Колебательная ветроустановка в составе микросети тема диссертации и автореферата по ВАК РФ 05.09.03, кандидат технических наук Якупов, Айнур Махмутович

  • Якупов, Айнур Махмутович
  • кандидат технических науккандидат технических наук
  • 2018, УфаУфа
  • Специальность ВАК РФ05.09.03
  • Количество страниц 213
Якупов, Айнур Махмутович. Колебательная ветроустановка в составе микросети: дис. кандидат технических наук: 05.09.03 - Электротехнические комплексы и системы. Уфа. 2018. 213 с.

Оглавление диссертации кандидат технических наук Якупов, Айнур Махмутович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 СОВРЕМЕННОЕ СОСТОЯНИЕ В РАЗРАБОТКЕ И ПРИМЕНЕНИЕ МИКРОСЕТЕЙ С ВЭУ

1.1 Анализ конструкций ВЭУ

1.2 Анализ способов повышения надежности микросетей с ВЭУ

1.3 Методика оптимального проектирования микросети с ВЭУ

1.3.1 Методики долгосрочного прогнозирования

1.3.1.1 Долгосрочное прогнозирование ВЭУ

1.3.1.2 Долгосрочное прогнозирование СЭС

1.4 Методика управления микросети с ВЭУ

1.4.1 Краткосрочное прогнозирование СЭС

1.4.2 Краткосрочное прогнозирование ВЭУ

Выводы к первой главе и постановка задач исследования

ГЛАВА 2 МАТЕМАТИЧЕСКАЯ И ИМИТАЦИОННАЯ МОДЕЛЬ ВЭУ КОЛЕБАТЕЛЬНОГО ТИПА. ИСЛЕДОВАНИЕ РАБОТЫ ВЗАИМОВЛИЯНИЙ ВЭУ И МИКРОСЕТИ

2.1 Разработка математической модели ВЭУ колебательного типа

2.1.1 Принятые допущения

2.1.2 Определение конструктивной схемы ВЭУ колебательного типа

2.1.3 Составление уравнений, описывающих процессы в ВЭУ колебательного типа

2.2 Разработка имитационной модели ВЭУ колебательного типа

2.3 Энергетические характеристики разработанной ВЭУ колебательного типа

2.4 Анализ работы ВЭУ колебательного типа в сравнении традиционными ВЭУ

2.5 Исследование работы КВЭУ в составе микросети и изолированно от него

при разных скоростях ветра

2.5.1 Составление аналитико-имитационной модели микросети с ВЭУ

2.5.2 Критерии исследования совместной работы КВЭУ с микросетью

2.5.3 Исследование влияние скорости ветра на искажение синусоиды при изолированной работе КВЭУ на нагрузку

2.5.4 Исследование влияние скорости ветра на искажение синусоиды при интегрированной работе КВЭУ на нагрузку

2.5.5 Анализ полученных расчетных данных

2.5.6 Использование вставки АКБ для снижения искажений синусоиды

2.5.7 Определение предпочтительных параметров микросети с учетом искажений при использовании КВЭУ в составе микросети с помощью

методики долгосрочного прогнозирования

Выводы ко второй главе

ГЛАВА 3 МЕТОДИКИ ПРОГНОЗИРОВАНИЯ ВЫРАБОТКИ ВИЭ. РАЗРАБОТКА МЕТОДИКИ ОПТИМАЛЬНОГО ПРОЕКТИРОВАНИЯ И АЛГОРИТМА УПРАВЛЕНИЯ МИКРОСЕТИ С ВЭУ КОЛЕБАТЕЛЬНОГО ТИПА

3.1 Долгосрочное прогнозирование выработки ВЭУ

3.1.1 Функция распределения Вейбулла

3.1.2 Использование принципа максимальной энтропии для описания функции распределения скорости ветра

3.1.3 Проверка точности описания функции распределения скорости ветра

3.2 Краткосрочное прогнозирование СЭС

3.2.1 Входные данные для ИНС

3.2.2 Структура ИНС и опробование выбранных входных данных

3.2.2.1 Общие положения

3.2.2.2 Проверка работы ИНС

3.2.2.3 Подбор и анализ входных данных ИНС

3.2.2.4 Использование метода исторического подобия

3.3 Методика оптимального проектирования микросети с ВЭУ

3.3.1 Критерии оптимизации

3.3.2 Разработка вариантов микросети с ВЭУ колебательного типа

3.3.3 Алгоритм работы методики ГА

3.3.4 Алгоритм работы методики расчета и оптимизации режимов

3.3.4.1 Определение сечений межузловых связей и затрат на них

3.3.4.2 Определение емкостей АКБ

3.3.4.3 Определение годовых затрат на потери электрической энергии

3.3.5 Описание работы функций естественного отбора, спаривания, мутации ГА

3.3.6 Результаты работы методики оптимального проектирования

3.4 Методика управления микросети с ВЭУ колебательного типа

3.4.1 Алгоритм работы микросети с ВЭУ колебательного типа

3.4.2 Режим изолированной работы микросети

3.4.3 Режим интегрированной работы микросети с ВЭУ колебательного

типа

Выводы к третьей главе

ГЛАВА 4 АПРОБИРОВАНИЕ РАБОТЫ МЕТОДИКИ ДОЛГОСРОЧНОГО ПРОГНОЗИРОВАНИЯ И МЕТОДИКИ ОПТИМАЛЬНОГО ПРОЕКТИРОВАНИЯ

4.1 Оценка эффективности и точности методов прогнозирования выработки ВЭУ для г.Уфы

4.1.1 Исходные данные

4.1.2 Функция распределения Вейбулла

4.1.3 Принцип максимальной энтропии

4.1.4 Проверка точности методов прогнозирования выработки ВЭУ методом Колмогорова-Смирнова

4.2 Методика оптимального проектирования микросети с ВЭУ колебательного типа

4.2.1 Анализ задачи оптимизации

4.4.2 Реализация алгоритма оптимизации на ГА

4.4.2.1 Исходные данные

4.4.2.2 Расчет электрических режимов микросети с ВЭУ колебательного типа для выбора сечений проводников

4.4.2.3 Расчет режимов для выбора емкости АКБ

4.4.2.4 Расчет электрических режимов микросети с ВЭУ для расчета потерь

электрической энергии

4.4.2.5 Генетический алгоритм

4.4.3 Апробирование разработанного алгоритма оптимального проектирования микросети с ВЭУ

4.4.4 Выводы и результаты

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ МЕТОДИКИ

КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ

ПРИЛОЖЕНИЕ Б РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ МЕТОДИКИ

ДОЛГОСРОЧНОГО ПРОГНОЗИРОВАНИЯ

ПРИЛОЖЕНИЕ В КОД ПРОГРАММЫ ДЛЯ ОПТИМАЛЬНОГО ПРОЕКТИРОВАНИЯ

Рекомендованный список диссертаций по специальности «Электротехнические комплексы и системы», 05.09.03 шифр ВАК

Введение диссертации (часть автореферата) на тему «Колебательная ветроустановка в составе микросети»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время возобновляемые источники энергии (ВИЭ), такие как солнечные электростанции (СЭС), ветроустановки (ВЭУ) находят широкое распространение. Это стало возможным благодаря развитию технологий и повышению эффективности в области возобновляемых источников энергии, обострения экологических проблем, стимулирования развития ВИЭ на государственном уровне. Электротехнические комплексы генерации на основе ВИЭ, называемые микросетями, состоящих из ВЭУ, СЭС, аккумуляторных батарей (АКБ), дизельных генераторов (ДГ) или микротурбин (МТ), подключенных через инвертор, на данный момент находят широкое распространение как в промышленности, так и в быту.

Подобные комплексы отличаются автономностью, а также характеризуются невысокими затратами на обслуживание, минимальным загрязнением окружающей среды благодаря использованию ВИЭ, а также высокой эффективностью. Если раньше для обслуживания подобных систем были необходимы опытные операторы и большие производственные предприятия, то сегодня благодаря улучшенной автоматизации, применению новых источников энергии, уменьшению размеров эффективных энергоустановок, экономические показатели значительно улучшились.

Однако существующие ВЭУ обладают низким КПД и не пригодны к эксплуатации при низких скоростях ветра. Поэтому актуальной научно-технической задачей является разработка ветроустановок с повышенным КПД, с возможностью работы при низких скоростях ветра, для чего необходима разработка новых конструктивных схем ВЭУ и исследование ее возможности работы в составе микросети.

Таким образом, объектом исследования в данной диссертационной работе является микросеть с ВЭУ колебательного типа (КВЭУ).

Степень разработанности темы исследования. Анализ работ показал, что в отечественной науке на тему микросетей с ВЭУ посвящены работы Белея

B.Ф., Воропай Н.И., Галюкова В.С., Данилова Н.И., Елистратова В.В., Кубарькова Ю.П., Сосниной Е.Н., Суслова К.В., Суржиковой О.А., Удалова

C.Н. Зарубежные работы представлены авторами Ying Han, Weirong Chen, Qi Li, Jongbok Baek, Wooin Choi, Suyong Chae, Taeho Kim, Monika Ivantysynova, Jayant Kumar, Van-Hai Bui, Akhtar Hussain, Hak-Man Kim, Hamed Moazami Goodarzi and Mohammad Hosein Kazemi, Lucas Cuadra, Miguel del Pino, José Carlos Nieto-Borge,

Sancho Salcedo-Sanz, Raji Atia, Noboru Yamada, Martinez J.A., Guerra G. A, Carpinelli G., Celli G., Mocci S., Mottola F., Pilo F., Proto D., Adefarati T., Bansal R. Анализ отечественных и зарубежных работ показал, что исследования в данном направлении в основном ограничиваются предложениями различных решений, включающих лишь один из аспектов проектирования ВЭУ. В связи с этим, необходимо подробно изучить и исследовать ВЭУ, с учетом их специфик, что является наукоемкой задачей для развития надежных, экономичных и экологичных комплексов.

