人工神經網絡應用于繼電保護的探討

精品文檔-下載后可編輯人工神經網絡應用于繼電保護的探討摘要根據現代控制技術的人工神經網絡理論提出了一種保護原理構成方案，并分析了原理實現的可行性和技術難點。

人工神經網絡(AartificialNeuralNetwork，下簡稱ANN)是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數學家WalthH.Pitts提出神經元數學模型，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，BackPropagation)，它的網絡結構及算法直觀、簡單，在工業(yè)領域中應用較多。

經訓練的ANN適用于利用分析振動數據對機器進行監(jiān)控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網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構控制或滑動?？刂?，在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經網絡(ANN)和模糊邏輯(FuzzyLogic)的綜合，實現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整內部權值來準確求解［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，機組最優(yōu)組合，警報處理與故障診斷，配電網線損計算，發(fā)電規(guī)劃，經濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經網絡(ANN)理論的保護原理。

1人工神經網絡理論概述

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，調整網絡路徑的權值，以使下一次在相同的輸入下，網絡的輸出接近于希望值。圖1是人工神經Ui的結構模型，圖中Ui為神經元內部狀態(tài)，Qi為門檻值，Yi為輸出信號，Xi(i=1,2,…，n)為神經元接收信號。該模型可表示為：

式中Wji——連接權值。

BP算法的神經網絡圖形如圖2所示，設網絡的輸入模塊為p，令其作用下網絡輸出單元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之間的權值變化量為：

ΔWpji=zDpjIpi

式中，z是某一個常數。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線，又有輸出網線，每一個箭頭都有一定的權值。

在神經網絡投運前，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BP算法去不斷修改網絡的權值。在投運后，還可根據現場的特定情況進行現場學習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線性功能是BP算法的一大優(yōu)點。

2神經網絡型繼電保護

神經網絡理論的保護裝置，可判別更復雜的模式，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。它是神經網絡(ANN)與專家系統(tǒng)(ES)融為一體的神經網絡專家系統(tǒng)，其中，ANN是數值的、聯想的、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、數字量，經模式特征變換輸入給神經網絡，根據以前學習過的訓練材料，對數據進行推理、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)方式收集數據或由分析過程再收集控制，對輸出結果進行評估，判別其正確性、一致性，作出最終判決，經變換輸出，去執(zhí)行機構。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)數據庫或由專家系統(tǒng)作出判別，作為訓練樣本訓練ANN的這部分功能模塊，改變其某些網線的權值，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。比如選輸入層神經元個數為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)，選定輸出層神經元個數為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的需求(沒考慮正向超越)，隱含層神經元數目為2N+1(N為輸入層神經元數目)。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500kV雙側電源系統(tǒng)的各種運