工神經(jīng)網(wǎng)絡(luò )應用于繼電保護的探討

摘　要　根據現代控制技術(shù)的人工神經(jīng)網(wǎng)絡(luò )理論提出了一種保護原理構成方案，并分析了原理實(shí)現的可行性和技術(shù)難點(diǎn)。

　　人工神經(jīng)網(wǎng)絡(luò )(Aartificial Neural Network，下簡(jiǎn)稱(chēng)ANN)是模擬生物神經(jīng)元的結構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和數學(xué)家Walth H.Pitts提出神經(jīng)元數學(xué)模型，后被冷落了一段時(shí)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(xiàn)形特征、并行處理能力、強魯棒性以及自組織自學(xué)習的能力。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 )結構及算法直觀(guān)、簡(jiǎn)單，在工業(yè)領(lǐng)域中應用較多。

　　經(jīng)訓練的ANN適用于利用分析振動(dòng)數據對機器進(jìn)行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線(xiàn)形神經(jīng)網(wǎng)絡(luò )補償和魯棒控制綜合方法的應用(其魯棒控制利用了變結構控制或滑動(dòng)�？刂�)，在實(shí)時(shí)工業(yè)控制執行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò )(ANN)和模糊邏輯(Fuzzy Logic)的綜合，實(shí)現了電動(dòng)機故障檢測的啟發(fā)式推理。對非線(xiàn)形問(wèn)題，可通過(guò)ANN的BP算法學(xué)習正常運行例子調整內部權值來(lái)準確求解［4］。

　　因此，對于電力系統這個(gè)存在著(zhù)大量非線(xiàn)性的復雜大系統來(lái)講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態(tài)，動(dòng)穩分析，負荷預報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線(xiàn)損計算，發(fā)電規劃，經(jīng)濟運行及電力系統控制等方面［5］。

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

1　人工神經(jīng)網(wǎng)絡(luò )理論概述

　　BP算法是一種監控學(xué)習技巧，它通過(guò)比較輸出單元的真實(shí)輸出和希望值之間的差別，調整網(wǎng)絡(luò )路徑的權值，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的結構模型，圖中Ui為神經(jīng)元內部狀態(tài)，Qi為門(mén)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——連接權值。

　　BP算法的神經(jīng)網(wǎng)絡(luò )圖形如圖2所示，設網(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(gè)單元輸入為Ipi，則就輸入模塊p而言，輸入接點(diǎn)I與輸出接點(diǎn)j之間的權值變化量為：

ΔWpji=zDpjIpi

　　式中，z是某一個(gè)常數。當反復迭代該式時(shí)，便可使實(shí)際值收斂于目標值［6］。其中隱含層既有輸入網(wǎng)線(xiàn)，又有輸出網(wǎng)線(xiàn)，每一個(gè)箭頭都有一定的權值。

　　在神經(jīng)網(wǎng)絡(luò )投運前，就應用大量的數據，包括正常運行的、不正常運行的，作為其訓練內容，以一定的輸入和期望的輸出通過(guò)BP算法去不斷修改網(wǎng)絡(luò )的權值。在投運后，還可根據現場(chǎng)的特定情況進(jìn)行現場(chǎng)學(xué)習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線(xiàn)性功能是BP算法的一大優(yōu)點(diǎn)。

2　神經(jīng)網(wǎng)絡(luò )型繼電保護

　　神經(jīng)網(wǎng)絡(luò )理論的保護裝置，可判別更復雜的模式，其因果關(guān)系是更復雜的、非線(xiàn)性的、模糊的、動(dòng)態(tài)的和非平穩隨機的。它是神經(jīng)網(wǎng)絡(luò )(ANN)與專(zhuān)家系統(ES)融為一體的神經(jīng)網(wǎng)絡(luò )專(zhuān)家系統，其中，ANN是數值的、聯(lián)想的、自組織的、仿生的方式，ES是認知的和啟發(fā)式的。

