Техніка та енергетика

Застосування методів програмування для керування коливаннями в електроенергетичних системах і мережах

Рисбек Абдилдаєв, Нуркул Мурзакулов, Алмагул Абдуллаєва, Толгонай Джолдошева, Мухаммадсадик Ісламов
Завантажити статтю
Анотація

Метою цього дослідження було підвищення стійкості електроенергетичних систем до коливань за допомогою розроблення та верифікації алгоритмів керування, заснованих на сучасних методах програмування і моделювання. Для розв’язання цієї задачі було створено і протестовано алгоритми на основі PID-регуляторів (зокрема оптимізованих еволюційними методами) і штучних нейронних мереж. Випробування засвідчили, що класичний PID-регулятор здатний знижувати амплітуду коливань у середньому на 20-30 % порівняно з некерованою системою, однак потребував тонкого ручного налаштування і поступався у швидкості реакції на різкі зміни навантаження. Оптимізовані PID-регулятори на основі генетичних алгоритмів, рою частинок і алгоритму світлячків давали змогу додатково зменшувати амплітуду коливань (до 25 %, 33 % і 45 % відповідно) і прискорювали стабілізацію системи, що значно підвищувало надійність енергопостачання. Особливий інтерес представляли нейронні мережі, що забезпечили найвищу адаптивність до мінливих умов і давали змогу прогнозувати зміну ключових параметрів (частоту і напругу) з помилкою 2-3 % за показником Mean Absolute Percentage Error (MAPE). У результаті мережа своєчасно реагувала на збурення, знижувала відхилення частоти до 0,09 Гц і скорочувала час перехідного процесу до 3,5 секунд у разі різкої зміни навантаження. Таким чином, нейромережевий підхід продемонстрував найкращі результати як щодо демпфірування коливань, так і щодо загальної стабільності системи. Проведені пілотні випробування в умовах інтелектуальних енергосистем підтвердили доцільність інтеграції розроблених алгоритмів в наявні інфраструктури контролю та управління. За достатньої обчислювальної потужності та розвиненої системи телеметрії всі запропоновані рішення були легко масштабовані та забезпечували надійне демпфірування коливань навіть за умов активної інтеграції поновлюваних джерел енергії. Таким чином, результати дослідження підтвердили ефективність розроблених методів керування коливаннями та їх перспективність для подальшого широкого впровадження в інтелектуальні енергосистеми

Ключові слова

інтеграція відновлюваних джерел енергії, стабільність енергопостачання, алгоритми керування мережею, стійкість енергосистем, симуляційні моделі енергомереж, оптимізація процесів керування, енергетична безпека

