Интеллектуальные системы автоматизации управления энергосбережением Текст научной статьи по специальности «Компьютерные и информационные науки»
ЭНЕРГОСБЕРЕЖЕНИЕ / УПРАВЛЕНИЕ ЭНЕРГОСБЕРЕЖЕНИЕМ / ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА / ИЗВЛЕЧЕНИЕ ЗНАНИЙ ИЗ ДАННЫХ / ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ / ENERGY SAVING / ENERGY MANAGEMENT / INTELLIGENT SYSTEM / SMART SYSTEM / KNOWLEDGE DATABASE DISCOVERY / DATA MINING
Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Камаев В. А., Щербаков М. В., Бребельс А.
В статье рассматривается вопросы архитектуры и функциональности интеллектуальных систем автоматизации управления энергосбережением . Представлены компоненты системы, среди которых ключевым является модуль интеллектуального анализа данных и формирования знаний из данных. Отражены вопросы реализации блока интеллектуального управления энергосбережением .
Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Камаев В. А., Щербаков М. В., Бребельс А.
Современные инструменты автоматизированного сбора и систематизации данных с устройств учёта потребления энергоресурсов и датчиков
Анализ энергопотребления как основа результативной энергетической политики объектов промышленного и социального назначения
Задачи прогнозирования и планирования для программно-информационной поддержки технического обслуживания и ремонта оборудования
Intelligent automation systems for energy consumption control
The article dwells on the architecture and functionality of intelligent automation systems for energy saving management. The components of the system, among which a key module of data analysis knowledge database are shown. The issues of intelligent management implementation are discussed.
Текст научной работы на тему «Интеллектуальные системы автоматизации управления энергосбережением»
ношения частичного или линейного порядка между показателями ремонтопригодности, а значит и между самим планируемым для ремонта оборудованием. Выявление наиболее предпочтительных критериальных постановок для решения задач выбора на ремонт при таком подходе может быть осуществлено на основе лишь качественной информации о целях выбора, и от нее не требуется введение каких-либо количественных данных.
Таким образом, безусловный критерий Парето и условный лексикографический критерий, учитывающие степень информированности лица, принимающего решение, используются с целью выстраивания частичных и линейных порядков объектов в однородных группах. Они дают возможность сформировать стратегии проведения ремонтов и обслуживания оборудования адаптивно к задаваемым исходным данным.
Оптимизация работ по ТОиР в целом позволит сократить издержки на складские запасы, понизить аварийность оборудования и тем самым сократить возможные риски остановки производства.
Авторы считают, что в данной работе новыми являются следующие положения и результаты: предложен набор методов прогнозирования значений характеристик оборудования для планирования проведения работ по ТОиР оборудования; для построения очередей ТОиР предложено использовать методы поддержки принятия решений, основанные на использовании неметрических критериев предпочтения (безусловного критерия Парето и условного лексикографического критерия).
В данный момент происходит разработка программной системы автоматизации планирования ремонтных работ для ОАО «ПО «Баррикады» с использованием полученных результатов.
1.Кизим А. В. Обоснование необходимости автоматизации работ по ремонту и техническому обслуживанию оборудования // Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в техн. Системах». — Волгоград, 2009. — № 6. — С. 118-121.
2.Кизим А. В. Постановка и решение задач автоматизации работ по ремонту и техническому обслуживанию оборудования // Доклады Томского государственного университета систем управления и радиоэлектроники (Доклады ТУСУРа). — 2009. — № 2 (декабрь). — С. 131-135.
3.Кандырин Ю. В. Методы и модели многокритериального выбора вариантов в САПР. Учебное пособие для Вузов. М.: Издательство МЭИ, 2004. — 172с.
