нейронными сетями, обучаемыми с помощью обратного распространения. Представлена сводка полученных экспериментальных результатов, де монстрирующая превосходство нового метода. В работе [80] указаны недостатки некоторых известных методов разработки нелинейных управляющих систем для синхронных генераторов. Рассмотрена задача выбора и определения параметров генератора и линия соединения его с энергосистемой. Описана математическая модель генератора, выраженная системой трех нелинейных дифференциальных уравнений. Модель обеспечивает имитацию электромеханических и электромагнитных переходных процессов. Разработан нелинейный контроллер, основанный на трехслойной нейронной сети. Представлена и описана структурная схема контроллера. Для обучения сети использован алгоритм обратного распространения. Изложены содержание и результат имитационного моделирования контроллера. Установлено, что даже при больших отклонениях параметров обеспечивается надежная оценка динамического состояния наблюдаемого генератора, при этом погрешности уменьшаются в 4-5 раз. В работе [81] предложен метод применения искусственных нейронных сетей для обнаружения внутренних неисправностей индукционных машин, обеспечивающий работу в режиме реального времени и использующий результаты непосредственных измерений режима работы мотора без сложных математических моделей. Описана специфика задачи. Исследованы нейронные сети с равной степенью сложности и точности, в том числе нейронные сети со связями высших порядков. Изучено влияние шумовых помех. Приведены результаты экспериментов, подтверждающие надежность предлагаемой методики. В работе [82] предложена рекуррентная многослойная нейронная сеть для идентификации нелинейных систем с многими входами и многими выходами и управления с самонастройкой. Разработана эффективная стратегия управления в режиме реального времени. Описаны правила модификации параметров нейронной сети в ходе обучения с учителем. Приведен пример использования системы для управления синхронизированным энергетическим генератором при наличии отклонений от нормального режима работы. Представлена сводка результатов, полученных в ходе проведения экспериментальных исследований работы системы. Различные аспекты управления работой синхронных генераторов представлены в работах [83-87].

Одной из первых работ по применению нейронных сетей для управления сетью синхронных генераторов является работа [89]. Оптимизация работ больших электрических энергетических систем с помощью нейронных сетей сопряжена с повышенными требованиями к точности характеристик вход-выход сети и ее обучения. Ранее (1993 г.) авторами работы [89] получено решение задачи итеративным использованием многослойной нейронной сети обратногораспространения, вычисляющей необходимый знак изменений выходной мощности электрических генераторов. Однако алгоритм обратного распространения создает определенные трудности. Предложено использование для той же цели созданной авторами (1990 г.) структурированной нейронной сети. Дано теоретическое и математическое обоснование такого метода. Показана и рассмотрена схема структурированной сети. Она содержит входной, воспринимающий, ассоциативные слои, логические элементы и механизм обратной связи. Входной образ классифицируется по нескольким классам. Описана процедура оптимизации. Представлены и проанализированы графики с результаты имитационного моделирования. По сравнению с сетью обратного распространения результаты оптимизации незначительно хуже, но реализация гораздо проще. В работах [90,91] представлена один из последних результатов исследований по применению нейронных сетей в управлении сетью синхронных генераторов. Управлению турбогенераторами с помощью нейронных сетей посвящены работы [92-94].

В работах [95-98] описывается стратегия управления мощными переключательными инверторами, основанная на применении нейронных сетей. Необходимость в новых принципах управления для инверторов вызвана тем, что в высокочастотных инверторах быстро растут переключательные потери мощности. В связи с этим оправдан интерес к нейронным сетям, обладающим высокой скоростью обработки данных, отказоустойчивостью по отношению к неправильным соединениям (благодаря своей распределенной структуре) и способностью к самообучению. Параллельный механизм обработки данных в нейронных сетях хорошо приспособлен к действиям с нелинейными параметрами инверторов. Эти свойства нейронных сетей использованы в управляющем устройстве трехфазного инвертора с широтно-импульсной модуляцией, для которого нейронная сеть создает нужные командные сигналы на включение и выключение коммутационных элементов. Описывается построение такой нейронной сети и техника ее обучения. Приводятся результаты имитационного моделирования инверторов с нейронными сетями, показавшие перспективность нового метода управления инверторами.

