microbik.ru
1

УДК 621.316.726, 681.5.01


Математическое моделирование переходных процессов в насосных установках ЦТП с использованием нейроконтроллера при помощи пакета Matlab

В.Н.Крысанов, А.Л.Руцков

Воронежский государственный техничсекий университет

г.Воронеж, Московский пр-т, 14.

e-mail: alex_8_90@mail.ru
В статье рассматривается вопрос целесообразности использования нейроконтроллера при управлении насосными установками ЦТП в переходных процессах

Ключевые слова: насосные установки ЦТП, нейросети, алгоримы управления с использованием нейроконтроллера, анализ переходных процессов.
На протяжении последних десятилетий, одним из основных потребителей электроэнергии являются производственные предприятия и сектор жилищно-коммунального хозяйства (ЖКХ).Большая часть электроэнергии потребляется электроприводами насосов и вентиляторов,затраты на содержание которых составляют от 50 % до 70 % общей доли расходов в сфере. При этом, доля нерационально используемой энергии находится в пределах 15-30 %, а в некоторых случаях и 50 % от выше обозначенных цифр. Такое положение дел в отрасли прослеживается в подавляющем большинстве центральных тепловых пунктах (ЦТП) нашей страны. ЦТП является комплексом установок, предназначенных для распределения тепла, поступающего из тепловой сети, между потребителями в соответствии с установленными для них видами и параметрами теплоносителей.

Основными причинами потерь электрической и тепловой энергии в ЦТП являются: нерегулируемый ЭП; неоптимизированность алгоритмов управления (АУ) и средств их реализации; неудовлетворительная теплоизоляция элементов гидросистем; изношенность трубопроводов.

Остановимся подробнее на рассмотрении решений первых двух представленных выше проблем.

В настоящее время наиболее перспективным видом управления асинхронного ЭП(преобладающего в насосных станциях) является частотное управление. При таком подходе обеспечивается возможность управления параметрами системы, к примеру, поддержание постоянства уровня давления и температуры в трубопроводе. Изменяя частоту вращения насосов мы имеем возможность перехода на требуемую характеристику оборудования, в зависимости от алгоритма управления.

При этом следует отметить, что конечная величина потерь энергии будет определяться выбором того или иного алгоритма функционирования системы элементов ЦТП, включая насосное оборудование с частотным преобразователем.

Известны следующие принципы управления, находящие широкое применение на действующих объектах: индивидуальное, групповое, смешанное и каскадно-частотное регулирование.

Данные виды управления системой насосного оборудования ЦТП имеют следующие недостатки: 1)при управлении от преобразователя частоты (по схеме 1 ПЧ-группа насосов) гарантируется защита только основного двигателя; 2)выход из строя ПЧ означает невозможность продолжения работы; 3)отсутствует верхний уровень выработки управляющих воздействий группой ЦТП (в редких случаях есть примеры систем мониторинга и диспетчеризации); 4)алгоритмы задаются на каждом ЦТП, исходя из некоторых статистических данных за определённый период и без учёта возмущающих факторов в реальном времени ;5) задача прогнозирования расхода энергоресурсов решается путём ступенчатых приближений, при этом существенно возрастают потери в системе.

Решение поставленных проблем в области выбора и реализации алгоритмов управления частотного ЭП видится в применение наряду с системами микроконтроллерного управления, опирающимися на булеву логику, систем, использующих нечёткую логику и нейросетевые структуры.

Искусственной нейросетью (ИНС) называется система, образованная множеством элементарных элементов (формальных нейронов), определённым образом связанных друг с другом и функционирующих, подобно биологическим аналогам. Основной чертой ИНС, отличающей её от систем булевой логики, является способность к обучению, а не жёсткому программированию. Иными словами, ИНС способна вырабатывать реакции на события, заранее чётко не описанные в её структуре. Т.о. ИНС по сути своей являются адаптивными системами с возможностью свободного программирования (обучения). Последнее обстоятельство позволяет применять их к решению сложно формализуемых задач, к числу которых может быть отнесена задача оптимизации управления частотно-регулируемым ЭП ЦТП. Кроме того, реализации принципов ИНС не исключает применения классических систем управления, являясь более общим принципом построения адаптивных систем управления.