4.Кандырин Ю. В., Московский А. Е., Шкурина Г. Л. Методика формирования оптимальных очередей ремонтов по техническим характеристикам объектов // Известия Волгоградского государственного технического университета. — Волгоград, 2007. № 2. — С. 110-114
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ ЭНЕРГОСБЕРЕЖЕНИЕМ
В. А. Камаев, д. т. н., профессор, заведующий кафедрой Тел. (8442) 248 100, e-mail: kamaev@cad.vstu.ru М. В. Щербаков, к. т. н., доцент кафедры Тел. (8442) 248 100, e-mail: maxim.shcherbakov@gmail.com Кафедра Системы автоматизированного проектирования и поискового конструирования (САПР и ПК)
Волгоградский государственный технический университет (ВолгГТУ)
http://www.vstu.ru А. Бребельс, менеджер проектов Тел. +32 14 57 96 57, e-mail: adriaan.brebels@khk.be Католическая высшая школа Кемпена (KHKempen) http://www.khk.be
The article dwells on the architecture and functionality of intelligent automation systems for energy saving management. The components of the system, among which a key module of data analysis knowledge database are shown. The issues of intelligent management implementation are discussed.
В статье рассматривается вопросы архитектуры и функциональности интеллектуальных систем автоматизации управления энергосбережением. Представлены компоненты системы, среди которых ключевым является модуль интеллектуального анализа данных и формирования знаний из данных. Отражены вопросы реализации блока интеллектуального управления энергосбережением.
Ключевые слова: энергосбережение, управление энергосбережением, интеллектуальная система, извлечение знаний из данных, интеллектуальный анализ данных.
Keywords. Energy saving, energy management, intelligent system, smart system, knowledge database discovery, data mining.
Актуальность. Вопросы, связанные с мероприятиями по оптимальному использованию ресурсов при сохранении установленного уровня комфорта (для человека) или установленного уровня производства являются актуальными практически для любой страны. Решения оптимальные в силу минимизации целевой функции потребления электроэнергии позволяют формировать программы для систем потребителей и накопителей электроэнергии с учетом заданного (целевого) уровня комфорта или плана производства. Особенно актуальным становится вопрос при условиях рынка свободной торговли ресурсами, при которых 1) возникают альтернативы поставки электроэнергии (других ресурсов), 2) имеется наличие гибкие тарифы, зависящие от времени суток, 3) наличие альтернативных источников электроэнергии. В этом случае возникает ряд задач, требующих решения. Рассмотрим важные с точки зрения тематики статьи.
Первая проблема точного прогнозирования потребления электроэнергии [1]. От ее решения зависит качество выполнения обязательной процедуры для предприятий — формирование дневных/ недельных заявок на потребление электроэнергии. Отклонение фактического потребления от прогнозного влечет формирование штрафов, а следовательно и финансовых рисков для потребителей. Прогнозирование требует высокой квалификации эксперта и осведомленности об объекте и параметрах влияющих на потребление. Безусловно, это самый эффективный способ решения задачи (при достаточном уровне компетенции эксперта как специалиста в предметной области, так и в области разработки и применения механизмов прогнозирования). Отметим узкие места такого подхода: 1) сложность в обработке разнородной информации с различных источников данных; 2) проблема в оперативном формирование прогнозов для множества объектов; 3) высокая стоимость привлечения экспертов. При этом, решение технических задач сбора, консолидации и представления в необходимом виде исходной информации зачастую требуют до 50-60% времени от всей процедуры прогнозирования. В этом случае разработка интеллектуальных, использующих базу знаний о процессе является обоснованной. Вторая проблема связана с вопросами качества данных: насколько достоверна имеющаяся информация? Если возникают вопросы о достоверности данных, то соответственно справедливы и опасения о достоверности результата. Третья проблема — проблема выявления потенциала энергосбережения — такое дневное (недельное) потребление электроэнергии, которое возможно экономить при заданных условиях.
Следовательно, вопросы проектирования и разработки интеллектуальной системы автоматизации процесса энергосбережения, являются критичными и своевременными в области использования информационных технологий в вопросах ресурсосбережения.
Проектирование интеллектуальных систем автоматизации управления энергосбережением. При проектировании подобных систем необходимо принять во внимание следующие области знаний: разработка интеллектуальных систем, основанных на принципе функционирования биологических объектов, интеллектуальных систем управления, гибридных интеллектуальных систем, интеллектуальной обработки данных (дата майнинг) и извлечения знаний из данных (и аналогичных), эволюционных интеллектуальных систем [2-7]. Несмотря на большое количество подходов и теоретических изысканий, критичными вопросами в проектировании остаются: 1) выбор и формирование структуры модели объекта управления (идентификация); 2) проверка качества данных, 3) адаптация моделей к изменению поведения объекта; 4) интерпретация результатов и тиражирование; 5) формирование базы знаний как на основе методов извлечения знаний из экспертов (например, CBR), так и извлечения знаний из данных (CRISP-DM).
