摘　要：根據現代控制技術(shù)的人工神經(jīng)網(wǎng)絡(luò )理論提出了一種保護原理構成方案，并分析了原理實(shí)現的可行性和技術(shù)難點(diǎn)。

　　人工神經(jīng)網(wǎng)絡(luò )（Aartificial Neural Network，下簡(jiǎn)稱(chēng)ANN）是模擬生物神經(jīng)元的結構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和數學(xué)家Walth H.Pitts提出神經(jīng)元數學(xué)模型，后被冷落了一段時(shí)間，80年代又迅猛興起［1］。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(xiàn)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 )結構及算法直觀(guān)、簡(jiǎn)單，在工業(yè)領(lǐng)域中應用較多。

　　經(jīng)訓練的ANN適用于利用分析振動(dòng)數據對機器進(jìn)行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線(xiàn)形神經(jīng)網(wǎng)絡(luò )補償和魯棒控制綜合方法的應用（其魯棒控制利用了變結構控制或滑動(dòng)�？刂疲�，在實(shí)時(shí)工業(yè)控制執行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò )（ANN）和模糊邏輯（Fuzzy Logic）的綜合，實(shí)現了電動(dòng)機故障檢測的啟發(fā)式推理。對非線(xiàn)形問(wèn)題，可通過(guò)ANN的BP算法學(xué)習正常運行例子調整內部權值來(lái)準確求解［4］。

　　因此，對于電力系統這個(gè)存在著(zhù)大量非線(xiàn)性的復雜大系統來(lái)講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態(tài)，動(dòng)穩分析，負荷預報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線(xiàn)損計算，發(fā)電規劃，經(jīng)濟運行及電力系統控制等方面［5］。

　　本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò )（ANN）理論的保護原理。

　　1、人工神經(jīng)網(wǎng)絡(luò )理論概述

　　BP算法是一種監控學(xué)習技巧，它通過(guò)比較輸出單元的真實(shí)輸出和希望值之間的差別，調整網(wǎng)絡(luò )路徑的權值，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。圖1是人工神經(jīng)Ui的結構模型，圖中Ui為神經(jīng)元內部狀態(tài)，Qi為門(mén)檻值，Yi為輸出信號，Xi（i=1，2，…，n）為神經(jīng)元接收信號。該模型可表示為：

　　式中Wji——連接權值。

　　BP算法的神經(jīng)網(wǎng)絡(luò )圖形如圖2所示，設網(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(gè)單元輸入為Ipi，則就輸入模塊p而言，輸入接點(diǎn)I與輸出接點(diǎn)j之間的權值變化量為：

　　ΔWpji=zDpjIpi

　　式中，z是某一個(gè)常數。當反復迭代該式時(shí)，便可使實(shí)際值收斂于目標值［6］。其中隱含層既有輸入網(wǎng)線(xiàn)，又有輸出網(wǎng)線(xiàn)，每一個(gè)箭頭都有一定的權值。

　　在神經(jīng)網(wǎng)絡(luò )投運前，就應用大量的數據，包括正常運行的、不正常運行的，作為其訓練內容，以一定的輸入和期望的輸出通過(guò)BP算法去不斷修改網(wǎng)絡(luò )的權值。在投運后，還可根據現場(chǎng)的特定情況進(jìn)行現場(chǎng)學(xué)習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線(xiàn)性功能是BP算法的一大優(yōu)點(diǎn)。

　　2、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，可判別更復雜的模式，其因果關(guān)系是更復雜的、非線(xiàn)性的、模糊的、動(dòng)態(tài)的和非平穩隨機的。它是神經(jīng)網(wǎng)絡(luò )（ANN）與專(zhuān)家系統（ES）融為一體的神經(jīng)網(wǎng)絡(luò )專(zhuān)家系統，其中，ANN是數值的、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(xiàn)路及其周邊的模擬量、數字量，經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡(luò )，根據以前學(xué)習過(guò)的訓練材料，對數據進(jìn)行推理、分析評價(jià)、輸出。專(zhuān)家系統對運行過(guò)程控制和訓練，按最優(yōu)方式收集數據或由分析過(guò)程再收集控制，對輸出結果進(jìn)行評估，判別其正確性、一致性，作出最終判決，經(jīng)變換輸出，去執行機構。即使是新型保護，也會(huì )存在著(zhù)某些功能模塊不正確動(dòng)作的可能，這時(shí)可以過(guò)后人為干預擴展專(zhuān)家系統數據庫或由專(zhuān)家系統作出判別，作為訓練樣本訓練ANN的這部分功能模塊，改變其某些網(wǎng)線(xiàn)的權值，以使下次相同情況下減少不正確動(dòng)作的可能。

