人工神经网络的电网故障诊断赵耀

(整期优先)网络出版时间:2017-12-22
/ 3

人工神经网络的电网故障诊断赵耀

赵耀

(国网河南省电力公司平顶山供电公司467000)

摘要:智能输电网是人工智能神经网络的典型应用。其采用数据层、通信层、应用层网络结构,采用开放式的数据网络平台。交叉学科的服务商在数据网络平台进行应用层数据发掘与实现,为用户提供相互独立的产品,实现可持续的数据挖掘与应用。

关键词:人工;神经网络;电网故障;诊断

1人工神经网络

人工神经网络是迄今为止应用最为广泛的网络算法,实践证明这种基于误差反传递算法的人工神经网络有很强的映射能力,最适合用于模拟输入、输出的近似关系,可以解决许多实际问题。因此在神经网络被引入工程项目研究起,人工神经网络工程管理模型就得到了广泛的关注。

人工神经网络是神经网络中一种反向传递并能修正误差的多层映射网络,通常由输入层、输出层和隐含层构成,层与层之间的神经元采用全互连的模式,通过相应的网络权系数相互联系,每层内的神经元没有连接。当参数适当时,此网络能收敛到较小的均方差,是目前应用最广的网络之一。

人工神经算法通过误差函数最小化来完成输入到输出的一种高度非线性映射,映射中保持拓扑不变性,训练过程可分为两个过程:

1.1输入的信息流从输入层,经隐含层到输出层逐层处理并计算出各神经元节点的实际输出值,这一过程称为信息流的正向传递过程。在正向传播过程中样本信号经过Sigmoid函数作用逐层向前传播,每一层神经元的状态只影响到下一层神经元的状态。

1.2计算网络的实际输出与训练样本期望值的误差,若该误差未达到允许值,根据此误差确定权重的调整量,从后往前逐层修改各层神经元节点的连接权重,这一过程称为误差的逆向修改过程。

两个过程完成了一次学习迭代。这种信息的正向传递与根据误差的逆向修改网络权重的过程,是在不断迭代中重复进行的,直到网络的输出误差逐渐减小到允许的精度,或达到预定的学习次数。同时需要确定的参数有期望误差(Err-goal)、最大循环次数(Max-epoch)、学习速率、网络的层数、各层的神经元数以及其相应的激活函数等。

尽管人工神经算法的程序看起来复杂,在实际应用人工神经网络进行工程管理的过程中,却只需要做好以下两方面的工作:一方面,分析人员首先要进行输入变量的选择工作,具体对电力工程而言,“输入变量的选择”是指根据电力工程的自身特点,以全面对工程的管理进行估计;另一方面,要对模型自身的传递函数、训练函数和系统参数加以确定,也就是电力工程管理模型的具体构建工作。

2负荷预报及网损计算的人工神经网络方法

2.1短期负荷预报的人工神经网络方法

为了用户安全、经济地提供高质量的电能,电力部门必须解决运行、控制、规划等方面的许多技术、经济问题。为了实现对电力系统的最佳规划与运行,获得最好的经济效益,系统工程理论与优化技术在电力系统中广泛滥用。应用这些理论与技术的前提是预先知道系统的负荷大小。因此长期的和短期的负荷预报是一个很重要的课题。

短期负荷预报主要用于电力系统的控制与调度,作为潮流计算及偶发事故分析的输入量。而传统的方法几乎毫无例外地属于时间序列的范畴,近年也利用专家系统进行负荷预报。在已有的几利负荷模型中,有的在时间序列中没有考虑气候的影响。而在计及气候影响的模型中,要求写出负荷与影响负荷的各个因素之间的解析表达式,这往往非常困难。人工神经网络则无需写出未来负荷与各个影响因素之间的解析表达式,通过样本对神经网络进行学习训练即可。于是,人工神经网络方法成为提高负荷预报精度、缩短预报的计算时间的有效途径,负荷预报成为人工神经网络方法最有前景的应用领域之一。

2.2网损计算的人工神经元方法

理论上可以采用潮流计算方法求得任一时刻的有功功率损耗,对时问积分求出能量损耗。但由于电网特别是低压电网元件众多,接线复杂、测量数据不等原因,使得准确的潮流计算难以进行,无法得到准确的网损。不得不采用一些粗略的、近似的计算方法,如日均方根电流法、回归分析法等。但即使采用这些近似方法亦存在许多困难,而且结果不尽人意。人工神经网络无需写出输入与输出之间的映射关系,经过学习训练可以实现任意复杂的映射。因此人们自然想到人工神经网络为基础的网损计算方法。

计算实践表明,人工神经网络可以模拟网损与特征参数任意复杂的非线性关系,而且由于该方法是面向数据的,因而可以适用于一切网络,即具有普适性。为了提高计算的精度,在对样本进行训练以前,可用Kohonen网络对样本按特征进行分类,得到用于同一类网损计算的专用的人工神经网络模型,在专用网络上对输人数据用反传(BP)算法进行训练。

3电力系统稳定分析的人工神经网络方法

3.1人工神经网络技术为基础的电力系统动态稳定分析

对动态稳定问题进行研究的要求是计算的有效性好,计算精度高。特征根法是通过计算线性微分方程的系数矩阵的特征根来估计系统的稳定性的,是研究动态稳定问题的传统方法之一。该方法的优点在于计算的有效性好,具有较好的鲁棒性;其缺点是随着电力系统的扩大,计算时间会增长。为此,广大电力工程师和数学工作者为改进特征根方法做了大量的工作。目前,主要应用由Kohonen提出的自组织特征映射网络,即无指导的正传网络来对系统进行分类并解决动态稳定指标的问题。这一方法的基小思想在于求s矩阵的临界特征根,求出动态稳定指标。传统方法是通过识别稳定域来解决稳定问题,该方法则是求出稳定指标来解决稳定问题。

