Статті
Постійне посилання колекціїhttps://dspace.nuft.edu.ua/handle/123456789/7522
Переглянути
5 результатів
Результати пошуку
Документ Синтез інтелектуальної системи оцінки технічного стану обладнання системи електропостачання з фотоелектростанціями та накопичувачами енергії(2024) Балюта, Сергій Миколайович; Копилова, Людмила Олександрівна; Куєвда, Юлія Валеріївна; Кондрашевський, Максим Сергійович; Романюк, Володимир ТарасовичВ умовах цифровізації та впровадження інтелектуальних систем у різних сферах, зокрема в електроенергетиці, важливого значення набувають технології роботи з інформацією різного обсягу та змісту для прийняття управлінських рішень. Забезпечення надійності та ефективної експлуатації обʼєктів електротехнічного комплексу потребує застосування механізмів комплексної оцінки працездатності електротехнічного обладнання (ЕО) на основі актуальної інформації про його стан. Мета статті полягає в описі принципів комплексної оцінки стану ЕО з використанням технології інтелектуального аналізу даних, що одержуються в ході діагностики і моніторингу за його ключовими елементами. Запропоновано системний підхід до управління технічним станом ЕО за результатами діагностики, моніторингу та інтелектуального аналізу даних. Розглянуто математичні моделі комплексної оцінки стану обладнання з використанням інтелектуальних технологій. Розроблено модель системи проактивного управління станом обладнання, що передбачає вибір та використання різних методів інтелектуального аналізу інформації про зміну його ключових діагностичних параметрів. Основними відмінними рисами запропонованої інтелектуальної системи підтримки прийняття рішень є: вирішення завдань як контролю, так і прогнозування значень діагностичних параметрів ЕО; аналіз не тільки фактичних значень контрольованих параметрів, але і їх динаміки, з використанням не тільки ймовірносно-статистичних методів, але й методів штучного інтелекту, когнітивного і нечіткого когнітивного моделювання. Це дає змогу виявляти несправності, відмови ЕО на ранній стадії розвитку; запобігати аварійним ситуаціям; виробляти та вживати заходів щодо їх запобігання в умовах невизначеності та великих обсягів вихідних даних; універсальність системи, що полягає у можливості її застосування у всіх галузях промисловості (хімічної, нафтової, металургійної, атомної енергетики тощо). Наведено приклад побудови моделі літій-іонної батареї та представлено методику ідентифікації параметрів моделі.Документ Системи електрозабезпечення станцій зарядки електротранспорту(2022) Балюта, Сергій Миколайович; Копилова, Людмила Олександрівна; Куєвда, Юлія Валеріївна; Куєвда, Валерій Петрович; Чорний, Юрій Аркадійович; Зінькевич, Петро ОлексійовичУ статті визначені особливості та підходи до синтезу систем електрозабезпечення станцій зарядки електромобілів з використанням ВДЕ та накопичувачів електричної енергії(мікрогрід) на основі ресурсної та технічної моделей систем електрозабезпечення станцій зарядки електромобілівДокумент Системи електрозабезпечення промислових і цивільних об’єктів з використанням відновлювальних джерел енергії та накопичувачів(2022) Балюта, Сергій Миколайович; Копилова, Людмила Олександрівна; Куєвда, Юлія Валеріївна; Чорний, Юрій Адамович; Куєвда, Валерій Петрович; Зінькевич, Петро ОлексійовичУ статті представлено підходи до вирішення завдання оптимізації складу джерел енергії ГЕТК шляхом мінімізації фінансових видатків на енергетичне обладнання. Питання техніко-економічної ефективності ГЕТК вирішуються шляхом вибору оптимального складу основного обладнання: встановленої по- тужності фотоелектричної станції (ФЕС); встановленої потужності вітро- електричної станції (ВЕС); кількості та встановленої потужності дизельних генераторних установок (ДГУ); кількості та потужності накопичувачів елек- троенергії (СНЕ). Для оптимізації використовується багатокритеріальна функція оптимізації та градієнтний метод оптимізації. Представлені математичні моделі джерел енергії, які входять до складу системи електрозабезпечення: дизель-генераторів, фотоелектростанцій, вітроелектростанцій, накопичувачів електричної енергії. Крім того, вирішується задача мінімізації витрат