1. Artificial neural networks for power systems: a literature survey. D.Niebur (Swiss Federal Inst. of Technol., Lausanne, Switzerland). Int. J. Eng. Intell. Syst. Electr. Eng. Commun. (UK), vol.1, no.3, p.133-58 (Dec. 1993),[received: 11 Oct 1994].

2. Конференция по адаптивным разумным энергетическим систе-мам. Adaptive intelligent Energy Systems Conference // Pattern Re cogn.- 1995.- 28, N10.- p.1453-1634.

3. T.Y. Hammons. Artificial Intelligence in Power system En-gineering. IEEE Power Eng. Review. Febr. 1994 (11-15).

4. Возможности использования искусственных нейронных сетей в работе энергетических систем. Potential of artificial neural networks in power system operation / Damborg M.J., El-Sharkawi M.A., Aggoune M.E., Marks II R.J. // IEEE Int. Symp. Circuits and Syst., New Orleans, La, May 1-3, 1990. Vol.4 - New York (N.Y.), 1990 p.2933-2937.

5. Mathur Anoop, Samad Tariq. Нейронные сети - учебник для энергетики. Neural Networks - A Tutorial for the Power industry. Pros. Amer. Power Conf. Vol.52. 52nd Annu Meet. Amer. Powre Conf., Chicago, III, 1990. p.239-244.

6. Новый подход фирмы «Тосиба» ускоряет конструкцию нейронной сети для оценки крупномасштабных систем. Toshiba technique speeds up neural network construction for large-scale system evaluation // Jap. Autom. Rev.,- 1989. - N47 - p.5.

7. P.C.Gupta. «A stochastic approach to peak power demand fo-recasting in electric utility system», IEEE Trans., PAS-90 (1971), p. 824-832.

8. S.Vemuri, E.F.Hill and R.Balasubramanian. «Load forecas-ting using stochastic models». Proc. 8th PICA Conf. 91973), Minne apolis, MN, IEEE, New York, p.31-37.

9. P.D.Matteewman and H.Nicholson. «Techiques for load predi-cition in the electricity supply industry». Proc. IEE, vol.115 (1968), p.1451-1457.

10. K.Jabbour, J.Riveros, D.Landbereng and W.Meyer. «ALFA: Automated Load Forecasting Assistant». IEEE Transactions on Power Syst., vol.3, no3, p.908-914, August 1988.

11. D.Srinivasan and oth. A novel approach to electrical load Forecasting based on a neural network. INNC-91, Singapoure, 1991, (1172-1177).

12. An architecture for the intelligent detection and alleva-tion of overloaded transmission lines. R.L.King, D.Novosel (Dept. of Electr. & Comput. Eng., Mississippi State Univ., MS, USA). Electr. Power Syst. Res (Switzerland), vol.30, no.3, p.241-9 (Sept. 1994). (Third Biennial Industrial Electric Power Application Symposium, New Orleans, LA, USA, 12-13 Nov. 1992).

13. Practical considerations in the application of neural networks to the identification of harmonic loads. S.Varadan, E.B.Makram (Dept. of Electr. & Comput. Eng., Clemson Univ., SC, USA). Electr. Power Syst. Res. (Switzerland), vol.30, no.2, p.103-6 (July-Aug. 1994).

14. An improved neural network approach for weather sensitive short-term load forecasting. P.K.Dash, A.C.Liew (Nat. Univ. of Singapoore, Singapoor), S.Rahman, J.K.Satpathy, G.Ramakrishna. Int. J. Eng. Intell. Syst. Electr. Eng. Commun. (UK), vol.2, no.3, p.185-99 (sept. 1994).

15. Power system dynamic load modeling artificial neural net-works. Bih-Yuan Ku, R.J.Thomas (Sch. of Electr. Eng., Cornell Univ., Ithaca, NY, USA), Chiew-Yann Chiou, Chia-Jen Lin. IEEE Trans. Power Syst. (USA), vol.9, no.4, p.1868-74 (Nov. 1994).

