神經(jīng)網(wǎng)絡(luò)技術(shù)在電力系統(tǒng)中的應(yīng)用舉例.doc

姓名：王承飛 學(xué)號(hào)：406107110015 專業(yè)：電力系統(tǒng)及其自動(dòng)化神經(jīng)網(wǎng)絡(luò)技術(shù)在電力系統(tǒng)中的應(yīng)用舉例目錄目錄I1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介12 人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用12.1 故障診斷12.1.1 變壓器故障類型的劃分12.1.2基于聚類分析的組合神經(jīng)網(wǎng)絡(luò)模型22.1.3 故障診斷32.2 智能控制42.2.1 基于神經(jīng)網(wǎng)絡(luò)的勵(lì)磁控制42.2.2 神經(jīng)網(wǎng)絡(luò)用在火電廠循環(huán)水PID控制42.3 繼電保護(hù)52.3.1 系統(tǒng)模型52.3.2繼電保護(hù)系統(tǒng)故障診斷原型63.3.3 算例62.4 負(fù)荷預(yù)測(cè)72.4.1 BP網(wǎng)絡(luò)及其改進(jìn)算法72.4.2 GA和BP算法的結(jié)合83 結(jié)束語(yǔ)8參考文獻(xiàn)89非線性控制理論1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介人工神經(jīng)網(wǎng)絡(luò)(ANN)是二十世紀(jì)80年代中后期世界范圍內(nèi)迅速發(fā)展的一個(gè)前沿研究領(lǐng)域，是一門高度綜合的交叉學(xué)科，它的研究和發(fā)展涉及神經(jīng)生理科學(xué)、數(shù)理科學(xué)、信息科學(xué)和計(jì)算機(jī)科學(xué)等眾多領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦組織結(jié)構(gòu)和人類認(rèn)知過程的信息處理系統(tǒng)。它由人工模擬的大量簡(jiǎn)單的神經(jīng)元以一定的方式連接而成，單個(gè)人工神經(jīng)元實(shí)現(xiàn)輸入到輸出的非線性關(guān)系，它們之間的連接組合使得人工神經(jīng)網(wǎng)絡(luò)具有復(fù)雜的非線性特性。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自組織、自學(xué)習(xí)能力。它通過現(xiàn)場(chǎng)大量的標(biāo)準(zhǔn)樣本學(xué)習(xí)與訓(xùn)練，自動(dòng)調(diào)整各神經(jīng)元之間的連接權(quán)和閥值，使獲取的知識(shí)隱式分布在整個(gè)網(wǎng)絡(luò)上，并實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)的模式記憶。和其他信息處理方法相比，人工神經(jīng)網(wǎng)絡(luò)具有諸多優(yōu)點(diǎn)：強(qiáng)大的知識(shí)獲取能力和信息容錯(cuò)能力；學(xué)習(xí)能力強(qiáng)，可以實(shí)現(xiàn)知識(shí)的自組織，適應(yīng)不同信息處理的要求；神經(jīng)元之間的計(jì)算具有相對(duì)獨(dú)立性，便于并行處理，執(zhí)行速度快。正是由于人工神經(jīng)網(wǎng)絡(luò)有極強(qiáng)的非線性擬合能力和自學(xué)習(xí)能力，且具有聯(lián)想記憶、魯棒性強(qiáng)等性能，使人工神經(jīng)網(wǎng)絡(luò)對(duì)于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來(lái)說有很大的應(yīng)用潛力，很多難以列出方程式或難以求解的復(fù)雜的非線性問題，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法則可迎刃而解。2 人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用2.1 故障診斷目前神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)的故障診斷，主要集中在對(duì)電網(wǎng)的故障處理。電網(wǎng)中的每一類故障都會(huì)產(chǎn)生一組警報(bào)信息，不同類別的故障具有不同的警報(bào)組合。