基于繼電保護(hù)人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

【摘要】結(jié)合實(shí)際，文章分析了繼電保護(hù)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(shí)現(xiàn)。供參考。

【關(guān)鍵詞】繼電保護(hù)；人工神經(jīng)網(wǎng)絡(luò)；電力應(yīng)用

繼電保護(hù)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(jī)組、高電壓以及現(xiàn)代化大電網(wǎng)方向的發(fā)展，繼電保護(hù)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(rèn)知過程的信息處理系統(tǒng)。同時(shí)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(xué)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(shí)際運(yùn)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(fù)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(jìn)一步處理電流對正方向的預(yù)報(bào)處理和故障。通過對標(biāo)準(zhǔn)樣本的學(xué)習(xí)，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(shí)現(xiàn)ANN的記憶模式。除此之外，還可以實(shí)現(xiàn)暫態(tài)，動穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，具有強(qiáng)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(hù)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(shí)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(shí)還可以實(shí)現(xiàn)多種變化，此時(shí)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(xùn)練學(xué)習(xí)操作。在回憶操作中對訓(xùn)練好的網(wǎng)絡(luò)輸入信號，可以正?；貞洺鱿鄳?yīng)的輸出，得到識別結(jié)果。在訓(xùn)練學(xué)習(xí)操作中要把首先準(zhǔn)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(shí)間、訓(xùn)練時(shí)間。從輸入數(shù)據(jù)加載到已經(jīng)訓(xùn)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(shí)間的原則。執(zhí)行時(shí)間最主要取決于計(jì)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(xùn)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(xùn)練時(shí)間的原則。訓(xùn)練時(shí)間一般要比執(zhí)行時(shí)間長，實(shí)際運(yùn)行中通常是脫機(jī)進(jìn)行。

5、人工神經(jīng)網(wǎng)絡(luò)保護(hù)裝置原理

在實(shí)際的繼電保護(hù)應(yīng)用中，可以采用上面的人工神經(jīng)網(wǎng)絡(luò)保護(hù)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(jià)分析。其中專家系統(tǒng)部分是實(shí)現(xiàn)控制和訓(xùn)練，按照最優(yōu)先的方式收集數(shù)據(jù)、控制再進(jìn)行評估。

6、人工神經(jīng)網(wǎng)絡(luò)的實(shí)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(dāng)激活函數(shù)采用S形函數(shù)時(shí)（值域?yàn)椋?.1））時(shí)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(dāng)激活函數(shù)采用雙極S形函數(shù)（僮域?yàn)椋?1，1））時(shí)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(diǎn)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(xùn)練的目標(biāo)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(xué)習(xí)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(hù)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。