Таким образом, создание новой конструктивной схемы КВЭУ и разработка методики прогнозирования ее выработки, а также исследование ее в составе микросети являются актуальной научно-технической задачей.

Цель и задачи. Целью работы является исследование и разработка КВЭУ, работающей в составе микросети.

Для достижения поставленной цели должны быть решены следующие задачи:

1. Разработка новой конструктивной схемы КВЭУ и ее математической и имитационной модели. Исследование нового КВЭУ, и получение численных зависимостей энергетических характеристик КВЭУ типа с помощью разработанных математической и имитационной моделей.

2. Исследование работы КВЭУ в составе микросети, с учетом взаимовлияний элементов микросети. На основе данных исследований -разработка методики оптимального проектирования микросети с КВЭУ и алгоритма управления микросетью с использованием методики краткосрочного прогнозирования.

3. Исследование эффективности применения принципа максимальной энтропии для долгосрочного прогнозирования выработки КВЭУ и сравнение с традиционной методикой. Разработка методики долгосрочного прогнозирования выработки КВЭУ.

4. Экспериментальная верификация и апробирование полученных теоретических положений и разработанных методик.

Научная новизна.

1. На основании разработанных математической и имитационной моделей для новой конструктивной схемы КВЭУ получены энергетические характеристики.

2. Выявлено взаимовлияние друг на друга элементов микросети, содержащей КВЭУ, АКБ, другие источники напряжения и нагрузку; получены

зависимости уровней искажения напряжения микросети от изменения скорости ветра.

3. На основе критерия Колмогорова-Смирнова показана возможность более точного описания функции распределения скорости ветра с использованием принципа максимальной энтропии.

Теоретическая и практическая значимость работы.

1. Полученные характеристики мощности КВЭУ могут быть использованы в случае внедрения КВЭУ в производство.

2. Разработанная и запатентованная конструктивная схема КВЭУ (патент на изобретение РФ № 2528793) может найти применение в промышленности.

3. Полученные в ходе проверки методики долгосрочного прогнозирования и результаты долгосрочного прогноза ВИЭ для г. Уфы могут быть использованы для предварительного технико-экономического анализа целесообразности строительства ВЭУ в окрестностях города.

4. Методика оптимального проектирования микросети с КВЭУ и алгоритм управления с методикой краткосрочного прогнозирования актуальна для области проектирования, строительства и эксплуатации микросетей с ВЭУ.

Методология и методы исследования.

Для решения поставленных задач и достижения намеченной цели использованы аналитические методы исследования зависимости производимой электрической энергии ВИЭ, основные положения теории электромагнитного поля и переходных процессов в электрической цепи. Для разработки методики долгосрочного прогнозирования использовался принцип максимальной энтропии, метод множителей Лагранжа, метод Ньютона, разложение в ряд Тейлора, методы теории дифференциального и интегрального исчисления, математического моделирования с использованием пакета Matchad 15. Для разработки методики краткосрочного прогнозирования использовались модели временных рядов на искусственных нейронных сетях и на методе исторического подобия с использованием имитационного моделирования во встроенных модулях nntool в Matlab 2014. Методика оптимального проектирования микросети с КВЭУ реализована путем создания программы в среде программирования VBE на языке VBA, в котором реализован генетический алгоритм.

Основные теоретические положения и выводы подтверждены результатами экспериментального моделирования.

Положения, выносимые на защиту:

1. Математическая и имитационная модели колебательной ветроустановки. Полученные с помощью математической и имитационной моделей энергетические характеристики КВЭУ.

2. Результаты исследования работы КВЭУ в составе микросети.

3. Методика долгосрочного прогнозирования выработки КВЭУ, основанная на принципе максимальной энтропии, и экспериментальное сравнение ее работы с традиционной методикой, основанной на функции распределения Вейбулла для г. Уфы.

4. Методика оптимального проектирования микросети с КВЭУ и результаты исследований работы методики с использованием генетического алгоритма и долгосрочного прогнозирования выработки КВЭУ. Алгоритм управления микросетью с методикой краткосрочного прогнозирования.

Соответствие диссертации паспорту научной специальности.

Диссертация по большинству решаемых задач соответствует специальности 05.09.03 «Электротехнические комплексы и системы», так как разрабатываемая КВЭУ в составе микросети представляет собой электротехнический комплекс, включающий электромеханический преобразователь и инвертор.

Работа соответствует следующим пунктам паспорта специальности:

п. 1. «Развитие общей теории электротехнических комплексов и систем, изучение системных свойств и связей, физическое, математическое, имитационное и компьютерное моделирование компонентов электротехнических комплексов и систем».

п. 3. «Разработка, структурный и параметрический синтез электротехнических комплексов и систем, их оптимизация, а также разработка алгоритмов эффективного управления».

Степень достоверности и апробация результатов.

Достоверность полученных результатов обусловлена использованием строгих математических методов, методов компьютерного моделирования, подтверждаемых результатами имитационного моделирования.

Основные результаты диссертационной работы докладывались и обсуждались на следующих международных и всероссийских научно-технических конференциях: IX Международная молодежная научная конференция «Тинчуринские чтения» (Казань, 2014г.), Девятая Всероссийская

зимняя школа-семинар аспирантов и молодых ученых «Актуальные проблемы науки и техники» (Уфа, 2014), Всероссийская научная молодежная школа с международным участием «Возобновляемые источники энергии» (Москва, 2014), Всероссийская молодежная научная конференция «Мавлютовские чтения» (Уфа, 2013). Также апробация работы была проведена в ООО «БЭСК инжиниринг», подтверждаемым актом внедрения.

Публикации. Список публикаций по теме диссертации включает 10 статей, из них 7, входящих в перечень ВАК, 1 патент РФ на изобретения, 1 свидетельство на программы для ЭВМ. Перечень публикаций автора приведен в диссертации в полном объеме.

В работах, выполненных в соавторстве, соискателем лично получены следующие результаты:

- в работе [88, 94] разработаны уравнения описывающие процессы в колебательной ветроустановке;

- в работе [89] проведено апробирование разработанной методики оптимального проектирования электрической сети с распределенной генерацией;

- в работе [90] осуществлена адаптация генетического алгоритма для методики оптимального проектирования микросети;

- в работе [91, 92, 98] осуществлена адаптация уравнений принципа максимальной энтропии для методики долгосрочного прогнозирования выработки ВЭУ.

- в работе [93, 97] разработан алгоритм управления микросетью с возобновляемыми источниками энергии;

- в работе [95] разработана конструктивная схема ВЭУ колебательного

типа;

- в работе [96] составлена блок схема программы.

- в работе [99] реализовано использование метода исторического подобия.

Структура и объем диссертации.

Диссертация состоит из введения, четырех глав, заключения, библиографического списка, включающего 103 наименований, список использованных сокращений и трех приложений. Основная часть диссертации составляет 172 страниц.

В первой главе работы проведен сравнительный анализ современных существующих конструкций различных ветроустановок, их электрических

генераторов. Изучены и выявлены недостатки и достоинства тех или иных конструкций и генераторов.

Было выявлено, что ветроустановки вращательного типа характеризуются скоростью начала вращения. При скорости ветра ниже начала скорости вращения выработка ВЭУ вращательного типа равняется нулю, что плохо для регионов, характеризующихся низкими скоростями ветра.

Также, были рассмотрены методики прогнозирования долгосрочного прогнозирования выработки. Было выявлено, что традиционная методика долгосрочного прогнозирования выработки ВЭУ, основанная на функции распределения Вейбулла не позволяет точно описать функцию распределения скорости.

Сформулированы основные задачи исследования.

Во второй главе предложена конструктивная схема ВЭУ (патент РФ № 2528793). Разработана ее математическая и аналитико-имитационная модель. А также исследована возможность работы ВЭУ в составе микросети.

В третьей главе разработаны методики долгосрочного и краткосрочного

прогнозирования выработки ВИЭ, являющиеся основой для методики оптимизированного проектирования и алгоритма управления микросети с ВЭУ.

Разработана методика оптимизированного проектирования и алгоритм управления микросети с ВЭУ. Основным критерием и целью работы методики оптимизированного проектирования является создание конфигурации микросети с ВЭУ с минимальными капитальными и эксплуатационными затратами, учитывающей категорию надежности отдельных элементов комплекса и учитывающей качество производимой электрической энергии. Алгоритм оптимизации реализован на генетическом алгоритме с использованием расчета режимов.

Четвертая глава посвящена исследованию работы разработанных методик прогнозирования, оптимального проектирования и управления. Приводятся расчеты, подтверждающие эффективность долгосрочного прогнозирования на основе принципа максимальной энтропии на примере г.Уфа, подтверждающие эффективность краткосрочного прогнозирования с использованием комбинированной методики ИНС и метода исторического подобия. По историческим данным составлена функция распределения для скоростей ветра для г. Уфа на каждый месяц.

ГЛАВА 1 СОВРЕМЕННОЕ СОСТОЯНИЕ В РАЗРАБОТКЕ И ПРИМЕНЕНИЕ МИКРОСЕТЕЙ С ВЭУ

1.1 Анализ конструкций ВЭУ

При использовании ветроустановок в качестве источника электрической энергии для надежного электроснабжения и экономической целесообразности необходимо правильно выбрать тип и конструкцию ветроустановки. В настоящее время существует большое множество различных конструкций и типов ветроустановок с различным КПД и характеристиками. К примеру, существуют горизонтально-осевые ветроустановки, рисунок 1а [1]. Такой тип ветроустановок наиболее распространен в мире и характеризуются высокой мощностью и высоким КПД, порядка 45% при рабочих скоростях ветра 5-11м/с.

