人工神经网络应用于继电保护的探讨

摘要：根据现代控制技术的人工神经网络理论提出了一种保护原理构成方案，并分析了原理实现的可行性和技术难点。
关键词：继电保护　人工神经网络　BP算法
分类号：TM 77　TP 18

Application Principle of Artificial Neural Networks in Relay Protection

(Yu Dewei)
(Guangdong Power Dispatch Center,Guangzhou 510600,China)
(Zhao Haidan)
(South China UNIversity of Technology,Guangzhou 510641,China)

Abstract　One principle of relay protection according with artificial neural networks(ANN)of modern control technology is proposed,then the practicality of this principle and the difficulty of technology are analyzed.
Keywords　relay;ANN;BP algorithm

0　引言
　　模拟生物的神经元——人工神经网络ANN，早在1943年就由心理学家Mcculloch W S和数学家Pitts W H提出了神经元数学模型，冷落了一段时间后，80年代迅猛兴起^［1］。其中研究得最为成熟的是误差反传模型算法(BP算法，back propagation)，它的网络结构及算法直观简单，在工业领域中应用也较多。神经网络之所以受到人们的普遍关注，是由于它具有本质的非线性特征、并行处理能力、强鲁棒性以及自组织自学习的能力。
　　ANN在工业领域内的应用得到了较深的尝试， 经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测， 预测某些部件的疲劳寿命^［2］。
　　非线性神经网络补偿和鲁棒控制综合方法的应用(其鲁棒控制利用了变结构控制或滑动模控制)，在实时工业控制执行程序中较为有效^［3］。
　　人工神经网络(ANN)和模糊逻辑(fuzzy logic)的综合实现了电动机故障检测的启发式推理。对非线性问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解^［4］。
　　因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，神经网络理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态分析、动稳分析、负荷预报、机组最优组合、警报处理与故障诊断、配电网线损计算、发电规划、经济运行及电力系统控制等方面^［5］。
　　本文介绍了一种基于人工神经网络(ANN)理论的保护原理的新概念。
1　人工神经网络理论概述
　　BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。图1是人工神经元U_i的结构模型，U_i为神经元内部状态，Q_i为门槛值，Y_i为输出信号，X₁，X₂，…，X_n为神经元接收信号，W_1i，W_2i…，W_ni为连接权值，该模型可表示为

图1　人工神经网络示意图

　　BP算法的神经网络图形如图2所示。设网络的输入模块为p，令其作用下网络输出单元j的输出为O_pj。如果输出的希望值是T_pj，则其误差为D_pj=T_pj-O_pj；若输入模块的第i个单元输入为I_pi，则输入接点i与输出接点j之间的权值变化量为

ΔpW_ji=zD_pjI_pi

图2　BP型人工神经网络图形

z是某一个常数。当反复迭代该式时，便可使实际值收敛于目标值。其中隐含层既有输入网线，又有输出网线，每一个箭头都有一定的权值。
　　在神经网络投运前，就应用大量的数据，包括正常、不正常运行的作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线性功能是BP算法的一大优点。
2　神经网络型继电保护
　　过去的保护装置，是从最简单的模式识别开始的。即将模拟量，开入量输入给分析识别电路，产生各种判别输出，即继电型的保护装置。
　　从电磁型—整流型—晶体管—微机保护至本文提出的神经网络理论的保护装置，判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它采用神经网络(ANN)与专家系统(ES)融为一体的神经网络专家系统，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。
　　如图3所示，装置可直接取线路及其周边的模拟量、数字量，经模式特征变换输入给神经网络。根据以前学习过的训练材料，对数据进行推理、分析评价及输出。专家系统对运行过程控制和训练，按最优方式收集数据或由分析过程再收集控制，对输出结果进行评估，判别其正确性、一致性，作出最终判决，经变换输出，去执行机构。即使是新型保护，也存在着某些功能模块不正确动作的可能，这时可以过后人为干预扩展专家系统数据库或由专家系统作出判别，作为训练样本训练ANN的这部分功能模块，改变其某些网线的权值，以使下次相同情况下减少不正确动作的可能。

