КОНСТРУКТИВНОЕ МОДЕЛИРОВАНИЕ ЗОНЫ РАСПРЕДЕЛЕНИЯ ЭНЕРГИИ РЕКУПЕРАЦИИ ТЯГИ ПОСТОЯННОГО ТОКА
Creators
- 1. Днепропетровский национальный университет железнодорожного транспорта имени академика В. Лазаряна, Ukraine
Description
Цель. Научная работа посвящена разработке средств и методов формирования множества реальных и потенциальных структурных схем зон рекуперации с различными поездными ситуациями для дальнейшего обучения нейро-нечетких сетей на основе экспертных решений и формирования рационального управления. Методика. Для моделирования структурной схемы системы тягового электроснабжения, режимов тягового электропотребления и поездной ситуации в зоне распределения энергии рекуперации применена методология математико-алгоритмического конструктивизма. Данный подход предусматривает разработку конструктивно-продукционных структур (КПС) с преобразованиями специализации, интерпретации, конкретизации и реализации. Разработка КПС предусматривает определение расширяемого носителя, сигнатуры отношений и операций и конструктивной аксиоматики. Наиболее сложной и существенной частью аксиоматики является множество формируемых правил подстановки, определяющих процесс вывода соответствующих конструкций. Результаты. Разработана специализированная и конкретизированная КПС, которая позволяет учесть все возможности и особенности современного оборудования систем тягового электроснабжения, участков тяговой сети и поездной ситуации. Её особенность: семантическое наполнение терминального алфавита образами электрооборудования, тяговой сети и потребителей электроэнергии, обладающими соответствующей атрибутикой. Приведенный частный случай формирования структурной схемы демонстрирует возможности КПС применительно к данной задаче. Научная новизна. Авторами предложен новый подход к решению задачи рационального использования энергии рекуперации, который заключается в применении методов и средств искусственных нейронных сетей, экспертных систем и нечеткой логики и математико-алгоритмического конструктивизма. В данной работе представлены методы конструктивно-продукционного моделирования структуры зоны распределения энергии рекуперации в системе тяги постоянного тока. Практическая значимость. Решение задачи рационального использования энергии рекуперации позволяет значительно экономить энергоресурсы, способствовать техническому переоснащению железнодорожного транспорта Украины путем внедрения современных средств и возможностей. Разработанные модели могут применяться для решения и других задач энергосбережения в различных системах электрического транспорта.
Files
84036-Article Text-181975-1-10-20161215.pdf
Files
(445.9 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:631e78677f50160df619e37aaf9841f5
|
445.9 kB | Preview Download |
Additional details
Related works
- Is identical to
- Journal article: http://stp.diit.edu.ua/article/view/84036 (URL)
References
- Bodyanskiy, Y. V., Kucherenko, V. Y., Kucherenko, Y. I., Mikhalev, A. I., & Filatov, V. A. (2008). Gibridnyye neyro-fazzi modeli i multiagentnyye tekhnologii v slozhnykh sistemakh. Dnipropetrovsk: Sistemnyye tekhnologii.
- Gorbachev, S., & Syryamkin, V. (2014). Neyro-nechetkiye metody v intellektualnykh sistemakh obrabotki i analiza mnogomernoy informatsii. Tomsk: Izdatelstvo Tomskogo universiteta.
- Zakaryukin, V., Kryukov, A., & Cherepanov, A. (2015). Intellektualnyye tekhnologii upravleniya kachestvom elektroenergii. Irkutsk: IrGTU.
- Kryukov, A. V., & Cherepanov, A. V. (2014). Modelirovaniye sistem tyagovogo elektrosnabzheniya, osnashchennykh nakopitelyami energii. Paper presented at XIII (XXXV) Vserossiyskoy nauchno-tekhnicheskoy konferentsii «Yestestvennyye i inzhenernyye nauki – razvitiyu regionov Sibiri», Bratsk.
- Sablin, O. I., Kuznietsov, V. H., Bondar, O. I., & Artemchyk, V. V. (2014). Modeliuvannia vzaiemodii elektrorukhomoho skladu v rezhymi rekuperatsii elektroenerhii rozoseredzhenoiu systemoiu tiahovoho elektropostachannia. Elektryfikatsiia transportu – Transport Electrification, 7, 46-53.
