Прогнозування електроспоживання авіаційних підприємств при реконфігурації системи їх електропостачання

ПРОГНОЗУВАННЯ ЕЛЕКТРОСПОЖИВАННЯ АВІАЦІЙНИХ ПІДПРИЄМСТВ ПРИ РЕКОНФІГУРАЦІЇ СИСТЕМИ ЇХ ЕЛЕКТРОПОСТАЧАННЯ

FORECASTING OF ELECTRICITY CONSUMPTION OF AVIATION ENTERPRISES DURING RECONFIGURATION OF THEIR POWER SUPPLY SYSTEM

Сторінки: 233–239. Номер: №3, 2022 (309)
Автори:
БОЙКО С. М.
Національний університет “Запорізька політехніка”
ЩОКІН В. П.
Криворізький національний університет
ВИШНЕВСЬКИЙ С. Я.
Національний технічний університет України «Київський політехнічний інститут імені І. Сікорського»
ДАНІЛІН О. В.
Національний технічний університет України «Київський політехнічний інститут імені І. Сікорського»
ПОДГОРНИХ Н. В.
Кременчуцький льотний коледж Харківського університету внутрішніх справ
Sergii BOYKO
Zaporizhzhya Polytechnic National University
Vadim SHCHOKIN
Kryvyi Rih National University
Sviatoslav VYSHNEVSKY, Olexsander DANILIN
National Technical University of Ukraine “Kyiv Polytechnic Institute named after I. Sikorsky”
N. PODGORNYKH
Kremenchug Flight College of Kharkiv University of Internal Affairs
DOI: https://www.doi.org/10.31891/2307-5732-2022-309-3-233-239

Анотація мовою оригіналу

Метою даної роботи є синтез особливостей прогнозування електроспоживання підпиємств авіаційної галузі при впровадженні до системи їх електропостачання джерел розосередженоі генерації. На авіаційних підприємствах актуальним є впровадження в загальну структуру систем електроживлення розосередженої генерації. Для прогнозування, з достатнім рівнем вірогідності, електроенергоспоживання авіаційних підприємств необхідно вирішити багатокритеріальну задачу. Застосування нейронних мереж в системах прогнозування електроенергетичних параметрів дозволить забезпечити багатофакторне прогнозування. Такий підхід дозволить покращити прогнозованість згенерованої електроенергії розосередженою генерацією в часі, що зменшить в свою чергу, похибку прогнозу електроспоживання з мережі в умовах цих підприємств. Запропонована структурна схема визначення прогнозних показників енергоспоживання із мережі авіаційного підприємства, при впровадженні в структуру електропостачання цих підприємств джерел розосередженої генерації, для подальшої реалізації прогнозної моделі.
Ключові слова: розосереджена генерація, електропостачання, прогнозування електроспоживання, штучні нейронні мережі..
 

Розширена анотація англійською  мовою

The purpose of this work is the features of forecasting the electricity consumption of aviation companies in their introduction into the power supply system of sources of dispersed generation. At aviation enterprises, the introduction of dispersed generation power supply systems into the general structure is important. To predict, with a sufficient level of probability, the energy consumption of aviation enterprises, it is necessary to solve a multi-criteria problem. The use of neural networks in systems for forecasting energy parameters allows the use of multifactorial forecasting. This approach will improve the forecasting of generated electricity by distributed generation over time, which in turn will reduce the error of the forecast of electricity consumption from the grid in the conditions of these enterprises. The structural scheme of determination of forecast indicators of energy consumption from the network aviation enterprise, introduced into the structure of power supply of these enterprises of sources of dispersed generation, for further realization of the forecast model is offered.
Keywords: distributed generation, power supply, power consumption forecasting, artificial neural networks

