人工神經(jīng)網(wǎng)絡應用于繼電保護的探討論文

1、人工神經(jīng)網(wǎng)絡應用于繼電保護的探討論文摘要根據(jù)現(xiàn)代控制技術(shù)的人工神經(jīng)網(wǎng)絡理論提出了一種保護原理構(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(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,已由心理學家Warren S.Mcculloch和數(shù)學家Walth H.Pitts提出神經(jīng)元數(shù)學模型,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注,是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法(BP算法,Back Pr

2、opagation,它的網(wǎng)絡結(jié)構(gòu)及算法直觀、簡單,在工業(yè)領域中應用較多。經(jīng)訓練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測,預測某些部件的疲勞壽命2。非線形神經(jīng)網(wǎng)絡補償和魯棒控制綜合方法的應用(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(ANN和模糊邏輯(Fuzzy Logic的綜合,實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題,可通過ANN的BP算法學習正常運行例子調(diào)整內(nèi)部權(quán)值來準確求解4。因此,對于電力系統(tǒng)這個存在著大量非線性的復雜大系統(tǒng)來講,ANN理論在電力系統(tǒng)中的應用具有很大的潛力,目前已涉及到如暫態(tài),動穩(wěn)分析,負荷預報,機組最

3、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(ANN理論的保護原理。1人工神經(jīng)網(wǎng)絡理論概述BP算法是一種監(jiān)控學習技巧,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)絡路徑的權(quán)值,以使下一次在相同的輸入下,網(wǎng)絡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)絡圖形如圖2所示,設網(wǎng)絡的輸入模塊為p,令其作用下網(wǎng)絡輸出單元j的輸出為Opj。如果輸出的希望值是Tpj,則其誤差

4、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:Wpji=zDpjIpi式中,z是某一個常數(shù)。當反復迭代該式時,便可使實際值收斂于目標值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)絡投運前,就應用大量的數(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)絡的權(quán)值。在投運后,還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學習,以擴充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)絡型繼電保護神經(jīng)網(wǎng)絡理論的保護裝置,可判別

5、更復雜的模式,其因果關系是更復雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(ANN與專家系統(tǒng)(ES融為一體的神經(jīng)網(wǎng)絡專家系統(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,根據(jù)以前學習過的訓練材料,對數(shù)據(jù)進行推理、分析評價、輸出。專家系統(tǒng)對運行過程控制和訓練,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)行機構(gòu)。即使是新型保護,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擴展專家系統(tǒng)數(shù)

6、據(jù)庫或由專家系統(tǒng)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線路保護例子。當電力系統(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:Y A(A相,YB(B相,YC(C相,YO(接地,YF(方向,各輸出值為1,代表選中

7、;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?？紤]的故障類型包括單相接地(K1,兩相短路(K2,兩相接地(K11,三相短路(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練樣本。在正常狀態(tài)下,令h=(EM/(EN,h=1,隨負荷變化,取為-60,-50,-40,-30,-20,-10,0,10,20,30,

8、40,50, 60,有13個樣本。故障情況下,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 ,50 ,100 ,150 ,200 ,相間電阻Rp取值0 ,25 ,50 ,則共有54(5+3+53+3=520個樣本。每個樣本的5個輸出都有一組期望的輸出值,以此作為訓練樣本。而實際運行、故障時,保護所測到的電流、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Y A(A相在某一取值范圍時,則被選中。文獻1認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)

9、網(wǎng)絡,因此保護應選用全波數(shù)據(jù)窗。ANN保護裝置出廠后,還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學習,學習內(nèi)容針對該省的保護的特別要求進行(如反措。到現(xiàn)場,還可根據(jù)該站的干擾情況進行反誤動、反拒動學習,特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。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)絡理論的保護構(gòu)想。神經(jīng)網(wǎng)絡軟件的反應速度比純數(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保護是需要有很多輸入量的,如果對某套保護來說,區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同,則很難以此作為訓練樣本訓練保護,而每套保護都增多輸入量,必

10、然會使保護、二次接線復雜化。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,每套保護均對其它線路信息進行加工,以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(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)特征能使保護不正確動作,特別是高頻模擬量。神經(jīng)網(wǎng)絡的硬件芯片現(xiàn)在仍很昂貴,但技術(shù)成熟時,應利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外,神經(jīng)網(wǎng)絡的并行處理和信息分布存儲機制還不十分清楚,如何選擇的網(wǎng)絡結(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)絡基本理論進行深入的研究,以形成完善的理論體系,