Также известен другой тип ветроустановок называемые вертикально-осевыми ветроустановками, рисунок 1.1Ь [2]. Данные типы ветроустановок используется реже, но также обладают широким диапазоном мощностей, кпд порядка 40%.

а) Ь)

Рисунок 1.1 - а) Горизонтально-осевые ветроустановки Ь) Вертикально-осевые

ветроустановки

Хотя имеется большое количество типов и конструкций ветрогенераторов с повышенным КПД и большой мощностью, выбор конструкции и типа

ветроустановок для использования в определенном регионе прежде всего должен определяться климатическими условиями (исходя из средней скорости ветра для данного региона и среднегодовая направления ветра), что будет продемонстрировано ниже. И так, как большинство ветроустановок разрабатывается и предназначаются для регионов с высокой скоростью ветра, при этом существует мало конструкций ветроустановок предназначенных для использования в регионах с низкой средней скоростью ветра и с изменяющимся направлением ветра. Поэтому актуальной-научно технической задачей является разработка новых конструкций ветроустановок позволяющая преобразовывать энергию ветра любых направлений и работать при низких скоростях ветра. Одним из наиболее перспективных разработок в этом направлении являются колебательные ветроустановки. Одним из подобных ветроустановок является разработанная компанией Atelier DNA ветроустановка колебательного типа, рисунок 1.2 [3]. Конструкция подобной ветроустановки включает в себя большое количество длинных упругих стеблей, состоящих из пьезоэлектриков высотой 55 м диметром 30см. Данная концепция предназначена для установки в городских условиях, и поэтому не занимает много места.

Secllon Through Pole Вам

Section Thfougti Poles

Ах ело mairie Délai Shcwmç Torque Generator

Transversal Section Sharing Underground Chambers

Рисунок 1.2- Atelier DNA Также, предложена конструкция колебательной ветроустановки [4], которая в

дальнейшем будем рассматриваться в диссертации. Предложенная в статье

конструкция, рисунок 1.3, позволяет, преобразовывать энергию ветра любого направления и любой скорости. Ниже, в таблице 1.1 приводится сравнительный анализ различных ВЭУ.

/

и J г ¿1

-X-

/

\

\ ! \

т

\

/

/Я5

2

Я

а) Ь>

Рисунок 1.3 - Конструктивное исполнение КВУ а) схема поясняющая принцип

работы Ь) вид воспринимающего органа

Таблица 1.1- Характеристики различных ВЭУ

Горизонтально- Вертикально- КВУ AteHer

осевые осевые DNA

Минимальная 4< 4< 0< 0<

скорость ветра, м/с

КПД при <45% <45% <28% <13%

скорости >4м/с

КПД при 0 0 <28% <13%

скорости <4м/с

Минимальная <25 <30 <15 <20

скорость ветра, м/с

Наличие Как правило Как правило - -

редуктора

Как видно из таблицы 1.1 КПД традиционных горизонтально-осевых и вертикально-осевых ветроустановок выше, чем у предложенного КВУ и ветроустановки Atelier DNA. Но как было сказано выше, при выборе ветроустановки необходимо руководствоваться климатическими данными, что будет продемонстрировано ниже.

Для этого проведем исследование по существующим историческим данным для села Онгудай Алтайского края [5]. Данные для этого региона приведены в таблице 1.2. В последних строках таблицы 1.2 приведены мощность, получаемая определенным типом ветроустановки на площадь м2, которая вычисляется по формуле:

W = Рв°з ^ ^ ^ Г"ер, (1.1)

где рв°з-плотность воздуха, V- скорость ветра, Гпер -длительно периода в

часах.

Таблица 1.2 - данные о повторяемости скорости ветра

Скорость ветра, м/с <1 2-4 5-8 >8 I

Повторяемость, % 76 22 2 0 100

Часов в год, ч 6657,6 1927,2 175,2 0 8760

W, Вт*ч/м2, - - 6895,87 0 6895,87

W, Вт*ч/м2, КВУ 4094,42 9481,82 6895,87 0 20472,12

С учетом КПД для рассматриваемого случая годовая выработка для традиционных ВЭУ составит 0,45*6895,87=3103,14 Вт*ч/м2, а для предлагаемой ВЭУ составит 0,28*20472,12=5732,19 Вт*ч/м2, что значительно больше чем у традиционных ВЭУ.

Таким образом, было показано, что ветроустановки колебательного типа могут быть гораздо эффективнее традиционных горизонтально-осевых и вертикально-осевых ветроустановок, и что решающим фактором при выборе

ветроустановок являются не только его мощностные характеристики и КПД, но возможность использования в определенных климатических зонах. Также, было показан пример сравнения традиционных ветроустановок с колебательной ветроустановкой и была доказана эффективность колебательной ветроустановки в регионах с низкой скоростью ветра. Поэтому разработка и исследование подобных колебательных ветроустановок является актуальной научно-технической задачей.

1.2 Анализ способов повышения надежности микросетей с ВЭУ

Проектирование и управление микросетью с ВЭУ и обеспечения ее надежной работы освещено во многих работах. Часть работ посвящена применению традиционных методик сглаживания непостоянства выработки ВЭУ, например, использование АКБ, автоматики частотной разгрузки, усиление связи с энергосистемой, увеличение доли дизель-генераторов (ДГ), микротрубин (МТ) [7-17]. Часть работ посвящена предотвращению аварийных режимов с использованием прогнозирования выработки и потребления [18-22].

Для решения задачи надежной работы микросети немецкая фирма Ecofys [23] разработала ряд мер и способов по разработке, моделированию и эксплуатации энергосистем с ВЭУ, а также по внедрению энергоэффективности в микросетях. Основными из них являются:

- Моделирование и анализ на этапе проектирования различных уровней выработки, аварийных и переходных режимов, прогноз погоды на основе данных, собранных за ранние годы; выбор оптимального расположения и распределения ВЭУ (при расположении ВЭУ, например, рядом с гидроэлектростанциями, газотурбинными установками при падении выработки есть некий запас мощности, который может быть использован для сохранения устойчивости энергосистемы и для обеспечения качества электрической энергии). А также поиск различных подходов и решений для обеспечения качества вырабатываемой электроэнергии с помощью ВЭУ.

- применение современных технологий Smart Grid;

- создание Единой Европейской Энергосистемы;

- прогнозирование рынка электрической энергии;

- запас мощности и рациональное использование энергоносителей;

- гибкие тарифы.

Для повышения эффективности и улучшения качества существующих способов, и использования новых возможностей необходимо применение новых подходов в проектировании и оптимизации, в долгосрочном и краткосрочном прогнозировании, которые применяются в проектировании и управлении.

1.3 Методика оптимального проектирования микросети с ВЭУ

На данный момент существуют различные методики проектирования для систем электроснабжения, которые реализованы во множестве программных комплексов, такие как PSS Sincal, а также есть программные комплексы (ПК) для оптимизиции параметров сети [24]. Но эти комплексы не учитывают специфику проектирования микросети. С развитием микросетей актуальными являются программные комплексы по разработке и проектированию микросети с учетом специфики непостоянства выработки. Одним из таких ПК, например, является ПК Homer PRO [25], который является лидером среди ПК для микросети.

ПК HOMER Pro служит для оптимизации схем электроснабжения для всех видов потребителей- от сельских источников и островных коммунальных услуг до связанных с сетью кампусов и военных баз, рисунок 1.4. Первоначально ПК HOMER Pro был разработан в Национальной лаборатории возобновляемой энергии. HOMER Pro представляет собой гибридную модель оптимизации для нескольких энергетических ресурсов. Для разработки схемы электроснабжения применяются три инструмента: оптимизация, имитационный расчет, оценка чувствительности сети (надежность электроснабжения).

Данный ПК может работать с большинством известных и разработанных видов ВЭУ: солнечные электростанции (СЭС), ветроустановки (ВЭУ), мини-

ТЭЦ, биогазовые установки, солнечные коллекторы, микроГЭС, водородные АКБ.

В ПК могут быть заданы категории надежности потребителей электрической энергии, заданы графики нагрузок электрической энергии, графики по первичным энергоносителям.

Рисунок 1.4 - Примеры моделей в Homer Pro

Хотя программный комплекс Homer PRO может оптимизировать располагаемую мощность различных ВЭУ, но все же он не учитывает категорию надежности потребителей, и, соответственно, количество связей между узлами, при этом сеть может очень разветвлённой. К тому же микросеть может развиваться на базе существующей разветвлённой сети, где для оптимизации сети необходимо точное моделирование. Homer PRO очень удобен для предпроектной оценки мощности, но недостаточен для точного моделирования. Поэтому рассмотрим другие работы, посвященные проектированию и исследованию микросетей.

Например, авторы S. Porkar и др. в своей публикации [26] описывают методы оптимизации, основанные на нелинейном программировании микросети, где генерация состоит из традиционных источников энергии. По результатам исследований авторами было получено, что методы оптимизации, основанные на нелинейном программировании, успешно решают поставленные задачи (задача по снижению капитальных затрат на закупку и обслуживание), и модель была проверена на стандартной задаче IEEE c 30 узлами. Однако несмотря на эффективность методов оптимизации, основанных на нелинейном программировании, они не могут быть применены для решения задачи поставленной в рамках данной работы, так как нелинейное программирование успешно применяется в задачах на краткосрочный период, но специфика данной работы состоит в том, что микросеть содержит источники электрической энергии, выработка которых сильно зависит от климатических факторов (сезона, времени года). Поэтому необходимо рассмотреть методы оптимального проектирования на долгосрочный период.

