••

~ASOPIS HRVATSKE ELEKTROPRIVREDE

)K621.31 ENJAAC47 (2) 81-176 ISSN0013-7448

JERGIJA. GODINA 47 • BROJ 2 • STRANA 81-176 • ZAGREB, TRAVANJ 1998

UDK 62 1 3 1 ENJAAC47(2)-( 1998) 81 ·176 ISSN 0013·7448

(ASOPIS HRVATSKE ELEKTROPRIVREDE

IZDAVACI- PUBLISHER

Hrvatska elektroprivreda

POMOC U IZDA VANJU

Ministarstvo znanosti, tehnologije informatike

IZDAVACKI SAVJET - THE PUBLISHING COUNCIL

Mr. sc. Branko Grgie, dipl. ing. (predsjednik), HEP Split­Adrijano Fiser, dipl. ing., HEP Rijeka - Marijan Kalea, di­pI. ing., HEP Osijek - Damir Karal'idol'ie, dipl. ing., HEP Osijek - Mr. sc. Mladen Mandie, dipl. oec., HEP Zagreb­dr. sc. Vladimir MikuliCie, dip!. ing., FER Zagreb - dr. sc. Niko Malbasa, dip!. ing., Ekonerg, Zagreb

UREDNICKI ODBOR· EDITORIAL BOARD

Glavni urednik - Editor-in-chief: dr. sc. Zorko C\'etkol'ic, dipl. inz.

Urednik - Editor: Zdenka Je/ie, prof.

Urednici rubrika - Contributing Editors: »Energetski siste­mi«, dr. sc. Goran Grallie, dipl. ing. - »Hidroelektrane«, Vla­dimir Pri:!, dipl. ing. - »Termoelektrane i toplane«, Ivan VI/cetie, dipl. ing. - »Prijenos elektricne energije«, mr. sc. Zdenko Tonkol'ic, dip I. ing. - »Razvoj, distribucija i potro­snja elektricne energije«, Mladen Jdie, dip!. ing. i Dasenko Baldasari, dipl. ing. - »Ekonomsko poslovanje i tarifna po­litika« , dr. sc. Jure SimOl'ie, dipl. ecc., mr. sc. Mladen Man­die, dipl. ecc. i Marijan Magdie, dipl. ecc. - »Ekologija«, dr. sC. NikoMalbasa, dipl. ing. - »Informatika«, Nikola Las­trie, dip!. ing. - Tehnicki urednik - Technical Editor: Bran­ko MaliS - Lektor - Lingvistic Adviser: Simun Cagalj, prof. - Metroloska recenzija - Metrologic review: mr. sC. Mladen Zeljko, dip!. ing.

Redakcija zavlScna 1998 - 03 - 01

•• energlJa Godi~te 47 (1998) Zagreb Br.2

SADRZAJ

Buduci razvoj hrvatske veleprijenosne mre.ze (Okrugli stol HK CIGRE) ..................... ............... ............................ .................. 83

KleCind F: INIS - medunarodni nuklearni informacijski su,: . (Preg1edni clanak) ....... .. .... ......... ...... .... .. ........... .. ... ............... 101

Hladki N.: Pokretni uredaj za obradu opasnog organskog otpada-PUTO (Strucni clanak) ................. ....... ................. ....... .. ........ 107

KO\'acek P - Kufner D. - Filipan v.: Obnova hidrogeneratora u HE Varazdin (Strucni clanak) .......... ..... .. ........... ... .... ............. 117

Ko:!elj M.: Hipotetske nesimetrije u strujarna dalekovoda 400, 220 i 110 kV u Sloveniji (izvorni znanstveni clanak) ........... 123

Ku:le I. - Plal'§ic T. - Te§njak S.: Primjena neuronskih mrefa za sekundarnu regulaciju napona i jalove snage (Izvorni znanstveni clanak) ............................ .. ........... ......................... 133

Domac l. - RukQl'ina T.: Proracun troskova proizvodnje biomase na plantazama brzorastuceg drveca u Hrvatskoj primjenom program a BIOCOST (Prethodno priopeenje) ..... .. ................. 141

Cabrajac S. - Musulin B. - Kraic Z, - laman N.: Obnavljanje svojstava transformatorskog ulja (Slrucni clanak) ................ 147

Vijesti iz elektroprivrede .. .. .. .. ....... ..... ... .. ... .......... ... ... ............... 153 Iz strane strucne literature .................. ................... .................. 164

Fotografija na omotnoj stranici PUMPNE STANICE NA OMBLI

Casopis je ubilje:zen u Ministarstvu kulture i prosvjete - Sek­tor infonniranja pod brojem 161 od 12. II. 1992. a prema mis­Ijenju istog ministarstva osloboden je placanja poreza na pro­met (ljesenje 532-03-1/5-92 od 3. studenoga 1992).

U r(!dni.fI1 'o i upra\'Q :

Zagreb. Ulica grada Vukovara 37

Telefoni 6125-641 i 6125-111/641, telefax 6170-438

Godisnje izlazi 6 brojeva. Godisnja pretplata za pojedince iznosi 300,00 kn. a za poduzeca i ustanove 480,00 kn (za studente 70,00 kn).

Cijena pojedinog broja u prodaji 50,00 kn.

Za inozemstvo $ 95 godisnje.

tiro raeun kod ZAP, Zagreb - Hrvatska elektroprivreda (za »Energiju«) broj 30 I 0 1-604-495

Tisak - Print: ZRINSKI d.d .. Cakovec

Naklada I ()()() primjeraka

.• '?}

PRIMJENA NEURONSKIH MREZA ZA SEKUNDARNU REGULACIJU NAPONA I JALOVE SNAGE

Me. sc. Igor K u z I e - Tomislav P I a v 5 i c - prof. de. sc. Sejid T e 5 n j a k, Zagreb

UDK 621.3.072.8:621.316.728 IZVORNI ZNAi\STVENI CLANAK

Opisanajc primjcna umjctnih ncuronskih mrci3 (UNM) za automatsku sckundamu rcgulaciju napona i jalovih snaga. Sckundami (U-Q) regulator. jcdnc rcgulacijskc zone. jc rcaliziran primjcnjujuCi unaprijcdnu viscslojnu neuron sku strukturu (viscslojni pcrccptron). Regu­lator sc sastoji od dvijc povczanc ncuronskc mrci:c (NN I i i'iN II). a svaka od njih sadrii dva skrivcna sloja s po 5 ncurona u prvom i 15 neuron:! u drugom skrivenom 510ju. Za rcgulacijska srcdstv:J. koristcnc su rcgulacijskc clcktrane i kondcnzatorskc baterijc. s Iczistcm na maksimalnoj uporabi kondcnzatorskih batcrija. Rad rcgulatora je isrilan na primjeru modificirane IEEE test nueZc s 14 cvorista i dobivcni su zado;"o!javajuci rczultati. a rcgu!ator jc odrZa\'ao napon pilol-cvorista unutar podrucja ± 1 % od postavnc vrijcdnosti .

