Система динамічного прогнозування технічного стану обладнання Об'єднаної електроенергетичної системи
PDF

Ключові слова

математична модель
прогнозування
експлуатаційні умови
алгоритми
нейро-нечітка модель
імітація

Як цитувати

Данильченко, Д. О., і А. Е. Потривай. «Система динамічного прогнозування технічного стану обладнання Об’єднаної електроенергетичної системи». Вісник Національного технічного університету «ХПІ». Серія: Енергетика: надійність та енергоефективність, вип. 1 (6), Липень 2023, с. 16-21, doi:10.20998/2224-0349.2023.01.10.

Анотація

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.

https://doi.org/10.20998/2224-0349.2023.01.10
PDF

Посилання

S. Oscar and V. Anvar, “The monitoring system of an actual technical condition for pumping units with frequency analysis,” Procedia Engineering, vol. 176, p. 144–149, 2017, doi: https://doi.org/10.1016/j.proeng.2017.02.282.

O. Niggemann, G. Biswas, J. S. Kinnebrew, H. Khorasgani, S. Volgmann, and A. Bunte, “Data-driven monitoring of cyber-physical systems leveraging on big data and the internet-of-things for diagnosis and control,” in 26th International Workshop on Principles of Diagnosis (DX-2015), Paris, France, Aug. 31–Sep. 3, 2015. p. 185–192.

J. Lee and B. Bagheri, “Cyber-Physical systems in future maintenance,” in Lecture Notes in Mechanical Engineering. Cham: Springer International Publishing, 2015, p. 299–305. doi: https://doi.org/10.1007/978-3-319-15536-4_25.

L. Wang, M. Törngren, and M. Onori, “Current status and advancement of cyber-physical systems in manufacturing,” Journal of Manufacturing Systems, vol. 37, p. 517–527, Oct. 2015, doi: https://doi.org/10.1016/j.jmsy.2015.04.008.

F. Harirchi and N. Ozay, “Guaranteed model-based fault detection in cyber–physical systems: A model invalidation approach,” Automatica, vol. 93, p. 476–488, Jul. 2018, doi: https://doi.org/10.1016/j.automatica.2018.03.040.

A. Bunte, B. Stein, and O. Niggemann, “Model-Based diagnosis for cyber-physical production systems based on machine learning and residual-based diagnosis models,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 33, p. 2727–2735, Jul. 2019, doi: https://doi.org/10.1609/aaai.v33i01.33012727.

O. Tremblay and L.-A. Dessaint, “Experimental validation of a battery dynamic model for EV applications,” World Electric Vehicle Journal, vol. 3, no. 2, p. 289–298, Jun. 2009, doi: https://doi.org/10.3390/wevj3020289.

S. Shevchenko, D. Danylchenko, S. Dryvetskyi, and A. Potryvai, “Modernization of a simulation model of a photovoltaic module, by accounting for the effect of snowing of photovoltaic panels on system performance with correction for panel cleaning for MATLAB Simulink,” in 2021 IEEE 2nd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, Sep. 13–17, 2021. p. 670–675, doi: https://doi.org/10.1109/khpiweek53812.2021.9570030.

C. M. Shepherd, “Design of primary and secondary cells: II. An equation describing battery discharge,” Journal of The Electrochemical Society, vol. 112, no. 7, pp. 657, 1965, doi: https://doi.org/10.1149/1.2423659.

F. Gorunescu, Data Mining: Concepts, Models and Techniques. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011, doi: https://doi.org/10.1007/978-3-642-19721-5.

O. Fink, E. Zio, and U. Weidmann, “Predicting component reliability and level of degradation with complex-valued neural networks,” Reliability Engineering & System Safety, vol. 121, p. 198–206, Jan. 2014, doi: https://doi.org/10.1016/j.ress.2013.08.004.

T. Sarver, A. Al-Qaraghuli, and L. L. Kazmerski, “A comprehensive review of the impact of dust on the use of solar energy: History, investigations, results, literature, and mitigation approaches,” Renewable and Sustainable Energy Reviews, vol. 22, p. 698–733, Jun. 2013, doi: https://doi.org/10.1016/j.rser.2012.12.065.

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.

Авторське право (c) 2023 Дмитро Олексійович Данильченко, Андрій Едуардович Потривай