В работе [27] Arabali A. и др. предлагается стохастическая теория для оптимального анализа размеров и надежности гибридной энергосистемы, включающей ВЭУ и систему хранения энергии. Неопределённость мощности ВЭУ, СЭС и нагрузки стохастически моделируются с использованием авторегрессионной модели скользящей средней. Метод оптимизации на основе шаблонов используется в сочетании с последовательным методом Монте-Карло

(ПММК) для минимизации стоимости микросети и выполнения требований по категории надежности. ПММК имитирует хронологическое поведение системы и вычисляет показатели надежности из серии имитированных экспериментов. Также в работе предлагается методика сдвига/перераспределения нагрузки для обеспечения гибкости микросети и уменьшения небаланса между генерацией ВЭУ и нагрузкой тепловой вентиляции, нагрузками на кондиционирование воздуха в гибридной энергосистеме. Оцениваются различные проценты сдвига нагрузки и их потенциальное влияние на оценку надежности / стоимости гибридной энергосистемы. Применение данной методики для рассмотрения долгосрочного прогнозирования и моделирования микросети сильно усложняются, несмотря на точность и эффективность данной методики. Данная методика эффективна только при решении задач на краткосрочный период и для оптимизации существующей сети.

Также для решения данной задачи применяют другие методы оптимизации, например, эвристические методы оптимизации [28-32] или динамическое программирование [33-35]. Применение данных методов для оптимизации в электросетевой сфере оказались точными и эффективными для краткосрочного планирования и использования в режиме реального времени, но для применения к проблеме для долгосрочных расчетов и оценок, в которых необходимо оценивать сотни или тысячи различных комбинаций вариантов сети и обрабатывать большой массив данных, эти методы не является эффективным с точки зрения количества и времени вычислений.

Raji Atia и Noboru Yamada в своих работах [36-38] исследуют распределенную генерацию на основе ВЭУ с системами хранения энергии на нерегулируемых рынках. Их работы посвящены оптимальному расположению систем хранения энергии и ВЭУ в распределенной сети. Критерием оптимизации в представленных работах является уменьшение капитальных затрат, который реализуется с использованием ГА:

Похожие диссертационные работы по специальности «Электротехнические комплексы и системы», 05.09.03 шифр ВАК

Список литературы диссертационного исследования кандидат технических наук Якупов, Айнур Махмутович, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1. Enercon [Электронный ресурс]: режим доступа: https://www.enercon.de/en/products/ep-8/e-126/ (дата обращения 10.03.2018).

2. Aeolos wind turbine [Электронный ресурс]: режим доступа: http://www.windturbinestar.com/vertical-wind.html (дата обращения 10.03.2018).

3. Atelier DNA [Электронный ресурс]: режим доступа: https://atelierdna.com/portfolio/windstalk (дата обращения 17.04.2018).

4. Вавилов, В.Е. Колебательная ветроустановка / В.Е. Вавилов, А.М. Якупов // Международный научный журнал «Альтернативная энергетика и экология». - 2013. - №06(128). - с. 154-160.

5. Новая генерация [Электронный ресурс]: режим доступа:

https://manbw.ru/analitycs/windrus.html (дата обращения 17.04.2018).

6. Comparative Analysis of Voltage Control in Battery Power Converters for Inverter-Based AC Microgrids / Woo-Kyu Chae, Jong-Nam Won, Hak-Ju Lee и др. // Energies.- 2016.- №9(8).- с. 596.

7. Furqan Asghar. Robust Frequency and Voltage Stability Control Strategy for Standalone AC/DC Hybrid Microgrid / Furqan Asghar, Muhammad Talha, Sung Ho Kim // Energies.- 2017- №10- с. 760.

8. Jongbok Baek , Distributed Control Strategy for Autonomous Operation of Hybrid AC/DC Microgrid / Jongbok Baek, Wooin Choi, Suyong Chae //Energies.- 2017. -№10(6).-с. 760

9. He, M. Reliability-constrained self-organization and energy management towards a resilient microgrid cluster / M. He, M. Giesselmann // In Proceedings of the IEEE Innovative Smart Grid Technologies Conference (ISGT).-Washington DC, USA.- №18. - 20 February 2015.- c. 1-5.

10. Advanced control architectures for intelligent microgrids—Part I: Decentralized and hierarchical control / J.M. Guerrero, M. Chandorkar, T.L. Lee и др. // IEEE Trans. Ind. Electron.- 2013. - №60. - с. 1254-1262.

11. Karlsson, P. DC bus voltage control for a distributed power system/ P. Karlsson, J. Svensson // IEEE Trans. Power Electron.- 2003.- №18.- c. 1405-1412.

12.Control of power converters in AC microgrids / J. Rocabert, A. Luna, F. Blaabjerg h gp. // IEEE Trans. Power Electron.- 2012.- №27, c.4734-4749.

13.Hierarchical control of droop-controlled AC and DC microgrids—A general approach toward standardization / J.M. Guerrero, J.C. Vasquez, J. Matas h gp. // IEEE Trans. Ind. Electron.- 2011.- №58, c. 158-172.

14. Choi, W. Control design of coordinated droop control for hybrid AC/DC microgrid considering distributed generation characteristics / W. Choi, J.B. Baek, B.H. Cho // In Proceedings of the IEEE Energy Conversion Congress and Exposition (ECCE)- Pittsburgh PA, USA.- 14-18 September 2014.- C. 42764281.

15. Farhadi, M. Adaptive energy management in redundant hybrid DC microgrid for pulse load mitigation / M. Farhadi, O. Mohammed // IEEE Trans. Smart Grid.- 2015.- №6.- C. 54-62.

16.El-khattam, W. An integrated distributed generation optimization model for distribution system planning / W. El-khattam, Y.G. Hegazy, M.M. Salama // IEEE Trans. Power Syst.- 2005- №20. - C. 1158-1165.

17. Power-electronic systems for the grid integration of renewable energy sources / J.M. Carrasco, L.G. Franquelo, J.T. Bialasiewicz h gp. // IEEE Trans. Ind. Electron. -2006. - №53. - C. 1002-1016.

18.Comparison of Wind Energy Generation Using the Maximum Entropy Principle

and the Weibull Distribution Function / Muhammad Shoaib, Imran Siddiqui, Shafiqur Rehman h gp. // Energies. - 2016. - №9(10). - C. 842.

19.Li, M. MEP-type distribution function: A better alternative to Weibull function for wind speeddistribution / M. Li, X. Li // Renew. Energy. - 2005.- №30.- C. 1221-1240.

20. Li, M.; Investigation of wind characteristics and assessment of wind energy potential for Waterloo region / M. Li, X. Li // Energy Convers. Manag. - 2005. - №46.- C. 3014-3033.

21.Wind Speed Characteristics and Resource Assessment using Weibull Parameters / S. Rehman, A.M. Mahbub, J.P. Meyer, и др. // Int. J. Green Energy. - 2012. -№9. - С. 800-814.

22. Wind Power Potential Assessment for Seven Buoys Data Collection Stations in Aegean Sea using Weibull Distribution Function / H.S. Bagiorgas, G. Mihalakakou, S. Rehman и др. // J. Renew. Sustain. Energy. - 2012. - №4. - С. 13119-13134.

23. Ecofys [Электронный ресурс]: режим доступа: https://www.ecofys.com/. (дата обращения 28.02.2017)

24. PSS Sincal [Электронный ресурс]: режим доступа: http://w3.siemens.com/smartgrid/global/en/products-systems-solutions/software-solutions/planning-data-management-software/planning-simulation/pss-sincal/pages/pss-sincal.aspx (дата обращения 17.04.2017).

25. Homer [Электронный ресурс]: режим доступа: https: //www. homerenergy. com/HOMER_pro. html (дата обращения 17.04.2017).

26.A novel optimal distribution system planning framework implementing distributed generation in a deregulated electricity market / S. Porkar, P. Poure, A. Abbaspour-Tehrani-fard и др. // Electr. Power Syst. Res. - 2010. - №80. -С. 828-837.

27.Stochastic performance assessment and sizing for a hybrid power system of solar/wind/energy Storage / A. Arabali, M. Ghofrani, M. Etezadi-Amoli и др. IEEE Trans. Sustain. Energy. - 2014. - №5. - С. 363-371.

28. Optimal discharge scheduling of energy storage systems in microgrids based on hyper-heuristics/ R. Mallol-Poyat, S. Salcedo-Sanz, S. Jimënez-Fernandezи др. // Renew. Energy. - 2015. - №83. - С. 13-24.

29. Optimal dispatch strategy of a virtual power plant containing battery switch stations in a unified electricity market / H. Bai, S. Miao, X. Ran, и др. // Energies. - 2015. - №8. - С. 2268-2289.

30. Косенко, Е.Ю. Системные аспекты оптимизации функционирования территориально распределенных энергетических систем / Е.Ю. Косенко // Известия ЮФУ: Технические науки. - 2012. - №2. - С. 232-236.

31. Кычкин , А.В. Эвристический алгоритм оптимизации мощности в активно-адаптивной сети / А.В. Кычкин, А.В. Чудинов // Вестник ПНИПУ, Электротехника, информационные технологии, системы управления. -2012. - № 15. - С. 123 - 127.

32. Анализ методов принятия решений при разработке сложных технических систем / С.С. Семенов, А.В.Полтавский, В.В. Маклаков, Крянев А.В. // XII Всероссийское совещание по проблемам управления ВСПУ. - 2014. -Москва 16-19 июня 2014 г.

33. Optimal power dispatching strategies in smart-microgrids with storage / RigoR. Mariani, B. Sareni, X. Roboam, и др. // Renew. Sustain. Energy Rev. - 2014.

- №40. - С. 649-658.

34. Веселов, Ф. В. Методы и инструментарий прогнозирования развития электроэнергетики / Ф. В. Веселов, А. Е. Курилов, А. А. Хоршев // Известия российской академии наук. Энергетика. - 2010. - №4. - С. 82-94.