图3　ANN保护装置原理图

　　 介绍一套简单的ANN线路保护中的例子，当电力系统故障时，输电线路各相的电压、电流也随之发生变化，特别是故障后故障相的相电压和相电流，以及接地系统在接地故障的零序电流的变化有明显的代表性。比如选输入层神经元个数为14个，分别是U_ar，U_ai,U_br,U_bi,U_cr,U_ci,I_ar,I_ai,I_br,I_bi,I_cr,I_ci,I_or,I_oi(r和i分别代表实部与虚部)，选定输出层神经元个数为5个，Y_A(A相)，Y_B(B相)，Y_C(C相)，Y₀(接地)，Y_F(方向)，各输出值为1，表示选中；输出值为0，表示没选中(Y_F为0代表反向)，这5个输出满足线路方向保护的需求(没考虑正向超越)，隐含层神经元数目为2N+1(N为输入层神经元数目)。训练样本集包含14个输入变量和5个输出变量，而测试样本集中则只有14个输入变量。选图4的双侧电源系统作研究对象，输电线路、系统的等值正、零序参数如图4所示。

图4　500 kV，300 km线路模型图

　　考虑的故障类型包括单相接地(K⁽¹⁾)，两相短路(K⁽²⁾)，两相接地(K^(1．1))，三相短路(K⁽³⁾)。
　　对图4所示的500 kV双侧电源系统的各种运行方式和故障情况建立训练样本。
　　在正常状态下，令

δ随负荷变化，取为-60°，-50°，-40°，-30°，-20°，-10°，0°，10°，20°，30°，40°，50°，60°，有13个样本。故障情况下，δ取值为-60°，-30°，0°，30°，60°，故障点选反向出口(-0 km),正向出口(+0 km)线路中部(150 km)，线末(300 km)，接地电阻R_g取值0 Ω，50 Ω，100 Ω，150 Ω，200 Ω，相间电阻R_p取0 Ω，25 Ω，50 Ω，则共有5×4×(5+3+5×3+3)=520个样本。每个样本的5个输出都有一组期望的输出值，以此作为训练样本。而实际运行、故障时，保护所测到的电流、电压极少直接与样本相同，此时就需要用到模糊理论，规定某个输出节点，如Y_A(A相)在某一取值范围时，被选中。
　　据文献［1］可知，全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。
　　ANN保护装置出厂后，还可以在投运单位如网调、省调的实验室内进行学习，学习内容是针对该省对保护的特殊要求进行的(如反措)。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。
3　结论
　　本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。
　　一套完整的ANN保护是需要有很多输入量的，对某套保护来说，区内、区外故障时其输入信号几乎相同，很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上判断其动作正确与否，作为本身的训练内容，因为即使人工分析也不能区分哪些数据特征会使保护不正确动作，特别是高频模拟量。
　　神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择合理的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法^［5］。

参考文献

1　陈炳华.采用模式识别(智能型)的保护装置的设想.见:中国电机工程学会第五届全国继电保护学术会议论文集.1993
2　Uhrig R E. Application of Artificial Neural Networks in Industrial Technology.In:Anon.IEEE International Conference on Industrial Technology,Control Techniques.Guangzhou:South China University of Technology,1994:73～77
3　Lee T H,Wang Q C,Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechanisms.In:Anon.IEEE International Conference on Industrial Technology,Control Techniques.Guangzhou:South China University of Technology,1994:78～82
4　Anon.The Advantages of Machine Fault Detection Using Artificial
Neural Networks and Fuzzy Logic Technology.In:Anon.IEEE International Conference on Industrial Technology,Control Techniques.Guangzhou:South China University of Technology,1994:83～87
5　吴捷.现代控制技术在电力系统控制中的应用.见：全国高等院校电力系统及其自动化专业第十三届学术年会论文集.广州：华南理工大学.1997：628～645