Введение

Начало нашего века ознаменовано удивительными открытиями в областях электронной промышленности, информатики, кибернетики и робототехники. Заводы и лаборатории, многоквартирные дома и учреждения стремительно наполняются электронными устройствами различного назначения и мощности, в том числе с нелинейным характером потребляемого тока [1]. В связи с этим неминуемо растёт нагрузка на электроэнергетический комплекс.

Так, распределительным сетям — конечному этапу передачи электроэнергии от электростанций к потребителю — уже недостаточно поддерживать высокие показатели качества электроэнергии при большой средней потребляемой мощности. Требуется компенсировать несимметрию нагрузок и реактивную составляющую мощности; подстраиваться под сезонные, суточные и другие динамические изменения режимов потребления электроэнергии; обеспечивать качественное электропитание удалённых от генерирующих мощностей потребителей. Данные проблемы зачастую решаются установкой в сети так называемых устройств силовой электроники (УСЭ).

УСЭ в общем случае представляют собой преобразователи электрической энергии, тем или иным образом обеспечивающие повышение показателей качества электроэнергии на определённом участке сети. Так, в зависимости от характера нагрузок и состояния самой распределительной сети могут использоваться устройства симметрирования [2], компенсаторы реактивной мощности [3], накопители [4] и другие устройства. Применение УСЭ позволяет улучшить показатели качества электрической энергии, довести их до регламентируемых стандартом величин без существенной модернизации имеющихся на данном участке объектов электросетевого хозяйства. Это, в свою очередь, позволяет вести модернизацию электросетевого комплекса планомерно и централизованно, вне зависимости от проблем отдельных участков.

Однако на текущем этапе развития УСЭ всё ещё имеют существенные недостатки: относительно высокую стоимость и недостаточно качественное решение поставленных задач: компенсацию реактивной мощности, несимметрии в сети и др. Снижение стоимости и повышение качества работы УСЭ позволят использовать их более широко, что поможет обеспечить большее число потребителей качественным электропитанием и вместе с тем вести устойчивое развитие электросетевого комплекса всей страны.

Любое УСЭ можно разделить на силовую часть и систему управления. Под силовой частью понимается совокупность всех компонентов, обеспечивающих передачу электрической энергии от первичного источника к потребителю. Система управления, в свою очередь, обеспечивает сбор информации с датчиков, её обработку, формирует управляющее воздействие для управления устройствами силовой части и поддерживает обмен данными с системами управления верхнего уровня, такими как диспетчерские центры или автоматизированные рабочие места на подстанциях.

В настоящий момент силовая часть основных типов УСЭ достаточно подробно изучена и проработана. Так, даже очень масштабные исследования в этой области позволяют получить лишь относительно небольшой прирост показателей УСЭ (КПД, качество отработки переходных процессов и др.). Более того, можно наблюдать замедление прогресса в области проектирования силовых полупроводниковых ключей — основного элемента большой части УСЭ.

Однако вторая часть УСЭ — система управления — может быть существенно улучшена с применением последних достижений в области математических и информационных наук, развитием подходов к компьютерному моделированию [5], повышением доступности нейросетевых технологий для специалистов различных областей.

В данной статье рассмотрены основные существующие и перспективные подходы к построению ключевой части систем управления УСЭ — регуляторов. Описаны принципы работы классических ПИД — регуляторов, нейросетевых регуляторов и предложен подход к построению комбинированной системы управления, объединяющей преимущества обоих подходов.

Часть 1.

Основной, хорошо изученный и широко применяемый подход к управлению любыми технологическими процессами, в частности работой УСЭ — ПИД–регуляторы. Их задача — поддержание некоторого параметра (например, выходного напряжения преобразователя) на заданном уровне. Регулятор вычисляет управляющий сигнала, представляющий собой сумму трёх составляющих отклонения управляемой величины: пропорциональной (П), интегральной (И) и дифференциальной (Д), и передаёт сформированное управляющее воздействие на объект управления. Корректно настроенный ПИД — регулятор в статическом режиме поддерживает управляемую величину на заданном уровне, а также быстро возвращает эту величину в заданные пределы при воздействии возмущений. Математическое выражение, описывающее работу ПИД-регулятора, имеет следующий вид:

Здесь , , — числовые коэффициенты пропорциональной, интегральной и дифференциальной составляющих регулятора соответственно, — мгновенное значение отклонения регулируемой величины от заданной уставки. Именно за счёт подстройки коэффициентов регулируется скорость реакции регулятора на резкие изменения управляемой величины и её постоянные колебания в статическом режиме.