Рассмотрим предлагаемую архитектуру интеллектуальной системы. Система имеет основные компоненты [2, 8] (см. рис. 1):
1) семантический слой для выбора (описания) проблемы (не рассматривается в рамках настоящей работы);
2) диспетчер загрузки и определения качества данных;
3) диспетчер запросов;
4) хранилище данных со структурой OLAP с диспетчером загрузки информации со внешних источников данных и с прослойкой, обеспечивающей доступ к хранилищу (например, объектная схема данных, linq);
5) компоненты библиотек моделей и методов;
6) компоненты библиотек процессов (процесс -последовательность вызовов методов для решения проблемы;
7) метаданные или база знаний;
компонента интеллектуального формирования и управления процессами и потоками потока метаданных.
Компонент интеллектуального управления представляет наибольший интерес. Алгоритм работы компонента схож с алгоритмом принятия решения.
1) Анализ проблемы и исходных данных для решения проблемы.
2) Формирование альтернатив на уровне процессов (совокупности моделей) и на уровне настроек модели.
3) Формирование целевой функции, формирование системы ограничений, критериев выбора альтернатив решения на основе имеющихся знаний в базе знаний, критериев качества (точность, устойчивость).
4) Выбор процесса, оптимизирующего целевую функцию при ограничениях.
Таким образом, в результате функционирования интеллектуального блока формируются модели объекта управления (задача идентификации) и управляющего устройства (задача управления).
Рис. 1 Архитектура системы интеллектуального управления энергосбережением
Реализация блока интеллектуального управления энергосбережением. Процессы с точки зрения блока интеллектуального управления являются результатом его функционирования. В качестве входной информации выступают данные характеризующие объект управления (здесь потребитель или сеть потребителей электроэнергии), ограничения (на переменные, например, интервал изменения значений в определенный промежуток времени), целевые характеристики (точность модели, устойчивость). Кроме этого для синтеза процессов используется база знаний и реализация моделей и методов интеллектуальной обработки информации. Т.к. процесс — это последовательность применения моделей, выдели частные задачи: задача 1: формирование оптимальной с точки зрения целевой функции последовательности; задача 2: определение оптимального набора входных переменных первой и последующих моделей; задача 3: определение числа моделей в зависимости от числа идентифицируемых типов динамики объекта управления; задача 4: определение структуры и параметрическая оптимизация модели (ей).
Исходя из указанного выше, в состав блока процессов должны входить: 1) процесс анализа качества данных, 2) процесс прогнозирования и 3) процесс расчета потенциала энергосбережения.
Рассмотрим процедуры синтеза процесса прогнозирования. В качестве входной информации показания потребления электроэнергии, датчиков состояния предприятия (работает — закрыто), датчиков температуры, скорости ветра, временной отметки (дата — время). Информация собралась на протяжении времени T с интервалом в 15 минут. Целевая функция среднее квадра-
тичное отклонение (ошибка RMSE). Необходимо выполнить формирование прогноза на горизонте прогнозирования a. Имеется набор коннективистских моделей прогнозирования и моделей предварительной обработки информации.
Алгоритм блока характеризуется следующими шагами.
1) Определить число имеющейся информации (датчиков).
2) Выполнить анализ качества данных с использованием подхода выявления выбросов и аномалий на основе модели прогнозирования.
3) Выполнить однопараметрический анализ и построение однопараметрической модели прогнозирования потребления электроэнергии.
a. Выделить K выборок данных на основе сезонного анализа с одинаковыми статистическими характеристиками (на основе, например анализа хи-квадрат статистики).
b. Провести автокорреляционный анализ для выявления величины лага (n) и число переменных N. Сформировать K моделей ( на основе базисной модели скользящего среднего).
c. Вычислить среднюю ошибку E1.
d. Если ошибка превышает 10%, то выбрать в качестве базиса нейронные сети, сформировать и настроить K моделей.
e. Вычислить среднюю ошибку E2.
f. Если ошибка превышает 10%, то перейти к многопараметрическому анализу.
