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

1、工神經(jīng)網(wǎng)絡(luò)應(yīng)用于繼電保護的【論文集】探討    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(guān)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 Propagation)，它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡

2、單，在工業(yè)領(lǐng)域中應(yīng)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(luò)補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(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計

3、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(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(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(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=TpjOpj。若輸入模塊的

4、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(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(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

5、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(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)據(jù)庫或由專家系統(tǒng)作出判別，作為訓練

6、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：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(

7、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。考慮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&#

8、176;，10°，0°，10°，20°，30°，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YA(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(luò)在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護應(yīng)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(luò)理論的保護構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純