35. Лежнев, А.В. Динамическое программирование в экономических задачах / А.В. Лежнев; 2010, Москва.

36. Atia R. Distributed Renewable Generation and Storage System Sizing Based on Smart Dispatch of Microgrids/ R. Atia, N. Yamada // Energies. - 2016. - №9(3).

- С. 176.

37. Atia R. Distributed renewable generation and storage systems sizing in deregulated energy markets / R. Atia, N. Yamada // 2015 International Conference on Renewable Energy Research and Applications (ICRERA)

38. Atia, R. More accurate sizing of renewable energy sources under high levels of electric vehicle integration / R. Atia, N. Yamada // Renew. Energy. - 2015. -№81. - С. 918-925.

39. Atia, R. Integration of renewable energy sources in microgrids: Sizing and intelligent management / R. Atia //. ,2016. Energies. - 2016. - №9(3). - С. 176.

40. Liu, F.J. Validity analysis of maximum entropy distribution based on different moment constraints for wind energy assessment / F.J. Liu, T.P. Chang // Energy. - 2011.- №36. - C. 1820-1826.

41. Li, M. MEP-type distribution function: A better alternative to Weibull function for wind speed distribution/ M. Li, X. Li // Renew. Energy. - 2005. - №230. - C. 1221-1240.

42. Wind Speed Characteristics and Resource Assessment using Weibull Parameters/ S. Rehman, A.M. Mahbub, J.P. Meyer h gp. // International Journal of Green Energy. - №9. - 2012 - № 8.

43. Ramírez, P. The use of wind probability distributions derived from the maximum entropy principle in the analysis of wind energy/ P. Ramírez, J.A. Carta // A case study. Energy Convers. Manag. - 2006. - .№47. - C. 2564-2577.

44. Zhang, H. Study on the Maximum Entropy Principle applied to the annual wind speed probability distribution: A case study for observations of intertidal zone anemometer towers of Rudong in East China Sea / H. Zhang, Y.J. Yu, Z.Y. Liu // Appl. Energy 2014, 114, 931-938.

45. Zellnerr, A. Calculation of Maximum Entropy Distributions and Approximation of Marginal Posterior Distributions / A. Zellnerr, R. Highfiled// J. Econom. -1988. - №37. - C. 195-209.

46. Mukherjee, D. Maximum Entropy Revisited/ D. Mukherjee, D.C. Hurst // Stat. Neerlandica. - 1984. - №38. - №1-12.

47. Mohammad-Djafari, A. Estimating priors in maximum entropy image processing/ A. Mohammad-Djafari, G. Demoment // In Proceedings of the 1990 International Conference on Acoustics, Speech, and Signal Processing. - Miami, FL, USA. - 3-6 April 1990.

48.Mohammad-Djafari, A. Maximum entropy prior laws of images and estimation of their parameters/ A. Mohammad-Djafari, J. Idier // In Fundamental Theories of Physics; Maximum Entropy and Bayesian Methods. - Berlin, Germany. -1991. - C. 285-293.

49. Ying Han. Energy Management Strategy Based on Multiple Operating States for a Photovoltaic/Fuel Cell/Energy Storage DC Microgrid/ Ying Han, Weirong Chen, Qi Li // Energies. - 2017. - №10.- C. 136.

50. Jongbok Baek. Distributed Control Strategy for Autonomous Operation of Hybrid AC/DC Microgrid/ Jongbok Baek, Wooin Choi, Suyong Chae // Energies. - 2017. - №10. - C. 373.

51. Furqan Asghar. Robust Frequency and Voltage Stability Control Strategy for Standalone AC/DC Hybrid Microgrid/ Furqan Asghar, Muhammad Talha, Sung Ho Kim // Energies. - 2017. - №10. - C.760.

52. Implementation of a Real-Time Microgrid Simulation Platform Based on Centralized and Distributed Management/ Omid Abrishambaf, Pedro Faria, Luis Gomes // Energies. - 2017. - №10. - C. 806.

53. Youn-Ok Choi. Output Impedance Control Method of Inverter-Based Distributed Generators for Autonomous Microgrid/ Youn-Ok Choi, Jaehong Kim // Energies. - 2017. - №10(7). - C. 904

54. Yeongho Choi. Optimal Load Shedding for Maximizing Satisfaction in an Islanded Microgrid/ Yeongho Choi, Yujin Lim, Hak-Man Kim // Energies. -2017. - №10. - C. 45.

55. Lopes, J.A.P. Defining control strategies for MicroGrids islanded operation/ J.A.P. Lopes, C.L. Moreira, A.G. Madureira// IEEE Trans. Power Syst. - 2006.-№21. - C. 916-924.

56. A New Frequency Regulation Strategy for Photovoltaic Systems Without Energy Storage/ H. Xin, Y. Liu, Z. Wang h gp. // IEEE Transactions on Sustainable Energy. - 2013. - №4. - C. 985 - 993.

57. Wenzhong Gao D. Energy storage for sustainable microgrid/ D. Wenzhong Gao.

Academic Press.

58. Case studies on the use of solar irradiance forecast for optimized operation strategies of solar thermal power plants / M. Wittmann, H. Breitkreuz,

Schroedter-Homscheidt M. h gp. // IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. - 2008. - №1. - C. 18-27.

59. The accuracy of solar irradiance calculations used in mesoscale numerical weather prediction / R.J. Zamora, E.G. Dutton, M. Trainer h gp. // Mon. Weather Rev. - 2005. - №4. - C. 783-792.

60. Irradiance forecasting for the power prediction of grid-connected photovoltaic systems/ E. Lorenz, J. Hurka, D. Heinemann h gp. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. - 2009. - №1. - C. 2-10.

61. Prediction of global solar irradiance based on time series analysis: Application to solar thermal power plants energy production planning / M. Luis, F.Z. Luis, P. Jesus h gp. // Sol. Energy. - 2010. - №10. - C. 1772-1781.

62. Very short term forecasting of solar radiation/ A. Moreno-Munoz, J. Rosa, R. Posadillo h gp. // In Proceedings of the 33rd IEEE Photovoltaic Specialists Conference. - San Diego, CA, USA. - 11-16 May 2008. - C. 1-5.

63. Short-term forecasting of solar radiation: a statistical approach using satellite data/ A. Hammer, D. Heinemann, E. Lorenz h gp. // Sol. Energy. - 1999. - № 1-3. - C. 139-150.

64. Nova, J.C. Solar irradiation forecast model using time series analysis and sky images / J.C. Nova, J.B. Cunha, P.B. de Moura Oliveira // In Proceedings of the 5th Conference of the European Federation for Information Technology in Agriculture, Food and Environment. - Portugal. - 25-28 July 2005.

65. Mellit, A. A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy/ A. Mellit, A.M. Pavan // Sol. Energy. - 2010. - №5. C. 807-821.

66. Cao, J.C. Study of forecasting solar irradiance using neural networks with preprocessing sample data by wavelet analysis / J.C. Cao, S.H. Cao // Energy. -2006. - №15. - C. 3435-3445.

67. Cao, S.H. Forecast of solar irradiance using recurrent neural networks combined with wavelet analysis / S.H. Cao, J. Cao // Appl. Therm. Eng. - 2005. - №2-3. - C. 161-172.

68. Kavasseri, R.G. Day-ahead wind speed forecasting using f-arima models/ R.G. Kavasseri, K. Seetharaman // Renew. Energy. - 2009. - №34. - C. 13881393.

69. Liu, H. Comparison of two new ARIMA-ANN and ARIMA-Kalman hybrid methods for wind speed prediction/ H. Liu, H. Tian, Y. Li // Appl. Energy. -2012. - №98. - C. 415-424.

70. Filik, T. Improved Spatio-temporal linear models for very short-term wind speed forecasting / T. Filik //Energies. - 2016. - №9. - C. 168.

71. Gaussian process regression based hybrid approach for short-term wind speed prediction/ C. Zhang, H.Wei, X. Zhao, h gp. // Energy Convers. Manag - 2016.

- №126. - C. 1084-1092.

72. Jiang, P. An innovative hybrid model based on data pre-processing and modified optimization algorithm and its application in wind speed forecasting/ P. Jiang, Z. Wang, K. Zhang h gp. // Energies. - 2017. - №10. - C.954.

73.Meng, A. Wind speed forecasting based on wavelet packet decomposition and artificial neural networks trained by crisscross optimization algorithm/ A. Meng, J. Ge, H. Yin h gp. // Energy Convers. Manag. - 2016. - №114. - C. 75-88.

74. Wang, Z. Wind energy potential assessment and forecasting research based on the data pre-processing technique and swarm intelligent optimization algorithms / Z. Wang, C. Wang, J. Wu h gp.// Sustainability. - 2016. - № 8. - C. 1191.

75.Liu, D. Short-term wind speed forecasting using wavelet transform and support vector machines optimized by genetic algorithm/ D. Liu, D. Niu, H. Wang h gp.// Renew. Energy. - 2014. - №62. C. 592-597.

76. Kong, X. Wind speed prediction using reduced support vector machines with feature selection/ X. Kong, X. Liu, R. Shi h gp. // Neurocomputing. - 2015. -№169. - C. 449-456.

77. Lei, M. A review on the forecasting of wind speed and generated power / M. Lei, L. Shiyan, C.W. Jiang h gp.// Renew. Sustain. Energy Rev. - 2009. - №13.

- C. 915-920.

78. Zhu, X.X. Short Term Wind Speed Forecasting for Power System Operations / X.X. Zhu, M.G. Genton // Int. Stat. Rev. - 2012. - №80. - C. 2-23.

79. Between wind power prediction models based on wavelet decomposition with least-squares support vector machine (LS-SVM) and artificial neural network (ANN). Comparison / M.G. De Giorgi, S. Campilongo, A. Ficarella, h gp. // Energies. - 2014. - №7. - C. 5251-5272.