4) Выполнить многопараметрический анализ и построение многопараметрической модели прогнозирования потребления электроэнергии.
а. Для каждого сенсора провести подбор входных переменных: определить значение N — число точек временного ряда для включения в модель и n — число дискретных отсчетом между точками (причем n ? const). Выбор осуществляется на основе продукционных правил, имеющих высокий степень доверия. Правила имеют левую часть: 1) тип объекта управления; 2) статистические характеристики распределения величины потребления; 3) тип сенсора. В правую часть включены: 1) значения ,
2) уровень агрегации (15минут, 30 минут, 1 час, 4 часа, 12 часов, день).
b. Изменить вектор входных данных и выполнить формирование и параметрическую оптимизацию модели (моделей).
c. Вычислить среднюю ошибку E3 (или показатель интегральной точности IA) для рассматриваемых объектов [9].
5) Выполнить анализ потенциала энергосбережения сравнением прогнозных значений и измеренных.
Обсуждение результатов. Представлена концепция синтеза интеллектуальных систем автоматизации управления энергосбережением. Можно сформулировать следующие положения. Формирование процессов прогнозирования на основе приведенного ниже алгоритма позволит добиться формирования моделей прогнозирования в автоматическом режиме без участия эксперта на момент формирования и проверки моделей. Формирование базы знаний о процессе могут происходить в фоновом режиме, а знания о процессе формирования моделей прогнозирования извлекаться из данных.
Критичным вопросом при формировании моделей в условиях множественности объектов являются 1) точность прогнозирования и 2) скорость формирования процессов и модели. Для выбора наиболее оптимального процесс предлагается выполнять сверку нормализованных значений точности и скорости и соответствующих им весов.
Концепция была апробирована для решения вопросов анализа качества данных для выявления выбросов и аномальных значений и прогнозирования потребления электроэнергии в коммерческих зданиях.
1.Камаев В. А., Щербаков М. В., Панченко Д. П., Щербакова Н. Л., Бребельс А. Применение коннективистских систем для прогнозирования потребления электроэнергии в торговых центрах / Управление большими системами. Выпуск 31. М.: ИПУ РАН, 2010. С.92-109.
2.Методы классической и современной теории автоматического управления. В 5 томах. Том 5. Методы современной теории автоматического управления / Под ред. К. А. Пупкова, Н.Д. Егупов. — М.: Издательство МГТУ им. Н. Э. Баумана, 2004 год, 784 стр. ISBN: 5-7038-2193-2, 5-7038-2194-0
3.Гаврилов А. В. Гибридные интеллектуальные системы. — Новосибирск: Изд-во НГТУ, 2003. — 168с.
4.Frawley W. J. Knowledge discovery in databases: an overview/ W. J. Frawley, G. Patetsky-Shapiro, and C. J. Mathews // Cambridge: AAAI/MIT Press. — 1991.
5.Larose D. T. Discovering knowledge in data: an introduction to data mining / Daniel T. Larose // John Wiley & Sons, Inc. ISBN 0-471-66657-2 (cloth). — 2005.
бАкимов А. А., Богатырев В. Е., Финогеев А. Г. Системы поддержки принятия решений на базе беспроводных сенсорных сетей с использованием интеллектуального анализа данных // Сб. статей Международного симпозиума «Надежность и качество». — Пенза, Изд-во Приволжский Дом знаний, 2010 г. — с. 113115.
7.Камаев В. А., Щербаков М. В., Скоробогатченко Д. А. Применение нечетких нейросетевых моделей для идентификации состояния автомобильных дорог / Вестник компьютерных и информационных технологий. Вып. 12. М.: Научно-техническое издательство “Машиностроение”, 2010. С. 36-41
8.Коннолли Т., Бегг К. — Базы данных. Проектирование, реализация и сопровождение. Теория и практика. (3-е издание) // из-во Вильямс, 2003, 1440с.
