Підвищення ефективності водопостачання населення за рахунок впровадження інтелектуальної системи оперативного управління електроприводом насосної станції

Размещено на http://www.allbest.ru/

Стаття з теми:

Підвищення ефективності водопостачання

населення за рахунок впровадження інтелектуальної системи оперативного управління електроприводом насосної станції

Кінчур О.Ф., асистент (Національний університет водного господарства та природокористування, м. Рівне)

Предметом статті є синтез прогностичної нейронної мережі з метою її використання в системі керування електроприводом насосної станції.

The subject of the article is synthesis of predictions neural network with the purpose of its use in a control system of the electric drive of pump station.

Цілодобове забезпечення мешканців водою на сьогоднішній день для багатьох міст України є досить актуальною проблемою. Незважаючи на те, що останнім часом йде оновлення водопровідних мереж та насосного обладнання, левова їх частка відслужила свій вік. Для збільшення терміну експлуатації такого технологічного устаткування, комунальні підприємства встановлюють різноманітні графіки подачі води населенню, що є негативним. Поряд з цим на насосних станціях активно відбувається впровадження такого засобу енергозбереження як частотно регульований електропривод. Приклад існуючої схеми керування насосним агрегатом на основі перетворювача частоти наведено на рис. 1. Основним завданням цієї схеми є забезпечення постійного тиску води (сигнал завдання) в трубопроводі. Недоліком такого алгоритму керування є те, що в години пікового водоспоживання частина мешканців недоотримують воду. На наш погляд дана проблема може бути вирішена коли сигнал завдання є функцією від споживання води з трубопроводу. Такий підхід в умовах водопроводів значної довжини та складної конфігурації, передбачає наявність прогнозованого значення рівня споживання води.

Размещено на http://www.allbest.ru/

Рис. 1 - Структурна схема електроприводу насосної станції

Для покращення водозабезпечення населення в години пікового навантаження, в систему керування електроприводом насосної станції необхідно включити блок прогнозування.

Прогнозування обсягів водоспоживання (навантаження на насосну станцію), необхідне для вирішення задач поточного планування й оперативного керування режимами функціонування насосної станції, проводиться в наступних часових діапазонах ієрархії керування:

- оперативному (у межах поточної доби);

- короткостроковому (доба-тиждень-місяць);

- довгостроковому (місяць-квартал-рік).

На даний час розроблено велику кількість методів і моделей прогнозування навантаження. Традиційні статистичні моделі можуть бути умовно розділені на регресійні моделі і моделі на основі часових рядів.

З розвитком теорії штучного інтелекту було запропоноване вирішення задачі прогнозування з використанням моделей на основі експертних систем і штучних нейронних мереж. Перевага їх традиційним моделям обумовлена тим, що не потрібно побудови моделі об'єкта, не втрачається працездатність при неповній вхідній інформації. Вони мають стійкість до перешкод, мають високу швидкодію. У більшості публікацій по прогнозуванню навантаження використовується конфігурація ШНМ прямого поширення з навчанням по методу зворотного поширення помилки.

Зустрічається значне число ознак [1], якими повинна володіти задача, щоб застосування нейронних мереж було виправдано і нейронна мережа могла б її вирішити:

-  відсутній алгоритм або не відомі принципи вирішення задач, але накопичене достатнє число прикладів;

-  проблема характеризується великими обсягами вхідної інформації;

-  дані неповні або надлишкові, зашумлені, частково суперечливі.

Таким чином, нейронні мережі добре підходять для прогнозування водоспоживання, та для побудови на їх основі системи керування насосними агрегатами.

Пропонована інтелектуальна система керування на основі нейропредиктора наведена на рис. 2. Нейронна мережа виконує функцію задавача та формує сигнал завдання для регулятора тиску. Крім пропонованої схеми, нейропредиктор може розміщуватись в контурі зворотного зв'язку при сталому значенні сигналу завдання.

Основним завдання при реалізації цієї схеми являється синтез нейропредиктора. Відповідно до рекомендацій, наведених в [3], синтез нейропредиктора проводиться на основі мереж прямого поширення сигналу (feed-forward networks). Як зазначено в [1] важливим етапом синтезу нейронної мережі є формування вектора вхідних даних. Залежно від розмірності цього вектора визначається кількість входів нейромережі.

Размещено на http://www.allbest.ru/

Рис. 2 - Інтелектуальна система керування електроприводом насосної станції

Визначення вхідних та вихідних змінних. Для побудови нейронної мережі необхідно визначити на основі яких параметрів процесу вона буде визначати прогнозовану величину водоспоживання в наступну годину.

Для визначення цих параметрів було проаналізовано значну кількість даних на прикладі насосної станції системи холодного водопостачання мікрорайону „Боярка” в місті Рівне. На даній насосній станції відбувається щогодинна реєстрація струму, який споживається асинхронними двигунами приводів насосів з мережі живлення. Зміна цього струму дає можливість опосередковано відслідковувати споживання води населенням.