ЦИТУВАТИ
Abdyldaev, R., Murzakulov, N., Abdullaeva, A., Dzholdosheva, T., & Yslamov, M. (2025). Application of programming methods for control of fluctuations in electric power systems and networks. Machinery & Energetics, 16(2), 70-82. https://doi.org/10.31548/machinery/2.2025.70
Використані джерела
  1. Agarwal, P.K., & Kumar, C. (2019). Oscillation detection and mitigation using synchrophasor technology in the Indian power grid. In S. Nuthalapati (Ed.), Power system grid operation using synchrophasor technology (pp. 195-216). Cham: Springer. doi: 10.1007/978-3-319-89378-5_8.
  2. Aleikish, K., & Øyvang, T. (2023). Real-time identification of electromechanical oscillations via deep learning enhanced dynamic mode decomposition. In Proceedings of the power & energy society general meeting (pp. 1-5). Orlando: IEEE. doi: 10.1109/PESGM52003.2023.10252195.
  3. Bekturov, A., & Chymyrov, A. (2020). Accuracy assessment of free global digital terrain models (DTM) and digital terrain models DTM based on soviet topographic maps for road planning in Kyrgyzstan. Herald of KRSU, 20(12), 169-177.
  4. Beridze, Т., Kasatkina, І., & Boiko, S. (2023). Study of the criteria for assessment of the quality indicators of electricity supply of industrial enterprises. Journal of Kryvyi Rih National University, 21(2), 121-127. doi: 10.31721/2306-5451-2023-1-57-121-127.
  5. Costanzo, L., Rubino, G., Rubino, L., & Vitelli, M. (2024). PFC control signal driven MPPT technique for grid-connected PV systems. IEEE Transactions on Power Electronics, 39(8), 10368-10379. doi: 10.1109/TPEL.2024.3393294.
  6. Dai, S., & Zhang, X.-P. (2022). Advanced identification methods for power system oscillations based on measurements. In Proceedings of the 16th international conference on compatibility, power electronics, and power engineering (pp. 1-6). Birmingham: IEEE. doi: 10.1109/CPE-POWERENG54966.2022.9880879.
  7. Devarapalli, R., Sinha, N.K., & Márquez, F.P. (2022). A review on the computational methods of power system stabilizer for damping power network oscillations. Archives of Computational Methods in Engineering, 29, 3713-3739. doi: 10.1007/s11831-022-09712-z.
  8. Fu, S., Sun, Y., Liu, Z., Hou, X., Han, H., & Su, M. (2022). Power oscillation suppression in multi-VSG grid with adaptive virtual inertia. International Journal of Electrical Power & Energy Systems, 135, article number 107472. doi: 10.1016/j.ijepes.2021.107472.
  9. Han, W., & Stanković, A.M. (2022). Model-predictive control design for power system oscillation damping via excitation – a data-driven approach. IEEE Transactions on Power Systems, 38(2), 1176-1188. doi: 10.1109/TPWRS.2022.3177561.
  10. Islam, H., Suresh, K., & Senthilmurugan, S. (2020). Power analysis and stabilization techniques for smart grids. International Energy Journal, 20(2), 265-270.
  11. Liu, Y., & Liu, C. (2024). Intelligent control strategy for optimal utilization of energy in smart grid. Renewable Energy and Power Quality Journal, 22(5), 107-117. doi: 10.52152/4035.
  12. Lu, S., Wu, M., Liu, J., Wang, H., Yang, L., Liu, Q., Yang, J., & Sui, Y. (2024). Low‐frequency oscillation damping strategy for power system based on virtual dual‐input power system stabilizer. IET Renewable Power Generation, 18(1), 4439-4452. doi: 10.1049/rpg2.13174.
  13. Mehta, K., Mingaleva, E., Zörner, W., Degembaeva, N., & Baibagyshov, E. (2022). Comprehensive analysis of the energy legislative framework of Kyrgyzstan: Investigation to develop a roadmap of Kyrgyz renewable energy sector. Cleaner Energy Systems, 2, article number 100013. doi: 10.1016/j.cles.2022.100013.
  14. Orynbayev, S., Tokmoldayev, A., Abdlakhatova, N., Zhanpeisova, A., & Tumanov, I. (2024). Improving power plant technology to increase energy efficiency of autonomous consumers using geothermal sources. Energy Harvesting and Systems, 11(1), article number 20230082. doi: 10.1515/ehs-2023-0082.
  15. Panov, A., & Tymchuk, S. (2023). Model for regulating electricity quality indicators in 0.4-10 kV distribution networks. Bulletin of Cherkasy State Technological University, 28(2), 13-23. doi: 10.24025/2306-4412.2.2023.275897.
  16. Peres, W., & Nascimento da Costa, J.N. (2020). Comparing strategies to damp electromechanical oscillations through STATCOM with multi-band controller. ISA Transactions, 107, 256-269. doi: 10.1016/j.isatra.2020.08.005.
  17. Porawagamage, G., Dharmapala, K., Chaves, J.S., Villegas, D., & Rajapakse, A. (2024). A review of machine learning applications in power system protection and emergency control: Opportunities, challenges, and future directions. Frontiers in Smart Grids, 3, article number 1371153. doi: 10.3389/frsgr.2024.1371153.