9.Brebels A. Mathematical and statistical framework for comparison of neural network models with other algorithms for prediction of Energy consumption in shopping centres / Shcherbakov M.V., Kamaev V.A., et all / / Proceedings of the 37 Int. Conf. Information Technology in Science Education Telecommunication and Business, suppl. to Journal Open Education. Yalta — Gurzuf. — 2010. — P. 96-97.
РАЗРАБОТКА ХРАНИЛИЩ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ МОНИТОРИНГА УЧЕБНОЙ ДЕЯТЕЛЬНОСТИ КАФЕДРЫ
А. М. Бершадский, д. т. н., профессор Тел/факс: (8412) 36 84 48, e-mail: bam@pnzgu.ru,
И. П. Бурукина, к. т. н., доцент Тел/факс: (8412) 36 84 48, e-mail: burukina@rambler.ru А . А. Акимов, аспирант.
Тел/факс: (8412) 36 84 48, e-mail: akimov1987@gmail.com Пензенский государственный университет http://pnzgu.ru
The article deals with the development of data warehouse and the use of data analysis for monitoring the educational activities of the department. The technology of the development of data warehouses is described. The authors offer integration technology of data analysis and the concept of data warehousing.
В статье рассматриваются вопросы разработки хранилищ данных и использование методов интеллектуального анализа данных для мониторинга учебной деятельности кафедры. Описывается технология разработки хранилищ данных. Предлагается интеграция технологии интеллектуального анализа данных и концепции хранилищ данных.
Ключевые слова: хранилища данных, мониторинг учебной деятельности, интеллектуальный анализ данных.
Keywords: data warehouse, monitoring of educational activities, data mining.
Актуальность работы заключается в том, что в связи с возрастающими объемами статистической информации по учебной деятельности кафедры вуза, накапливаемой в распределенных, разрозненных источниках данных, и постоянно меняющимися требованиями к анализу информации актуальным становится построение хранилищ данных (Data Warehouse) для решения аналитических задач и использование методов интеллектуального анализа данных для мониторинга учебной деятельности. Концепция хранилищ данных получила развитие вследствие желания конечных пользователей иметь непосредственный единообразный доступ к необходимым им данным, источники происхождения которых организационно и территориально распределены [1]. Хранилище в этом случае является инструментом, обеспечивающим поддержку принятия обоснованных управленческих решений на базе технологии оперативного анализа данных (Online
Интеллектуальные системы энергосбережения в офисных помещениях
Важным этапом проектирования систем такого рода является выбор протокола управления обменом данных. Проанализировав существующие стандарты, автором был выбран EIB (European Installation Bus) – это общеевропейский стандарт международной ассоциации EIBA. Использования данного стандарта имеет преимущества:
позволяет автоматизировать управление различными системами помещения (освещение, охрана, отопление) без прокладки большого количества кабелей, а с использованием единой шины EIB;
упрощаются кабельные системы, существенно снижаются затраты на их проектирование и прокладку.
В простейшей конфигурации в состав системы входят источник питания с дросселем, сенсор и активатор. Источник питания обеспечивает компоненты системы питанием (постоянный ток, 24 В). Сенсор получает информацию извне и преобразует ее в EIB-сообщение (телеграмму). Активатор получает телеграмму от сенсора и выполняет содержащуюся в ней команду.
На следующем слайде изображена функциональная схема интеллектуальной системы управления энергосбережением офисного помещения. Исходя из поставленных задач автоматизации система управления состоит из трех подсистем, которые обеспечивают оптимальный эффект энергосбережения. К этим подсистемам относятся подсистема вентиляции и кондиционирования воздуха, подсистема отопления и подсистема освещения.
Все элементы, которые входят в состав интеллектуальной системы, соединены посредством единой шины instabus EIB. Кроме этого в системе присутствуют элементы, которые используют и другие физические среды для управления и обменом данными: силовые линии, витую пару, радиочастотная связь, инфракрасное излучение. Это позволяет использовать возможности управления и расширяемости системы, в частности при необходимости удаленное управление системой через Интернет.