ПИД — регулятор является мощнейшим инструментом управления любыми системами, в том числе УСЭ. Дифференциальная составляющая позволяет регулятору быстро реагировать на сильные отклонения, пропорциональная — минимизировать перерегулирование, интегральная — обеспечивать стабильное управление в статическом режиме. Однако, несмотря на большую распространённость, этот подход имеет ряд недостатков.

Во-первых, настройка ПИД — регулятора для нелинейной системы — сложный, итерационный процесс. Невозможно учесть все особенности реальной системы при расчёте и моделировании, поэтому необходим этап донастройки регулятора на реальном устройстве перед вводом в эксплуатацию.

Во-вторых, классический ПИД — регулятор не имеет возможности изменять коэффициенты в связи с изменяющимися условиями эксплуатации. В связи с этим при сменах режимов электрической сети, старении компонентов качество работы регулятора будет ухудшаться.

В-третьих, для каждой системы настройка ПИД-регулятора имеет в той или иной мере уникальный характер. В особенности это характерно для этапа донастройки на реальном оборудовании. В связи с этим, как правило, невозможно настроить один регулятор, который сможет управлять всеми устройствами определённого типа.

Для решения этих проблем используются различные подходы, такие как алгоритмы подбора коэффициентов, ПИД-регуляторы с автоподстройкой, регуляторы на нечёткой логике и другие, однако ни одно из решений не позволяет полностью ликвидировать недостатки классических регуляторов.

Несмотря на перечисленные ограничения, полноценной альтернативы, обеспечивающей близкую к классическим регуляторам простоту и универсальность, но при этом более гибкой и удобной в настройке и эксплуатации, на данный момент не существует.

Часть 2.

В настоящее время в связи со стремительным развитием нейросетевых технологий широко изучается возможность применения машинного обучения в различных технических областях, в том числе и в системах управления [6].

Основанием для такого применения искусственных нейронных сетей (ИНС) служит их природа как универсального аппроксиматора. За счёт гибкой архитектуры и адаптивности ИНС становится возможным определение функции управления практически любого характера и сложности.

Например, даже ИНС простейшей архитектуры — сеть прямого распространения, в которой информация передаётся только в одном направлении, без рекуррентных связей — способна аппроксимировать сложные нелинейные зависимости сигнала управления УСЭ от различных измеряемых величин: токов и напряжений в узлах силовой части устройства, их интегралов и дифференциалов.

Однако для успешного применения нейросетевых технологий в системах управления отдельных УСЭ недостаточно просто заменить классический регулятор нейросетевым, так как необученная нейронная сеть не сможет по качеству работы приблизиться к корректно настроенному ПИД — регулятору. Требуется обучение нейронной сети, для которого, в свою очередь, необходимо иметь большие объёмы подготовленных данных: массивов измеренных значений — токов и напряжений — и соответствующих им выходных воздействий и состояний системы. Естественно, что сбор таких данных в сетях не ведётся на постоянной основе, а немногие собранные данные не отвечают требованиям к отсутствию шумов, структуризации и полноте.

В связи с этим единственным подходом, позволяющим эффективно применить ИНС в системах управления УСЭ, интегрируемых в распределительные электрические сети, является подход обучения с подкреплением. Это алгоритм, благодаря которому возможно на компьютерной модели, без риска для дорогостоящего оборудования, многократно обучать нейросетевую систему управления методом «проб и ошибок». При вводе обученной таким образом системы в эксплуатацию её «любознательность», выражаемая определённым числовым коэффициентом, искусственно снижается для обеспечения стабильной работы по ранее выученному алгоритму.

Часть 3

Таким образом, нейросетевые системы управления являются перспективным направлением и обладают существенными преимуществами по сравнению с классическими регуляторами, однако также не лишены недостатков: отсутствие сходимости, сложность сбора данных, необходимость для обучения имитационной модели УСЭ.

Однако в качестве подхода, объединяющего преимущества классической и нейросетевой систем управления, предлагается рассмотреть комбинированную систему управления. Такая система объединяет в себе робастное обучение с подкреплением и принцип нейросетевой подстройки коэффициентов классического ПИД — регулятора.