Основным элементом ИНС является формальный нейрон- структура, описываемая уравнением (1):

(1),

где у–выходной сигнал нейрона, – коэффициент– вес i-того нейрона, –начальное состояние i-того нейрона, –входы нейрона, i=1,2,3,…,n–номер входа нейрона, n–число нейронов. Выражению (1) соответствует структурная схема рис.1.



Рис.1 Структурная схема формального нейрона.
Объединённые определённым образом формальные нейроны образуют ИНС, о которой говорилось выше. Обучение нейронов в отдельности и ИНС в целом представляет собой процесс изменения коэффициентов–, и функции активации нейрона–f(g). В ИНС с переменной структурой помимо этого используется варьирование числа входов отдельного нейрона, либо слоя нейронов. После некоторого числа циклов обучения нейросеть способна решать задачу многопараметрической оптимизации. При этом стоит отметить изначальную адаптивность ИНС, возможность решения с её помощью математически трудно описываемых задач и, вместе с тем, простота реализации на современной вычислительной базе.

Задачи, с которыми сталкиваются при проектировании и эксплуатации ЦТП, являются достаточно сложно формализуемыми, с точки зрения точного математического описания систем объектов. Можно выделить 3 основных подсистемы

– модель ЦТП характеризуется набором параметров техпроцесса: температура, давление и расход теплоносителя в прямом и обратном каналах, а также набором параметров исполнительных механизмов (напряжение питания и скорость вала групп насосных установок);

– модель трубопровода описывает геометрические соотношения своих составных частей (протяжённость линии, сечение точек трубопровода, его гидравлическая схема);

– модель параметров здания характеризует объект, являющийся нагрузкой для ЦТП(при этом существенны вопросы теплопроводности конструкции и учёт подводимых/отводимых потоков энергии, в т.ч. вопросы обусловленные факторами окружающей среды).

При формировании задания управления для функционирования ЦТП необходимо производить комплексный анализ всех подсистем, а также использовать и постоянно обновлять график потребления теплоносителя в зависимости от времени года и суток.

Т.о. задача управления ЦТП и энергосистемой региона является сложно формализуемой с учётом влияния погодных условий, переменного характера потребительской нагрузки, учёта процессов теплопроводности зданий, характеристик оборудования и сети. Существующие системы управления (СУ) организованы по принципу комбинированного регулирования отдельных подсистем ЦТП. При этом многие параметры моделей опускаются: процессы теплопроводности зданий принимаются инерционными процессами, изменяющимися во времени ступенчато, в силу чего и работа группы насосных установок оптимизируются лишь по определённому графику без учёта реальной картины потребления потоков тепловой энергии. Дальнейшим следствием такого положения дел является преждевременный износ оборудования трубопровода, потери, связанные с расходом напряжения питания.

Внедрение ИНС в систему управления ЦТП с использованием частотно-регулируемого привода позволит существенно снизить потери энергоресурсов, износ оборудования гидроузлов. Это достижмо благодаря адаптивному характеру ИНС и возможности, тем самым, учитывать реальную ситуацию потребления теплоносителя и прогнозировать его будущие значения.

Предложим для реализации СУ ЦТП регуляторы, основой которых являются ИНС с эталонной моделью, функционирующие в реальном времени (рис.2). Существенным преимуществом таких систем является отсутствие проблем, связанных с выбором оптимальной нейросетевой модели и «переобучением» ИНС.



Рис.2 Схема ИНС регулятора с использованием эталонной модели в реальном времени
Инверсная ИНС регулятора обучается в соответствии с выражением (2):

(2),

где – значение оптимизированной настройки коэффициентов нейросети на данном шаге; –тоже для предыдущего шага; набор входных данных, -набор выходных данных.