Система управления предусматривает возможность управления и диспетчеризации через персональный компьютер, путем его подсоединения к центральному контроллеру, который имеет встроенные порты RS – 232 и USB 2.0. Так как стандарт EIB является децентрализованным, то возможно также и управление каждой подсистемой по отдельности. Для этой цели в состав подсистем могут входить свои собственные контроллеры и другие элементы управления.
В состав подсистемы освещения входят осветительные приборы коридоров, кабинетов, санузла и лестничных проемов, диммируемые люминесцентные лампы, датчики освещенности, датчики движения и присутствия, диммерные модули. При использовании датчиков движения свет в плохо освещенных коридорах управляется от датчиков движения. Они будут мгновенно включать свет во всем коридоре при появлении человека, и выключать его через 5-10 минут отсутствия какой-либо активности. В рабочих помещениях осветительные приборы могут располагаться на разном расстоянии от оконных проемов. В результате необходимо плавно регулировать уровень освещенности в сторону понижения уровня на тех приборах, которые размещены ближе к оконным проемам. Так как на рабочих местах возле окон выше естественный уровень освещенности. Использование датчиков освещенности и диммерных модулей позволяет регулировать уровень освещенности в зависимости от времени суток и поры года. Освещение в санузле включается по сигналу с датчика присутствия.
При проектировании подсистемы ВиКВ сравнивались 2 системы: сплит-система и система с чилеров и фанкойлов. Выбор остановился на второй. Совместима с EIB – инсталляцией. Подсистема вентиляции и кондиционирования воздуха состоит из следующих элементов: внутренние и наружные блоки, датчики микроклимата помещения, присутствия, контроллер системы вентиляции и кондиционирования воздуха, датчик наружной температуры. Система прогнозирования комнатной температуры относительно изменения наружной позволяет с наибольшей точностью поддерживать установленные параметры. Погодные условия и смена времени суток, влияющие на изменения микроклимата в помещении, учитываются системой управления благодаря внешнему температурному датчику. Считывая данные изменения внешней температуры, кондиционер соответственно изменяет климатические параметры внутри помещения и, к примеру, заранее уменьшает интенсивность охлаждения, если внешняя температура понизилась. Вытяжная вентиляция в санузле запускается по сигналу с датчика присутствия.
Подсистема отопления комплексно взаимодействует с системами вентиляции и кондиционирования. В подсистеме отопления предусмотрены «интеллектуальные» исполнительные механизмы, – сервоприводы термостатических головок, – которые способны отрабатывать управляющие сигналы, поступающие от комнатных регуляторов температуры, датчиков температуры помещения. Предусмотрено автоматическое регулирование системы отопления, обеспечивающее температуру теплоносителя системы отопления в зависимости от температуры наружного воздуха и времени суток.
На слайде показаны блок схемы алгоритмов управления подсистемами офисного помещения. Функционирование алгоритмов происходит аналогично: запускается управляющая программа, происходит опрос датчиков, на основании полученных данных выполняется операция сравнения, если условие выполняется – происходит выполнение действия, в противном случае опрос повторяется по циклу.
В разделе охраны труда на примере отдельного помещения были рассчитаны и сравнены с нормой следующие параметры помещений. Так как некоторые из них не соответствуют норме, то были предложены мероприятия по их улучшению.
В экономическом разделе выполнен расчёт полной себестоимости, цены и срока окупаемости интеллектуальной системы управления энергосбережением офисного помещения. Целесообразность внедрения разработки подтверждена экономическим эффектом, который в денежном эквиваленте составит порядка 9000 грн. годовой экономии финансовых средств на сбережении энергоресурсов.
VII Международная студенческая научная конференция Студенческий научный форум — 2015
В настоящее время встает все больше проблем, связанных с качественным и количественным обеспечением электроэнергией. Возникает необходимость принятия быстрых и эффективных решений, которые смогли бы вывести мировую энергетику на совершенно новый уровень развития. В этой связи в электроэнергетике имеют место следующие задачи: обеспечение потребителей достаточным количеством высококачественной электроэнергии, минимизация затрат на производство и передачу энергии, оперативное реагирование на любые изменения в сети, использование в процессе производства энергии возобновляемых экологичных ресурсов. На данный момент западными специалистами разработана и активно внедряется технология Smart Grid, позволяющая решить поставленные задачи.