11、創(chuàng)造出更適合于實際應用的新型網(wǎng)絡及學習算法5。參考文獻1陳炳華.采用模式識別(智能型的保護裝置的設想.中國電機工程學會第五屆全國繼電保護學術(shù)會議,會址不詳,19932Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans,1994,10(3.(1:371377 3Lee T H,Wang Q C,Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechanni

12、sms.IEEE Trans,1993,3(2.(3:1901974Chow Mo-Y uen.The Advantage of Machine Fault Detection Using Artificial Neural Networks and Fuzzy Logic Technology.IEEE Trans,1992,5(6.(2:107810855吳捷.現(xiàn)代控制技術(shù)在電力系統(tǒng)控制中的應用.全國高校電力系統(tǒng)及其自動化專業(yè)年會,廣州,19976Matthew Zedenberg.Neural Networks Models in Artificial Intelligence.s.l.

13、:s.n.,s.a.作者:廣東省電力中心調(diào)度所余得偉招海丹-人工神經(jīng)網(wǎng)絡應用于空調(diào)系統(tǒng)故障診斷的研究中國論文聯(lián)盟-摘要:本文首先介紹了人工神經(jīng)網(wǎng)絡的基本原理,然后詳細介紹了反向傳播算法(BP,最后研究BP算法在空調(diào)系統(tǒng)故障診斷方面的應用。關鍵詞:人工神經(jīng)網(wǎng)絡反向傳播算法故障診斷1 引言隨著經(jīng)濟的發(fā)展,空調(diào)系統(tǒng)得到了越來越廣泛的應用,空調(diào)設備已成為重要的生活必備品之一。這就要求空調(diào)系統(tǒng)可靠性高且功能齊全,而且在故障診斷維修服務方面達到一定的水平。國內(nèi)目前的大部分空調(diào)系統(tǒng)中無故障診斷系統(tǒng),當空調(diào)系統(tǒng)出現(xiàn)故障后,維保人員往往不能及時、準確地了解系統(tǒng)出現(xiàn)故障的原因及相關信息,空調(diào)系統(tǒng)無法得到及時修復,

14、這種情況急需得到改善。本文由中國論文聯(lián)盟WWW.LWLM.COM收集整理。2 關于故障診斷技術(shù)故障診斷FD(fault diagnosis是一種了解和掌握設備在使用過程中的技術(shù),確定其整體或局部是否正常,早期發(fā)現(xiàn)故障及其原因并能預報故障發(fā)展趨勢的技術(shù)。在診斷過程中,必須利用被診斷對象表現(xiàn)出來的各種有用信息,經(jīng)過適當?shù)靥幚砗头治?做出正確的診斷結(jié)論。在制冷暖通空調(diào)領域,1987年在彥啟森教授的建議下,才開始了故障診斷專家系統(tǒng)在制冷暖通空調(diào)領域的研究應用1 。3 人工神經(jīng)網(wǎng)絡用于空調(diào)系統(tǒng)故障診斷的基本原理人工神經(jīng)網(wǎng)絡(Artificial Neural Network.簡稱ANN正是在人類對其大腦

15、神經(jīng)網(wǎng)絡認識理解的基礎上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡。它是理論化的人腦神經(jīng)網(wǎng)絡的數(shù)學模型,是基于模仿大腦神經(jīng)網(wǎng)絡結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實際上是由大量簡單元件相互連接而成的復雜網(wǎng)絡,具有高度的非線性,能夠進行復雜的邏輯操作和非線性關系實現(xiàn)的系統(tǒng)。典型的神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖1所示。在眾多的人工神經(jīng)網(wǎng)絡模型中,最常用的是BP(Back Propagation模型,即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡模型2 。BP網(wǎng)絡在故障診斷、模式識別、圖像識別、管理系統(tǒng)等方面都得到了廣泛的應用。本文討論利用神經(jīng)網(wǎng)絡中的BP模型進行空調(diào)系統(tǒng)的故障診斷。首先需要進行知識的獲取。由專家提供關

16、于各種空調(diào)系統(tǒng)故障現(xiàn)象(征兆集及相應的故障原因(故障集實例作為學習樣本。將數(shù)據(jù)分為兩部分,一部分用于訓練網(wǎng)絡,另一部分用于測試。將訓練網(wǎng)絡的數(shù)據(jù)按一定順序編碼,分別賦給網(wǎng)絡輸入、輸出節(jié)點,通過神經(jīng)網(wǎng)絡學習算法對樣本進行學習,經(jīng)過網(wǎng)絡內(nèi)部自適應算法不斷修正權(quán)值,直到達到所要求的學習精度為止。此時在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識和經(jīng)驗。訓練完畢后,再將測試網(wǎng)絡的數(shù)據(jù)從初始狀態(tài)出發(fā),向前推理,將顯示出的故障結(jié)果與實際的測試數(shù)據(jù)結(jié)果相比較,如果誤差很小,說明網(wǎng)絡的權(quán)值建立正確;如果誤差較大,說明網(wǎng)絡的權(quán)值建立有誤,需要重新進行網(wǎng)絡的訓練。將訓練樣本訓練完畢后,即可進行空調(diào)系統(tǒng)的故障診斷。只要