Размещено на http://www.allbest.ru/

В результаті аналізу даних, було виявлено, що на характер водоспоживання досліджуваного мікрорайону впливають: година доби (рис. 3), день тижня (рис. 4), та місяць року. Крім цих змінних на вхід нейромережі потрібно подавати значення про навантаження в момент прогнозу та деяку перед історію навантаження.

Размещено на http://www.allbest.ru/

Підготовка навчальної вибірки. Важливим фактором, що впливає на точність прогнозування, є нормування вхідних даних. Неправильний підхід до нормування даних може перекреслити всі інші міри, прийняті для збільшення точності прогнозу.

Нормування даних необхідно для того, щоб кожне значення, що подається на вхід ШНМ, знаходилося в інтервалі [0, 1]. Розрахунки показали, що погрішність прогнозу істотно залежить від способу нормування вхідних даних. Цьому питанню приділяється увага в багатьох роботах, наприклад, присвячених як прогнозуванню навантаження, так і використанню ШНМ в інших задачах, де дані по модулю перевищують одиницю.

Вибір структури нейронної мережі для прогнозування. При виборі структури ШНМ важливо враховувати її розмірність, тобто кількість прихованих шарів і кількість нейронів у цих шарах. При недостатньому розмірі мережі для вирішення поставленої задачі буде погано навчатися і неправильно працювати, а при розмірі, що перевищує складність вирішуваної задачі, процес навчання ШНМ буде дуже тривалим, або мережа взагалі може бути непридатна для вирішення даної задачі. Це питання в кожному конкретному випадку вирішується експериментальним шляхом.

При синтезі нейропредиктора інтелектуальної системи керування було досліджено мережі прямого поширення сигналу з одним та двома прихованими шарами, рекурентні та радіально базисні мережі. Найбільш оптимальною щодо точності прогнозу та складності виявилась НМ з прямим поширенням сигналу та одним прихованим шаром (рис.5). Для мережі даного типу проаналізовано вплив функцій активації кожного з шарів на точність прогнозу. Відповідно до рекомендацій в нейромережевих пристроях прогнозування найбільш часто використовуються активаційні функції LogSig та TanSig. Наступним кроком являється вибір кількості нейронів прихованого шару НМ. З цією метою кількість прихованих нейронів змінювали від 11 до 31.

Рис. 5 - Структура нейропредиктора на основі мережі прямого поширення сигналу з одним прихованим шаром

насосний станція нейронний мережа

Для навчання та моделювання роботи нейронних мереж використовувався пакет прикладних програм Matlab Neural Network Toolbox. Навчання виконувалося на основі масивів нормованих даних, що складався із 3696 навчальних пар, які сформовані на основі даних споживання води за один з тижнів на протязі 11 місяців. На основі даних з інших тижнів сформована тестова вибірка.

Результати дослідження показали, що зростання кількості нейронів прихованого шару більше 25 приводить до погіршення якості прогнозу, внаслідок появи ефекту запам'ятовування, а зменшення нижче 19 спричинює погіршення якості прогнозу та зростання його максимальної похибки. На основі проведеного аналізу похибки прогнозу для формування нейропредиктора вибрано трьохшарову структуру виду 7-21-1 з активаційними функціями прихованого та вихідного шару - LogSig. Як приклад, на рис. 6 показані результати прогнозу нейропредиктора на основі тестових даних для двох днів тижня, що мають різний характер споживання води населенням в різні місяці. Середня похибка прогнозу для тестової множини з 3696 пар не перевищує 1.5%, а максимальна похибка є меншою ніж 12%. Отримані дані підтверджують достатню високу якість короткотермінового прогнозу за допомогою нейропредиктора.

Рис. 6 - Результати прогнозу споживання води населенням нейропредиктором на основі мережі прямого поширення сигналу (7-21-1)

Висновок

Синтезовані нейропредиктори на основі одношарової нейронної мережі з прямим поширенням сигналу дають змогу достатньо точно формувати короткостроковий прогноз зміни споживання води населенням, а пропонована схема системи керування на їх основі є перспективною при її впровадженні.

Література

1. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика.- М. Мир, 1992. -186с.

2. Lee K.Y., Cha Y.T., Park I.H., “Short-Term Load Forecasting Using an Artificial Neural Network”, IEEE Transactions on Power System, Vol. 7, № .1, pp. 124-132, February 1992.

3. Zebulum R., Gnedes K., Vellasco M., Pacheco M., “Short-Term Load Forecasting Using Neural Nets”, Proceeding of International Workshop on Artificial Neural Networks, pp. 1000-1007, Iune 7 - 1995.

4. Hippert H.S., Pedreira C.E., Souza R.C. Neural Networks for Short-Term Load Forecasting: A Review and Evaluation // IEEE Trans. on Power System. -2001. -Vol. 16, No. 1. - P. 44-55.

Размещено на Allbest.ru