因而可以將警報(bào)處理和故障診斷表示為模式識(shí)別問題，這樣就適用于人工神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行處理。用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的基本原理是：將故障警報(bào)信息進(jìn)行數(shù)字量化作為神經(jīng)網(wǎng)絡(luò)的輸入量。神經(jīng)網(wǎng)絡(luò)的輸出量代表故障診斷的結(jié)果。首先對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，即將特定故障對(duì)應(yīng)的警報(bào)模式作為樣本，建立較全的樣本庫(kù)，然后用所有的樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這樣就可以將樣本庫(kù)的知識(shí)以網(wǎng)絡(luò)的形式存儲(chǔ)在神經(jīng)網(wǎng)絡(luò)的連接權(quán)中，最后通過神經(jīng)網(wǎng)絡(luò)輸入量計(jì)算就可以完成故障診斷。故障診斷中神經(jīng)網(wǎng)絡(luò)所采用的模型大多為反向傳播算法（BP）模型，這主要是由于對(duì)BP模型的研究比較成熟，使用比較可靠。文獻(xiàn)1較早提出了用BP進(jìn)行警報(bào)處理和故障診斷方法。該方法將警報(bào)信息作為神經(jīng)網(wǎng)絡(luò)的輸入量，故障作為神經(jīng)網(wǎng)絡(luò)的輸出量，用于識(shí)別電網(wǎng)發(fā)生的故障，這種方法的缺點(diǎn)是不能用于大規(guī)模系統(tǒng)。除電網(wǎng)故障診斷外，人工神經(jīng)網(wǎng)絡(luò)還被應(yīng)用于電力系統(tǒng)設(shè)備的故障診斷，包括變壓器、發(fā)電機(jī)、電纜、斷路器、絕緣子等。現(xiàn)在以變壓器為例，講人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)變壓器故障診斷中的方法。目前，聚類分析方法引入到DGA技術(shù)中，它依靠故障數(shù)據(jù)的特點(diǎn)來(lái)劃分故障類別，這種故障空間劃分方式具有積極意義，在實(shí)際應(yīng)用中取得了較好的效果4。然而直接利用聚類方法進(jìn)行故障分類也出現(xiàn)了一些問題，如聚類結(jié)果受樣本點(diǎn)的數(shù)量、聚類準(zhǔn)則等多種因素影響；且其以最近類樣本作為診斷結(jié)果，并不能給出完全確定性的結(jié)論。同時(shí)，樹思路的引入，組合神經(jīng)網(wǎng)絡(luò)方法的提出，使分層次的、逐步細(xì)化的故障識(shí)別成為可能5?？墒沁@些工作都以三比值法為基礎(chǔ)，仍難以避免對(duì)維修缺乏指導(dǎo)的缺點(diǎn)。因此，本文以按照部位劃分故障的方法為基礎(chǔ)，針對(duì)已積累的故障變壓器的大量溶解氣體數(shù)據(jù)，考察了各類故障的氣體特征及聚類結(jié)果，并在此基礎(chǔ)上構(gòu)建組合神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)故障由粗到細(xì)的逐級(jí)劃分，以提高診斷的有效性。2.1.1 變壓器故障類型的劃分表1中列出了13種變壓器常見故障。這種劃分方式具有劃分細(xì)致、有利于維修等優(yōu)點(diǎn)?？墒沁M(jìn)一步考察各類故障的溶解氣體數(shù)據(jù)，發(fā)現(xiàn)這種劃分也存在缺陷。一方面，某些類的故障氣體數(shù)據(jù)不具有統(tǒng)一的特征。如“與放電源的位置等關(guān)系緊密，其特征量不具有一致的規(guī)律。再如，雖然“分接開關(guān)燒損”的特征氣體數(shù)據(jù)絕大多數(shù)表現(xiàn)為過熱性特征，卻有少量數(shù)據(jù)的乙炔含量很高。另一方面，有時(shí)故障發(fā)生機(jī)理和部位相異，其氣體特征也可能相似。如“油中氣泡引發(fā)局部放電”和“絕緣進(jìn)水受潮”的溶解氣體的特征就很相近。因此，本文對(duì)表1的分類方法作了改進(jìn)。首先，取消“懸浮放電”類別，按照懸浮體的特點(diǎn)歸并入其他類別。其次，依據(jù)統(tǒng)計(jì)學(xué)方法將“分接開關(guān)”故障樣本中少量乙炔含量異常高的樣本剔除。這樣便形成了以表1為基礎(chǔ)的12類變壓器故障類別。