17、實際輸入模式接近于某一個訓練時的學習樣本的輸入模式,則可產(chǎn)生出接近學習樣本的輸出結(jié)果,也就是所謂的自聯(lián)想功能。同時,由于網(wǎng)絡計算上的大量并行性,當機器運行狀況改變,出現(xiàn)網(wǎng)絡學習未考慮的情況時,系統(tǒng)亦能給出正確分類結(jié)果。同時將新數(shù)據(jù)并入網(wǎng)絡,實現(xiàn)系統(tǒng)的自適應。一般來說,學習的故障實例樣本越多,診斷結(jié)果的準確率越高。4 BP 學習算法BP算法因其簡單、易行、計算量小、并行性強等優(yōu)點,是目前神經(jīng)網(wǎng)絡訓練采用最多也是最成熟的訓練算法之一。BP算法的實質(zhì)是求解誤差函數(shù)的最小值問題,由于它采用非線性規(guī)劃中的梯度下降法(Gradient Descent,按誤差函數(shù)的負梯度方向修正權(quán)值3 。其主要思路是如果求

18、出訓練網(wǎng)絡的指標函數(shù)誤差:一般的BP算法稱為標準誤差逆?zhèn)鞑ニ惴?也就是對應每一次輸入都校正一次權(quán)值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經(jīng)元的輸出求偏導數(shù),那么就可以算出誤差對所有連接權(quán)值的偏導數(shù),從而可以利用梯度下降法來修改各個連接權(quán)值。真正的全局誤差意義上的梯度下降算法是在全部訓練模式都學習完后才校正連接權(quán)和閾值。其計算流程如圖2所示:5 故障診斷實例5.1 空調(diào)系統(tǒng)故障診斷的BP網(wǎng)絡建立空調(diào)系統(tǒng)故障模式及故障機制分析4 如表1所示表1 空調(diào)系統(tǒng)故障模式及故障機制分析表示符號故障模式表示符號故障原因x 1房間溫度均偏高y 1y 2y 3y 4y 5y 61.冷凍機產(chǎn)冷量不足2

19、.噴水堵塞3.通過空氣處理設備的風量過大,熱交換不良4.回風量大于送風量5.送風量不足(可能空氣過濾氣堵塞6.表冷器結(jié)霜,造成堵塞x 2相對濕度均偏低y 77.室外空氣未經(jīng)加濕處理x 3系統(tǒng)實測風量大于設計風量y 8y 98.系統(tǒng)的實際阻力小于設計阻力9.設計時選用風機容量偏大x 4房間氣流速度超過允許流速y 10y 11y 1210.送風口速度過大11.總送風量過大12.送風口的型式不適合5.2 網(wǎng)絡輸入輸出向量及參數(shù)的選取以故障模式X=(x 1 ,x 2 ,x 3 ,x 4 輸入,故障原因Y=(y 1 ,y 2 ,y 3 y 12 作為輸出,以不同的故障原因?qū)е碌墓收夏Ｊ綖橛柧殬颖具M行學習

20、,從而建立故障模式與故障原因之間的映射關系。x 1 , x 2 ,x 3 ,x 4 分別代表故障房間溫度均偏高、相對濕度均偏低、系統(tǒng)實測風量大于設計風量和房間氣流速度超過允許流速的4種故障現(xiàn)象;y 1 ,y 2 ,y 12 分別代表冷凍機產(chǎn)冷量不足;噴水堵塞送風口的型式不適合等故障原因。加熱爐控制系統(tǒng)摘要以加熱爐控制系統(tǒng)為研究對象,提出了一種基于遺傳算法改進的BP 網(wǎng)絡優(yōu)化PID控制參數(shù)方法,并與經(jīng)典的臨界比例度Ziegler-Nichols方法進行比較。仿真結(jié)果表明該算法具有較好的控制效果。關鍵詞PID控制;BP神經(jīng)網(wǎng)絡;遺傳算法;參數(shù)優(yōu)化本文由中國論文聯(lián)盟WWW.LWLM.COM收集整理。