16. An implementation of a neural network based load forecas-ting model for the EMS. A.D.Papalexopoulos, Shangyou Hao (Pacific Gas & Electr. Co., San Francisco, CA, USA), Tie-Mao Peng. IEEE Trans. Power Syst. (USA), vol.9, no.4, p.1956-62 (Nov. 1994).

17. D.Novosel, R.L.King. Using artificial neural network for load shedding to alleviate overload lines. IEEE Trans. on Power Delivery, vol.9, N1, Jan. 1991.

18. D.Kottick. Neural Networks for Predicting the operation of an Under-Frequency load shedding system. IEEE Trans. on Power System, vol.11, N3, Aug. 1995.

19. Концептуальный подход к применению нейронных сетей для краткосрочных предсказаний нагрузок. Conceptual approach to the application neural networks for short-term load forecasting / Peng T.M., Hubele N.F., Karady G.G. // IEEE Int. Symp. Circuits and Syst., New Orleans La, May 1-3, 1990, vol.4 - New York (N.Y.), 1990 - p.2942-2945.

20. Load Forecasting for remote area power supply systems. K.Cheok (Sch. of Math. & Phys. Sci., Murdoch Univ., WA, Australia), K.Kottathra, T.L.Pryor, G.R.Cole. Proceeding. The 11th Conference on Artificial Intelligence for Applications (Car.No.95CH35758), Los Angeles, CA, USA, 20-23 Feb. 1995 (Los Alamitos, CA, USA: IEEE Comput. Soc. Press 1995), p.231-7.

21. Bakirtzis A.G. and oth. Short term load Forecasting Using Fuzzy neural networks. IEEE Power Eng. Review, vol.10, N3, Aug. 1995.

22. Kwang-Ho Kim. Implementation of Hybrid short-term load Forecasting System Using Artificial Neural Networks and Fuzzy Expert systems. IEEE Power Eng. Review, vol.10, N3, Aug. 1995.

23. Bakirtzis A.G. and oth. A neural network short term load forecasting model for the Greek Power system. IEEE Trans. on Power Systems, vol.11, N2, 1996.

24. W.R.Christians. Short term load forecasting using general exponential smoothing. IEEE Trans., PAS-90 (1971), p.900-909.

25. K.Srinivasan and R.Pronovost. Short term load forecasting using multiple correlation models. IEEE Trans., PAS-100 (1981), p.3246-3253. 26. M.T.Hagan and S.M.Behr. The time series approach to short term load forecasting. IEEE Trans., PWRS-2 (1987), p.785-791.

26. S.Rahman and R.Bhatnagar. An Expert System Based Algo-rithm for Short Term Load Forecast. IEEE Trans. on Power Syst., vol.3, no.2, p.3920399, May 1988.

27. Y.Park and J.K.Park. An Expert System for Short Term Load Forecasting by Fuzzy Decision. Proceedings of ESAPS (1989), p.244-250.

28. Автоматизация прогнозирования потребления энергии с помощью нейронных сетей. Automated load forecasting using neural networks / Bacha Hamid, Mayer Walter // Proc. Amer. Power Conf. vol.54. Pt 2. 54tp Annu. Meet. Amer. Power Conf., Chicago,III., Apr. 1992. - Chicago (III), 1992. - p.1149.

29. A.Khotanzad and oth. An Artificial Neural Network Honrly Temperature Forecaster with Applications in load forecasting. IEEE Trans. on Power Systems, v.11, N2, May, 1996.

30. A.Khotanzad and oth. An adaptive modular Artificial neural network Honrly Forecaster and its Implementation at Electric utilities. IEEE Trans. on Power System, v.1-, N3, Aug. 1996.

31. Прогнозирование пика потребления электроэнергии с помощью нейронной сети / Онода Такаси / Joho shori kenkyu. - 1993. - N19. p.21-32.