Интеллектуальные энергосистемы (Smart Grid) — это автоматизированная система, самостоятельно отслеживающая и распределяющая потоки электричества для достижения максимальной эффективности использования энергии. Использование современные информационных и коммуникационных технологий, позволяет взаимодействовать оборудованию сети Smart Grid друг с другом, образуя единую интеллектуальную систему энергоснабжения. Собранная с оборудования информация анализируется, а результаты анализа помогают оптимизировать использование электроэнергии, снизить затраты, увеличить надежность и эффективность энергосистем [1].
Основой интеллектуальной сети являются информационно-коммуникационные технологии. Предпосылками для образования таких сетей являются следующие технологии и свойства: системы скоординированного управления и распределенной автоматизации и контроля, распределенный интеллект устройств, интеграция системы управления с операционными устройствами и коммуникация замеренной даты для целей управления и принятия решений. Для обеспечения работы Smart Grid, энергосистема должна иметь программное обеспечение, созданное на основе методов искусственного интеллекта. Интеллектуальный учёт позволяет осуществлять передачу данных о количестве потреблённой электроэнергии в режиме реального времени. Счётчики такой системы способны отследить данные по каждому бытовому устройству и установить определённые правила работы в часы максимальных нагрузок. Интеллектуальные счетчики электроэнергии — так называемые «смарт метры» — позволяют оценивать расход энергии и передавать данные оператору и потребителю по сотовой связи, Wi-Fi и другим беспроводным каналам связи. Счетчики электроэнергии можно запрограммировать на коммуникацию с различной бытовой техникой и управлять ей с учетом различных условий тарификации. Интеллектуальные счетчики позволяют обнаруживать потери энергии в сетях, облегчая, таким образом, поиск и устранение дефектов на линии [2].
Владельцы «Умного дома» смогут управлять своим жилищем дистанционно, с помощью iPad или другого электронного устройства через специальную веб-страницу. Управление приборами учёта на расстоянии, позволит энергетическим компаниям увеличить эффективность распределения между потребителями электроэнергии и сократить до минимума кражи электроэнергии, а также эффективнее бороться со злостными неплательщиками. Динамическое управление сетями позволяет подключить к интеллектуальной сети всё оборудование электросетевого хозяйства, в результате чего, единый центр будет видеть текущее состояние устройств, не покидая главного офиса в любой момент времени. Это позволит более оперативно реагировать на аварии и сбои в системе. Система Smart Grid регулирует спрос, перераспределяя его по времени суток. Использование всех энергопотребляющих устройства в дневное время, усиливает нагрузку на сеть, Smart Grid предлагает часть из них запускать в работу в ночное время – часы минимальной нагрузки, выравнивая тем самым, график нагрузки на сеть. Система интеллектуального учёта подразумевает под собой безопасный обмен данными. Потребитель должен быть уверен в том, что данные о его количестве использованной энергии не будут «перехвачены» злоумышленниками, не будет искажена, и что никакое «третье лицо» не вмешается в процесс информационного обмена. Интеллектуальная IP-сеть во многом решает вопросы как информационной, так и физической безопасности. Интеллектуальные сети Smart Grid из-за непрерывного мониторинга использования энергии, позволяющего потребителю более точно прогнозировать и контролировать своё энергопотребление, в значительной степени его дисциплинирует и, тем самым, положительно влияет на энергосбережение в целом. Задача для электросетевого комплекса интеллектуализации сети является одной из важнейших. Сейчас уже реализуются проекты внедрения интеллектуальных систем учёта потреблённой энергии, однако, при нынешних проблемах ввода подобных систем, данный процесс идёт медленными темпами [3].
В настоящее время Smart Grid эффективно применяются за рубежом. В некоторых штатах США проводились исследования по вводу «интеллектуальных» сетей. В результате снизились пиковые нагрузки на электросеть. В среднем на 10% уменьшились счета за электричество, при этом его стоимость увеличилась на 15% [3]. С 2007 года создание системы Smart Grid – один из национальный приоритетов Соединенных Штатов. По некоторым оценкам использование системы Smart Grid к 2020 году позволит США сэкономить около 1.8 трлн. долл. за счет снижения потребления энергии и повышения надежности [3].