21、1 引言由于常規(guī)PID控制具有魯棒性好,結(jié)構(gòu)簡單等優(yōu)點,在工業(yè)控制中得到了廣泛的應用。PID控制的基本思想是將P(偏差的比例,I(偏差的積分和D(偏差的微分進線性組合構(gòu)成控制器,對被控對象進行控制。所以系統(tǒng)控制的優(yōu)劣取決于這三個參數(shù)。但是常規(guī)PID控制參數(shù)往往不能進行在線調(diào)整,難以適應對象的變化,另外對高階或者多變量的強耦合過程,由于整定條件的限制,以及對象的動態(tài)特性隨著環(huán)境等的變化而變化,PID 參數(shù)也很難達到最優(yōu)的狀態(tài)。神經(jīng)網(wǎng)絡具有自組織、自學習等優(yōu)點,提出了利用BP神經(jīng)網(wǎng)絡的學習方法,對控制器參數(shù)進行在線調(diào)整,以滿足控制要求。由于BP神經(jīng)網(wǎng)絡學習過程較慢,可能導致局部極小點2。本文提出了

22、改進的BP算法,將遺傳算法和BP算法結(jié)合對網(wǎng)絡閾值和權(quán)值進行優(yōu)化,避免權(quán)值和閾值陷入局部極小點。2 加熱爐的PID控制加熱爐控制系統(tǒng)如圖1所示,控制規(guī)律常采用PID控制規(guī)律。圖1 加熱爐控制系統(tǒng)簡圖若加熱爐具有的數(shù)學模型為:則PID控制過程箭圖可以用圖2表示。其中,采用經(jīng)典參數(shù)整定方法臨界比例度對上述閉環(huán)系統(tǒng)進行參數(shù)整定,確定PID控制器中Kp=2.259,Ki=0.869, Kd=0.276。參考輸入為單位階躍信號,仿真曲線如圖3所示。圖2 PID控制系統(tǒng)圖3 ZN整定的控制曲線仿真曲線表明,通過ZN方法整定的參數(shù)控制效果不佳,加上PID參數(shù)不易實現(xiàn)在線調(diào)整,所以該方法不宜用于加熱爐的在線控

23、制。3 基于遺傳算法改進的BP神經(jīng)網(wǎng)絡PID控制器參數(shù)優(yōu)化整定其控制功能能否達到要求完全取決于學習算法。3.1 遺傳算法改進的BP算法實現(xiàn)一般BP網(wǎng)絡結(jié)構(gòu)如圖4所示,其算法步驟為:(1輸入訓練樣本,按網(wǎng)絡結(jié)構(gòu)得到輸出;(2將實際輸出與希望輸出比較,得到誤差,根據(jù)誤差調(diào)節(jié)閾值和權(quán)值。重復兩個步驟,直到誤差滿足要求為止;圖4 BP網(wǎng)絡結(jié)構(gòu)研究表明,采用上述BP算法逐步調(diào)整權(quán)值和閾值,可能導致學習過程收殮速度慢,訓練時間過長,又易陷入局部極小點而得不到最佳的權(quán)值和閾值分布。為了加快學習速率,已經(jīng)有了一些優(yōu)化BP算法3,采用動態(tài)學習因子和慣性因子。這些方法在加快網(wǎng)絡收殮速度方面比較顯著,能較好地避免網(wǎng)

24、絡陷入局部極小。遺傳算法不要求目標函數(shù)具有連續(xù)性,而且可以對復雜的多峰的,非線性及不可微的函數(shù)實現(xiàn)全局尋優(yōu),因此容易得到全局最優(yōu)解或性能很好的次優(yōu)解。將遺傳算法和BP算法相結(jié)合可以具有尋優(yōu)的全局性和精確性。算法過程為:(1對權(quán)值和閾值編碼生成初始種群,由于是多參數(shù)優(yōu)化問題,采用多參數(shù)映射編碼;本文由中國論文聯(lián)盟WWW.LWLM.COM收集整理。(2計算適應度值;(3如果不滿足遺傳算法停止條件,則對當代種群進行交叉、選擇和變異產(chǎn)生新的個體,轉(zhuǎn)(2;否則,轉(zhuǎn)(4;(4對遺傳算法找到的較好的解空間,采用BP算法在這些小的解空間中搜索出最優(yōu)解。3.2 PID參數(shù)優(yōu)化由圖5可知,神經(jīng)網(wǎng)絡根據(jù)系統(tǒng)的運行狀態(tài),通過在線調(diào)整PID的三個參數(shù)Kp,Ki,Kd ,以達到某種性