32. D.Srinivasan and oth. Demand Forecasting using fuzzy Neu-ral Computation with special Emphasis on Weekend and Public Holiday Forecasting. IEEE Trans. on Power Systems, v.10, N4, 1995.

33. Представление больших чисел в нейронных сетях и его ис-пользование для экономичного распределения электроэнергии. The representation of large numbers in neural networks and its application to economical load dispatching of electric power / Mastuda Satoshi, Akimoto Yoshiakira // IJCNN Int. Joint Conf. Neural Networks, Washington, D.C., 1989. Vol.1. - New York (N.Y.), 1989. p.587-592.

34. Основанная на нейронной сети система управления накопите-лем, обеспечивающим распределенную систему. Neural net based real-time control of capacitors installed on distribution systems / Santoso N. Iwan, Tan Owen T. // IEEE Trans. Power. Deliv. - 1990 5, N1. - p.266-272.

35. Оперативные алгоритмы расчета потокораспределения в слож-ной ЭЭС. / Александров О.И., Бабкевич Г.Г. // Электрон. моделир. 1992.- 14, N6. - С.66-70.

36. Новый интерфейс пользователя с системой подачи энергии для качественного использования потребляемой энергии. A new utility-user interface for a qualified energy consumption / Marzio Leo nardo // Pattern Recogn. - 1995. - 28, N10 - p.1507-1515.

37. Прототип экспертной системы для управления большим пото-ком энергии в зданиях. A prototype expert system for large scale energy auditing in buildings / Caudana B., Conti F., Helcke G., Pagani R. // Pattern Recogn. - 1995. - 28, N10. - p.1467-1475.

38. J.B.Simo, I.Kamwa. Exploratory Assessment of the Dynamic Behavior of Multimachine System Stabilized by a SMES Unit. IEEE Power Eng. August 1995.

39. T.D.King and oth. Optimal enviromantal dispatching of electric power systems via an improved Hopfield neural network model. IEEE Trans on Power Systems, v.10, N3, Aug. 1995.

40. T.S.Sidhu, Z.Ao. On-line Evaluation of capacity and Ener-gy Losses on Power Transmission Systems by using Artificial neural networks. IEEE Trans. on Power Delivery, v.10, N4, Oct. 1995.

41. A.Bernieri, G.Betta. Neural network and psenvo-measurements for real-time monitoring of distribution systems. IEEE Trans. on Instrumantation and measurement, v.45, N2, Apr. 1996.

42. Y.M.Park and oth. A neural-network based Power system stabilizer ising Power Flow Characteristics. IEEE Trans. on Energy Conversion, v.11, N2, June, 1996.

43. Y.Hayashi and oth. Efficient Determination of optimal Radial power system structure using Hopfield neural network with Constrained noise. IEEE Trans. on Power Delivery, v.11, N3, June 1996.

44. W.Fushuan, H.Zhenxiang. A kind of generalized Hopfield continuons model and its application to the optimal distribution of reactive sources in power systems. Artificial neural network (ed. T.Kohonen) 1991.

45. T.Hiyama and oth. Evaluation of neural networks based Re-al time maximum power tracking Controller for PV system. IEEE Trans. on Energy Conversion, v.10, N3, Sept. 1995.

46. K.Nishimura and oth. Methods to Build Neural networks for Evaluation of state Variable Patterns.

47. M.Aggoune and oth. Premilinary results on using artifici-al neural networks for security assessment. IEEE 1989 - 4 (252-258).

48. Контроль за безопасностью в ходе работы систем с помощью нейронных сетей. On-line security screening using an artificial network / Thomas R.J.,Sakk E., Hashemi K., Ku B.Y., Chiang H.D. // IEEE Int. Symp. Circuits and Syst. New Orleans, La, May 1-3, 1990. V.4 - New York (N.Y.), 1990 - p.2921-2924.

49. Усовершенствованная модель Хопфилда для классификации непредвиденных ситуаций в работе энергетических систем. An improved Hopfield model for power system contingency classification / Chow J.C., Fischl R., Kam M., Yan H.H., Ricciardi S. // IEEE Int. Symp. Circuits and Syst., New Orleans, La, May 1-3. 1990. Vol.4. New York (N.Y.), 1990 - p.2925-2928.