- Rutkovskaya, D., Pilinskiy, M., & Rutkovskiy, L. (2004). Neyronnyye seti, geneticheskiye algoritmy i nechetkiye sistemy. Moscow: Goryachaya liniya – Telekom.
- Sablin, O. I. (2013). Analiz kachestva rekuperiruyemoy elektroenergii v sisteme elektricheskogo transporta. Visnyk Natsionalnoho tekhnichnoho universytetu «Kharkivskyi politekhnichnyi instytut», 38(1011), 187-190.
- Niu, B., Zhu, Y., He, X., & Shen, H. A. (2008). Multi-Swarm Optimizer Based Fuzzy Modeling Approach for Dynamic Systems Processing. Neuro-computing, 71(7-9), 1436-1448. doi:10.1016/j.neucom.2007.05.010
- Bodyanskiy, Y., & Vynokurova О., (2013). Hybrid Adaptive Wavelet-Neuro-Fuzzy System for Chaotic Time Series Identification. Information Sciences, 220, 170-179. doi:10.1016/j.ins.2012.07.044
- Bodyanskiy, Y., Pliss, I., & Volkova, V. (2012). Modified Probabilistic Neuro-Fuzzy Network for Text Documents Proc. International Journal of Computing, 11(4), 391-396.
- Kruse, R., Borgelt, C., Klawonn, F., Moeves, C., Steinbrecher, M., & Held, P. (2013). Computational Intelligence. A Methodological Introduction. London: Springer Verlag.
- Du, K. L., & Swamy, M. N. S. (2014). Neural Networks and Statistical Learning. London: Springer Verlag. doi:10.1007/978-1-4471-5571-3
- Jang, J. R., Sun, C. T., & Mizutani, E. (2010). Neuro-Fuzzy and Soft Computing – Computational Approach to Learning and Machine Intelligence. New Dehli: PHI Learning.
- Jeno Paul P., & Ruban Deva Prakash T. (2011). Neuro-Fuzzy Based Constant Frequency-Unified Power Quality Conditioner. International Journal of System Signal Control and Engineering Application, 4(1), 10-17. doi:10.3923/ijssceapp.2011.10.17
- Kori, A. K., Sharma, A. K., & Bhadoriya, A. K. S. (2012). Neuro Fuzzy System Based Condition Monitoring of Power Transformer. International Journal of Computer Science, 9(2), 495-499.
- Kosko, B. (1992). Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. NJ: Prentice Hall.
- Mukherjee, V., & Ghoshal, S. P. (2007). Intelligent Particle Swarm Optimized Fuzzy PID Controller for AVR System. Electric Power Systems Research, 77(12), 1689-1698. doi:10.1016/j.epsr.2006.12.004
- Nasri, A., Fekri Moghadam M., & Mokhtari, H. (2010). Timetable Optimization for Maximum Usage of Regenerative Energy of Braking in Electrical Railway Systems. Paper presented at Int. Symposium on Power Electronics, Electrical Drives, Automation and Motion, Pisa.
- Shynkarenko, V. I., & Ilman, V. M. (2014). Constructive-Synthesizing Structures and Their Grammatical Interpretations. I. Generalized Formal Constructive-Synthesizing Structure. Cybernetics and Systems Analysis, 50(5), 655-662. doi:10.1007/s10559-014-9655-z
- Shynkarenko, V. I., Ilman, V. M., & Skalozub, V. V. (2009). Structural Models of Algorithms in Problems of Applied Programming. I. Formal Algorithmic Structures. Cybernetics and Systems Analysis, 45(3), 329-339. doi:10.1007/s10559-009-9118-0
- Sood, A., & Aggarwal, S. (2011). Crossroads in Classification: Comparison and Analysis of Fuzzy and Neuro-Fuzzy Techniques. International Journal of Computer Applications, 24, 13-17. doi:10.5120/2924-3866
- Kacprzyk, J., & Pedrycz, W. (2015). Springer Handbook of Computational Intelligence. Berlin-Heidelberg: Springer-Verlag. doi:10.1007/978-3-662-43505-2