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

1、人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于繼電保護(hù)的探析人工神經(jīng)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和數(shù)學(xué)家Walth提出神經(jīng)元數(shù)學(xué)模型,后被冷落了一段時(shí)間，80年代又迅猛興 起。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(dòng)數(shù)據(jù)對機(jī)器進(jìn)行監(jiān)控和故障檢測 ,

2、預(yù)測某些部件的疲勞壽命。非線形神經(jīng)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(dòng)模控制),在實(shí)時(shí)工業(yè)控制執(zhí)行程序中較為有效。 人工神經(jīng)絡(luò)(ANN)和模糊邏輯(Fuzzy Logic)的綜合，實(shí)現(xiàn)了電動(dòng)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(yùn)行例子調(diào)整內(nèi)部權(quán)值 來準(zhǔn)確求解。因此,對于電力系統(tǒng)這個(gè)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(dòng)穩(wěn)分析，負(fù)荷 預(yù)報(bào),機(jī)組最優(yōu)組合,警報(bào)處理與故障診斷，配電線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及 電力系統(tǒng)控制等方面。本文介紹了一種基于人工神經(jīng)絡(luò)(ANN)理論的保

3、護(hù)原理。1人工神經(jīng)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(shí)輸出和希 望值之間的差別，調(diào)整絡(luò)路徑的權(quán)值,以使下一次在相同的輸入下，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。式中 Wji 連接權(quán)值。BP算法的神經(jīng)絡(luò)圖形如圖2所示，設(shè)絡(luò)的輸入模塊為p,令其作用下 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(quán)值變化量為： Wpji=zDpj

4、l pi式中,z是某一個(gè)常數(shù)。當(dāng)反復(fù)迭代該式時(shí)，便可使實(shí)際值收斂于目 標(biāo)值。其中隱含層既有輸入線，又有輸出線，每一個(gè)箭頭都有一定的權(quán)值。在神經(jīng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)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算法去不斷修改絡(luò)的權(quán) 值。在投運(yùn)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(diǎn)。2神經(jīng)絡(luò)型繼電保護(hù)神經(jīng)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(dòng)態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)絡(luò)專家系統(tǒng)，其中

5、,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)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(jià)、輸出。專家系統(tǒng)對運(yùn)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(huì)存在著某些功能模塊不正確動(dòng)作的可能 這時(shí)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，改變其某些線的權(quán)值,以使下次相同情況下減少 不正確動(dòng)作的可能。下面是

6、一個(gè)簡單的ANN線路保護(hù)例子。當(dāng)電力系統(tǒng)故障時(shí)，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(gè) 數(shù) 為14 個(gè) ， 分 別 是Uar,Uai,Ubr,Ubi,UcrUci,lai,lbr,lbi,lcr,lci,lor,loi（下標(biāo) 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(shù)為5個(gè):YA（A相）,YB（B相）,YC（C相），丫0（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(gè)輸出完全滿足線路方向保護(hù)的需求（沒考慮正向

7、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(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(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 （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(yùn)行方式和故障情況建立 訓(xùn)練樣本。在正常狀態(tài)下,令h/S =(EM)/(EN),h=1, S取 為,50 ° ,60 ° ,故障點(diǎn)選反化 ，,30 ° ,40,30 ° ,60 °隨

8、 負(fù) 荷 變-60°,-50°,-40°,-30°,-20°,-10° ,0 ° ,10 ° ,20 有13個(gè)樣本。故障情況下，S取值為-60°,-30° ,0 °每個(gè)樣本的5個(gè)輸出都有一組期望的 故障時(shí),保護(hù)所測到的電流、電壓極少,規(guī)定某個(gè)輸出節(jié)點(diǎn)。如YA(A相)在某向出口 (-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 Q,50 Q ,100 Q ,150 Q ,200 Q ,相間電阻 Rp 取值 0 Q ,25

9、Q ,50 Q , 則共有 5X 4X (5+3+5X 3+3)=520 個(gè)樣本。輸出值，以此作為訓(xùn)練樣本。而實(shí)際運(yùn)行、 直接與樣本相同，此時(shí)就需要用到模糊理論 一取值范圍時(shí)，則被選中。文獻(xiàn)認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)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)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(yùn)單位如調(diào)、省調(diào)實(shí)驗(yàn)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)0到現(xiàn)場,還可根據(jù)該站的 干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)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)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)絡(luò) 軟件的反應(yīng)速度比純數(shù)字計(jì)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(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時(shí)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(shí)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(huì)使保護(hù)、二次接線復(fù)雜化。變電站綜合自動(dòng)化也許 是解決該問題的一個(gè)較好方法，各套保護(hù)通過總線聯(lián)，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(dòng)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(dòng)作正確性與否的判斷，作為本身的 訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r(shí)人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不