50. Использование нейронной сети для интерпретации множественных сигналов тревоги. Using neural network to interpret multiple alarms. / Chan Edward H.P. // IEEE Comput. Appl. Power. - 1990 3. N2. -p.33-37.

51. Использование искусственных нейронных сетей в моделировании обучения диспетчера для динамической оценки безопасности на энергетических станциях. Use of artificial neural networks in a dispatcher traming simulator for power system dynamic security assessment / Aggoune Mohamed E., Vadari Subramanian V.,// IEEE Int. Conf. Syst., Man, and Cybern., Los Angeles, Calif., Nov. 4-7, 1990: Conf. Proc. - New York (N.Y.), 1990. - p.233-238.

52. Основанный на искусственной нейронной сети метод оценки состояния электростанций. An artificial neural net based method for power system state estimation // Proc. Int. Jt Conf. Neural Networks, Nagoya, Oct. 25-29, 1993: IJCNN’93 - Nagoya. Vol.2. Nagoya, 1993. - p.1523-1526.

53. R.Fischl and oth. Screening power system contingencies using a back-propagation trained multiperceptron. ISCAS.89 (486-489).

54. M.E.Aggoune and oth. Artificial neural networks for power system static security assessment. ISCAS.89 (490-494).

55. D.J.Sobajic and oth. Real-time security monitoring of electrical power systems using parallel associative memory. IEEE.90 (2929-2932).

56. R.I.Thomas and oth. On-line security screening using an artificial neural network. IEEE.90 (2921-2924).

57. H.T.Yang and oth. A new neural networks approach to on-line fault section estimation using information of protective relays and circuit breakers. IEEE Trans. on Power Delivery, v.9, N1, Jan. 1994.

58. Q.Zhan and oth. Application on artificial neural networks in power system security and vulnerability assessment. IEEE Trans. on Power Systems, v.9, N1, Febr. 1994.

59. Machine learning, neural networks and statistical pattern recognition for voltage security: a comparative atudy. L.Wehenkel, T.Van Cutsem, M.Pavella. (Inst. Montefiore, Liege Univ., Belgium), Y.Jacquemart, B.Heilbronn, P.Pruvot. Int. J. Eng. Intell. Syst. Electr. Eng. Commun. (UK), vol.2, N.4, p.233-45 (Dec.1994).

60. A fuzzy chip-based real-time fault classifier in a power controller. Xing Wu, Chwan-Hwa Wu (Dept. of Eng., Auburn Univ., AL, USA). Proceedings of the Third IEEE Conference on Fuzzy Systems. IEEE World Congress on Computational Intelligence (Cat. No.94CH3430-6). Orlando, FL, USA, 26-29 June 1994 (New York, NY, USA: IEEE 1994), p.1520-5 vol.3.

61. Fault diagnosis in electrical energy systems using devic-specific artificial neural networks. E.Handschin, D.Kehlmann (Dortmund Univ., Germany), W.Hoffman. Int. J. Eng. Intell. Syst. Electr. Eng. Commun. (UK), vol.2, no.4, p.255-62 (Dec. 1994).

62. Estimation of polluted insulators flashover time usingartificial neural networks. A.S.Farag (King Fahd Univ. of Pet & Miner., Dhahran, Saudi Arabia). 1995 International IEEE/IAS Conference on Industrial Automation and Control: Emerging Techologies (Cat. No.95TH8070), Taipei, Taiwan, 22-27 May 1995 (New York NY, USA: IEEE 1995), p.320-7.

63. Active power contingency ranking using a radial basis function network. D.K.Ranaweera, G.G.Karady (Dept. of Electr. Eng., Arizona State Univ., Tempe, AZ, USA). Int. J. Eng. Intell. Syst. Electr. Eng. Commun. (UK), vol.2, no.3, p.201-6 (Sept. 1994).