Література

1. Бабак В. П., Харченко В. П., Максимов В. О. та ін. Безпека авіації К., 584 с.
2. Синчук О. Н., Бойко С. М. Нейронні мережі та управління процесом управління електропостачанням об’єктів від комбінованих електричних мереж // технiчний електродінамiка. – 2014. – №. 5. – С. 53-55.
3. Клепіков В. Б. Застосування методів нейронних мереж і генетичних алгоритмів у вирішенні завдань управління електроприводами / В. Б. Клепіков, К. В. Махота, CA Сергєєв // Електротехніка. – 1999. – № 5. – С. 2-6.
4. Руденко О. Г. Основи теорії штучних нейронних мереж / О. Г. Руденко, Є. В. Бодянський. – Харків: ТЕЛЕТЕХ, 2002. – 317 с.
5. Ліла В. Б. Алгоритм і програмна реалізація адаптивного методу навчання штучних нейронних мереж / В. Б. Ліла // Інженерний вісник Дона. – 2012. – Т. 19. – № 1. – С. 55-59.
6. Denisov Y. Switch operation power losses of quasi-resonant pulse converter with parallel resonant circuit / Denisov Y., Gorodny A., Gordienko V., Yershov R., Stepenko S., Kostyrieva O., Prokhorova A. // International Scientific Conference on Electronics and Nanotechnology (ELNANO): Thirty-Fourth Annual IEEE, 2016. – P. 327-332.
7. Gorodniy O. Impact of Supply Voltage Change on the Energy Performance of Boost Quasi-Resonant Converter for Radioelectronic Equipment Power Supplies / Gorodniy O., Gordienko V., Stepenko S., Boyko S., Sereda O. // Modern Electrical and Energy Systems (MEES), 2017. – P. 232-235.
8. Buchholz B., Styczynski Z. Smart Grids Fundamentals and Technologies in Electricity Networks, Springer 2014. 396 р.
9. Shumilova G.P., Gotman N.E., Startceva T.B. Electrical load forecasting using an artificial intelligent methods // RNSPE, 10-14 September, 2001, Proceedings. Kazan: Kazan State Power Eng. University, 2001. Vol. I. P. 440-442.
10. Bayir R. Kohonen Network based fault diagnosis and condition monitoring of serial wound starter motors [Text] / R. Bayir, O. F. Bay: IJSIT Lecture Note of International Conferense on Intelligent Knowledge Systems, Vol. 1, № 1, 2004.

References

1. Babak V. P., Xarchenko V. P., Maksymov V. O. ta in. Bezpeka aviaciyi K., 2004. 584 s.
2. Synchuk O. N., Bojko S. M. Nejronni merezhi ta upravlinnya procesom upravlinnya elektroposta-channyam ob’yektiv vid kombinovanyx elektrychnyx merezh // texnichnyj elektrodinamika. – 2014. – №. 5. – S. 53-55.
3. Klepikov V. B. Zastosuvannya metodiv nejronnyx merezh i henetychnyx alhorytmiv u vyrishenni zavdan” upravlinnya elektropryvodamy / V. B. Klepikov, K. V. Maxota, CA Serhyeyev // Elektrotexnika. – 1999. – № 5. – S. 2-6.
4. Rudenko O. H. Osnovy teoriyi shtuchnyx nejronnyx merezh / O. H. Rudenko, Ye. V. Bodyans”kyj. – Xarkiv: TELETEX, 2002. – 317 s.
5. Lila V. B. Alhorytm i prohramna realizaciya adaptyvnoho metodu navchannya shtuchnyx nejronnyx merezh / V. B. Lila // Inzhenernyj visnyk Dona. – 2012. – T. 19. – № 1. – S. 55-59.
6. Denisov Y. Switch operation power losses of quasi-resonant pulse converter with parallel resonant circuit / Denisov Y., Gorodny A., Gordienko V., Yershov R., Stepenko S., Kostyrieva O., Prokhorova A. // International Scientific Conference on Electronics and Nanotechnology (ELNANO): Thirty-Fourth Annual IEEE, 2016. – P. 327-332.
7. Gorodniy O. Impact of Supply Voltage Change on the Energy Performance of Boost Quasi-Resonant Converter for Radioelectronic Equipment Power Supplies / Gorodniy O., Gordienko V., Stepenko S., Boyko S., Sereda O. // Modern Electrical and Energy Systems (MEES), 2017. – P. 232-235.
8. Buchholz B., Styczynski Z. Smart Grids Fundamentals and Technologies in Electricity Networks, Springer 2014. 396 r.
9. Shumilova G.P., Gotman N.E., Startceva T.B. Electrical load forecasting using an artificial intelligent methods // RNSPE, 10-14 September, 2001, Proceedings. Kazan: Kazan State Power Eng. University, 2001. Vol. I. P. 440-442.
10. Bayir R. Kohonen Network based fault diagnosis and condition monitoring of serial wound starter mo-tors [Text] / R. Bayir, O. F. Bay: IJSIT Lecture Note of International Conferense on Intelligent Knowledge Sys-tems, Vol. 1, № 1, 2004.