文摘
为了进一步提高配电系统的自动化环境,本文提出了一种优化的研究基于人工智能配电自动化系统无线网络技术。该方法使用人工智能无线网络技术优化配电系统的自动化,提高配电系统的自动化能力。实验结果表明,当训练过程中的迭代次数达到338,均方误差是0.001。结论。配电自动化系统的优化研究方法基于人工智能无线网络技术可以更有效地提高配电系统的自动化水平。
1。介绍
配电自动化是提高供电可靠性的重要手段,也是智能电网的一个重要组成部分。从二十世纪末到二十一世纪初,还有试点配电自动化建设的高潮。然而,许多早期建立了配电自动化系统没有发挥应有的作用,主要是由于两个原因:技术和管理。技术问题包括不成熟技术在早期阶段,落后的通讯手段,早期和缺陷的分销网络。管理问题主要包括缺乏标准和规范来指导规划、设计、建设、运行和维护的配电自动化和追求一步“大型、全面”的不足导致过度规划和后来的操作和维护。
经过近十年的探索和实践,配电自动化技术已经成熟,和通信技术取得了革命性的进展。电力企业制定一系列的标准和规范的设计、建设、运行和维护的配电自动化。智能电网的建设,配电自动化系统已经迎来了新一轮的建设高潮。中国国家电网公司回顾了三批配电自动化项目计划,完成所有的实际验收4城市配电自动化在第一批试点项目,并完成项目验收的19个城市配电自动化试点项目第二批。这一轮的配电自动化系统取得了重要进展在上一轮的自动化技术,测试技术,项目管理,和实用性。
工业无线技术是一种新的无线通信技术设备之间的信息交互。它适用于恶劣的工业现场环境。它具有抗干扰能力强的特点,低能量消耗,和良好的实时通信。它是一种特殊的传感器网络1]。目前,广泛使用的工业无线技术包括无线局域网、蓝牙、无线个域网。通过研究蓝牙网络通信协议、嵌入式网络节点以ARM9处理器和蓝牙适配器为核心的设计,模拟数字转换的功能,切换输入和输出。ARM9嵌入式Linux系统平台,编写设备驱动程序,BlueZ协议栈移植,和程序开发的通信协议栈实现搜索设备的功能,发现服务,建立连接,并发送和接收数据。因此,人工智能无线网络技术用于进一步优化配电自动化系统,以便更好地进行分配操作,实现高自动化的效果。
2。文献综述
智能电网的建设和通信技术的发展,配电自动化技术,作为智能电网的重要组成部分,它已经取得了很大的进步,并取得了许多建设性的进展在配电自动化主站,终端,通信网络,和测试技术,奠定了坚实的基础为配电自动化系统的实际应用。与上一轮配电自动化的研究相比,目前,配电自动化主站的最大的进步在于两个方面:建立一个信息交互总线符合IEC61968标准和统一标准信息与其他信息系统的交互。它有一个完整的和实际故障处理应用程序模块。
在实际应用中,配电自动化系统需要与上层调度自动化、生产管理系统、电网地理信息系统、营销管理信息系统,95598年。在最后一轮配电自动化建设、“点对点”的私人协议如图1用于实现配电自动化系统的互连和其他应用系统。不仅许多接口需要维护,还因为私人协议采用不标准,互换性差,扩张是很困难的。在图中,电磁兼容是一个能源管理系统。
在智能电网的建设,配电自动化系统采用的信息交互总线符合IEC61968标准根据的原则“独特的源数据和全球信息共享”之间的信息交换和服务共享并完成配电自动化系统和其他应用系统通过总线模式基于消息机制,如图2。它不仅大大减少了数量的接口,但也有标准化的优势,互换性强,容易扩张。在会议的前提下电力二次系统安全防护规定,信息交互总线有能力实现信息交互通过正向/反向物理隔离设备生产控制区域和管理信息。遵循IEC61968标准和采用面向服务的体系结构(SOA)实现发布和订阅的相关模型,图形和数据(2]。
认知无线电的概念第一次被提出,因为它具有良好的感知、推理和学习能力3]。这些功能使认知无线电技术能够动态调整频谱的使用,进一步提高频谱效率。这无疑缓解当前频谱资源紧缺。然而,随着通信技术的发展,无线网络,引入认知的概念正在改变方向的复杂性、异构化和动态。一些传统的网络管理方式已经不再适合当前网络所面临的复杂的情况。因此,为了有效地管理网络,以满足这些挑战,重新配置技术引入认知无线网络。重新配置技术保持认知无线网络的性能通过改变一系列的无线参数和调整相应的网络行为。这维护不仅能保证网络性能,而且还考虑到用户的需求环境和系统需求变化动态。重构技术应用于认知无线网络可以提供一个更灵活和自适应网络的网络管理方法,但相应地,重构技术在认知网络的实现还需要依靠独特的感知能力,认知网络的预测能力,和学习能力。这两个互补,进一步提高系统的性能。 The decision-making of reconfiguration is the key part of the realization of reconfiguration technology. The reconfiguration decision first obtains the network parameters that need to be changed by analyzing the factors that affect the performance and then deploys the reconfiguration through calculation to map these changes to the actual network structure. This not only ensures that the system can adapt to the dynamic environment, but also saves the time of system operation.