2.1.2基于聚類分析的組合神經(jīng)網(wǎng)絡(luò)模型本文提出的組合神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是：根據(jù)12類故障在特征氣體空間的聚集形態(tài)，將一些接近的類別暫先合并為過渡類別，使用組合神經(jīng)網(wǎng)絡(luò)先粗分，然后再對(duì)過渡類別細(xì)化識(shí)別。這種逐級(jí)細(xì)化的工作方式，使辨識(shí)更為有效。采用分層聚類分析可以明確給出在一定聚類相似度水平上樣本間的分組情況，因此，可以依據(jù)對(duì)12類故障特征氣體數(shù)據(jù)的分層聚類結(jié)果組織網(wǎng)絡(luò)的模型。表1變壓器常見故障類型序號(hào)故障類型F1圍屏放電F2匝間短路(高壓繞組匝間擊穿或低壓繞組變形)F3引線對(duì)地放電或發(fā)生閃絡(luò)F4油流帶電F5有載分接開關(guān)箱滲漏油F6鐵心局部短路或多點(diǎn)接地F7結(jié)構(gòu)件及磁屏蔽體中漏磁引起的過熱F8分接開關(guān)接觸不良F9繞組引線接觸不良F10過負(fù)荷或冷卻不良引起的繞組過熱F11油中氣泡引發(fā)局部放電F12進(jìn)水受潮F13懸浮電位體(磁屏蔽、夾件及分接撥叉等)感應(yīng)放電1)分層聚類分析進(jìn)行分層聚類分析首先需確定距離和相似性的度量方法，然后再依一定的算法進(jìn)行聚類。本文中采用了歐氏距離計(jì)算樣本間距離，在確定兩個(gè)類之間相似性時(shí)經(jīng)過如下比較后，選用最遠(yuǎn)距離法。式(1)為最遠(yuǎn)距離法，式(2)為最近距離法，式(3)為均值距離法，它們之間的差別在于選用哪兩個(gè)樣本間距離作為兩類間的距離。最近距離法選用以最近的樣本間距離作為類間距離，而最遠(yuǎn)距離法選用最遠(yuǎn)的樣本。其中i，j兩個(gè)聚類y，i，j的樣本mi，mji，j的特征值所選的經(jīng)歷計(jì)算方法比較最近距離法和最遠(yuǎn)距離法可知：采用最近距離法的聚類算法實(shí)際上是一個(gè)生成最小生成樹的過程。其缺點(diǎn)在于，如果在兩個(gè)各自密集的點(diǎn)集間存在一些位置靠近的點(diǎn)的路徑時(shí)，就可能把本應(yīng)分屬于兩個(gè)類的點(diǎn)集聚集成一個(gè)類；而最遠(yuǎn)距離法可看成是產(chǎn)生一個(gè)圖的過程，圖中同一個(gè)類的結(jié)點(diǎn)都是用棱線聯(lián)接起來(lái)的，即每個(gè)類構(gòu)成一個(gè)完備子圖，它對(duì)類中遠(yuǎn)離點(diǎn)的情況反映較為靈敏；均值距離的效果則介于上述二者之間。所以使用最遠(yuǎn)距離法，可以更好地按距離由遠(yuǎn)及近原則，實(shí)現(xiàn)對(duì)12類故障典型樣本逐級(jí)分離的目的。在確定了相似性度量方法后，具體的分層聚類算法如下：初始時(shí)設(shè)置j=yj，j屬于I，I=j|j=1，2，N。這里j是各個(gè)聚類集合，N是樣本數(shù)，即初始時(shí)設(shè)每一樣本為一個(gè)類。步驟1：在集合j|jI中找到一對(duì)滿足條件：的聚類集合和。其中是和之間的相似性度量。步驟2：把并入，并去掉。步驟3：把i從指標(biāo)集I中除掉，若I得基數(shù)僅等于2時(shí)，則終止計(jì)算；否則轉(zhuǎn)向步驟1。2)變壓器故障識(shí)別組合神經(jīng)網(wǎng)絡(luò)的建立首先收集761例結(jié)論明確的故障，取H2、CH4、C2H6、C2H4、C2H2為特征氣體。以各氣體占總量的百分比為特征量，建立12種故障的樣本集，并將其按表1所示分成兩組，分析中以529例的訓(xùn)練集為已知故障樣本，以232例的檢驗(yàn)集為未知待驗(yàn)樣本。首先利用訓(xùn)練樣本集考察樣本間的相似性：求取各類故障樣本的平均樣本，以平均樣本作為該類故障的典型代表，對(duì)其進(jìn)行分層聚類，并以樹形圖的方式顯示每一步被合并的類別。圖1是對(duì)12類故障的平均樣本進(jìn)行分層聚類的樹形圖。圖1 行分層聚類的樹形圖其中F1到F12故障代號(hào)。該圖將各類之間的距離轉(zhuǎn)換成025間的數(shù)值，顯示了一定距離水平下各類故障的聚集情況。從圖中可見，首先由“油中氣泡放電(F11)”和“絕緣進(jìn)水受潮(F12)”組成的過渡類與其余故障組成的過渡類間的距離最大(距離轉(zhuǎn)換值為25)，其次，顯示了另一個(gè)水平上的分離結(jié)果：F7、F9、F10、F6、F8與F2、F3、F1、F5、F4；然后，依次類推；最后，得到了有關(guān)12類故障相似性的信息。