　　如圖3所示，裝置可直接取線(xiàn)路及其周邊的模擬量、數字量，經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡(luò )，根據以前學(xué)習過(guò)的訓練材料，對數據進(jìn)行推理、分析評價(jià)、輸出。專(zhuān)家系統對運行過(guò)程控制和訓練，按最優(yōu)方式收集數據或由分析過(guò)程再收集控制，對輸出結果進(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，去執行機構。即使是新型保護，也會(huì )存在著(zhù)某些功能模塊不正確動(dòng)作的可能，這時(shí)可以過(guò)后人為干預擴展專(zhuān)家系統數據庫或由專(zhuān)家系統作出判別，作為訓練樣本訓練ANN的這部分功能模塊，改變其某些網(wǎng)線(xiàn)的權值，以使下次相同情況下減少不正確動(dòng)作的可能。

　　下面是一個(gè)簡(jiǎn)單的ANN線(xiàn)路保護例子。當電力系統故障時(shí)，輸電線(xiàn)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(gè)數為14個(gè)，分別是Uar，Uai，Ubr，Ubi，UcrUci，Iai，Ibr，Ibi，Icr，Ici，Ior，Ioi(下標r和i分別代表實(shí)部與虛部)，選定輸出層神經(jīng)元個(gè)數為5個(gè)：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(méi)選中(YF為0代表反向)。這5個(gè)輸出完全滿(mǎn)足線(xiàn)路方向保護的需求(沒(méi)考慮正向超越)，隱含層神經(jīng)元數目為2N 1(N為輸入層神經(jīng)元數目)。訓練樣本集包含14個(gè)輸入變量和5個(gè)輸出變量，而測試樣本集中的樣本則只有14個(gè)輸入變量。選圖4的雙側電源系統作研究對象，輸電線(xiàn)路、系統的等值正、零序參數如圖4所示。

　　考慮的故障類(lèi)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雙側電源系統的各種運行方式和故障情況建立訓練樣本。

　　在正常狀態(tài)下，令h∠δ=(EM)/(EN)，h=1，δ

隨負荷變化，取為－60°，－50°，－40°，－30°，－20°，－10°，0°，10°，20°，30°，40°，50°，60°，有13個(gè)樣本。故障情況下，δ取值為－60°，－30°，0°，30°，60°，故障點(diǎn)選反向出口(－0 km)，正向出口( 0 km)，線(xiàn)路中部(150 km)，線(xiàn)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(gè)樣本。每個(gè)樣本的5個(gè)輸出都有一組期望的輸出值，以此作為訓練樣本。而實(shí)際運行、故障時(shí)，保護所測到的電流、電壓極少直接與樣本相同，此時(shí)就需要用到模糊理論，規定某個(gè)輸出節點(diǎn)。如YA(A相)在某一取值范圍時(shí)，則被選中。

　　文獻［1］認為全波數據窗建立的神經(jīng)網(wǎng)絡(luò )在準確性方面優(yōu)于利用半波數據窗建立的神經(jīng)網(wǎng)絡(luò )，因此保護應選用全波數據窗。

　　ANN保護裝置出廠(chǎng)后，還可以在投運單位如網(wǎng)調、省調實(shí)驗室內進(jìn)行學(xué)習，學(xué)習內容針對該省的保護的特別要求進(jìn)行(如反措)。到現場(chǎng)，還可根據該站的干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)學(xué)習，特別是一些常出現波形間斷的變電站內的高頻保護。

3　結論

　　本文基于現代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò )理論的保護構想。神經(jīng)網(wǎng)絡(luò )軟件的反應速度比純數字計算軟件快幾十倍以上，這樣，在相同的動(dòng)作時(shí)間下，可以大大提高保護運算次數，以實(shí)現在時(shí)間上即次數上提高冗余度。

　　一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來(lái)說(shuō)，區內、區外故障時(shí)其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必

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

人工神經(jīng)網(wǎng)絡(luò )應用于繼電保護的探討03-18

關(guān)于繼電保護裝置的狀態(tài)檢修探討12-03

探討B(tài)P神經(jīng)網(wǎng)絡(luò )的圖像Hash算法03-03

城市電網(wǎng)10kV配電系統繼電保護的分析探討03-28

標桿管理應用于電力集團公司績(jì)效管理的探討03-24

淺談開(kāi)發(fā)電力系統繼電保護中級工教學(xué)培訓包的實(shí)踐與體會(huì )01-06

神經(jīng)網(wǎng)絡(luò )與智能信息處理03-20

人工神經(jīng)網(wǎng)絡(luò )與車(chē)輛的結合論文11-26

自適應繼電保護原理及其應用研究03-07