користувача мікромережі на електричну енергію (ЕЕ), що реалізується шляхом розробки алгоритму опти- мізації режимів джерел живлення і визначення значення енергії, яка отриму- ється від кожного з джерел енергії (ДЕ) та накопичувача електричної енергії (НЕЕ) з урахуванням тарифів на ЕЕ від енергосистеми. Оптимізація режимів системи електрозабезпечення проводиться з викори- станням оптимального добового графіка навантажень. При вирішенні задач оптимізації враховуються обмеження на кількість запусків дизель-генератора протягом доби та кількості зарядів/розрядів акумуляторних батарей протягом року. Вирішення задач оптимізації добового графіка навантаження та режимів роботи системи електрозабезпечення проводиться на основі прогнозованих на основі статичних даних і метеоданих добових графіків генерації електричної енергії фотоелектростанціями, вітроелектростанціями. Наведено результати імітаційного моделювання системи електрозабезпече- ння цивільного об’єкта з відновлювальними джерелами енергії та накопичува- чами електричної енергії в середовищі Matlab/ Simulink.Документ Порівняльний аналіз методів короткострокового багатокрокового прогнозування електричного навантаження(2022) Зінькевич, Петро Олексійович; Балюта, Сергій Миколайович; Куєвда, Юлія ВалеріївнаБагатокрокове прогнозування електричного навантаження (ПЕН) дає змогу передбачити багатоетапне споживання електроенергії в майбутньому. Багато-крокове ПЕН використовується для керування електроспоживанням і забезпе-чення енергоефективних режимів функціонування систем електрозабезпечення промислових і цивільних об’єктів. У статті досліджено математичні моделі на основі статистичних методів і методів штучного інтелекту для прогнозування електричного навантаження (ПЕН) промислових підприємств на багато кроків уперед. Опрацювання літера-тури показало, що для багатокрокового короткострокового ПЕН розроблено відносно невелику кількість статистичних методів і методів штучного інте-лекту. Найбільш перспективними методами ПЕН, які забезпечують точність прогнозування можна вважати такі: авторегресивна інтегрована модель ков-зного середнього (ARIMA) та адаптивна система нейро-нечіткого висновку (ANFIS). Для порівняння методів ARIMA та ANFIS було вибрано статистичний метод: «наївний» прогноз. З метою вибору методу ПЕН, який найбільшою мірою забезпечить вирішення завдань керування електроспоживанням та електро-постачанням, були проведені розрахункові дослідження з використанням вказа-них методів ПЕН. Особливістю прогнозування з використанням ANFIS є враху-вання такого екзогенного фактора, як час доби. Об’єктом дослідження є методи ПЕН, які проводилися на основі виміряних даних електричного навантаження промислового підприємства з виготовлення пластмасових виробів. Вимірювання проводилися щоденно з 01 квітня 2015 року по 01 травня 2015 року (з урахуванням святкових та вихідних днів) що пів години (відповідно 48 вимірювань на добу). Для оцінки якості моделей прогнозування використовувалися стандартні величини: середньоквадратична похибка (RMSE) та середня абсолютна похибка (MAPE). Розрахункові дослідження виконані у програмному середовищі MATLAB 2020b з набором інструментів: Fuzzy Logic Toolbox та Econometrics Toolbox. З використанням методів ARIMA, «наївного» прогнозу та адаптивної систе-ми ANFIS розроблені моделі ПЕН для багатокрокового ПЕН. Результати роз-рахункових досліджень показали, що прогнозування з використанням моделі ARIMA (4,1,2) для тестової вибірки забезпечує найменшу похибку RMSE — 0,052, похибка MAPE — 0,035. У подальших дослідженнях планується розробка моде-лей прогнозування вироблення електроенергії фотоелектростанціями (ФЕС) з інтелектуальними системами керування. Multi-step predicting of electrical load (PEL) allows to predict multi-stage electricity consumption in the future. Multi-step PEL is used to control power consumption and ensure energyefficient modes of operation of power supply systems of industrial and civil facilities. This paper investigates mathematical models based on statistical methods and artificial intelligence methods for predicting the electrical load (PEL) of industrial enterprises for many steps forward. A