64. Neural network based transient stability assessment of electric power systems. D.R.Marpaka, M.Bodruzzaman, S.S.Devgan (Dep. of Electr. Eng., Tennessee State Univ., Nashville, TN, USA), S.M.Aghili, S.Kari. Electr. Power Syst. Res. (Switzerland), vol.30, no.3, p.251-6 (Sept. 1994).(Third Biennial Industrial Electric Power Applications Symposium, New Orleans, LA, USA, 12-13 Nov. 1992).

65. Hibrid neuro-fuzzy power system stabilizer. A.M.Sharaf (Dep. of Electr. Eng. New Brunswick Univ., Frederiction, NB Canada), T.T.Lie. Proceedings of the Third IEEE Conference on Fuzzy Systems. IEEE World Congress on Computational Intelligence (Cat. No.94CH3430-6), Orlando, FL, USA, 26-29 June 1994 (New York, NY USA: IEEE 1994), p.1608-13 vol.3.

66. Application of neural networks to the optimal control of three-phase voltag-controlled inverters. A.M.Trzynadlowski (Dept. of Elect. Eng., Nevada Univ., Reno, NV, USA), S.Legowski. IEEE Trans. Power Electron. (USA), vol.9, no.4, p.397-404.

67. Desing of an adaptive variable-structure voltage regula-tor using artificial network. M.E.Aggoune, F.Boudjemaa, A.Bensenouci, A.Hellal (Dept. of Electr. Eng., Ecole Nationale Polytechnique, El-Harrach, Algeria), S.V.Vadari, M.R.Elmesai. Second IEEE Conference Control Applications (Cat. No.93CH3243-3), Vancouver, DC, Canada, 13-16 Sept. 1993 (New York, NY, USA: IEEE 1993), p.337-43 vol.1.

68. Voltage and reactive power control using recurrent neural networks. Y.Kojima, Y.Izui, S.Kyomoto, T.Goda (Mitsubishi Electr. Corp., Tokyo, Japan). Electr. Eng. Jpn. (USA), vol.114, no.4, p.119-28 (15 June 1994). [received: 03 Nov 1994].

69. H.T.Yang and oth. Power system distributed on-line fault Section estimation using decision tree based neural nets approach. IEEE Trans. on Power Delivery, v.10, N1, Jan. 1995.

70. A.A.Mazroua and oth. Neural network system usung Multi-layer perceptron Technique for the recognition of PD pulse Shapes due to Cavities and Electrical Trees. IEEE Trans. on Power Delivery, vol.10, N16 Jan. 1995.

71. T.S.Sidhi and oth. Design, implementation and testing of an Artificial neural network based fault direction discriminator for protecting transmission lines. IEEE Trans. on Power Delivery, vol.10, N2, Apr.1995.

72. A.P.Alves da Silva and oth. Neural networks for fault lo-cation in substations. IEEE Trans. on Power Delivery, v.11, N1, Jan. 1996.

73. T.Dalstien and oth. Multi neural network based fault area estimation for high speed protective relaying. IEEE Trans. on Power Delivery, v.11, N2, Apr. 1996.

74. S.J.Huang, C.L.Huang. Static Security Assessment of a Large-Scale Power Systems Using Genetic-Enhanced neural network approaches. Proc. Nat. Sci. Counc. RDC(A) vol.20, N2, 1996 (228-235).

75. A.A.El-Keib, X.Ma. Application of artificial neural net-works in voltage stability assessment. IEEE Trans. on Power Systems, vol.10, N4,Nov. 1995.

76. M.La Scala, M.Trovato, F.Torelli. A neural network based mehtod for voltage security monitoring. IEEE Trans. on Power Systems, vol.11, N3, Aug. 1996.

77. Применение генетических алгоритмов в размещении измери-тельных устройств на электростанциях. Application of a genetic al gorithm to meter allocation in electric power systems / Mori Hiroyuki, Iida Seiji // Proc. Int. Jt Conf. Neural Networks, Nagoya, Oct. 25-29, 1993: IJCNN’93 - Nagoya. Vol.2. - Nagoya, 1993 p.1594-1597.