　　下面是一個(gè)簡(jiǎn)單的ANN線(xiàn)路保護例子。當電力系統故障時(shí)，輸電線(xiàn)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(gè)數為14個(gè)，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(shí)部與虛部），選定輸出層神經(jīng)元個(gè)數為5個(gè)：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(méi)選中（YF為0代表反向）。這5個(gè)輸出完全滿(mǎn)足線(xiàn)路方向保護的需求（沒(méi)考慮正向超越），隱含層神經(jīng)元數目為2N+1（N為輸入層神經(jīng)元數目）。訓練樣本集包含14個(gè)輸入變量和5個(gè)輸出變量，而測試樣本集中的樣本則只有14個(gè)輸入變量。選圖4的雙側電源系統作研究對象，輸電線(xiàn)路、系統的等值正、零序參數如圖4所示。

　　考慮的故障類(lèi)型包括單相接地（K1），兩相短路（K2），兩相接地（K1—1），三相短路（K3）。

　　對圖4所示的500 kV雙側電源系統的各種運行方式和故障情況建立訓練樣本。

　　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(gè)樣本。故障情況下，δ取值為－60°，－30°，0°，30°，60°，故障點(diǎn)選反向出口（－0 km），正向出口（+0 km），線(xiàn)路中部（150 km），線(xiàn)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(gè)樣本。每個(gè)樣本的5個(gè)輸出都有一組期望的輸出值，以此作為訓練樣本。而實(shí)際運行、故障時(shí)，保護所測到的電流、電壓極少直接與樣本相同，此時(shí)就需要用到模糊理論，規定某個(gè)輸出節點(diǎn)。如YA（A相）在某一取值范圍時(shí)，則被選中。

　　文獻［1］認為全波數據窗建立的神經(jīng)網(wǎng)絡(luò )在準確性方面優(yōu)于利用半波數據窗建立的神經(jīng)網(wǎng)絡(luò )，因此保護應選用全波數據窗。

　　ANN保護裝置出廠(chǎng)后，還可以在投運單位如網(wǎng)調、省調實(shí)驗室內進(jìn)行學(xué)習，學(xué)習內容針對該省的保護的特別要求進(jìn)行（如反措）。到現場(chǎng)，還可根據該站的干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)學(xué)習，特別是一些常出現波形間斷的變電站內的高頻保護。

　　3、結論

　　本文基于現代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò )理論的保護構想。神經(jīng)網(wǎng)絡(luò )軟件的反應速度比純數字計算軟件快幾十倍以上，這樣，在相同的動(dòng)作時(shí)間下，可以大大提高保護運算次數，以實(shí)現在時(shí)間上即次數上提高冗余度。

　　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(lái)說(shuō)，區內、區外故障時(shí)其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會(huì )使保護、二次接線(xiàn)復雜化。變電站綜合自動(dòng)化也許是解決該問(wèn)題的一個(gè)較好方法，各套保護通過(guò)總線(xiàn)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(xiàn)路信息進(jìn)行加工，以此綜合得出動(dòng)作判據。每套保護可把每次錄得的數據文件，加上對其動(dòng)作正確性與否的判斷，作為本身的訓練內容，因為即使有時(shí)人工分析也不能區分哪些數據特征能使保護不正確動(dòng)作，特別是高頻模擬量。

　　神經(jīng)網(wǎng)絡(luò )的硬件芯片現在仍很昂貴，但技術(shù)成熟時(shí)，應利用硬件實(shí)現現在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò )的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網(wǎng)絡(luò )結構還沒(méi)有充分的理論依據。所有這些都有待于對神經(jīng)網(wǎng)絡(luò )基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng )造出更適合于實(shí)際應用的新型網(wǎng)絡(luò )及學(xué)習算法［5］。

　　參考文獻

　　1、陳炳華。采用模式識別（智能型）的保護裝置的設想。中國電機工程學(xué)會(huì )第五屆全國繼電保護學(xué)術(shù)會(huì )議，［會(huì )址不詳］，1993

　　2、Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans，1994，10（3）。（1）：371～377

　　3、Lee T H，Wang Q C，Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans，1993，3（2）。（3）：190～197

　　4、Chow Mo-Yuen.The Advantage of Machine Fault Detection Using Artificial Neural Networks and Fuzzy Logic Technology.IEEE Trans，1992，5（6）。（2）：1078～1085

　　5、吳捷�，F代控制技術(shù)在電力系統控制中的應用。全國高校電力系統及其自動(dòng)化專(zhuān)業(yè)年會(huì )，廣州，1997

　　6、Matthew Zedenberg.Neural Networks Models in Artificial Intelligence.［s.l.］：［s.n.］，［s.a.］

　　作者：廣東省電力中心調度所 余得偉　招海丹