СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В электроэнергетике активно развивается направление, связанное с применением установок распределенной генерации (РГ), расположенных вблизи энергопринимающих устройств потребителей. Внедрение установок РГ связано с решением множества технических задач, одной из которых является оптимизация настроек автоматических регуляторов возбуждения (АРВ) и скорости (АРС) синхронных генераторов во всех возможных режимах работы. Это требует использования сложных моделей систем электроснабжения, установок распределенной генерации и их регуляторов, а также трудоемких расчетов, учитывающих большое количество взаимосвязанных параметров. Однако существует и другой подход, основанный на применении прогностических регуляторов, для настройки которых при линейных прогнозных моделях нужен только один параметр. В статье приведено описание метода построения и настройки предлагаемого прогностического АРС синхронного генератора, а также компьютерных моделей установок распределенной генерации, используемых для проведения исследований. Цель исследований состояла в определении кибербезопасности систем электроснабжения, оснащенных установками распределенной генерации с прогностическими регуляторами скорости, которые могут быть реализованы на базе микропроцессорной техники. Исследования проводились в системе MATLAB с применением пакетов имитационного моделирования Simulink и SymPowerSystems на компьютерных моделях установок РГ с одним турбогенератором, работающим на выделенную нагрузку, а также группой гидрогенераторов, связанных с электроэнергетической системой большой мощности. Результаты моделирования показали эффективность предлагаемых прогностических алгоритмов управления, а также то, что их кибербезопасность можно повысить путем введения аппаратных ограничений на диапазон изменения постоянной времени прогнозирующего звена.

1. Barker Ph. P., Mello R.W. Determining the impact of distributed generation on power systems. Pt. 1. Radial distribution systems // 2000 Power Engineering Society Summer Meeting, July 11–15. – Seattle, WA, USA, 2000. – P. 1645–1656. – DOI: 10.1109/PESS.2000.868775.

2. Rugthaicharoencheep N., Auchariyamet S. Technical and economic impacts of distributed generation on distribution system // International Journal of Electrical, Computer, Energetic, Electronic and Communication Engineering. – 2012. – Vol. 6. – P. 385–389. – DOI: 10.5281/zenodo.1327636.

3. Voropai N.I., Stychinsky Z.A. Renewable energy sources: theoretical foundations, technologies, technical characteristics, economics. – Magdeburg: Otto-von-Guericke-Universität, 2010. – 223 p.

4. Magdi S.M., AL-Sunni F.M. Control and optimization of distributed generation systems. – Cham: Springer International Publishing, 2015. – 578 p.

5. Martínez Ceseña E.A., Capuder T., Mancarella P. Flexible distributed multienergy generation system expansion planning under uncertainty // IEEE Transaction on Smart Grid. – 2016. – Vol. 7. – P. 348–357. – DOI: 10.1109/TSG.2015.2411392.

6. Sikorski T., Rezmer J. Distributed generation and its impact on power quality in low-voltage distribution networks // Power quality issues in distributed generation / ed. by Dr. J. Luszcz. – Rijeka: InTech, 2015. – DOI: 10.5772/61172.

7. Раскин Е.М., Денисова Л.А., Мещеряков В.А. Автоматизация проектирования системы регулирования с использованием генетического алгоритма оптимизации // Промышленные АСУ и контроллеры. – 2012. – № 7. – С. 8–14.

8. Saad M.S., Jamaluddin H., Darus I.Z.M. Implementations of PID-controller tuning using differential evolution and genetic algorithm // International Journal of Innovate Computing, Information and Control. – 2012. – Vol. 8, N 11. – P. 7761–7779.

9. Chen Y., Ma Y., Yun W. Application of improved genetic algorithm in PID controller parameters optimization // Telkomnika. – 2013. – Vol. 11, N 3. – P. 1524–1530.

10. Bulatov Yu.N., Kryukov A.V. Optimization of automatic regulator settings of the distributed generation plants on the basis of genetic algorithm // 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). – Chelyabinsk, Russia, 2016. – P. 1–6. – DOI: 10.1109/ICIEAM.2016.7911456.

11. Camacho E.F., Bordons C. Model predictive control. – 2nd ed. – Springer, 2007. – 405 p.

12. Пикина Г.А. Принцип управления по прогнозу и возможность настройки систем регулирования одним параметром // Новое в российской электроэнергетике. – 2014. – № 3. – С. 5–13.

13. Булатов Ю.Н., Крюков А.В., Нгуен В.Х. Цифровые прогностические регуляторы установок распределенной генерации // Главный энергетик. – 2020. – № 1. – С. 14–21.

14. Bulatov Yu.N., Kryukov A.V., Nguyen V.H. Simulation of gas turbine power plants with voltage and speed prognostic regulators // International Russian Automation Conference (RusAutoCon). – Sochi, Russia, 2020. – P. 160–164. – DOI: 10.1109/RusAutoCon49822.2020.9208114.

15. Bulatov Yu.N., Kryukov A.V., Nguyen V.H. Automatic prognostic regulators of distributed generators // 2018 International Multi-Conference on Industrial Engineering and Modern Technologies (FarFastCon). – Vladivostok, Russia, 2018. – P. 1–4. – DOI: 10.1109/FarEastCon.2018.8602718.

16. Пикина Г.А., Кузнецов М.С. Методы настройки прогностических типовых алгоритмов регулирования // Теплоэнергетика. – 2012. – № 2. – С. 64–68.

17. Бушуев В.В, Лизалек Н.Н., Новиков Н.Л. Динамические свойства энергосистем. – М.: Энергоатомиздат, 1995. – 320 с.

18. Anderson P.M, Fouad A.A. Power system control and stability. – 2nd ed. – IEEE Press, 2003. – 688 p.