. Kljucne rijcci: napon, jaiov3 snaga, sekundarna (U-Q) regu-

1. UVOD

lacija, pilot-evoriste, umjetne neuronske mreZc, viScsJojni percept ron, algoritam pO\Tatnog ra­sprostiranja_

Temeljni zadatak regulacije napona i jalove snage (U-Q regulacija) u stacionamom (norrnalnom) pogonu je odrzavanje napona unutar propisanih ogranicenja u svim cvoristima EES-a. To se ostvaruje odrl...avanjem ravnoteze izmedu proizvodnje i potrosnje jalove snage u sustavu. uk­Ijucujuci i odgovarajuce gubitke. Postoji veti broj razlicitih reguIacijskih sredstava koja se koriste u (U-Q) regulaciji [1], a mogu se podijeliti u dvije osnovne skupine:

1. Sredstva za proizvodnju/potrosnjujalove snage (sinkroni genera tori, kompenzatori i motori, kondenzatorske ba­terije, prigusnice, staticki kompenzacijski sustavi).

2. Sredstva za preraspodjelu tokovajalove sna'ge (regula­eijski transfomlatori, kondenzatori i 'prigusnice 5 dis­kretnim upravljanjem).

U danaSnjim .EES-ima problem (U-Q) regulacijeje sve zna­cajniji, prvenstveno zbog utjecaja na stabilnost napona ci­tavog sustava, kao i zbog utjecaja na gubitke jalovih snaga (i gubitke opcenito) u sustavu. Pri tome se najcesce pri­mjenjuje (U-Q) regulacija s vise hijerarhijski odvojenih ra­zina [1,2], kako bi se ostvarila sto bolja koordinacija regu­lacijskih sredstava u sustavu. Osim toga, na taj se nacin pokusava povecati uCinkovitost primamih (U-Q) regulato­ra koji cesto, zbog svoje neosjetljivosti, ne reagiraju na male poremecaje u sustavu, sto za posljedicu moze imati zna­cajne promjene napona u nekim cvoriStima EES-a (pogo­tovo ako su ta evorista elektricki udaljenija od evorista s regulacijskim uredajima), pa cak i slom napona u sustavu. Primama regulacijaje lokalnog karaktera, a provodi se na razini jedinica. Djelovanje na promjenu postavnih vrijed­.nosti primamih rcguJatora nazi va se sekundama regulaei­ja napona i jalovih snaga i provodi se na dijelu mreze. Ko­ordinacija djelovanja svih sekundamih regulatora s ciljem optimiranja raspodjcle tokova jalovih snaga u eije!om su­stavu predstavlja tcrcijarnu regulaciju napona i j310\'ih sna-

gao Tercijama regulacija provcidi se za jedan elektroener­getski sustav kao cjelinu. lake se sekundamom regulaci­jom postizu znacajna poboljsanja~ njezin glavni nedosta­tak je 5to se najeesce izvodi rueno, pa se pojavljuju rela­tivno 'velika vremenska kasnjenja u izvooenju pojedinih regulacijskih naredbi. Osim toga. dolazi do dodatnog op­tereCivanja operatera jer je najcesce potrebilo izvesti po­desenja u vise koraka, dok se ne ostvari odgovarajuca ko­ordinacija regulacijskih sredstava. Zbog poboljsanja ueinkovitosti cijelog sustava regulacije uocenaje potreba za koordiniranom i automatiziranom (U­Q) regulacijom na visim hijerarhijskim razinama. Teznja je razvoj decentralizirane strategije upravljanja temeIjene na automatskoj sekundamoj regulaciji napona ijalovih sna­ga u okviru pojedinih regijaEES-a [2]. Iakoje ovakva kon­cepeija (U-Q) regulacije vee primijenjena u nekim EES­ima [3,4,5,6],jos.uvijek nije na zadovoljavajuci nacin ri­jesen problem opisa nelineame prirode EES-a, tj. ulazno­izlazna ovisnost izvedenih sekundamih regulatora je line­ama. Takva aproksimacija zadovoljava u 80-90 % pogon­skih slu.cajeva. ali U ostalom broju sIucajeva regulator ne­ce dati ispravan odziv 5"to se moze odraziti na naponsku stabilnost sustava. Rjesenje tog problemaje u uporabi ne­kih od metoda umjetne inteligencije, jer se njima om9gu­cava zadovoljavajuee rjesavanje nelineamih problema. U svijetu se umjeme neuronske mreze trenutno najvjse primjenjuju [7], za prognoziranje potrosnje [8,9], procje­nu pogonske sigumosti EES-a [10,11,12,13), otktivanje kvarova u prijenosnom sustavu [14], za nadzor i vodenje sustava [15,16]. Ovim radom se njihova primjena prosiru­je i na sekundamu regulaciju napona i jalovih snaga.

2. OP(:ENITO 0 UMJETNIM NEURO;\SKIM MREZAMA

2.1. SVOjstv3 i struktura

Umjetna neuronska mreza (UNM) je vcliki paraleino ra-

133

L Kuzle - T. P!;l\'~ic - S. 1,8nj;\I,: l'Timj..-n;\ n,,-uf(ln~kih mrd .. \ .

spodijeljeni proccsor s ugradcnim svojstvom pohranjiva­nja i naknadnog koristenja iskustvenog znanja. Znanje se u neuronskoj mrezi pohranjuje u meduneuronskim veza­rna (sinaptickim tez.inama), a "ugraduje" se u mreiu u tzv. procesu uc~nja neuronske mrezc. Uccnje se temelji na ite­racijskom procesu tijekom kojeg rnrcza nastoji podesiti svoje parametre kako bi 5to bolje nadomjestila (tj. opisa­Ia) zadanu ovisnost izlaznog signala 0 ulaznom signalu. Model neurona prcdocen je na slici 1. Izlazni signal k-tog neurona racuna sc prema:

" Yk = cp( 2: w.(j· Xj -8.(') j~l

gdje su: (I)

x. U:::I, ... , p) ulazni signali \\\_ U=I, ._., p) sinapticke tezine neurona k 0 .. Jstep funkcija neurona k tzv. bias <p(') aktivacijska iii prijenosna funkcija i YI,: izlazni signal neuron a k.