Робастное обучение с подкреплением позволяет исключить один из самых существенных недостатков ИНС при их применении в реальных промышленных устройствах — отсутствие гарантированной сходимости функции управления. Так как в общем случае неизвестен точный вид функции управления, аппроксимированной ИНС (такая система называется «чёрным ящиком»), нельзя с уверенностью утверждать, что у этой функции на каком-либо участке нет формы, противоречащей требуемому закону управления. Робастное обучение с подкреплением предполагает переключение на стабильный, пусть и не оптимальный, закон управления в случае выхода формируемого ИНС воздействия за заданные пределы, что позволяет довести надёжность системы до уровня классического регулятора, при этом сохранив гибкость нейросетевой системы и отсутствие необходимости расчёта и ручной подстройки коэффициентов.

В свою очередь замена прямого нейросетевого управления косвенным, при котором ИНС формирует не само управляющее воздействие, а коэффициенты ПИД-регулятора, позволяет существенно ускорить обучение ИНС, упростить используемые при обучении функции формирования награды.

Заключение

Для обеспечения устойчивого развития промышленности и электросетевого комплекса ключевым аспектом является повышение доступности и качества работы УСЭ, важнейшей составляющей которых является СУ.

Проработка и использование комбинированного подхода к управлению УСЭ, объединяющего преимущества классической и нейросетевой СУ, позволит снизить стоимость и сократить время на разработку новых УСЭ, упростить этапы наладки и ввода в эксплуатацию. Оснащённые такой системой управления устройства смогут адаптироваться к изменению режимов работы сети, введению новых нагрузок и изменению параметров компонентов в связи со старением. Комбинированная СУ, разработанная для определённого типа УСЭ с заданным набором входных величин и выходных воздействий может быть применена для всех УСЭ данного типа без дополнительной подстройки, то есть является универсальной.

Таким образом, комбинированный подход к управлению УСЭ, объединяющий классический регулятор, ИНС и робастное обучение с подкреплением, является перспективным для внедрения в устройства, интегрируемые в распределительные электрические сети, позволит поддерживать качественное электроснабжение потребителей в условиях постоянного роста потребления электроэнергии.

Литература:

1. Регулирование тока в многофазных двигателях с расщеплёнными обмотками при обрыве цепи управления силовым ключом / М. М. Лашкевич, К. Г. Федорова, А. Юсеф [и др.] // Вестник Московского энергетического института. — 2024. — № 4. — С. 11–20. — DOI 10.24160/1993–6982–2024–4-11–20. — EDN RFFJXY.
2. Анализ влияния симметрирующих устройств на режимы работы распределительных сетей / А. М. Эльхоли, Д. И. Панфилов, М. Г. Асташев [и др.] // Электротехника. — 2024. — № 6. — С. 2–16. — DOI 10.53891/00135860–2024–6-2–16. — EDN KKVRBO.
3. Системы управления полупроводниковыми регуляторами мощности в распределительных сетях / П. А. Рашитов, М. Г. Асташев, Д. И. Панфилов [и др.] // Электротехника. — 2024. — № 6. — С. 25–33. — DOI 10.53891/00135860–2024–6-25–33. — EDN DXLNXU.
4. Булатов, Р. В. Методика выбора параметров аккумуляторных систем накопления электрической энергии для эффективной интеграции электростанций на базе возобновляемых источников энергиив энергосистемы / Р. В. Булатов, Р. Р. Насыров, М. В. Бурмейстер // Электроэнергия. Передача и распределение. — 2023. — № 5(80). — С. 44–53. — EDN NMCYFY.
5. Pawletta, Thorsten & Bartelt, Jan. (2023). Integration of Reinforcement Learning and Discrete Event Simulation Using the Concept of Experimental Frame.
6. R. Krasnoperov, D. Bukin, D. Kuzenev and A. Mukhin, «Implementation of Low-Level Control Systems for Power Converters Based on Adaptive Artificial Neural Networks», 2025 IEEE 26th International Conference of Young Professionals in Electron Devices and Materials (EDM), Altai, Russian Federation, 2025, pp. 940–944, doi: 10.1109/EDM65517.2025.11096867.

[1] Работа выполнена в рамках проекта «Разработка и исследование адаптивной нейросетевой системы управления источника бесперебойного питания для сетей с нелинейными нагрузками» при поддержке гранта НИУ «МЭИ» на реализацию программы научных исследований «Приоритет 2030: Технологии будущего» в 2024-2026 гг.