【摘要】結(jié)合實際,文章分析了繼電保護人工神經(jīng)網(wǎng)絡(luò)的特征、模型選取原則、操作過程以及應(yīng)用實現(xiàn)。供參考。
【關(guān)鍵詞】繼電保護;人工神經(jīng)網(wǎng)絡(luò);電力應(yīng)用
繼電保護在電力系統(tǒng)和自動化技術(shù)的快速發(fā)展之下,也有了長足的發(fā)展。近些年來,隨著電力系統(tǒng)向大機組、高電壓以及現(xiàn)代化大電網(wǎng)方向的發(fā)展,繼電保護中的新技術(shù)應(yīng)用也隨之浮出水面,其中人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用就是—例。
1、人工神經(jīng)網(wǎng)絡(luò)概述
所謂的人工神經(jīng)網(wǎng)絡(luò),則是在模擬生物神經(jīng)元結(jié)構(gòu)基礎(chǔ)之上而提出的信息處理方法,通過模擬人腦組織結(jié)構(gòu)和人類認知過程的信息處理系統(tǒng)。同時也是神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。
人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的一部分,我們可以把神經(jīng)元比喻為數(shù)學模型.具體如下圖所示。
它是多輸入單輸出的信息處理單元,在實際運用中通過與其相連的其他神經(jīng)元接收信息,對信息的處理是非線性的。
目前在電力系統(tǒng)中,可以有效地解決難以列出方程式或求解復雜的非線性問題。如果利用人工神經(jīng)網(wǎng)絡(luò)的模式識別能力,可有效對電力系統(tǒng)中的故障做出最大量的識別,進一步處理電流對正方向的預(yù)報處理和故障。通過對標準樣本的學習,調(diào)整自身的連接權(quán),將獲得的知識分布在網(wǎng)絡(luò)上,并實現(xiàn)ANN的記憶模式。除此之外,還可以實現(xiàn)暫態(tài),動穩(wěn)分析,負荷預(yù)報,機組最優(yōu)組合,具有強大的知識獲取能力。
2、人工神經(jīng)網(wǎng)絡(luò)基本特征
一般地,電力系統(tǒng)繼電保護中人工神經(jīng)網(wǎng)絡(luò)的特征包含有非線性和非局限性、非常定性。所謂的非線性則是指人工神經(jīng)元處在激活或者抑制兩種不同的狀態(tài),同時闕值神經(jīng)元構(gòu)成的網(wǎng)絡(luò)可提高容錯性以及存儲容量。所謂的非局限性是指一個神經(jīng)網(wǎng)絡(luò)是由多個神經(jīng)元鏈接的,通過單元間的大量連接模擬大腦非局限性。在非常定性方面,神經(jīng)網(wǎng)絡(luò)在處理信息的同時還可以實現(xiàn)多種變化,此時非線性動力的系統(tǒng)也在變化。
3、人工神經(jīng)網(wǎng)絡(luò)的操作過程
一般地,人工神經(jīng)網(wǎng)絡(luò)的操作可以分為回憶操作和訓練學習操作。在回憶操作中對訓練好的網(wǎng)絡(luò)輸入信號,可以正常回憶出相應(yīng)的輸出,得到識別結(jié)果。在訓練學習操作中要把首先準備好的網(wǎng)絡(luò)信息教傳給外部作為網(wǎng)絡(luò)的輸入和要的輸出,要確保網(wǎng)絡(luò)按照某一種規(guī)則調(diào)節(jié)到各處理單元間的連接權(quán)值。
4、人工神經(jīng)網(wǎng)絡(luò)模型選取
在人工神經(jīng)網(wǎng)絡(luò)模型選取上要遵循一定的原則,一般包括執(zhí)行時間、訓練時間。從輸入數(shù)據(jù)加載到已經(jīng)訓練過的網(wǎng)絡(luò),再到網(wǎng)絡(luò)產(chǎn)生為一個選取周期。這個被稱之為執(zhí)行時間的原則。執(zhí)行時間最主要取決于計算環(huán)境和網(wǎng)絡(luò)的動態(tài)特征。
從輸入數(shù)據(jù)加載到網(wǎng)絡(luò)上傳開始訓練再到網(wǎng)絡(luò)權(quán)值全部調(diào)節(jié)結(jié)束為一個選取周期。這個被稱之為訓練時間的原則。訓練時間一般要比執(zhí)行時間長,實際運行中通常是脫機進行。
5、人工神經(jīng)網(wǎng)絡(luò)保護裝置原理
在實際的繼電保護應(yīng)用中,可以采用上面的人工神經(jīng)網(wǎng)絡(luò)保護裝置原理技術(shù)體現(xiàn)。裝置采用了線路和周邊數(shù)字量以及模擬量,經(jīng)過模式轉(zhuǎn)化到神經(jīng)網(wǎng)絡(luò),再次對數(shù)據(jù)評價分析。其中專家系統(tǒng)部分是實現(xiàn)控制和訓練,按照最優(yōu)先的方式收集數(shù)據(jù)、控制再進行評估。
6、人工神經(jīng)網(wǎng)絡(luò)的實現(xiàn)
第一種.人工神經(jīng)網(wǎng)絡(luò)的歸一化算法。線性轉(zhuǎn)換算法常見有兩種形式.
<1>y=(x-min)/(max—min)
其中min為x的最小值,max為x的最大值,輸入向量為x,歸一化后的輸出向量為Y。上式將數(shù)據(jù)歸一化到[0.1]區(qū)間,當激活函數(shù)采用S形函數(shù)時(值域為(0.1))時這條式子適用。
<2>Y=2*(x-min)/(max—min)-1
這條公式將數(shù)據(jù)歸一化到[-1,1]區(qū)間。當激活函數(shù)采用雙極S形函數(shù)(僮域為(-1,1))時這條式子適用。
第二種.人工神經(jīng)網(wǎng)絡(luò)的newff.函數(shù)算法。
newff函數(shù)參數(shù)列表有很多的可選參數(shù),具體可以參考Matlab的幫助文檔,這里介紹newff函數(shù)的一種簡單的形式。
語法.net=newff(A,B,{c},‘trainFun’)
參數(shù).A.一個nx2的矩陣,第i行元素為輸入信號xi的最小值和最大值;B.一個k維行向量,其元素為網(wǎng)絡(luò)中各層節(jié)點數(shù);C.一個k維字符串行向量,每一分量為對應(yīng)層神經(jīng)元的激活函數(shù)。
在網(wǎng)絡(luò)配置參數(shù)方面,一些重要的網(wǎng)絡(luò)配置參數(shù)如下.net.trainparam.goal.神經(jīng)網(wǎng)絡(luò)訓練的目標誤差。net.trainparam.show.顯示中間結(jié)果的周期;net.trainparam.epochs
.最大迭代次數(shù);net.trainParam.lr.學習率。
總結(jié).
綜上所述,人工神經(jīng)網(wǎng)絡(luò)是人工智能的一個重要分支,在繼電保護等領(lǐng)域應(yīng)用及研究比較廣泛。隨著我們對人工神經(jīng)網(wǎng)絡(luò)不斷地探索和研究,在以后的生產(chǎn)生活中將會發(fā)揮更大的作用。