Bias 01; se moze proinatrati kao dodatna sinapticka tezina sa stalnom ulaznom vrijednoscu<p(·), odnosno kao pomak grafa prijenosne funkeije <p(') u desno za vrijednost 13

k, Vri­

jednost bias-a moze biti stalna tijekom proracuna iIi se moze mijenjati zajedno s vrijednostima ostalih sinaptic­kih tezina. Prijenosna funkcija <p(.) odreduje izlaz neuro­na. Da bi se u strukturu neurona uvela nelineamost, naj­ceste se koristi sigmoidna prijcnosna funkeija (2):

1 '1'(x) ~ ---''--­

I +cxp(-a'x) (2)

Sigmoidna funkcijaje strogo rastuca, diferencijabilna, ne­prekidna funkcija, koja ima asimptote, a parametar a odre­duje nagib prijenosne funkcije. Pri koristenju umjetnih neuronskih mreza pokusava se ma­tematickim modelom sto bolje kopirati bioloska struktura zivcanog sustava te tako razvijeni model primijeniti za rjesavanje razlicitih problema koji se klasicnim postupci­rna ne rnogu rijesiti zadovoljavajucom brzinom i tocnost1. Glavne znacajke UNM su:

uluni sig'n~li

x,

!inaptitke tdillc'

aktivatij$k.l . . funki::ija'

zbfaj~!~ / I . ".

! ". slep f~~k..:iia (bias)

Slika 1. Model neurona

izlnni sigllal

Y.

l.sposobnost zakljuCivanja 0 nepoznatoj ulazno-izlaznoj ovisnosti iz predocenih podataka

2. sposobnost poopcenja (eng. generalization), odnosno da­vanja pri~vatljivog izlaznog signaIa za ulazne podatke koji nisu koriS-teni tijekom proeesa ucenja

3. nelineamost 4. paralelna struktura, koja omogucuje veliku brzinu izvo-

denja proracuna.

Neuronska mreza sastoji se od neurona medusobno pove­.zanih sinaptickim vezama. Neuroni su poslagani u sloje­vc. gdje je broj neuron a izlaznog sIoja odreden brojem izla­znih podataka mreze, dok broj unutamjih slojeva (skrive-

13~

Encrgija. god. 47 (1998) 2. 133-140

ulazni sloj

skri'Vcni sloj

waUli sloj

Slika 2. Model unaprijedne mreie (viSeslojni perceptron)

ni slojevi) i broj neurona svakog skrivenog sIoja nije fik­san i odreduje se po potrebi. Na sliei 2 predQcenaje UNM razvijena koristenjem unaprijedne viseslojne strukture (viSeslojni perceptron). .

2.2. Algoritam povratnog prostiranja

Najcesce koristeni algorilam za ucenje UNMje algoritam povratnog prostiranja (eng. back pr9pagation). Znacajka muje dvostruki prolaz kroz mrezu: proia::: unaprijed (eng. forward pass) ipovrallli prolar (eng .. backward pass). Uce­nje se izvodi na taj natin da se nueza opskrbi parom ula­znih podataka i zeljenog (iIi zeIjenih) odziva. Na temelju ulaznih podataka rnreza proraeunava konacne odzive y. (j;.] , ... ,c); gdje je e-broj neurona izlaznog sloja; koji se zhtim usporeduje sa zeljenim odzivima. Razlika svakog para proraeunati odziv-zeljeni odziv daje signal greske e_, a trenutni zbroj svih kvadratnih gresaka izlaznog sIeJa mreze u n-toj iznosi:

1 ' , S(II)~?Lej(lI) (3)

- j~1

Zbrajanjem 1',(11) (11=1 , ... ,N); gdje je N - ukupan broj uzo­raka u ispitnom skupu te nonniranjem prema velicini (N) ispitnog skupa. '~aeuna se srednja kvadratna greska: .

1 N SSR ~ - g(lI) (4) N

n_

1

Trenutni zbroj kvadratnih gresaka S(II) i srednja kvadrat­na greska l;SR funkcije su svih parametara neuronske mreze (sinaptickih tezina i biasa). Derivacija trenutnog zbroja kva­dratnih gresaka po pripadnim sinaptickim tezinama al;( 11)1 dw.(n) (w .. (n) je sinapticka tezina izmedu izlaznog neuro-

J!. Jl .. . na J I sknvenog neurona 1) prostIre se povratlllm putem kroz mrezu, unutar koje se odredenom iteraeijskom meto­dom narnjestaju parametri mreze s ciljem minimiziranja SSR' [17]:

W~/Il + I) = Wkj(ll) + 6.Wkj(lI)

8,(11 + 1) ~ 8,(11) + M,(II) (5)

Nakon prolaska signal a greske kroz mrezu, mrela se ops­krbljuje novim parom ulaz -zeljeni adziv, a eitav se postu-

L'

p v

s h t,

r 2

}

r·

I .

o L Kuzk - T. I'la .. ~ic - S. Tdlljak: l"rjrn.i~na lh'\Jr{ln~kih mn~71t .

~ 0.5 ''1, ~

U, " " " ~ 0 'D ~

j;;

" " ~ '9' -0.5 ~

-4

Sinapticka teiina w

Slika 3. Trodimenzionalna povrsina grcske viSeslojne neuronske mrezc

pak ponavlja. Nakan sto je mreza opskrbljena svim paro­virna ulaz - zeljeni odziv koji su na raspolaganju (ispitni skup), ostvarena je jedna epoha unutar procesa llcen ja. Epo­he se ponavljaju sve dok se ne postigne zadovoljavajuca tocnost proracuna, nakon cega je unutamja struktura neu­ronske mreze taka podeS-ena da joj omogucuje rjesavanje zadanog problema. Algoritam povratnog prostiranja, Cije se izvodenje temelji na obrascu ucenja pod nactzorom, najnesigumiji je, i teo­rijski najmanje doraden upravo na polju konvergencije. Ovaj aIgoritam ovisi 0 gradijentu povrSine greske u visedi­menzionalnom prostoru ciji su parametri vrijednosti si­naptickih tezina i biasa neuronske mreze (stika 3).Algori­tam je po prirodi stohasticki i ima svojstvo vrlo spore ko­nvergencije. Osim spore konvergencije, znacajanje i pro­blem koji se odnosi na postojanje lokalnih minimuma duz povrSine greske. Ako pogonska tocka algoritma dode u lokalni minimum povrsine greske, moze se desiti da se proracun zaustavi iako postoji drugi skup vrijednosti si­naptickih tezina za koji je l;SR manja, tj. iako postoji glo­balni minimum funkcije. Postignuto je stanje nezeljeno,