80. Using random forests to select optimal input variables for short-term wind speed forecasting models / H. Wang, J. Sun, J. Sun, J. h gp. // Energies. - 2017. - №10.

- C. 1522.

81. Artificial neural network for short-term load forecasting in distribution systems / Carlos Baladron, Javier M. Aguiar, Lorena Calavia h gp. // Energies. - 2014. -№7. - C. 1576-1598.

82. Hippert, H.S. Neural networks for short-term load forecasting: A review and Evaluation / H.S. Hippert, C.E. Pedreira, C.R. Souza // IEEE Trans. Power Syst.

- 2001. - №16. - C. 44-51.

83. Wind speed forecasting based on wavelet packet decomposition and artificial neural networks trained by crisscross optimization algorithm / Anbo Meng, Jiafei Ge, Hao Yin h gp. // Energy Conversion and Management. - 2016. -C.75-88

84. Brown, B.G. Time series models to simulate and forecast wind speed and wind power / B.G. Brown, R.W. Katz, A.H.J. Murphy // Clim. Appl. Meteorol. -1984. - №23. - C. 1184-1195.

85. Application of auto-regressive models to UK wind speed data for power system impact studies / D.C. Hill, D. McMillan, K.R.W. Bell h gp. // IEEE Trans. Sustain. Energy. - 2012. - №3. - C. 134-141.

86. Shukur, O.B. Daily wind speed forecasting through hybrid KF-ANN model based on ARIMA / O.B. Shukur, M.H. Lee. // Renew. Energy. - 2015. - №76.

- C. 637-647.

87. Short-term load forecasting: Similar day-based wavelet neural networks / Y. Chen, P.B. Luh, C. Guan и др. // IEEE Trans. Power Syst. - 2010. - №25. - С. 322-330.

88. Математическая и имитационная модель колебательной ветроустановки / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов и др. // Научно-аналитический журнал «Инновации и Инвестиции». - 2018. - № 9. -С. 276-283.

89. Использование генетического алгоритма для оптимизированного проектирования электрической сети с распределенной генерацией / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов и др. // Вестник УГАТУ. - 2018. - № 1(79). - С. 106-112.

90. Методика оптимизированного проектирования микросетей с возобновляемыми источниками энергии / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов и др. // Научно-технический журнал «Энергобезопастность и энергосбережение». - 2018. - № 3. - С. 20-27.

91. Использование принципа максимальной энтропии для сравнения эффективности различных ветроустановок / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов и др. // Вестник УГАТУ. - 2018. - № 2(80). - С. 82-88.

92.Оценка выработки электрической энергии ветроустановки с использованием принципа максимальной энтропии / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов и др. // Научно-аналитический журнал «Инновации и Инвестиции». - 2018. - № 3. - С. 273-278,

93.Алгоритм управления микросетью с возобновляемыми источниками энергии с использованием краткосрочного прогнозирования выработки СЭС / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов и др. // Научно-аналитический журнал «Инновации и Инвестиции». - 2018. - № 4. - С. 115-120.

94. Исследование работы колебательной ветроэнергетической установки в составе электротехнического комплекса генерации и изолированно от него

при разных скоростях ветра / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов и др. // Вестник УГАТУ. - Уфа, 2018. - № 3(81) - С. 98-104.

95. Ветроэнергетическая установка : пат. 2528793 Рос. Федерация : МПК F03D5/06 / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов, А.М. Якупов; заявл. 17.09.2013 ; опубл. 20.09.2014.

96. Программа для автоматизированного проектирования электротехнических комплексов генерации : пат. 2018616984 Рос. Федерация / Ф.Р. Исмагилов, И.Х. Хайруллин, В.Е. Вавилов, А.М. Якупов, Р.А. Нургалиева, Г.Ф. Якупова; заявл. 23.04.2018 ; опубл. 09.06.2018.

97. Якупов, А.М. Алгоритм управления микросетью с возобновляемыми источниками энергии / А.М. Якупов // Сборник статей двадцать пятой международной научной конференции «Техноконгресс». - Кемерево, 2018. - С. 10-14.

98. Якупов А.М. Применение принципа максимальной энтропии для описания функции распределения скорости ветра для определения долгосрочной выработки ВЭУ / А.М. Якупов // У-ый межвузовский сборник научных трудов «Повышение надежности и энергоэффективности электротехнических систем и комплексов». - Уфа, 2018. - С. 85-89.

99. Якупов, А.М. Краткосрочное прогнозирование выработки электрической энергии СЭС / А.М. Якупов // У-ый межвузовский сборник научных трудов «Повышение надежности и энергоэффективности электротехнических систем и комплексов». - Уфа, 2018. - С. 101-107.

100. Шабанов, А.Ю. Новый метод определения высокотемпературной кинематической вязкости моторных масел / А.Ю. Шабанов, А.Б. Зайцев, С.И. Кудинов // Двигателестроение. - 2009.- №2(236). - С. 53-54.

101. Бутенин, Н.В. Курс теоретической механики: Учеб.пособие для студ-ов вузов по техн. спец.: В 2-х т. / Н.В. Бутенин, Я.Л. Лунц, Д.Р. Меркин. -СПб. : Лань.-5-е изд., испр., 2008. - 729 с.

102. Энергия ветра или на чем основаны расчеты [Электронный ресурс] / режим доступа : https://skootsone.yolasite.com/wind-pow-01.php (дата обращения 10.2018 )

103. Хитерер, М. Я. Синхронные электрические машины возвратно-поступательного движения / М. Я. Хитерер, И. Е. Овчинников. - СПб. : КОРОНА-принт, 2008. - 368 с.

174

ПРИЛОЖЕНИЕ А РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ МЕТОДИКИ КРАТКОСРОЧНОГО

ПРОГНОЗИРОВАНИЯ

Рисунок А. 1-Результаты обучения ИНС

Target Target

Рисунок А.2- Результаты обучения ИНС

Таблица А. 1-Вводные данные и результаты

Входной параметр ИНС Реальные

Выходной данные

параметр ИНС (поверяемые значения)

Gsnorm TOD NDD T n Gout Gprog

0 0 1,179408 18 111 1,02 0

0 0 1,179408 18 112 0 0

0 0 1,179408 17 113 198,58 0

0 0 1,179408 17 114 -316,17 0

0 0,072617 1,179408 17 115 -335,02 0

0 0,131619 1,179408 21 116 -110,50 0

0 -0,02421 1,179408 21 117 195,51 95

0,072617 -0,04312 1,179408 22 118 501,15 366

0,276853 -0,05295 1,179408 24 119 785,46 330,5

0,456884 -0,05825 1,179408 24 120 995,51 396,6

0,593797 -0,06051 1,179408 26 121 1100,6 383,38

0,677761 -0,05749 1,179408 26 122 1000,56 396,6

0,70348 -0,05144 1,179408 25 123 1105,17 528,8

0,668684 -0,0416 1,179408 25 124 1095,58 528,8

0,576399 -0,01286 1,179408 25 125 853,45 575

0,432678 0,149017 1,179408 24 126 478,52 331

0,247352 0,049168 1,179408 24 127 285,5 67

0,049168 0 1,179408 23 128 -200,13 0

0 0 1,179408 23 129 -250,04 0

0 0 1,179408 23 130 -220,01 0

0 0 1,179408 23 131 -210,86 0

0 0 1,179408 22 132 -200,15 0

0 0 1,179408 22 133 -186,58 0

0 0 1,179408 22 134 -10,85 0

Рисунок А.3-Результаты прогнозирования с использование годового часа

Таблица А.2- Вводные данные и результаты без нормированной среднеквадратичной разницы солнечной радиации

Входной Выходной Реальные

Gsnorm TOD Т п Gout Grprog

0 0 18 1 11,733 0

0 0 18 2 1,632 0

0 0 17 3 8,564 0

0 0 17 4 -19,728 0

0 0,072617 17 5 -55,890 0

0 0,131619 21 6 -89,919 0

0 -0,02421 21 7 -52,714 95

0,072617 -0,04312 22 8 -48,003 366

0,276853 -0,05295 24 9 114,176 330,5

0,456884 -0,05825 24 10 426,912 396,6

0,593797 -0,06051 26 11 706,290 383,38

0,677761 -0,05749 26 12 844,776 396,6

0,70348 -0,05144 25 13 863,724 528,8

0,668684 -0,0416 25 14 786,091 528,8

0,576399 -0,01286 25 15 582,646 575

0,432678 0,149017 24 16 269,693 331

0,247352 0,049168 24 17 56,226 67

0,049168 0 23 18 -45,907 0

0 0 23 19 -64,621 0

0 0 23 20 -55,571 0

0 0 23 21 -48,732 0

0 0 22 22 -45,149 0

0 0 22 23 -45,276 0

0 0 22 24 -48,954 0

среднеквадратичной разницы солнечной радиации

Таблица 3- Вводные данные и результаты с первой производной функции солнечной радиации

Входной параметр ИНС Реальные

Выходной данные

параметр ИНС (поверяемые значения)

Gsnorm FOD T n Gout Gprog

0 0 18 1 0,425 0

0 0 18 2 -2,953 0

0 0 17 3 -0,23 0

0 0 17 4 2,547 0

0 0 17 5 1,804 0

0 0 21 6 -3,63 0

0 0,07413 21 7 -3,224 95

0,072617 0,204236 22 8 549,243 366

0,276853 0,179274 24 9 385,316 330,5

0,456884 0,135401 24 10 613,439 396,6

0,593797 0,083207 26 11 682,722 383,38

0,677761 0,024962 26 12 820,965 396,6

0,70348 -0,03555 25 13 479,995 528,8

0,668684 -0,09304 25 14 848,259 528,8

0,576399 -0,14448 25 15 756,531 575

0,432678 -0,18608 24 16 563,963 331

0,247352 -0,19667 24 17 359,219 67

0,049168 -0,04539 23 18 68,803 0

0 0 23 19 2,452 0

0 0 23 20 1,591 0

0 0 23 21 1,15 0

0 0 22 22 -0,066 0

0 0 22 23 -0,022 0

0 0 22 24 0,521 0

солнечной радиации Таблица А.4- Вводные данные и результаты с второй производной функции