随着计算机网络技术的相互渗透和结合,无线技术和智能传感器技术,一个新的概念出现了基于无线技术的网络化智能传感器。这种基于无线技术的网络化智能传感器使工业站点的数据直接传输,出版,并通过无线网络上的共享链接。无线通信技术可以提供高带宽无线数据链接和灵活的网络拓扑结构的各种智能现场设备之间的通信,移动机器人和各种自动化设备在工厂环境中,有效地弥补了有线网络的缺陷在一些特殊环境中,并进一步提高工业控制网络的通信性能。因此,相对于其他应用领域(军事、商业、医疗等),无线传感器网络非常适合于工业应用。微传感和无线连接的概念节点使其高领域的理论和实践意义的工业测量和控制(4]。
根据上述研究,本文提出了一种配电自动化系统优化的方法研究基于人工智能无线网络技术。该方法使用无线网络技术优化配电系统自动化,通过重新配置,进一步提高了无线网络技术的决定,以便更好的提高配电自动化系统,从而达到自动化改进的目的。
3所示。研究方法
3.1。配电自动化系统
3.1.1。系统架构
超级大的配电自动化系统架构的数据中心由两部分组成:主工作站和subworkstation [5]。subworkstation与完整的结束电力设备通过RS485总线,和设备连接到自动控制系统网络根据Modbus通信协议,并上传到主工作站。基于电力变电站上传的数据,主工作站计算并生成最优安全供电路径方案,向电力设备发送控制命令通过subworkstation功率损耗负载转移到安全的供电路径。命令发出后,高压开关设备执行相应的命令来完成转换作用基于采样单元,存储单元,计算单位,比较单元和控制单元。
3.1.2。人工智能安全供电路径搜索算法
网络拓扑关系的算法相当于互连矩阵可以被计算机。当发生故障时,故障区域识别和标记,绕过故障区域通过智能搜索,和分发负载故障区域的其他能源(6,7]。基于上述原则,搜索算法可以准确地将电力系统的电气化不同故障条件下实时数学模型,把它给整个电脑计算和调度,然后生成的方案计算结果可以派出由终端高压开关通过沟通的方式命令,以便满足灾难公差要求电力系统的超级大的数据中心。在使用人工智能算法的安全供电路径,电力设备在整个公园可以派作为一个整体,以便更好的利用设备的潜在能力和缩短投资回报期。安全的路径搜索算法如图3。
3.1.3。负荷分类机制
尽管数据中心业务是绝对不允许被打断,不同的设备和业务类型仍有不同的重要性,如集中冷却装置和核心业务是相对重要的。系统的重点从以下方面考虑:
(1)优先考虑的重要的电力设备:电源需要恢复4分钟后集中制冷站的电源故障,确保机房冷却的连续性。(2)传输/网络出口优先:电源中断后的传输/网络机房在公园,将形成一个“数据岛”,将断开与外部网络的连接,保障水平也高于普通数据机房。(3)重要的业务优先级:承载多个区域的数据空间和用户保证水平也高于其他普通数据的房间。
在供电中断的情况下,配电自动化系统为主的使用电源电力恢复电力供应重要负载。在负荷不足的情况下,配电自动化系统将立即发送石油石油引擎发动机启动信号并联内阁。后开始最低并联数量满足其余负荷,控制石油引擎馈线柜开关,并将发电机供电。通过这种方式,供电的安全可以保证在最短的时间内。
以数据中心为例,使用at之间的差异,备用自动切换系统,利用配电自动化系统进行了比较。ATS自动切换系统和备用的行动逻辑中常用传统的电力行业是立即开始投入石油引擎运行时负载电源失去权力两个方面。如果电源结构是多通道输入线,柴油机仍将开始当市电容就足够了8,9]。配电自动化系统将优先判断市电容可以满足负载功率损耗的要求。如果符合要求,控制开关将直接输入市政权力,并在此基础上,实现负载分级担保功能。
3.2。框架的基础上重建的决定
3.2.1之上。系统架构
为了反映了独特的感知过程,推理过程,学习过程,决策过程,和行动过程中认知无线网络,提出重构决策架构包括几个模块:推理引擎,学习引擎,规则引擎,决策引擎和行动,引擎。图4显示了每个模块的互联。
为了使重建的决定,我们必须首先知道完整的外部环境信息和无线控制参数信息(10,11]。此信息收集的传感技术和存储在无线环境映射(REM)数据库系统可以理解的一种形式。REM数据库分类和存储这些数据,以便为重建决策提供数据基础和动态更新他们在整个操作过程中。
规则引擎推导无线参数和系统性能之间的相互作用关系的基础上,综合考虑环境信息,无线参数,信息和相关政策规则信息和这些相关信息输入到数据库中。推理模型的预测能力建立基于这些关联信息可以在动态环境中自适应地选择适当的配置满足系统性能要求(12]。