78. S.R.Kolla. Digital protection of power transformers using artificial neural networks. 1995.

79. Применение нейронной сети ARTMAP для исследования устой-чивости энергосистем. Application of the ARTMAP neural network to power system stability studies / Assadi H., Tan A., Amoli-Etezadi M., Egbert D., Fadali M.S. // IEEE Int. Conf. Syst., Man and Cybern. «Emergent Innov. Inf. Transfer Process. and Decis. Mak», Chicago, Oct. 18-21, 1992: Conf. Proc. vol.1. - Piscataway (N.J.), 1992 - p.1080-1085.

80. Применение нейронных сетей для оценки динамического сос-тояния синхронных генераторов. Dynamilc state estimation of a synchronous generator using neural-networks techniques: Prepr. Pap. Control’92: Conf. «Enhanc. Australis’s Prod. through Autom., Contr. and Instrum.», Perth. 2-4 Nov. 1992 / Michalik-Mielczarska Grazyna, Mielczarski Wladyslaw // Nat. Cont. Publ. / Inst. Eng., Austral - 1992 - N92/15 - p.21-28.

81. Использование искусственных нейронных сетей для обнаруже-ния внутренних неисправностей индукционных машин. Real time appli cation of artificial neural networks for incipient fault detection of induction machines / Chow Moo-yucn, Yee Sui Oi // 3rd Int. Conf. Und. and Eng. Appl. Artif. Intell. and Expert Sys. (IEA/AIE’90), Charleston, S.C., July 15-18, 1990: Proc. Vol.2. New York (N.Y.), 1990 - p.1030-1036.

82. Адаптивное управление с самонастройкой нелинейными систе-мами с многими входами и многими выходами с использованием многих рекурсивных нейронных сетей с практическим применением к синхронным силовым генераторам. Self-Tuning adaptive control of multi-input, multi-output nonlinear systems using multilayer recurrent neural networks with application to synchronous power generators / Sudharsanan S.I., Muhsin I., Sundareshan M.K. // IEEE Int. Conf. Neural Networks, San Francisco, Calif., March 29 - Apr.1 1993: ICNN’93. Vol.3. - Piscataway (N.J.), 1993 - p.1307-1312.

83. Novel clustering method for coherency identification using an artificial neural network. Mang-Hui Wang, Hong Chan Chang (Dept. of Electr. Eng. Nat. Taiwan Inst. of Technol., Taipei, Taiwan). IEEE Trans. Power Syst. (USA), vol.9, no.4, p.2056-62 (Nov. 1994).

84. Scheduling of hydroelectric generation using artificial neural networks. R.-H.Liang, Y.-Y.Hsu (Dept. of Electr. Eng., Nat. Taiwan Univ., Taipei, Taiwan). IEE Proc., Gener. Transm. Distrib. (UK), vol.141, no.5, p.452-8 (Sept. 1994).

85. A neural network controlled unity power factor three pha-se current source PWM front-end rectifier for adjustable speed drives. A.Losleay, N.R. Zargari, G.Joos (Concordia Univ., Montreal, Que., Canada). Fifth International Conference on Power Electronics and Variable-Speed Drives (Conf. Pudl. No.399), London, UK, 26-28 Oct. 1994 (London, UK: IEE 1994), p.251-5.

86.S.A.Tahan. A Two-Factor Saturation Model for synchronons Machines with Multiple Rotor Circnits. IEEE Power Engineering Review, Dec. 1995.

87. H.Tsai and oth. Development of a neural network based sa-turation Model for synchronous generator analysis. IEEE Trans. on Energy Conversion, vol.10, N4, Dec. 1995.

88. G.Neiby and oth. Joint VAR Controller Implemented in a Artificial Neural Network Enviroment. JNNC-91, Singapoure, 1991, (1336-1342).

89. Практический метод оптимизации электроэнергетической системы с помощью структурированной нейронной сети. A practical method based on structured neural networks to optimize power system operation / Sakural Kyoko, Nishimura Kazuo, Hayashi Hideki // Proc. Int. Jt Conf. Neural Networks, nagoya, Oct. 25-29, 1993: IJCNN’93 - Nagoya. Vol.1. - Nagoya, 1993, p.873.