.pogotovo ako je lokalni minimum znatno iznad gIobal­nog. Ovaj se problem nastoji izbjeCi uvodenjem momen­tuma, tj. proracunom krivulje greske sa sarno jednim mi­nimumom iii nekim drugim izmjenama samog algoritma [17J. lake se ne moze sa sigurnoscu tvrditi da ce algori­tam povratnog prostiranja konvergirati za svaki problem kod kojeg se primijeni, mogu se definirati kriteriji zau­stavljanja algoritma. Smatra se daje algoritam povratnog prostiranja konvergi­rao kada je Euklidova norma vektora gradijenta dostigla dovoljno malu vrijednost, tj. kada je apsolutna vrijednost

Encrgija. god. 47 (1993) 2. 133-140

promjene srednje kvadratne greske po cpohi dovoljno mala (0.1-1 % po epohi). Dakie, aigoritam povratnog prostira­nja bit ce zaustavljen pri vrijednosti vektora sinaptickih tezina \1'''00 kada jc Ig(w~on)! = E, gdje je E dovoljno mala vrijednost gradijenta g, iii, l;SR (w"on) = T gdje je T dovotj­no mala vrijcdnost srcdnje kvadratne greske.

2.3. Lcvcnberg.Marquardtova metoda

Klasican aigoritam povratnog prosliranja koristi optimi­zacijsku metodu najstrmijcg pada (eng. steepest descent) gradijenta visedimenzionalne povrSine greske za namjesta­nje svojih parametara, s ciljem minimiziranja funkcije sred­nje kvadratne greske (SR. Koristenje Levenberg - Marqu­ardtove optimizacijske met ode (18.19J znatno poboljsava algoritam i ujedno rjesava problem konvergencije algorit­mao Levenberg - Marquardtova metoda predstavlja aprok­simaciju Newton - Gaussove mctodc. S obzirom daje ciIj pronati rjesenje x' za kojeje kvadratna funkcijaF(x) mi­nimizirana, u svakom se koraku dx u nekoj tocki p procje­njuju Hessian-ova mat rica H i gradijent g:

dx = x- p = -H-I g (6)

Hessian-ova matrica H predstavlja matricu drugih parci­jalnih derivacija funkcije F:

H=V'F

a g je gradijcnt funkcije F:

g=VF

(7)

(8)

Levenberg - Marquardtovo pravilo namijestanja glasi:

dx= -IH+fll),'g = -lIT I + fll),' IT e (9)

gdje je J Jacobi-eva matrica derivacija svake greske pre­rna svakoj sinaptickoj tezini, e je vektor greske, J je jedi­nicna matrica, a fl Levenberg - Marquardtov (LM) para­metar. Ako je LM parametar velik (u --> =), izraz (9) ce aproksimirati u metodu najstrmijeg pada, a ako je LM pa­rametar mali (~ = 0) izraz (9) ce postat! Gauss-Newtono­vajednadzba. Pri tome ce se vlastita vrijednost matrice H povecavati U ovisnosti 0 ~L S obzirom da je Gauss-Newtonova metoda br7..3 i puno tocnija blizu minimuma greske, eilj Levenberg - Marqu­ardtove metode je sto brz.e prijeti u Gauss-Newtonovu mc­todu. Nakoo svakog uspjesnog koraka dx (smanjivanje greske), LM parametar se smanjuje, a nakon svakog neu­spjesnog koraka povecava.

3. IZVEDBASEKVNDARNOG V-Q REGVLATORA

Pri realizaciji sekundarnog U-Q regulatora postivane su sljedece postavke:

1. regulacijska sredstva kojima upravlja zonski regulator napona i jalove snage su regulacijske elektrane i kon­denzatorske baterije

2. regulacija se u maksimalnoj mjeri koristi kondenzator­skim baterijama, uz ogranicenje sklopnih djelovanja ba­terija na cetiri puta dnevno, zbog vijeka trajanja bateri­ja

3_ udjeJi regulacijskih elektrana u regulaciji (q) su pro­mjenjivi, a udjcli kondenzatorskih batcrija (qru) su fik­sni i ovise 0 kapacitetu pojedine baterije.

135

l. Kul.lc . T. Plav~ic . S. Tci:njak: Prillljcna ncuronskih Illrd.;! .

Na ovim se postavkama temelji priprema podataka potreb­nih za ucenje neuronske mreze, da bi se ostvario zeljeni nacin sekundame regulacije EES-a, tj. jedne regulacijske zone. Jednom istrenirana i provjerena neuronska mreza opi­suje samo onaj sustav ciji su podaci korisleni u procesu ucenja. Za bila koji drugi sustav potrebno je, ponovo cje­lavito analizirati moguca pogonska stanja tog sustava kao i pozeljne nacine regulacije, te zatim pripremiti podatke potrebne za ucenje neuronske mreze. Priprema podataka za ucenje mreze je ujedno i najveci problem pri koristenju neuronskih mreza. Osim prikupljanja podataka, potrebna je i njihova obrada te priprema kako bi ih UNM bila spo­sobna nauCiti. Tek nakon toga slijedi izbor optimaine unu­tamje strukture neuronske mreze. Primijenjena shema automatske sekundame regulacije na-

rduutl1I .-rijod_ ~upilol

ho~r""'I'~' I lOiN Ii

Z::~I~IlIQ.U.TOR ... ~

~.r.Jj­l.oo4<=t.n~

hatnij>p

Slika 4. Shema sekundarl}e U-Q regulacije jedne zone

136

UNM I

UNM II

Slika 5. Struktura sekundarnog zonskog UN!\:1 regulalora

--I i ,t\o, I tt>wa:.i

. I

Encrgija. god . .f7 (199S) 2. 133~I.fO

pona i jalove snage za jednu regulacijsku zonu predaeena je na slici 4 [2]. Na temelju mjerenja napona VP u karak­teristicnom cvoristu mreze (pilot cvoriste) Ciji napon re­prezentira naponsko stanje Citave zone, i podataka 0 uk­Ijucenosti kondenzatorskih bate:rija u zoni p, udjelu regu­lacijskih elektrana u sekundamoj regulaciji qr' kao i refe­ren-tnoj vrijednosti napona pilot cvorista V I'rd' zonski regu­lator racuna regulacijski signal za regulacijske elektrane N

G, odnosno za kondenzatorske baterije NC. Signal NO

jedinstven je za sve regulacijske elektrane u zoni, a signal Nc za sve kondenzatorske baterije u zoni. Reguiacijski sig­nali salju se do svakog regulacijskog sredstva u zoni gdje se u primamom regulatorujalove soage oa osnovi podata­ka 0 referentnoj vrijednosti proizvodnje jalove snage, tre­!lutnoj proizvodnji jalove snage Q

