Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
••
~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