Система динамічного прогнозування технічного стану обладнання об’єднаної електроенергетичної системи

Abstract

В роботі проаналізовано метод нейро-нечіткого моделювання для прогнозування технічного стану системи. Модель системи динамічного прогнозування технічного стану обладнання об’єднаної електроенергетичної системи складається з імітаційних моделей сонячної електростанції, вітрогенератора та синхронного генератора, що виконує роль теплової станції. Для виконання моделювання використовувалася спеціальна система інструментів Fuzzy extension logic toolbox, призначена для оцінки якості роботи синхронного генератора. Отримані оцінки технічного стану обладнання обробляються за допомогою адаптивної системи нейро-нечіткого виведення (ANFIS), в результаті чого формується прогноз технічного стану обладнання на заданому часовому інтервалі. Встановлено, що нечіткі моделі знайшли широке практичне застосування під час побудови нечітких регуляторів, систем розпізнавання та обробки даних тощо. Моделювання реальних систем нечіткими моделями ґрунтується на тому, що нечіткі моделі типу Сугено і Мамдані є універсальними апроксиматорами функцій. Побудована модель системи динамічного прогнозування технічного стану обладнання може бути використана при проектуванні об’єктів відновлюваної енергетики, а також при розробці та тестуванні алгоритмів систем управління та моніторингу. Система оцінки та прогнозування стану обладнання з використанням апарату нечіткої логіки може бути використана для підтримки прийняття рішень оператором електричної станції при визначенні необхідності ремонту та перестановки обладнання. Ключовою перевагою представленої системи є її здатність враховувати динамічні зміни стану сонячної електростанції залежно від трансльованих умов експлуатації, що дозволяє ще більше наблизити отримані дані до реальних. Також, особливістю реалізації системи динамічного прогнозуванн технічного стану обладнання є використання моделі сонячної електростанції, що має в своєму складі моделі для наближення імітації до реальних умов експлуатації з урахуванням пилу, нагрів поверхні тощо.

This paper analyses the neuro-fuzzy modelling method for predicting the technical state of a system. The model of the system for dynamic forecasting of the technical condition of the equipment of an integrated power system consists of: a simulation model of a solar power plant, a simulation model of a wind turbine, and a simulation model of a synchronous generator acting as a thermal power plant. To perform the modelling, a special system of tools Fuzzy extension logic toolbox was used to assess the quality of the synchronous generator. The obtained estimates of the technical condition of the equipment are processed using an adaptive neuro-fuzzy inference system (ANFIS), which results in a forecast of the technical condition of the equipment at a given time interval. It has been established that fuzzy models have found wide practical application in the construction of fuzzy controllers, data recognition and processing systems, etc. Modelling of real systems with fuzzy models is based on the fact that fuzzy models of the Sugeno and Mamdani types are universal function approximators. The constructed model of the system for dynamic forecasting of the technical condition of equipment can be used in the design of renewable energy facilities, as well as in the development and testing of algorithms for control and monitoring systems. The system for assessing and predicting the state of equipment using fuzzy logic can be used to support decision-making by the power plant operator when determining the need for repair and relocation of equipment. The key advantage of the presented system is its ability to take into account dynamic changes in the state of a solar power plant depending on the transmitted operating conditions, which makes it possible to bring the obtained data even closer to the real ones. Also, a feature of the system for dynamic forecasting of the technical condition of equipment is the use of a simulation model of a solar power plant, which has a model to bring the simulation closer to real operating conditions, taking into account dust, surface heating etc.