TR i umnoska rcgulacij­

skog signala s udjelom odredenog regulacijskog sredstva u regulaciji qr' fonnira signal (u koji se uz signal 0 postav­noj vrijednosti napona Uo' uvodi u primami regulator na­pona regulacijskog sredstva, kojim se podesava napon s ciljem ostvarivanja zeljene proizvodnje jalove snage, a ti­me i uklanjanja nastalog poremecaja u zoni. Zonski UNM regulator (stika 5) sadrZi dvije viseslojne ne­uronske mreze (UMN I i UNM II) koje su medusobno odvojene sklopom za vremensko zatezanje. Njihova veza ostvaruje se signalom (koji prolazi kroz sklop za vremcn­sko zatezanje, a funkcija mu je pokretanje proracuna dru­ge neuronske mreze (UNM II). Ulazni signali su zajednic-: ki i istodobno dolaze do obje neuronske mreze, ali se pro­racun druge mreze pokrece nakon pojave signata ( iz prve mreze, tj. nakon vremenskog kaSnjenja. Jedan od ulaza u obje neuronske mreze predstavlja odstupanje napona'pilot cvoristaod njegove referentne vrijednosti Ll V p' a na ostale ulaze dovode se iz glavnog dispecerskog centra signali 0

trenutnom udjelu regulacijskih elektrana u sekundamoj (U­Q) regulaciji (qrj, ... ,qr)' gdje je n trenutni broj regulacij­skih elektrana u zoni. Broj elektrana koje sudjcluju u se­kundamoj (U -Q) regulaciji moze se mijenjari rijekom da­na U ovisnosti 0 stanju·i opterecenju u sustavu. Osim ovih podaraka porrebno je na ulaz UNM 11 dove sri i podarak 0

trenutnoj ukljucenosti kondenzatorskih baterija p. kako bi, u slucaju da kondenzatorske baterije nemaju dovo1jno sna­ge za vracanje napona unutar zeljenih granica, bilo omo­guceno kombiniranje proizvodnje jalove snage regulacij­skih elektrana i kondenzatorskih baterija. U primjeru je taj signal jedinstven za sve kondenzatorske baterije u zo­ni, ali je moguce i najvjerojatnije da sve kondenzatorske baterije nisu ukljucene ujednakom postotku, pa se u zon­ski regulator mogu dovoditi i signali 0 ukljucenosti svake kondenzarorske barerije posebno (p" ... ,Pm) gdje je m broj kondenzatorskih baterija u zoni. Promjena opterecenja na nekim s<;lbirnicama uzrokovat ce promjenu vrijednosti napona pilot cvorista sto ce za po­sljedicu imati djelovanje zonskog regulatora. U zonskom regulatoru prvo ce se proracunati regulacijski signal NG koji ce se proslijediti do postojeCih regulacijskih elektra­na unutar zone kako bi se na taj naCin S10 brze popravila razina napona u mrezi. Nakon toga se racuna reguJacijski signal Nc koji se prosljeduje do kondenzatorskih baterija kako bi one preuzele na sebe potrebnu proizvodnju jalove snage (ako imaju mogucnost, tj. ako im kapacitet nije u potpunosti iskoristen). Nakon povratnog signala 0 uklju­cenju kondenzatorskih baterija, reguJacijskim elektrana­rna ce se posiali signal za smanjenje proizvodnje jalove

I

,itbJ

I.

sr k' z' b u,

re C v

g R o

j, n

(

r k r

'0

a

'-

,

I. KUl:k . T. I>lav~ic - S. Tc~njak: Primjcna ncuron~kih mrd~1 .

snage. za anu vrijednost snage proizvodnje jalove snage koju cc preuzeti kondenzatorskc baterije. Smanjena proi­zvodnjajalove snage elektrana uzrokovat ce srnanjenje gu­bitaka prijenosa snage u sustavu, jer Sli elektranc obicno udaljenijc od potrosackih cvorista od kondenzatorskih ba­terija koje se ugraduju S10 je moguce blize opterecenju. Osim smanjenja gubitaka, na laj se nacin osigurava do­voljna pricuve jalove snage potrebne za climinaciju 1110-

gucih kasnijih poremecaja iii kvarova. Realizacijom zonskog regulatora s dvije neuronske mreze omogucena je regulacija napona i jalove snage samo rc­gulacijskim clektranama, sarno kondenzatorskim bateri­jam a iii kombinacijom proizvodnje regulacijskih elektra­na i kondenzatorskih baterija.

4. ISPITIVANJE REGULATORA

Opisani princip regulacije ispitanje na primjeru modifici­rane IEEE test mreze sa 14 cvorista (sIika 6) [20], Modifi­kacija IEEE test mreze sastojala se iz svooenja citave mreze na jednu naponsku razinu (IlOkV), dodavanja transfor­matora 110110 kV za vezu prema kondenzatorskim bateri­jama, i dodavanja trece kondenzatorske baterije (C3). Iz originalne sheme izostavljeni su regulacijski transfonna­tori (jer nije predvidena njihova primjena u predlozenoj shemi regulacije), a dodani su biok transfonnatori za sve tri elektrane. Broj evonsta se, uslijed navedenih izmjena, povecao s 14 na 18. Pri reguIaciji su koristene dvije regu­lacijske elektrane (evorista 15 i 16) i tri kondenzatorske baterije «(,vorista 7, 14 i 17), Ispitivanje se sastojalo iz tri faze. Prvo je proracunom to­kova snaga izvedena analiza stanja mreze time su utvrde­ne vrijednosti napona svih cvorista u rnrezi. Kao bilancno evonste postavljeno je evonste D. Takovo stanje u mrezi uzeto je kao referentno stanje, s obzirom na sve kasnije proracune, a proizvodnjajalove snage regulacijskih elek­trana takoder je uzeta kao referentna. Za pilot cvoriste odre­dena je, prema kriteriju najvece pocetne struje tropolnog kratkog spoja (IK3"), (,voriste 8.

Tel

"

1I1,HV

UIIV

U II

'V~~~

Slik~1 6. Shenta modifidrne IEEE tcst mrcic

POREMECAJ

DA

ptoC>jul. pn>IzTodDjej.\ove I~ rq:lllodJd:lh d.l-cn".

qrl

vnWI)e prolzvodDJe ~jlldbdddnu ...

poofiIaII}e pnKmldDJe ~ll)tslJhboo:.erijl

DA

Ellcrgij:l..god. 47 (1998) 2. 133·[40

NE ...n... priprcm. bpiCDIh

p.xbl.b.