review of the literature sources showed that a relatively small number of statistical and artificial intelligence methods were developed for multi-step short-term PEL. The most promising PEL methods which provide the highest prediction accuracy are the following: autoregressive integrated moving average model (ARIMA) and adaptive neuro-fuzzy inference system (ANFIS). To compare the ARIMA and ANFIS methods, a statistical method was chosen: “naiveˮ predicting. In order to select the PEL method which will solve the problems of power consumption and power supply management, calculation studies were conducted using these PEL methods. A feature of predicting using ANFIS is to take into account such an exogenous factor as time of day. The object of the study are PEL methods, which were carried out on the basis of measured data of electrical load of an industrial enterprise for the manufacture of plastic products. Measurements were performed daily from April 1, 2015 to May 1, 2015 (including holidays and weekends) every half an hour (48 measurements per day, respectively). To assessthe quality of predicting models, a standard value was used: standard error (RMSE) and average absolute error (MAPE). Calculation studies were performed using the software MATLAB 2020b, with a set of tools: Fuzzy Logic Toolbox and Econometrics Toolbox. PEL models for multi-step PEL were developed using ARIMA methods, a “naiveˮ predicting and an adaptive ANFIS system. The results of computational studies showed that the prediction using the ARIMA model (4,1,2) for the test sample provides the smallest error RMSE 0.052 and MAPE error 0.035. In further research it is planned to develop models for predicting electricity generation by photovoltaic power plants (PPP) with intelligent control systems.Документ Порівняльний аналіз методів короткострокового прогнозування електричного навантаження на один крок вперед(2021) Зінькевич, Петро Олексійович; Балюта, Сергій Миколайович; Куєвда, Юлія ВалеріївнаКороткострокове прогнозування електричного навантаження (ПЕН) проми-слових підприємств і цивільних об’єктів є важливим та складним науковим зав-данням, оскільки дає змогу реалізувати функції керування електроспоживанням і забезпечити енергоефективні режими функціонування систем електрозабезпе-чення цих та цивільних об’єктів. У статті досліджено математичні моделі на основі статистичних мето-дів і методів штучного інтелекту для прогнозування електричного навантаження (ПЕН) промислових підприємств на один крок вперед. Опрацювання літератури показало, що найбільш ефективні та поширені методи короткострокового ПЕН на один крок вперед такі: авторегресивна інтегрована модель ковзного се-реднього (ARIMA), «наївний» прогноз та адаптивна система нейро-нечіткого висновку (ANFIS). З метою вибору методу ПЕН, який забезпечить вирішення задач керування електроспоживанням та електропостачанням, були проведе-ні розрахункові дослідження вказаних методів ПЕН. При прогнозуванні з викори-станням ANFIS враховувалися такі зовнішні факторі: фактор дня (якщо будній день, то 1, якщо вихідний, то 0), час доби, день тижня. Об’єктом дослідження є методи ПЕН, які проводилися на основі виміряних даних електричного навантаження промислового підприємства з виготовлен-ням пластмасових виробів. Вимірювання проводилися щоденно з 11 січня 2015 ро-ку по 11 червня 2015 року (з урахуванням святкових і вихідних днів) кожні пів години (відповідно, 48 вимірювань на добу). Для оцінки якості моделей прогнозу-вання використовувалася стандартна величина: середньоквадратична похибка (RMSE). Розрахункові дослідження виконані у програмному середовищі MATLAB 2020b, з набором інструментів: Fuzzy Logic Toolbox та Econometrics Toolbox. З використанням методів ARIMA, «наївного» прогнозу та адаптивної систе-ми ANFIS розроблені моделі ПЕН на один крок вперед. Результати розрахункових досліджень показали, що прогнозування з використанням моделі ARIMA (2,1,2) забезпечує найменшу похибку RMSE на рівні 0,0317 і 0,0354 відповідно для нав-чальної й тестової вибірки. В подальших дослідженнях планується розробка моделей багатокрокового прогнозування електричного навантаження.