工神經(jīng)網(wǎng)絡(luò)應(yīng)用于繼電保護(hù)的探討

摘　要　根據(jù)現(xiàn)代控制技術(shù)的人工神經(jīng)網(wǎng)絡(luò)理論提出了一種保護(hù)原理構(gòu)成方案，并分析了原理實現(xiàn)的可行性和技術(shù)難點。

　　人工神經(jīng)網(wǎng)絡(luò)(Aartificial Neural Network，下簡稱ANN)是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家Warren S.Mcculloch和數(shù)學(xué)家Walth H.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法(BP算法，Back Propagation)，它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

　　經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機(jī)器進(jìn)行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用(其魯棒控制利用了變結(jié)構(gòu)控制或滑動�？刂�)，在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)(ANN)和模糊邏輯(Fuzzy Logic)的綜合，實現(xiàn)了電動機(jī)故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

　　因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負(fù)荷預(yù)報，機(jī)組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟(jì)運行及電力系統(tǒng)控制等方面［5］。

　　本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)(ANN)理論的保護(hù)原理。

1　人工神經(jīng)網(wǎng)絡(luò)理論概述

　　BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。圖1是人工神經(jīng)Ui的結(jié)構(gòu)模型，圖中Ui為神經(jīng)元內(nèi)部狀態(tài)，Qi為門檻值，Yi為輸出信號，Xi(i=1,2,…，n)為神經(jīng)元接收信號。該模型可表示為：

式中　　Wji——連接權(quán)值。

　　BP算法的神經(jīng)網(wǎng)絡(luò)圖形如圖2所示，設(shè)網(wǎng)絡(luò)的輸入模塊為p，令其作用下網(wǎng)絡(luò)輸出單元j的輸出為Opj。如果輸出的希望值是Tpj，則其誤差為Dpj=Tpj－Opj。若輸入模塊的第i個單元輸入為Ipi，則就輸入模塊p而言，輸入接點I與輸出接點j之間的權(quán)值變化量為：

ΔWpji=zDpjIpi

　　式中，z是某一個常數(shù)。當(dāng)反復(fù)迭代該式時，便可使實際值收斂于目標(biāo)值［6］。其中隱含層既有輸入網(wǎng)線，又有輸出網(wǎng)線，每一個箭頭都有一定的權(quán)值。

　　在神經(jīng)網(wǎng)絡(luò)投運前，就應(yīng)用大量的數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運后，還可根據(jù)現(xiàn)場的特定情況進(jìn)行現(xiàn)場學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線性功能是BP算法的一大優(yōu)點。

2　神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

　　神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)(ANN)與專家系統(tǒng)(ES)融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

　　如圖3所示，裝置可直接取線路及其周邊的模擬量、數(shù)字量，經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡(luò)，根據(jù)以前學(xué)習(xí)過的訓(xùn)練材料，對數(shù)據(jù)進(jìn)行推理、分析評價、輸出。專家系統(tǒng)對運行過程控制和訓(xùn)練，按最優(yōu)方式收集數(shù)據(jù)或由分析過程再收集控制，對輸出結(jié)果進(jìn)行評估，判別其正確性、一致性，作出最終判決，經(jīng)變換輸出，去執(zhí)行機(jī)構(gòu)。即使是新型保護(hù)，也會存在著某些功能模塊不正確動作的可能，這時可以過后人為干預(yù)擴(kuò)展專家系統(tǒng)數(shù)據(jù)庫或由專家系統(tǒng)作出判別，作為訓(xùn)練樣本訓(xùn)練ANN的這部分功能模塊，改變其某些網(wǎng)線的權(quán)值，以使下次相同情況下減少不正確動作的可能。

　　下面是一個簡單的ANN線路保護(hù)例子。當(dāng)電力系統(tǒng)故障時，輸電線路各相、各序電壓、電流也隨之發(fā)生變化，特別是故障后故障相的相電壓和相電流，以及接地系統(tǒng)在接地故障的零序電流的變化有明顯的代表性。比如選輸入層神經(jīng)元個數(shù)為14個，分別是Uar，Uai，Ubr，Ubi，UcrUci，Iai，Ibr，Ibi，Icr，Ici，Ior，Ioi(下標(biāo)r和i分別代表實部與虛部)，選定輸出層神經(jīng)元個數(shù)為5個：YA(A相)，YB(B相)，YC(C相)，YO(接地)，YF(方向)，各輸出值為1，代表選中；輸出值為0，代表沒選中(YF為0代表反向)。這5個輸出完全滿足線路方向保護(hù)的需求(沒考慮正向超越)，隱含層神經(jīng)元數(shù)目為2N+1(N為輸入層神經(jīng)元數(shù)目)。訓(xùn)練樣本集包含14個輸入變量和5個輸出變量，而測試樣本集中的樣本則只有14個輸入變量。選圖4的雙側(cè)電源系統(tǒng)作研究對象，輸電線路、系統(tǒng)的等值正、零序參數(shù)如圖4所示。