Slika 7. Dijagram toka pripremc ispitnih podataka potrebnih za ucenje neuronske mreie

Druga faza sastojala se od prikupljanja parova uIazno-izla­znih podataka, koristenjern proracuna tokova snaga, pO­trebnih za ucenje neuronske mreze. Pri tome je, 5 obzirom da se radi 0 sekundamoj regulaciji, postovano sIjedece:

promjene opterecenja na P-Q sabirnicarna zone su reIa­tivno maIene i uzrokuju promjenu napona pilot evonsta od Odo -5% u trenutku promjene opterecenja napon pilot cvoristaje blizu referentne vrijednosti «( 1%), tj. nije ispitivan rad regulatora u poeetnirn uvjetima nekog vee postojeceg poremecaJa,jer je svrha regulatora da ukloni posIjedice poremeeaja sto je prije moguce.

Prethodno navedene pretpostavke nisu nepromjenjive i m-o­gu se mijenjati, sto utjecc na kolicinu ulaznih podataka i potrebnu pripremu za llcenje. U sam algoritam je moguce ugraditi mnogo vise slucajeva no sto je opisano, npr. veee granice promjene opterecenja odnosno napona pilot evo­rista, ukljuCivanje sIucajeva promjene napona pilot cvo-

137

L Kuzle ~ T. Pla\'~it . S. Te~njak: Primjena neuronskih mreza .

rista uslijed ispada odredenih vodova, kori,~tenje koefici­jenata osjetljivosti, itd. Ova je faza izvodena postupno (slika 7), a jedan korak, odnosno proracu(l jednog para ulaz-izlaz, za abje mreze. sastojao se iz sljedeceg:

I. promijenjeilO je opterecenje odredenog evora i zatimje izracunato novonastalo stanje u mrezi

2. u skladu s promjenol11 napona pilot cvorista izvedenaje promjena proizvodnje jalove snage regulacijskih elek­trana i zatim ponovo utvrdeno stanje mreze. Ovaje toc­ka ponavljana sve dok se napon pilot evorista nije pri­blizio svojoj referentnoj vrijednosti u granieama (0.1 %.

3. na osnovi podataka 0 potrebnoj proizvodnji jalove sna­ge regulaeijskih elektrana i proizvoljno odabranih udje­Ja elektrana u regulaeiji, pristupilo seproracunu regula­cijskog signala NG prema izrazu {2]:

I1Q; =QOi -Qtri +NG 'qri

odnosno

" _ Q,,; + t,Q; - Qo; "G -

C/r; gdje je:

(10)

(II)

l:1Qi

- potrebno poveeanje proizvodnje jalove snage i-te elektrane Q

Oi - referentna vrijednost proizvadnje jalove snage i­

te elektrane Qlr; - proizvodnjajalove snage i-te elektrane prije dje­lovanja regulacije q,.i - udjele i-te elektrane u regulaciji.

Nakon poeetnog izracunavanja regulacijskog signala, ko­ji nije bio jednak za obje elektrane s obzirom na razlici­te udjele i vrijednosti referentne, trenutne i potrebne pro­izvodnje jalove snage svake od elektrana, pristupilo se kombiniranju proizvodnje jalove snage obiju elektrana kako bi se pronasla ona kombinacija vrijednosti u broj­niku izraza (11) koja ee uz postavljene udjele elektrana dati jedinstven.i regulaeijski signal za obje elektrane, pa­zeei pri tome da napon pilot evorista ostane u zeljenim granieama. Time je dobiven jedan ulazno-izlazni par podataka po­trebnih za ucenje prve neuronske mreZe (UNM I)

4. proizvodnjajalove snage elektrana zatim se vracala na poeetnu vrijednost (prije djelovanja regulacije), a pri­stupilo se podizanju proizvodnje kondenzatorskih bate­rija sve dok napon pilot cvorista nije ponovo dosao unu­tar zeljenih granica. Prema (II) proracunat je jedinstve­ni regulacijski signal za sve tri kondenzatorske baterije Nc s tim daje pretpostavljeno da su udjeli svih konden­zatorskih baterija jednaki (~b;=0.33) te da su njihove postavne i trenutne vrijednosti snage proizvodnje (Qm."i' Q",,) jednake nuli. Ponovo je prema (11) izracunat signal NG, s ciljem da se iznos proizvodnje jalove snage elektrana, koji je po­veean djelovanjem regulaeije u prethodnom koraku, umanji za iznos kondenzatorskim baterijama proizve­derie jalove snagc. Na taj sc naCin osigurava odredena pricuvajalove snage u sustavu. Iznos potrebne proizvod­nje jalove snage elektrana nije se posebno rac~nao vee sc koristila vrijednost iz prethodnog proracuna tokova snaga (proracun s poveeanom proizvodnjom kondenza­torskih baterija).

13~

Energija. 1;00.47 (199R}2. 133·140

Na taj se naCin dobio jedan ulazno-izlazni par podataka potreban za ucenjc druge ncuro:1ske mreze (UNM II): .

5. sve vrijednosti mijenjane tijekom prelhodno opisanog promcun':l (optcrcecnje sabimiea, proizvodnjajalove sna­ge regulacijskih elektrana i kondcnzatorskih baterija) vra­eene su n3. pocetne. Povratak na tocku I.

Podaci su prikupljani za tri moguca odnosa regulaeijskih elcktrana s obzirom na udio u rcgulaciji: (0.6, 0.4), (0.5, 0.5) i (0.4. 0.6), a za svaki je odnos proracunato 15 parova ulazno-izlaznih podataka. Svaki od 15 parova obuhvaca promjenu napona pilot ("orista u rasponu od 0 do -5%, a vrijednosti unutar tog raspona koje nisu bile ukljucenc u ucenje UNM, koristene su pri ispitivanju ispravnosti dje­lovanja sekundamog regulatora. Trcta faza ukljuCivalaje odabiroptimalne unutraSnje struk­ture za svaku od neuronskih mrcza (UNM I i UNM II) i ucenje mreza podaeima pripremljcnim u drugoj fazi. VeliCina neuronske mrezc. odnosno slozenost njene struk­ture, ima vclik utjeeaj na konacnu sposobnost pooptava­nja mreze. tj. sposobnost rje.savanja zadanog problema. Pri koristenju algoritma po"ratnog prostiranja broj skrivenih slojeva i braj skrivenih neurona irna posebno velik utjeeaj na konacne sposobnosti rnreze. Neuronske mreze s preve­likim brojem skrivenih neurona u odnosu na veliCinu ispit­nog skupa nastoje memorirati podatke za ucenje sto vodi ka losem poopCavanju, iako ce mreza relativno brzomini­mizirati srednju kvadratnu gresku proracuna. Male UNM nastoje podesiti svoje tezine kako bi sto bolje oponasaJe nepoznatu funkciju ulaz-izlaz, ali ako su premale u odno­su na veliCinu ispitnog skupa ne mogu nauciti zadani pro­blem, odnosno nisu sposobne minimizirati srednju kva­dratnu gresku. Zadatak se, stoga, svodi na odabir mreze koja ce biti dovoljno velika da nauCi zadani problem, a dovoljno mala da dobro poopcava.