3.2人工神经网络为基础的多机电力系统稳定器

电力系统稳定器(PSS)是抑制电力系统振荡特别是电力系统低频振荡的有效措施。传统的PSS是以电力系统某一给定运行点为基础进行设计的,一旦电力系统接线发生变化或者运行点发生变化,PSS的运行特性往往变差。随着电力系统的发展和对电能质量要求的提高,人们正在研究新的控制技术以提高电力系统稳定性,人工神经网络的研究为改善电力系统的稳定性开辟了一条新的途径。研究表明,其主要特点是:

3.2.1ANN是自适应的。可以在电机整个工作范同内对神经网络进行训练。即使电厂的运行条件变化,训练好的神经网络也可以达到很好的控制效果。

3.2.2南于ANN是并行结构,ANN控制器的计算时问远比其他控制方案短。

3.2.3ANN是鲁棒的,即使输入数据不完整或者信号中含有噪声,ANN也能得到正确的结果。

将发电厂的加速功率作为发电厂的输出、延时的响应、延时的励磁系统的附加信号一起作为ANNPSS的输入信号。ANNPSS也采用多层系统和误差反传训练方法。模拟试验的结果表明,训练合理的ANNPSS可以在很大的运行范围内给电力系统提供很好的阻挡作用,显著地改善电力系统的动态特性。

4电力系统辨识与测量的人工神经网络方法

4.1无功测量的人工神经网络方法

现代电力系统中的许多负荷是非线性的,会产牛大量谐波,对电能质量造成影响。这些负荷的快速变动是对供电网络的扰动,通常会造成电网电压的波动,造成对联于同一网络上其他负荷的闪变。为了对付这快速变化的无功功率通常需要装设无功补偿装置。虽然现代的电力电子设备能提供快速的无功补偿,但快速的无功补偿需对各时刻的无功功率进行准确的测量和计算,以便实现对补偿装置有效地控制,采用误差反传神经网络能计算无功功率的瞬时值,其精度与采用传统方法用极高的采样频率得到的结果相当,因而是成功的,而且具有很好的应用前景。

4.2电压与电流波形实时识别的人工神经网络方法

保护和控制均需对电流电压波形进行实时的估计,因此提出了许多数值计算方法,如傅立叶级数、卡尔曼滤波技术等。但这些算法都不是并行的,计算速度上的局限性很大,很难用于实时的保护与控制计算中。Tank和Hopfield等人就说明过如何将简单的模拟处理器紧密连接起来解决优化问题和信号处理问题。美国学者Kennedy和蔡少棠

等人将该方法推广到处理一般的非线性网络问题。人工神经网络方法为许多信号处理问题(如信号恢复问题),提供了一种全新的思路。其中一种用于正弦信号参数的在线估计的神经网络方法,是最速下降连续时间优化算法,而优化算法的解答由人工神经网络得到。

4.3电力系统谐波源的监控与辨识

谐波源实际上是非线性负荷,可以使得电压波形畸变到不可接受的程度。利用冗余的带噪声的测量信息,电力系统状态估计理论可对基波电压、潮流进行估计。该技术还可用于对谐波波形的估计。在电力系统谐波分析中,可用状态估计方法对谐波源进行辨识。但这需要在电力系统中装设大量谐波测量装置,对电力系统谐波进行连续测量。因此人们希望装尽可能少的检测仪器,检测尽量少的母线,利用状态估计来预估。这对于设计补偿器来改善谐波电流和改善功率因数都是有益的。做到这一点就需要用初始估计,或者说用伪测量来代替实际的谐波测量。一般而言,一个有n个复状态的网络至少要有n个复数测量来计算未知量,再用n+1个测量来改进未知状态的估计值。在基波分析中,用伪测量得到必需数量的测量值或者增加数据的冗余度。而在谐波估计中,一般说来,伪测量很难奏效.原因是谐波源是变化的,而且直接测量很困难。人工神经网络代替谐波状态估计的伪测量,即是将人工神经网络与状态方法结合应用,可直接采用线性估计法。人工神经网络用于电力系统非线性负荷的谐波源的初始估计值,可以在较少的点上对谐波电流进行连续的测试。再将这些估计值用于状态估计器,则可发现其他的未知的谐波源。

5人工神经网络技术未来发展

人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷,因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步,AI的快速发展,AI与遗传算法、模糊系统等方面结合,形成了计算智能,很多企业和国家开始大规模研发AI,人工神经网络正在模拟人类认知的方向发展,目前市场已经有很多不少人工智能产品面世。

结语

本文分析总结了人工神经网络在电网和智能电网建设中的应用情况,说明了人工神经网络的重要作用。特别强调了智能电网发展过程中,由智能电表提供的细化数据所带来的新方法,以及深度学习在电网中的应用前景。关于卷积神经网络的应用设想,需要以大量的数据为基础,尚需要进一步的探索和实验。

参考文献:

[1]苏尤丽,汤建国.人工智能神经网络在新能源微电网中的应用[J].新疆大学学报(自然科学版),2016,(04):444-448.

[2]曹春耕,吴琥,李子欣,张凡,涂建坤.人工神经网络在电网中的应用[J].中国电业(技术版),2015,(10):6-8.

[3]潘智康.基于模糊神经网络的电网故障诊断[D].安徽理工大学,2015.

[4]吴昌设.基于人工神经网络的电网日负荷预测研究[D].浙江大学,2011.

[5]孙闯.基于人工神经网络的电网故障诊断专家系统的研究与设计[D].吉林大学,2011.