Рассмотрим рекуррентный градиентный метод обучения ИНС в соответствии с критерием (2). Предположим, что составляющая минимизирована, а весовые коэффициенты модели в момент времени t настраиваются в соответствии с выражением (3):

(3),

где e(t)= r(t)-y(t)– ошибка системы и:

(4)

Кроме того, в системе управления рис.4 подразумевается получение некоторой заранее определённой (эталонной) характеристики замкнутой системы:

(5)

Тогда в критерий обучения ИНС регулятора вводится наравне с ошибкой модели ошибка управления типа (рис.4):

(6)

В рамках данной статьи будет рассмотрено использование элементов ИНС применительно к динамическим режимам ЭП насосного оборудования ЦТП. В дальнейшем применение адаптивных систем частотно–регулируемого управления с элементами ИНС можно распространить на оптимизацию установившихся режимов групп насосных установок. Не менее привлекательны перспективы использования элементов нейросетей для анализа неисправностей в трубопроводе, теплоизоляции элементов здания, централизации СУ ЦТП в целом и объединению ЦТП региона с целью снижения потери энергоресурсов в ЖКХ.

В качестве оценочного параметра будем использовать скорость вращения вала ЭП. При этом проведём анализ пуска для трёх типов СУ: прямой пуск (контакторное управление), частотно–регулируемое управление и частотно–регулируемое управление с применением ИНС в виде нейроконтроллера.

В качестве среды моделирорвания выберем пакет прикладных программ Matlab, с его средствами: Neural Network Toolbox (моделирование ИНС), SimPowerSistems(моделирование электротехнических устройств). На рис.3 представлена функциональная модель ЭП насоса ЦТП при прямом пуске.



Рис.3 Функциональная модель насоса ЦТП при прямом пуске
Блок Tm– модель нагрузки ЭП (линейно возрастает от 0 до 100 Нм за 1с), модель двигателя –стандартные меню настроики для АД мощностью 25 кВт.

Далее рассмотрим модель частотно–регулируемого ЭП (рис.4)



Рис.4 Модель частотно–регулируемого ЭП
Параметры элементов модели рис.4: Fcn1= 1-exp(-4u); Fcn2= 1--exp(-6u); релейные элементы А,В, С имеют одинаковы параметры ограничения выходного сигнала на уровне В, –угловая частота напряжения сети; параметры Look-Up Table: вектор входных значений [0 0.25 0.75 1] / 2000, вектор выходных значений [0 1 -1 0].

Подсистема 1 (рис.4) реализует регулирование, в соответствии с которым величина напряжения имеет экспоненциальную зависимость от частоты питающей сети.

Модель, представленная на рис.5 имеет СУ частотно–регулируемого ЭП с элементами ИНС – нейроконтроллером. Характеристики блока ИНС: кол-во нейронов скрытого слоя–13; кол-во элементов запаздывания на входе–2; кол-во элементов запаздывания на выходе–1;длина обучающей выборки–300 точек; кол-во циклов обучения–100; модель для инициализации– частотно-регулируемый привод (рис.4).

Построим динамические характеристики, полученные при моделировании представленных СУ, в относительных единицах для оценки величин перерегулирования на рис.6 (за 1 по оси ординат принята установившаяся скорость выходного вала ЭП: рад/с).


Рис.5. СУ частотно–регулируемого ЭП с элементами ИНС



Рис.6 Величины перерегулирования для: a– прямого пуска; b–частотно–регулируемого привода; с- частотно–регулируемого привода с элементами ИНС
Очевидно, что СУ частотно–регулируемым приводом с элементами ИНС имеет лучшие показатели качества переходных процессов (перерегулирование, время пуска). В этом случае можно получить значительный энергосберегающий эффект от снижения пусковых потерь, утечек воды в следствии гидравлических ударов, а также значительные эксплуатационные выгоды.
Литература
1. Методы робостного, нейро-нечёткого и адаптивного управления: Учебник/Под ред. Н.Д. Егупова.–М.: Изд-во МГТУ им. Н.Э.Баумана, 2001.–744с., ил.

2. Нейронные сети.Matlab 6/Под общ. ред. к.т.н. В.Г.Потёмкина.–М.:ДИАЛОГ-МИФИ, 2002.–496с.
MATHEMATICAL MODELLING of TRANSIENTS IN PUMP INSTALLATIONS the central thermal points With NEUROCONTROLLER USE by means of a MATLAB PACKAGE
Voronezh state technical university
V.N.Krysanov, A.L.Rutskov
In article the question of expediency of use of the neurocontroller is considered at management of the central thermal points pump installations in transients.
Keywords: pump installations of the central thermal points, neuronets, algory managements with neurocontroller use, the analysis of transients.