90. Y.Zhang and oth. Artificial neural network power system Stabilizers in Multi-Machine Power System Snviroment. IEEE Trans. on Energy Conversion, vol.10, N1, March, 1995.

91. H.C.Chang and oth. Neural networks - based selforganizing Fuzzy Controller for transient Stability of Multi machine Power Systems. IEEE Trans. on Energy Conversion, vol.10, N2, June, 1995.

92. M.A.El-Sharkawi and oth. Localization of WindingShorts Using Fuzzi fied Neural networks. IEEE Trans. on Energy Conversion, vol.10, N1, March, 1995.

93. S.R.Chaudhry and oth. An artificial - neural network Method for the identification of Saturated Turbogenerator Parameters dased on a coupled Finite-Element/State-Space Computational algorinhm. IEEE Trans. on Energy Conversion, vol.10, N4, Dec. 1995.

94. L.H.Jeng and oth. Damping of torsional Oscillations in a parallel AC/DC System using an artificial neural network tuned supplemental subsynchronous damping controller. Proc. Natl. Sci. Connc. Roc(A), vol.20, N2, 1996 (174-184).

95. F.Harashima and oth. Application of neural network to power Converter Control. JNNC-91, Syngapoure, 1991.

96. T.Hiyyama and oth. Identification of optimal Operating Point of PV Modules using neural network for real time maximum power tracking control. IEEE Trans. on Energy Conversion, v.10, N2, June, 1995.

97. M.Djukanovic and oth. Neural-net based coordinated stabi-lizing control for the exciter and governor loops of lowhead hydropower plants. IEEE Trans. on Energy Conversion, vol.10, N4, Dec. 1995.

98. A.M.Trzynadlowski and oth. Application of neural networks to the optimal control of Three-phase Voltage-Controlled Inverters. IEEE Trans. on Power Electronics, v.9, N4, July, 1994.

99. L.G.Perez and oth. Training an artificial neural network to discriminate between magnetizing inrush and internal faults. IEEE Trans. on Power Delivery, v.9, N1, Janv. 1993.

100. C.S.Chang and oth. A hybrid model for transient stabili-ty evaluation of interconnected longitudinal power systems using neural network pattern recognition approach. IEEE Trans. on Power Systems, v.9, N1, Febr. 1994.

101. T.Kawamura and oth. Study on evaluation of grouting effects using artificial neural network. Proc. of ISUMA NAFIPS’95, 17-20 Sept. 1995, (565-570).

102. V.Miranda and oth. Real time preventive actions for transient stadility enhancement with a hybrid neural network - optimization approach. IEEE Trans. on Power Systems, v.10, N2, May, 1995.

103. V.B.A.Kasangaki and oth. Stechastic Hopfield artificial neural network for electrical power production costing. IEEE Trans. on Power Systems, v.10, N3, Aug. 1995.

104. T.S.Sidhu. On-line Evaluation of Capacity and Energy Losses in Power Transmission Systems by using Artificial neural networks. IEEE Power Engin. Review, Oct. 1995.

105. M.H.Kim and oth. Neural network based Estimation of po-wer electronics Waveforms. IEEE Trans. on Power Electronics, v.11, N2, March, 1996.

106. I.Kamva and oth. Reccurent neural networks for Phasor detection and adaptive identification in Power System control and protection. IEEE Trans. on instrum. and measurement, v.45, N2. Apr. 1996.

107. W.C.So, C.K.Tse. Derivation of Fuzzy Controller for DC/DC Converters using neural networks. J. of Electrical and Electronic Eng. Australia IE Aust. & IREE Soc., v.16, N2.

108. D.M.Gillard and oth. Neural network identification of power system transfer functions. IEEE Power Eng. Rev., March 1996.

109. D.S.Fitton and oth. Desing And Implementation of an adaptive Single Pole Autoreclosure Technique for Transmission Lines using artificial neural networks. IEEE Trans. on Power Delivery, v.11, N2, Apr. 1996.

Возврат на главную страницу