　　考慮的故障類型包括單相接地(K1)，兩相短路(K2)，兩相接地(K1—1)，三相短路(K3)。

　　對圖4所示的500 kV雙側(cè)電源系統(tǒng)的各種運行方式和故障情況建立訓(xùn)練樣本。

　　在正常狀態(tài)下，令h∠δ=(EM)/(EN)，h=1，δ

隨負(fù)荷變化，取為－60°，－50°，－40°，－30°，－20°，－10°，0°，10°，20°，30°，40°，50°，60°，有13個樣本。故障情況下，δ取值為－60°，－30°，0°，30°，60°，故障點選反向出口(－0 km)，正向出口(+0 km)，線路中部(150 km)，線末(300 km)。接地電阻Rg取值0 Ω，50 Ω，100 Ω，150 Ω，200 Ω，相間電阻Rp取值0 Ω，25 Ω，50 Ω，則共有5×4×(5+3+5×3+3)=520個樣本。每個樣本的5個輸出都有一組期望的輸出值，以此作為訓(xùn)練樣本。而實際運行、故障時，保護(hù)所測到的電流、電壓極少直接與樣本相同，此時就需要用到模糊理論，規(guī)定某個輸出節(jié)點。如YA(A相)在某一取值范圍時，則被選中。

　　文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

　　ANN保護(hù)裝置出廠后，還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對該省的保護(hù)的特別要求進(jìn)行(如反措)。到現(xiàn)場，還可根據(jù)該站的干擾情況進(jìn)行反誤動、反拒動學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3　結(jié)論

　　本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護(hù)運算次數(shù)，以實現(xiàn)在時間上即次數(shù)上提高冗余度。

　　一套完整的ANN保護(hù)是需要有很多輸入量的，如果對某套保護(hù)來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)

都增多輸入量，必然會使保護(hù)、二次接線復(fù)雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護(hù)通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對其它線路信息進(jìn)行加工，以此綜合得出動作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動作，特別是高頻模擬量。

　　神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1　陳炳華．采用模式識別(智能型)的保護(hù)裝置的設(shè)想．中國電機(jī)工程學(xué)會第五屆全國繼電保護(hù)學(xué)術(shù)會議，［會址不詳］，1993
2　Robert E.Uhrig．Application of Artificial Neural Networks in Industrial Technology.IEEE Trans,1994,10(3)．(1):371～377
3　Lee T H,Wang Q C,Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans,1993，3(2)．(3)：190～197
4　Chow Mo-Yuen.The Advantage of Machine Fault Detection Using Artificial Neural Networks and Fuzzy Logic Technology.IEEE Trans,1992,5(6).(2)：1078～1085
5　吳捷．現(xiàn)代控制技術(shù)在電力系統(tǒng)控制中的應(yīng)用．全國高校電力系統(tǒng)及其自動化專業(yè)年會，廣州，1997
6　Matthew Zedenberg.Neural Networks Models in Artificial Intelligence.［s.l.］:［s.n.］,［s.a.］

【工神經(jīng)網(wǎng)絡(luò)應(yīng)用于繼電保護(hù)的探討】相關(guān)文章：

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于繼電保護(hù)的探討08-06

神經(jīng)網(wǎng)絡(luò)與智能信息處理08-06

基于人工神經(jīng)網(wǎng)絡(luò)的肺癌診斷研究08-05

基于神經(jīng)網(wǎng)絡(luò)ZISC的模式識別系統(tǒng)08-06

焦?fàn)t集氣管壓力模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)08-06

美的本質(zhì)探討08-06

課程整合，信息技術(shù)應(yīng)用于教育的核心08-17

應(yīng)用題源于生活 更應(yīng)用于生活08-17

繼電保護(hù)工作總結(jié)04-04