солнечной радиации

Входной параметр ИНС Реальные

данные

Выходной (поверяемые

параметр ИНС значения)

Gsnorm SOD T n Gout Gprog

0 0 18.0 1 54.022 0

0 0 18.0 2 0.0651 0

0 0 17.0 3 -52.609 0

0 0 17.0 4 -102.216 0

0 0 17.0 5 -186.700 0

0 0,07413 21.0 6 -299.425 0

0 0,130106 21.0 7 -340.116 95

0,072617 -0,02496 22.0 8 -115.346 366

0,276853 -0,04387 24.0 9 188.465 330,5

0,456884 -0,05219 24.0 10 510.964 396,6

0,593797 -0,05825 26.0 11 780.851 383,38

0,677761 -0,06051 26.0 12 992.013 396,6

0,70348 -0,05749 25.0 13 1102.31 528,8

0,668684 -0,05144 25.0 14 1066.66 528,8

0,576399 -0,0416 25.0 15 853.754 575

0,432678 -0,01059 24.0 16 488.538 331

0,247352 0,151286 24.0 17 278.042 67

0,049168 0,045386 23.0 18 -191.014 0

0 0 23.0 19 -281.657 0

0 0 23.0 20 -256.814 0

0 0 23.0 21 -229.240 0

0 0 22.0 22 -199.823 0

0 0 22.0 23 -169.139 0

0 0 22.0 24 -138.19 0

солнечной радиации Таблица А.5- Вводные данные и результаты без производной солнечной радиации

Выходной Реальные данные

Входной параметр ИНС параметр ИНС (поверяемые значения)

Gsnorm T n Gout Gprog

0 18 1 -0,122 0

0 18 2 1,138 0

0 17 3 -0,042 0

0 17 4 0,510 0

0 17 5 0,906 0

0 21 6 0,0302 0

0 21 7 1,827 95

0,072617 22 8 100,808 366

0,276853 24 9 365,198 330,5

0,456884 24 10 601,498 396,6

0,593797 26 11 729,757 383,38

0,677761 26 12 849,870 396,6

0,70348 25 13 909,452 528,8

0,668684 25 14 856,275 528,8

0,576399 25 15 739,833 575

0,432678 24 16 564,930 331

0,247352 24 17 323,655 67

0,049168 23 18 65,984 0

0 23 19 3,576 0

0 23 20 -0,694 0

0 23 21 -1,496 0

0 22 22 0,875 0

0 22 23 0,030 0

0 22 24 0,261 0

солнечной радиации

181

ПРИЛОЖЕНИЕ Б РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ МЕТОДИКИ ДОЛГОСРОЧНОГО

ПРОГНОЗИРОВАНИЯ

Рисунок Б.1- Анализ точности метода Вейбула и метода максимальной

энтропии для январь

Рисунок Б.2- Анализ точности метода Вейбула и метода максимальной

Рисунок Б.4- Анализ точности метода Вейбула и метода максимальной

энтропии для апреля

Рисунок Б.5- Анализ точности метода Вейбула и метода максимальной

энтропии для мая

г \

V_У

Рисунок Б.6- Анализ точности метода Вейбула и метода максимальной

Рисунок Б.7- Анализ точности метода Вейбула и метода максимальной

энтропии для июля

Рисунок Б.8- Анализ точности метода Вейбула и метода максимальной

энтропии для августа

Рисунок Б.9- Анализ точности метода Вейбула и метода максимальной

энтропии для сентября

Рисунок Б. 10- Анализ точности метода Вейбула и метода максимальной

энтропии для октября

Рисунок Б. 11- Анализ точности метода Вейбула и метода максимальной

энтропии для ноября

ч_;

Рисунок Б. 12- Анализ точности метода Вейбула и метода максимальной

ПРИЛОЖЕНИЕ В КОД ПРОГРАММЫ ДЛЯ ОПТИМАЛЬНОГО ПРОЕКТИРОВАНИЯ

Sub Макрос4()

Dim ovl(7, 7), ov2(7, 7), ov3(7, 7), ov4(7, 7) As Double

Dim ovv1(7, 7), ovv2(7, 7), ovv3(7, 7), ovv4(7, 7), ovr1(7, 7), ovr2(7, 7), ovr3(7, 7), ovr4(7, 7) As Double

Dim op1(20, 16), op2(20, 16), op3(20, 16), op4(20, 16), opr1(20, 16), opr2(20, 16), opr3(20, 16),

opr4(20, 16), opv1(20), opv2(20), opv3(20), opv4(20) As Double

Dim sum1, sum2, sum3, sum4 As Double

Dim kap(4, 200), kap1(4, 200) As Double

Dim pris(4) As Double

Dim vetvi1(20, 20), vetvi2(20, 20), vetvi3(20, 20), vetvi4(20, 20) As Double Dim moch1(20, 20), moch2(20, 20), moch3(20, 20), moch4(20, 20) As Double

Dim l(7, 7) As Double

Dim b1(10, 10), b2(10, 10), b3(10, 10), b4(10, 10) As Double

Dim b11(10, 10), b12(10, 10), b13(10, 10), b14(10, 10) As Double

Dim s1(10, 200), s2(10, 200), s3(10, 200), s4(10, 200) As Double

Dim row1(10, 200), row2(10, 200), row3(10, 200), row4(10, 200) As Double

Dim r1(7, 7), r2(7, 7), r3(7, 7), r4(7, 7) As Double

Dim x1(7, 7), x2(7, 7), x3(7, 7), x4(7, 7) As Double

Dim yb1(10), yb2(10) yb3(10), yb4(10) As Double

Dim u1(10, 200), u2(10, 200), u3(10, 200), u4(10, 200) As Double

Dim Pot1(10, 200), Pot2(10, 200), Pot3(10, 200), Pot4(10, 200) As Double

Dim p1(5), p2(5), p3(5), p4(5) As Double

Dim q1(5), q2(5), q3(5), q4(5) As Double

Dim n As Integer

Dim toki1(10, 10), toki2(10, 10), toki3(10, 10), toki4(10, 10) As Double Dim idop1(7), idop2(7), idop3(7), idop4(7) As Double Dim sech1(7, 7), sech2(7, 7), sech3(7, 7), sech4(7, 7) As Double Dim sechi1(7, 7), sechi2(7, 7), sechi3(7, 7), sechi4(7, 7) As Double Dim poteri1(200), poteri2(200), poteri3(200), poteri4(200) As Double 'генератор начальных данных для ветвей For i = 1 To 6 sum1 = 0 sum2 = 0 sum3 = 0 sum4 = 0 1:

For j = i + 1 To 7

ov1(i, j) = (Int((10 - 0 + 1) * Rnd + 0) Mod 2)

ov2(i, j) = (lnt((10 - 0 + 1) * Rnd + 0) Mod 2)

ov3(i, j) = (lnt((10 - 0 + 1) * Rnd + 0) Mod 2)

ov4(i, j) = (lnt((10 - 0 + 1) * Rnd + 0) Mod 2)

sum1 = sum1 + ov1(i, j)

sum2 = sum2 + ov2(i, j)

sum3 = sum3 + ov3(i, j)

sum4 = sum4 + ov4(i, j)

ovv1(i, j) = ov1(i, j)

ovv2(i, j) = ov2(i, j)

ovv3(i, j) = ov3(i, j) ovv4(i, j) = ov4(i, j) Next j

If suml = 0 Or sum2 = 0 Or sum3 = 0 Or sum4 = 0 Then GoTo 1: End If Next i

For i = 1 To 7 For j = 1 To 7 ov1(j, i) = ov1(i, j) ov2(j, i) = ov2(i, j) ov3(j, i) = ov3(i, j) ov4(j, i) = ov4(i, j) If i = j Then ov1(i, j) = 0 ov2(i, j) = 0 ov3(i, j) = 0 ov4(i, j) = 0 End If Next j Next i

'генератор начальных данных для мощностей For i = 1 To 20 For j = 1 To 16

op1(i, j) = (Int((10 - 0 + 1) * Rnd + 0) Mod 2) '1-ая особь op2(i, j) = (lnt((10 - 0 + 1) * Rnd + 0) Mod 2) '2-ая особь op3(i, j) = (lnt((10 - 0 + 1) * Rnd + 0) Mod 2) '3-ая особь op4(i, j) = (lnt((10 - 0 + 1) * Rnd + 0) Mod 2) '4-ая особь Next j Next i

kap(1, 0)= 10 Л 15 kap(2, 0) = 10 л 15 kap(3, 0) = 10 л 15 kap(4, 0) = 10 л 15 imn = 1

For i = 1 To 7 For j = 1 To 7 ovr1(i, j) = ovv1(i, j) ovr2(i, j) = ovv2(i, j) ovr3(i, j) = ovv3(i, j) ovr4(i, j) = ovv4(i, j) Next j Next i

For i = 1 To 20 For j = 1 To 16

oPr1(i, j) = oP1(i, j) opr2(i, j) = op2(i, j)

°рг3(Л j) = oP3(i, j) opr4(i, j) = op4(i, j)

