人工神經(jīng)網(wǎng)絡(luò)繼電保護原理分析

朱文渝 唐廣

摘要：文章根據(jù)現(xiàn)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(gòu)成方案，并分析了原理實現(xiàn)的可行性和技術(shù)難點。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；繼電保護；模糊邏輯

中圖分類號：TM773文獻標識碼：A文章編號：1006-8937（2011）22-0029-01

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(xué)家Warren S.Mcculloch和數(shù)學(xué)家Walth H.Pitts提出神經(jīng)元數(shù)學(xué)模型。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(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(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

1人工神經(jīng)網(wǎng)絡(luò)理論概述

經(jīng)訓(xùn)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(yù)測某些部件的疲勞壽命。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)控制或滑動模控制），在實時工業(yè)控制執(zhí)行程序中較為有效。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(xué)習正常運行例子調(diào)整內(nèi)部權(quán)值來準確求解。因此，對于電力系統(tǒng)這個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。

BP算法是一種監(jiān)控學(xué)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。BP算法的神經(jīng)網(wǎng)絡(luò)圖形，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=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：ΔWpji=zDpjIpi，式中，z是某一個常數(shù)。當反復(fù)迭代該式時，便可使實際值收斂于目標值。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。

2人工神經(jīng)網(wǎng)絡(luò)的基本特征

人工神經(jīng)網(wǎng)絡(luò)具有四個基本特征：其一，非線性。非線性關(guān)系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性關(guān)系。具有閾值的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)具有更好的性能，可以提高容錯性和存儲容量。其二，非局限性。一個神經(jīng)網(wǎng)絡(luò)通常由多個神經(jīng)元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。其三，非常定性。人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習能力。神經(jīng)網(wǎng)絡(luò)不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過程描寫動力系統(tǒng)的演化過程。其四，非凸性。一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。例如能量函數(shù)，它的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。

3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(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。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)，專家系統(tǒng)對運行過程控制和訓(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)果進行評估，判別其正確性、一致性，做出最終判決，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(yù)擴展專家系統(tǒng)數(shù)據(jù)庫或由專家系統(tǒng)做出判別，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（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(xùn)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。

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個樣本。故障情況下，δ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 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(xùn)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。

4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。我認為全波數(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)，反應(yīng)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(xùn)練樣本訓(xùn)練保護，而每套保護都增多輸入量，必然會使保護、二次接線復(fù)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)。神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實現(xiàn)現(xiàn)在的軟件功能。

參考文獻：

[1] Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology[J].IEEE Trans,1994,10(3):371-377.

[2] Chow Mo-Yuen.The Advantage of Machine Fault Detection Using Artificial Neural Networks and Fuzzy Logic Techno-logy[J].IEEE Trans,1992,5(6):1078-1085.