5. REZULTATl

Odabir optimalne neuronske strukture zapocet je s najjed­nostavnijom rnrezom, a broj skrivenih neurona je zatim postupno poveeavan uz istodobno praeenje sposobnosti po­opcavanja mreze test-podaeima. ZadovoljavajuCi rezulta­ti za obje mreze (greska je manja od 4% od vrijednosti regulacijskih signala dobivenih proracunom tokova sna­gal dobiveni su uporabom troslojne strukture (sl. 8), s 15 neUf(!>na u prvom skrivenom sloju i 5 neurona u drugom skrivenom sloju. Za prijenosnu funkciju neurona skrive­nih slojeva koristena je sigmoidna funkcija, a za neurone izlaznog sIoja lineama funkcija. Kod prve mreze postig­nuta je srednja kvadratna greska od 1% (50 do 500 epo· hal, a kod druge mreze 0.1 % (54 epohe). Rezultati ostva­reni s UNM I predoceni su na sHei 9 (prosjecno odstupa- " nje prikazanih krivulja je 3.7%), a rezultati ostvareni s UNM II na slici !O (prosjecno odstupanje krivuljaje 1.7%). Navedena odstupanja nisu konacna, i duziffi ucenjem mreze iIi poboljsavanjem skupa ispitnih podataka (prosirenje sku­pa iIi koristenje reprezentativnijih podataka) mogu se do­vesti unutar granica od ± 1 %.

6. ZAKLj{jCAK

Razradena je metodologija za automatsku sckundarnu re­gulaciju n3pona i jalove sn;.\ge koristenjem neuronskih

r c

I. Kuz!c -1: P!a\"~it . S. ·Ic~n.iak: Primj.:na n,:ur0llskih mrd.a .

Illreza. Razvijen je sekundarni zonski regulator uporabom . dvaju neuronskih mreza cime se oSIvarila mogucnost U-Q

IUNM IIUNM

Slika 8. Prikaz ostvarcnc UNM strukturc pn'c i druge neuronske mreze

o ~c...Q.005

"" £! -0.01

·iLo.0.5 ~

<5 . ~ -0.02

--

:jJ.05!:-,-,-:c-:-'=-:c:---:~--:,-:--~:-..c...c,~c..:...~ _ .0 0.3 0.4 0.5

. Regulacijski signal No rJgz Itmjdlf~ Ilru",IU'~ mt& &; p"'rQ~UIIQ t~to"" ... ,,'"

Slika 9. Ovisnost regulacijskog signala Nc 0 promjcni napona pilot c\'orista II V p

o

! ·0:015

.:§ -0.02

. "-el ·0.025 c o ~ -0.03 d

§ ·0.035 . ., e -0.04

'" -0.045

-OD5~--:,-:---:c:---:~-~-~:---:~-~ o 0.1 0.2 0.3 0.4 0.5 0.6 0.7 Regulacijski signal Nc

i;Ja! "mjrnr~ n<u,en,A~ mrd~

i: p",,,,luno teke"" ,,,e,,,

Slika 10. Ovisnost rcgulacijskog signala Nc 0 promjcni napona pilot c\'oris{a t:.. V

"

Encrgija. god. 47 (199R) 2.133-140

regulacije koristcnjem regulacijskih elektrana i/ili konden­zatorskih baterija. Regulator je ispitan na primjeru modi­ficirane IEEE test mreze s 14 cvorista, kojaje predstavlja-. la jednu regulacijsku zonu. Dobiveni su zadovoljavajuci rezultati, a rcgulacijski signali NG i Nc odstupali su od vri­jednosti regulacijskih signala dobivenih proracunom to­kova snaga, NGO i Nco. unutar ±4%. Ova odstupanja nema­jU'znacajnijcg utjecaja na ispravnost rada regulatora jer i regulacijski signaii N G' Nc i Nc;o' Nco vracaju napon pilot cvorista unutar postavljenih ograniccnja od ± J %. Nedostatak opisane metodologijeje nemogucnost primje­ne razvijenog sekundamog regulatora na neki drugi EES iii dio sustava, jer jednom provjerena i istrenirana neuron­ska mreza svojstvena je sarno za onaj elektroenergetski sustav Ciji su podaci koristeni u procesu ucenja. Za. bilo koji drugi EES potrebno je cijeli opisani postupak izvesti cd pocetka. Pri tome ce novi regulator najcesce imati drugaciju neuronsku strukturu, od ovdje razvijenog, jer odabir oplirnalne UNM strukture ovisi c ,·;-:-:egu podataka koji se koriste za llcenje; tj. 0 velicini i slozenosti' EES-a za koji se razvija regulator. Pri procjeni rriogucnosti primjene neuronskih mreza za rjesavanje nekog problema treba bili svjestan prednosti, ali i nedostataka UNM u odnosu na ostale metode, a po­sebno je znacajno ocijeniti prikladnost primjene neuron­skih mreza za rjesav3.nje razmatranog problema. Cilj daljnjeg razvoja je povecanje univerzalnosti izl0zene metodologije sto ce se ostvariti automatiziranjem post up­ka pronalaienja ulazno-izlaznih podataka potrebnih za uce­nje neuronske rnreze. Time bi se olaksala prakticna pri­mjena.

LITERATURA

[IJ S. TESNJAK: "(U-Q) regulacija u EES-u", FER-ZVNE, Za­vodska skripta, 1991.