Next j Next i

'определение матрицы межузловых связей For i = 1 To 7 For j = 1 To 7

l(i, j) = ((Workbooks("GA_min.xlsm").Sheets("4").Cells(i + 2, 2).Value -Workbooks("GA_min.xlsm").Sheets("4").Cells(j + 2, 2).Value) Л 2 + (Workbooks("GA_min.xlsm").Sheets("4").Cells(i + 2, 3).Value -Workbooks("GA_min.xlsm").Sheets("4").Cells(j + 2, 3).Value) л 2) л 0.5 Next j Next i

'начало цикла ГА

For imn = 1 To 50 kap(1, imn) = 0 kap(2, imn) = 0 kap(3, imn) = 0 kap(4, imn) = 0

For i = 1 To 20 opv1(i) = 0 opv2(i) = 0 opv3(i) = 0 opv4(i) = 0 Next i

'перевод двоичной мощности в десятиричную систему For i = 1 To 20 For j = 1 To 16

opv1(i) = 2 л (16 - j) * op1(i, j) + opv1(i) 'ВЭУ opv2(i) = 2 л (16 - j) * op2(i, j) + opv2(i) 'СЭС opv3(i) = 2 л (16 - j) * op3(i, j) + opv3(i) 'ДГ opv4(i) = 2 л (16 - j) * op4(i, j) + opv4(i) 'МТ Next j Next i

For j = 0 To 4

kap(1, imn) = kap(1, imn) + opv1(4 * j + 1) / 1000 * 10 /1000

kap(1, imn) = kap(1, imn) + opv1(4 * j + 2) / 1000 * 8/1000

kap(1, imn) = kap(1, imn) + opv1(4 * j + 3) / 1000 * 11.91 / 1000

kap(1, imn) = kap(1, imn) + opv1(4 * j + 4) / 1000 * 12.75 / 1000

kap(2, imn) = kap(2, imn) + opv2(4 * j + 1) / 1000 * 10 /1000

kap(2, imn) = kap(2, imn) + opv2(4 * j + 2) / 1000 * 8/1000

kap(2, imn) = kap(2, imn) + opv2(4 * j + 3) / 1000 * 11.91 / 1000

kap(2, imn) = kap(2, imn) + opv2(4 * j + 4) / 1000 * 12.75 / 1000

kap(3, imn) = kap(3, imn) + opv3(4 * j + 1) / 1000 * 10 /1000

kap(3, imn) = kap(3, imn) + opv3(4 * j + 2) / 1000 * 8/1000

kap(3, imn) = kap(3, imn) + opv3(4 * j + 3) / 1000 * 11.91 / 1000 kap(3, imn) = kap(3, imn) + opv3(4 * j + 4) / 1000 * 12.75 / 1000

kap(4, imn) = kap(4, imn) + opv4(4 * j + 1) / 1000 * 10 / 1000 kap(4, imn) = kap(4, imn) + opv4(4 * j + 2) / 1000 * 8 / 1000 kap(4, imn) = kap(4, imn) + opv4(4 * j + 3) / 1000 * 11.91 / 1000 kap(4, imn) = kap(4, imn) + opv4(4 * j + 4) / 1000 * 12.75 / 1000 Next j

'окончена генерация начальных данных 'процедура макроса выбора сечений

'формирование матрицы межузловых связей для отдельных вариантов

Dim 11(7, 7), 12(7, 7), 13(7, 7), 14(7, 7), kiki1(7, 7), kiki2(7, 7), kiki3(7, 7), kiki4(7, 7) As Double

For i = 1 To 7 For j = 1 To 7 ov1(i, j) = ovv1(i, j) °v2(i, j) = ovv2(i, j) °v3(i, j) = °vv3(i, j) °v4(i, j) = ovv4(i, j) Next j Next i

For i = 1 To 7 For j = 1 To 7 °v1(j, i) = °v1(i, j) °v2(j, i) = °v2(i, j) °v3(j, i) = °v3(i, j) °v4(j, i) = ov4(i, j) If i = j Then °v1(i, j) = 0 °v2(i, j) = 0 °v3(i, j) = 0 °v4(i, j) = 0 End If Next j Next i

For i = 1 To 7

For j = 1 To 7

11(i, j) = 1(i, j) * ov1(i, j)

12(i, j) = 1(i, j) * °v2(i, j)

13(i, j) = 1(i, j) * °v3(i, j) 14(i, j) = 1(i, j) * °v4(i, j) kiki1(i, j) = 11(i, j) kiki2(i, j) = 12(i, j) kiki3(i, j) = 13(i, j) kiki4(i, j) = 14(i, j) Next j Next i

For pru = 1 To 2

'считывание нагрузок(ВЭУ/СЭС в минимальном режиме, ДЭУ/МТ-выведены) If pru = 1 Then For i = 1 To 5

p1(i) = Workbooks(MGA_min.x1smM).Sheets(M4M).Ce11s(i + 4, 4).Va1ue - (opv1((i - 1) * 4 + 1) * 0.1 + opv1((i - 1) * 4 + 2) * 0.1 + opv1((i - 1) * 4 + 3) * 0 + opv1((i - 1) * 4 + 4) * 0) / 1000 / 100 q1(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 5).Va1ue - (opv1((i - 1) * 4 + 1) * 0.1 + opv1((i - 1) * 4 + 2) * 0.1 + opv1((i - 1) * 4 + 3) * 0 + opv1((i - 1) * 4 + 4) * 0) * 0.8 / 1000 / 100 p2(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 4).Va1ue - (opv2((i - 1) * 4 + 1) * 0.1 + opv2((i - 1) * 4 + 2) * 0.1 + opv2((i - 1) * 4 + 3) * 0 + opv2((i - 1) * 4 + 4) * 0) / 1000 / 1000 q2(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 5).Va1ue - (opv2((i - 1) * 4 + 1) * 0.1 + opv2((i - 1) * 4 + 2) * 0.1 + opv2((i - 1) * 4 + 3) * 0 + opv2((i - 1) * 4 + 4) * 0) * 0.8 / 1000 / 100 p3(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 4).Va1ue - (opv3((i - 1) * 4 + 1) * 0.1 + opv3((i - 1) * 4 + 2) * 0.1 + opv3((i - 1) * 4 + 3) * 0 + opv3((i - 1) * 4 + 4) * 0) / 1000 / 1000 q3(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 5).Va1ue - (opv3((i - 1) * 4 + 1) * 0.1 + opv3((i - 1) * 4 + 2) * 0.1 + opv3((i - 1) * 4 + 3) * 0 + opv3((i - 1) * 4 + 4) * 0) * 0.8 / 1000 / 100 p4(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 4).Va1ue - (opv4((i - 1) * 4 + 1) * 0.1 + opv4((i - 1) * 4 + 2) * 0.1 + opv4((i - 1) * 4 + 3) * 0 + opv4((i - 1) * 4 + 4) * 0) / 1000 / 1000 q4(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 5).Va1ue - (opv4((i - 1) * 4 + 1) * 0.1 + opv4((i - 1) * 4 + 2) * 0.1 + opv4((i - 1) * 4 + 3) * 0 + opv4((i - 1) * 4 + 4) * 0) * 0.8 / 1000 / 100 Next i E1se

'считывание нагрузок(ВЭУ/СЭС в минимальном режиме, ДЭУ/МТ-выведены) For i = 1 To 5

p1(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 4).Va1ue - (opv1((i - 1) * 4 + 1) * 0.1

+ opv1((i - 1) * 4 + 2) * 0.1 + opv1((i - 1) * 4 + 3) + opv1((i - 1) * 4 + 4)) / 1000 / 100

q1(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 5).Va1ue - (opv1((i - 1) * 4 + 1) * 0.1

+ opv1((i - 1) * 4 + 2) * 0.1 + opv1((i - 1) * 4 + 3) + opv1((i - 1) * 4 + 4)) * 0.8 / 1000 / 100

p2(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 4).Va1ue - (opv2((i - 1) * 4 + 1) * 0.1

+ opv2((i - 1) * 4 + 2) * 0.1 + opv2((i - 1) * 4 + 3) + opv2((i - 1) * 4 + 4)) / 1000 / 1000

q2(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 5).Va1ue - (opv2((i - 1) * 4 + 1) * 0.1

+ opv2((i - 1) * 4 + 2) * 0.1 + opv2((i - 1) * 4 + 3) + opv2((i - 1) * 4 + 4)) * 0.8 / 1000 / 100

p3(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 4).Va1ue - (opv3((i - 1) * 4 + 1) * 0.1

+ opv3((i - 1) * 4 + 2) * 0.1 + opv3((i - 1) * 4 + 3) + opv3((i - 1) * 4 + 4)) / 1000 / 1000

q3(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 5).Va1ue - (opv3((i - 1) * 4 + 1) * 0.1

+ opv3((i - 1) * 4 + 2) * 0.1 + opv3((i - 1) * 4 + 3) + opv3((i - 1) * 4 + 4)) * 0.8 / 1000 / 100

p4(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 4).Va1ue - (opv4((i - 1) * 4 + 1) * 0.1

+ opv4((i - 1) * 4 + 2) * 0.1 + opv4((i - 1) * 4 + 3) + opv4((i - 1) * 4 + 4)) / 1000 / 1000

q4(i) = Workbooks("GA_min.x1sm").Sheets("4").Ce11s(i + 4, 5).Va1ue - (opv4((i - 1) * 4 + 1) * 0.1

+ opv4((i - 1) * 4 + 2) * 0.1 + opv4((i - 1) * 4 + 3) + opv4((i - 1) * 4 + 4)) * 0.8 / 1000 / 100

Next i

End If

For i = 1 To 5

For j = 1 To 5

If 11(i, j) > 0 Then

row1(j, imn) = row1(j, imn) + 1

s1(i, imn) = s1(i, imn) + 1

End If

If 12(i, j) > 0 Then

row2(j, imn) = row2(j, imn) + 1

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.