  18. Robin, M., Renedo, J., Gonzalez-Torres, J.C., Garcia-Cerrada, A., Benchaib, A., & Garcia-Gonzalez, P. (2023). An algorithm for DC segmentation of AC power systems to mitigate electromechanical oscillations. ARXIV. doi: 10.48550/arXiv.2302.09931.
  19. Sabo, A., Odoh, T.E., Shahinzadeh, H., Wahab, N.I., Moazzami, M., & Gharehpetian, G.B. (2024). Enhancing power oscillation control: Comparative analysis of damping controllers and hybrid computational intelligence methods for power system stabilization. In Proceedings of the 20th CSI international symposium on artificial intelligence and signal processing (pp. 1-6). Babol: IEEE. doi: 10.1109/AISP61396.2024.10475219.
  20. Sarkar, D., & Prakash, T. (2022). A neural network approach to design power system stabilizer for damping power oscillations. In Proceedings of the 22nd national power systems conference (pp. 837-842). New Delhi: IEEE. doi: 10.1109/NPSC57038.2022.10070020.
  21. State Standard of Ukraine No. IEC 60038:2015. (2016). Reference voltage according to the IES. Retrieved from https://online.budstandart.com/ua/catalog/doc-page.html?id_doc=66584.
  22. Sukhodub, I., & Serdechnyi, P. (2024). Analysis of scenarios for increasing the level of energy efficiency of public buildings with integration of RES. Technologies and Engineering, 25(2), 44-56. doi: 10.30857/2786-5371.2024.2.5.
  23. Sundaramurthy, A., Ramasamy, K., Velusamy, D., & Vaithiyalingam, C. (2024). Enhancing smart grid stability: Data-driven predictive modeling in distribution systems. International Journal of Electrical and Electronics Research, 12(2), 623-631. doi: 10.37391/IJEER.120239.
  24. Titz, M., Kaiser, F., Kruse, J., & Witthaut, D. (2022). Predicting dynamic stability from static features in power grid models using machine learning. ARXIV. doi: 10.48550/arXiv.2210.09266.
  25. Vanfretti, L., & Bombois, X. (2024). Power system oscillation monitoring and damping control re-design under ambient conditions and multiple operating points. doi: 10.13140/RG.2.2.22504.28166.
  26. Vives, J. (2022). Vibration analysis for fault detection in wind turbines using machine learning techniques. Advances in Computational Intelligence, 2, article number 15. doi: 10.1007/s43674-021-00029-1.
  27. Wang, Y., Xia, Z., & Xie, R. (2022). Vibration control technology of ship transmission based on machine learning. In Proceedings of the international conference on artificial intelligence in everything (pp. 580-584). Lefkosa: IEEE. doi: 10.1109/AIE57029.2022.00115.
  28. Witharama, W.M., Bandara, K.M., Azeez, M.I., Bandara, K., Logeeshan, V., & Wanigasekara, C. (2024). Advanced genetic algorithm for optimal microgrid scheduling considering solar and load forecasting, battery degradation, and demand response dynamics. IEEE Access, 12, 83269-83284. doi: 10.1109/ACCESS.2024.3412914.
  29. Yang, J., Wang, S., Li, Z., Tian, X., Liu, B., & Liu, X. (2022). Oscillation suppression method based on power control optimization of the wind farms. In Proceedings of the international power electronics and application conference and exposition (pp. 367-372). Guangzhou: IEEE. doi: 10.1109/PEAC56338.2022.9959449.
  30. Yang, Y., Zhao, H., Li, J., Zhou, H., Gu, H., Xu, D., Li, Y., & Liu, K. (2024). Research on broadband oscillation suppression strategy in power system based on genetic algorithm. Scalable Computing: Practice and Experience, 25(6), 5507-5551. doi: 10.12694/scpe.v25i6.3344.
  31. Yusuf Ibrahim, S., Ilyas, M.A., Li, Q., Khan, A., & Othman. M.B. (2023). Machine learning motor vibration monitoring system with a service estimation date. In Advances in machinery, materials science and engineering application IX (pp. 1098-1105). London: IOS Press. doi: 10.3233/ATDE230583.
  32. Zhang, R. (2024). Research on vibration suppression algorithm based on continuous input shaping. In Proceedings of the 3rd international conference on robotics, artificial intelligence and intelligent control (pp. 308-312). Mianyang: IEEE. doi: 10.1109/RAIIC61787.2024.10671139.
  33. Zhang, S., Srividya, K., Kakaravada, I., Karras, D.A., Jagota, V., Hasan, I., & Rahmani, A.W. (2022). A global optimization algorithm for intelligent electromechanical control system with improved filling function. Scientific Programming, 2022(1), article number 3361027. doi: 10.1155/2022/3361027.
  34. Zhanpeisova, A., Tleshova, A., Abildaeva, A., Uzbekova, D., & Abdlakhatova, N. (2024). Analysing efficiency and economic aspects in organic Rankine cycle systems. Polityka Energetyczna, 27(3), 87-108. doi: 10.33223/epj/188495.
  35. Zhu, L., Yu, W., Jiang, Z., Zhang, C., Zhao, Y., & Dong, J. (2021). A comprehensive method to mitigate forced oscillations in large interconnected power grids. IEEE Access, 9, 22503-22515. doi: 10.1109/ACCESS.2021.3056123.