为了实现认知无线网络的倡议和节省重建时间,推理引擎首先会建立先验分析模型的帮助下获得的一系列规则的规则引擎和人工智能技术的专家系统算法。这个模型可以直接推导出可能的认知网络重建方法面对简单的网络结构。学习引擎优化结果产生的推理引擎通过学习经验从历史信息和环境信息,然后将优化结果存储在数据库和服务在接下来的决策。学习发动机主要参与重建的决策在复杂的网络结构,以弥补一些缺陷的推理引擎在面对复杂的数据处理。决策引擎地图前面的推理引擎的计算结果和学习引擎重建决策和通过他们去行动引擎。操作引擎动员系统改变参数和调整无线的行为根据决策。
3.2.2。重建算法基于人工智能技术的决定
为了更好地利用重组决策算法来进一步提高无线网络技术,介绍了人工智能技术。推理引擎和学习引擎完成重建的主要部分是决定认知网络(13]。推理引擎管理系统行为映射和配置的现有知识与当前环境条件。学习引擎优化操作在认知网络通过学习历史信息和经验。此外,学习发动机和推理引擎交互和相互促进:学习过程中使用丰富的知识推理过程,优化推理引擎的输出。推理引擎提供更多的培训和训练数据和实例初始化新的学习引擎。
的学习和推理之间的微妙关系,人工神经网络(实现学习过程)结合基于规则的专家系统(实现推理过程)可以实现一个完整的推理学习过程并完成重建决策与系统需求为目标(14,15]。首先,推断基于规则专家系统的规则来自规则引擎。同时,这些规则被用作输入基于神经网络学习训练数据引擎。通过这种方式,当新环境信息输入到训练学习引擎,学习发动机能产生一系列的新规则。的帮助下这些新规则,推理引擎可以优化重组的决定。推理引擎的工作条件重建决策过程如图5。
3.2.3。重建决策算法结合推理和学习
学习发动机的优点是反映在三个方面(16]。首先,学习引擎可以学习环境信息来生成新的规则和更新规则存储在数据库中。其次,模糊搜索可以应用于近似推理的学习过程,提高了推理的可靠性。最后,学习引擎可以提取目标函数和优化推理结果通过优化目标函数。
3.3。重建决策算法的步骤
步骤1初始化。
初始化规则空间和规则映射到三层人工神经网络模型。前面的一部分规则(无线参数部分)映射到第一层(输入层)。后期(描述系统性能部分)映射到第三层(输出层)。中间隐层代表了映射的输入层和输出层之间的关系。
步骤2的激活函数,函数表达式所示
步骤3使用反向传播算法进行训练。
第四步迭代。
第五步应用训练神经网络模型推理和决策(17]。
4所示。结果和分析
在仿真过程中,四个参数的数据传输速率(博士),传动功率(TP),帧长度(FS),和噪音水平(n)代表无线参数和系统的吞吐量(T)是作为系统性能的测量参数18]。仿真显示无线参数对系统性能的影响程度三个案例:当使用神经网络结合规则专家系统算法重建做出决定,当使用最糟糕的配置中,使用最好的配置,它指的是参数可以产生最好或最差的系统性能。神经网络结合规则的算法仿真专家系统从最保守的配置(相当于最糟糕的配置)。然后,自适应地调整参数来满足系统性能的需求(19]。
输入参数(数据传输速率、传输功率、帧长度和噪音)需要重新训练神经网络系统,并调整与重建决定算法基于系统性能的变化20.]。设置场景如下:180年代仿真时间;传输速率维持在10 mbit / s从20年代到90年代,13 mbit / s从90年代到130年代,和3 mbit / s从130年代到180年代;噪音是0.81 dbm从40年代到70年代,10.3 dbm从70年代到110年代,8 dbm从110年代到150年代,从150年代到180年代和3.2 dbm。在这个过程中,随着环境的变化,基于人工智能的重建算法将通过参数调整最大化吞吐量性能关系获得。错误如图6。
可以看出,均方误差的方法在本文0.001当训练过程中的迭代次数达到338人,表明本文方法可以有效地减少错误。
5。结论
介绍了配电自动化系统优化的方法研究基于人工智能无线网络技术。该方法结合了无线网络技术的发展前景在当前人工智能的时代,它适用于配电自动化系统,以进一步优化,提高配电自动化系统。均方误差的实验结果表明,本文的方法是0.001当训练过程中的迭代次数达到338。这表明本文方法可以有效地减少错误。它证明了本文中使用的方法可以有效地提高配电系统的自动化,使其更有效地分配工作。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作由教育部科研基金支持辽宁省2021年,研究短期风电预测基于attention-GRU递归神经网络(项目号LJKZ1099)。