[2J S. TESNJAK,I. KUZLE, N. PUUIC: "Prijedlog rjcsenja au­tomatske sekundarne regulacije napona i jalove snage u EES­u Hrvatske", Drugo savjetovanje Hrvatskog komiteta CIGRE, Primosten 14.-18. svibnja 1995., Ref. 39.07

[3J J.P. PAUL, J.Y. LEOST, J.M. TESSERON: "Survey of.he Se­condary Voltage Comrol in France: Present Realization and Investigations", IEEE Transactions on Power Systems, Vol. 2. No.2, May 1987, pp. 505-511

[4J G. BLANCHON, N. GIRARD, Y. LOGEAY, F. MESLlER: "New Developments in Planning of Reactive Power Compen­sation Devices, IEEE Transactions on Power Systems. Vol. 2, No. 3, August 1987. pp. 764-771

[5J J.P. PIRET, J.P ANTONIE. M. STUBBE, N. JANSSENS,J.M . DELINCE: "The Study of a Centralised Voltage Control Met­hod Applicable to the Belgian System .~, CIGR ... , Paris, Sessi­on- J 992, Ref. 39-20 I

[6J V.ARCIDIACONO. S. CORSI. R. CHINNICI, U. BAZZI, M. MOCENIGO, G. MORESCHINI: "The Regional Voltage Re­gulator for E;NEL's Dispachers·'. CIGR ...• Paris, Session-1996, Ref. 39-304

[7] V.S.S. VANKAYALA. N.D. RAO: "Anificial Neural Networ­ks and Their Applications to Power Systems - A Bibliographi­cal Survey", Electric PO\\'er Systems Research, Vol. 28 , 1993, pp.67-79

[8J D. SRINIVASAN. A.C. L1EW, C.S. CHANG: "A Neural Ne.­work Short-Tenn LOJd Forecaster", Electric Power Systems Research. Vol. 28 . 1994. pr. 227-234

[9] A.A. GIRGIS. S. VARADAN: "Unit Commitment Using Lo-

139

1. Kul.lc - T. I'la\"~i(' - S. Tdnjak: Primjcna !1curonskih mrc.b .

ad Forecnsting Based on Artificial Neural Networks", Electric Power Systcm Research, Vol. 32,1995, pp. 213-217

[10] D. NIEBUR, A.J. GERMOND: "Power System Static Secu­rity Assassment Using the Kohoncn Neural Network Classifi­er", IEEETransaetions on Power Systems, Vol. 7. No.2, 1992, pp.865-871

[11 J Y. ZHANG. O.P. MALIK. GS. HOPE. G.P. CHEN: "Applica­tion of an Inverse Input/Output Mapped ANN as a Power Sy­stem Stabilizer", IEEE Transactions on Energy Conversion, Vol. 9. No.3. 1994. pp. 433-439

l12] H. MORI, Y. TAMARU. S_ TSUZUKI: ""An Artificial Neural­Net Based Technique for Power System Dynamic Stability with Kohoncn Network IEEE Transactions on Power Systems, Vol. 7. No.2. 1992.pp.856-864

[I3J D. SALATINO. R. SBRIZZAI. M. TROVATO. M. LaSCA­LA: "Online Voltage Stability Assessment of Load Centers by Using Neural Networks", Electric Power System Research, Yol. 32.1995.pp.165-173

[I4J M. KEZUNOVIC. L RIKALO. DJ. SOBAJlC: "High-Speed Fault Detection and Classification wilh Neural Networks". Electric Power System Research, Vol. 34, 1995. pp. 109-116

[15] c.T. SU, c.T. LIN; "Application of a Neural Network and He­uristic Model for Voltage-Reactive Power Control", Elcctric PowcrSystem Rescarch, Vol. 34,1995. pp. 143-148

[16J S. MILANIC, 1. SKRJANC. R. KARBA: "Survey of Some Neural Network Applications in Control Problems", Elektro­tchniski Vesmik, Vol. 62, No. 3-4, 1995. pp. 171-181,

[17} S. HAYKIN: "Neural Networks-A Comprehensive Foundati­on", IEEE PRESS. 1994.

[18] WH. PRESS. B.P. FLANNERY, SA TEUKOLSKY. WT. VETTERLING: "Numerical Recipes - The Art of Scientific Computing", Cambridgc University Press, 1989.

[! 9] T.R. CUTHBERT: "Optimization Using Personal Computers­with Applicalions to Electrical Networks", John Wiley & Sons, 1987.

[20] "IEEE 14-bus Test System", lEE Proceedings - Generation, Transmission and Distribution. Vol. 143. No.5, 1996, str. 390

140

Encrgija. god. 47 (I99R) 2. t33-140

NEURAL NETWORK APPUCATION FOR THE SECONDARY CONTROL OF VOLT­AGE AND REACTIVE POWER

The application of Artificial Neural Network (ANN) tor the automatic secondary con­trol of voltage and reactive power is described. Secondary var control 01 a single control zone is reatized by the use 01 multi·layer neural structure (multi-layer percept ron). The regulator is composed 01 two connected neural networks (NN I and NN H). each 01 them with two hidden layers of 5 neurals in the first and 15 in the second layer. As control devices. control power plants and capacity batteries have been used, most frequently the capacity batteries. Regulator operation has been

tested using modificated IEEE test network having 14 nodes and the results ob­tained are satisfactory. The regulator kepi the VOltage of Ihe pilot node within ± 1% of the referent value.

DIE ANWENDUNG VON NEURONEN - NETZEN AN DtE SEKUNDARREGELUNG OER SPANNUNG UNO DER BUNOLEtSTUNG

Beschrieben ist dieAnwendung der Methode kuns!licher Neuronennetze (UNM1) an die aulomatlsche Sekundarregelung von Spannung und Blindleistung. Oer sekundare (U-01) Regier einer Regulationslone ist mittets einer mehrschichtigen Neuronens­truktur .wstandegebrach\ worden (mehrschichtiges Perceptron). oer Regier besteht aus zwei untereinander verbundenen Neuronennetzen (NN J und NN til). wovon jades in lwei Schichten je 5 Neuronen in der erSlen und 15 Neuronen in der zweiten $chicht verborgen beinhal!et. Ats Regelungsmittel sind Regutalionskraftwerke und Kondensa­loren-BaUerien genu III worden. wobei der Schwerpunkt an der iiberwiegenden Nut· zung von Kondensatoren-Batlerien lag. Die Wirkung von Reglem ist am Beispiel eines angepassten tEEE2) Versuchs·Netzes mit 14 Knolenpunkten geprlift worden. wobe; der Regier die Spannung des Leilknotenpunktes innerhalb der Abweichungen von ~1 % des Steltwertes festhielt; also mit lufriedenslellenden Ergebnissen.

') MJo.."'~ "' 1.1""""", 2) '<>s'M_ o' E"",,>CaI """ """-""",",,.cal E~nee< ..

Nas!ov pisaca:

mr. sc.lgor Kuzle, dipl. ing. prof. dr. sc. Sejid Tesnjak, dip!. ing. Fakultet elektrotehnike i racunarstva Za\"od za ,'isoki napon i energetiku Unska 3, 10000 Zagreb, Hr\'3tska

Tomislav Pla,·sic, dipL ing. llrodarski institut A\"enija Vece:sJa\"a Holje\"ca 20 10000 Zagreb, Hn-atska

Urednistvo primito rukopis: 1997-11-21

I

I

.1 ~l