Интенсивность инвестиций Китая в интеллектуальную энергетику позволяет экспертам прогнозировать, что в ближайшее десятилетие КНР выйдет в лидеры по темпам роста рынка компонентов Smart Grid. При нынешней динамике развития этого сегмента прогнозируется, что в период 2011-2021 годов он достигнет уровня среднегодового роста в 6% до 1,43 трлн долларов. КНР в таком случае объективно обойдет США, где на сегодняшний день этот показатель составляет 4%. В результате Китай может выйти на передовые позиции и стать мировым лидером на рынке Smart Grid [4].
В России наблюдается повышенный интерес к рассматриваемой технологии, неслучайно приоритетным развитием науки, технологий и техники в Российской Федерации признано направление «Энергоэффективность, энергосбережение». В 2008 году был подписан Указ Президента «О некоторых мерах по повышению энергетической и экологической эффективности российской экономики», в котором сформулирована цель снизить к 2020 году энергоемкость ВВП РФ не менее чем на 40% по сравнению с 2007 годом. Одним из первых городов РФ, в котором была внедрена система Smart Grid, стал город Белгород, вошедший в общемировой проект «Умный город». В ряде распределительных сетей Белгорода установлены специальные устройства, которые помогают с большой точностью определить место разрыва проводов и отключить в данном случае только небольшое количество потребителей электроэнергии. Так же в городе действует «умное освещение», контролирующее энергопотребление, состояние сетей, число работающих ламп. Система поэтапно управляет уличным освещением в зависимости от условий видимости и количества людей на улицах [5].
По мнению экспертов, на первом этапе внедрения Smart Grid в России возможна реализация только принципов наблюдаемости, автоматизации. Это означает, что, в первую очередь, будут внедрены информационные технологии (автоматический учет, телемеханика, системы защиты и т.п.). Далее — цифровые подстанции. Для сети Smart Grid в России имеются достаточные предпосылки. Следует отметить исследования отечественных ученых в области теории управления большими энергетическими системами и кибернетики энергосистем, ряд положений и результатов которые применяются в зарубежной идеологии преобразования электроэнергетики. В то же время имеются объективные сдерживающие факторы внедрения Smart Grid: степень развития информационных технологий, силовой электроники, альтернативных источников электроэнергии. Неоправданно заниженная стоимость электроэнергии для бытового потребления и неготовность бытового потребителя к планируемой либерализации трафика. Высокий уровень потерь в сетях. Растущее несоответствие требования международного сообщества в части охраны окружающей среды [6].
Таким образом, внедрение интеллектуальной энергосистемы в нашей стране связано с техническим прорывом в области коммуникаций, технологических решений по развитию альтернативных источников энергии, разработкой моделей и алгоритмов функционирования энергосистемы на основе методов искусственного интеллекта: теории нечетких множеств и нечеткой логики, нейросетевых технологий, генетических алгоритмов.
Список используемой литературы
Ледин С.С., Игнатичев А.В. Развитие промышленных стандартов внутри- и межсистемного обмена данными интеллектуальных энергетических систем // Автоматизация и IT в энергетике, 2010, № 10.
Концепция энергетической стратегии России на период до 2030 года (проект). Прил. к журналу “Энергетическая политика”. – М.: ГУ ИЭС, 2007.
Бударгин О. «Умная сеть — платформа развития инновационной экономики». — Круглый стол «Умные сети — Умная энергетика — Умная экономика», Петербургский международный экономический форум, 17 июня 2010 г.
Дорофеев В.В., Макаров А.А. Активно-адаптивная сеть – новое качество ЕЭС России // Энергоэксперт, 2009, № 4 (15).
Михеев Евгений Александрович
ФГБОУ ВПО «Оренбургский государственный университет», электроэнергетический факультет, 3 курс
Источник https://cyberleninka.ru/article/n/intellektualnye-sistemy-avtomatizatsii-upravleniya-energosberezheniem
Источник https://vunivere.ru/work39234
Источник https://scienceforum.ru/2015/article/2015009612