圖2 變壓器故障識(shí)別的組合神經(jīng)網(wǎng)絡(luò)依據(jù)這樣的相似性信息，建立如圖2的組合神經(jīng)網(wǎng)絡(luò)。其中各節(jié)點(diǎn)分別由一定的規(guī)則和反向傳播(BP)神經(jīng)網(wǎng)絡(luò)構(gòu)成。規(guī)則0為電力變壓器檢修導(dǎo)則規(guī)定的DGA結(jié)果的“注意值”，用來(lái)判斷變壓器屬于“正常老化”(A0)還是“存在異?！?。ANN1ANN332為BP網(wǎng)絡(luò)，其特征量和分層聚類時(shí)的相同，經(jīng)過獨(dú)立的訓(xùn)練集的學(xué)習(xí)形成各自的規(guī)則。2.1.3 故障診斷表2列出了組合神經(jīng)網(wǎng)絡(luò)對(duì)12類變壓器故障的識(shí)別結(jié)果，同時(shí)也給出了利用單層BP網(wǎng)絡(luò)的識(shí)別結(jié)果。比較兩者可知：采用單層神經(jīng)網(wǎng)絡(luò)的正判率僅有32%，而基于聚類分析的組合神經(jīng)網(wǎng)絡(luò)的判斷正確率可達(dá)75%，遠(yuǎn)較單神經(jīng)網(wǎng)絡(luò)模型為優(yōu)，基本達(dá)到現(xiàn)場(chǎng)應(yīng)用可以接受的水平。另外還發(fā)現(xiàn)通過組合網(wǎng)絡(luò)識(shí)別故障的工作進(jìn)行到一定層次時(shí)，對(duì)于相近故障的識(shí)別率很難進(jìn)一步提高。雖然采用將故障間特征量差異增大的方法可使問題有所改善，可是結(jié)合其他測(cè)試手段進(jìn)行故障的綜合判斷才是彌補(bǔ)DGA方法缺陷的更好途徑。如對(duì)“油中氣泡放電(F11)”和“絕緣受潮(F12)”，在組合網(wǎng)絡(luò)的第二層進(jìn)行區(qū)分時(shí)，識(shí)別率就較低，很難利用DGA進(jìn)一步提高識(shí)別率。如果結(jié)合介質(zhì)損耗因數(shù)、電容量以及絕緣電阻等電氣試驗(yàn)的分析，此問題將很容易得到解決。將電力變壓器故障劃分為12類。利用聚類方法分析故障的相似性，并依據(jù)此相似性構(gòu)造組合神經(jīng)網(wǎng)絡(luò)，運(yùn)用于變壓器的故障識(shí)別。得到的結(jié)論和建議如下：(1)分析了基于DGA的故障診斷中不同故障空間劃分方法的特點(diǎn)，重點(diǎn)討論了按故障發(fā)生部位的劃分方法及其意義?？疾炝顺Ｒ姽收献儔浩鞯挠椭腥芙鈿怏w特點(diǎn)，對(duì)故障劃分方式進(jìn)行了必要的改進(jìn)，將變壓器故障劃分為12種類別。(2)通過聚類分析提供有關(guān)故障特征氣體空間劃分方式的基本信息，以BP網(wǎng)絡(luò)為基本單元模塊，構(gòu)造組合神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行變壓器故障識(shí)別。組合網(wǎng)絡(luò)的幾何結(jié)構(gòu)體現(xiàn)出故障在特征氣體空間的聚集特點(diǎn)，使識(shí)別過程更加合理。組合網(wǎng)絡(luò)克服了單層神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)復(fù)雜和學(xué)習(xí)難于收斂等不足，也使故障分析的準(zhǔn)確度大為提高。(3)由于DGA方法在變壓器故障識(shí)別中存在的一定局限性，充分了解該方法以及其他試驗(yàn)方法對(duì)不同故障的識(shí)別能力，開展故障的綜合分析工作很有必要。表1 單層網(wǎng)絡(luò)和組合網(wǎng)絡(luò)對(duì)12類故障的識(shí)別情況2.2 智能控制神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)應(yīng)用比較十分廣泛，像神經(jīng)率，提高電力系統(tǒng)的穩(wěn)定性，還用神經(jīng)網(wǎng)絡(luò)用在火電廠循環(huán)水PID控制等諸多方面。2.2.1 基于神經(jīng)網(wǎng)絡(luò)的勵(lì)磁控制勵(lì)磁控制是控制發(fā)電機(jī)端電壓和無(wú)功功率的重要組成部分，是重要的實(shí)時(shí)連續(xù)控制系統(tǒng)，對(duì)維持電力系統(tǒng)的穩(wěn)定性起主要作用，完成該功能的部分又稱為電力系統(tǒng)穩(wěn)定器(PSS)。由于大容量機(jī)組的投入和快速勵(lì)磁系統(tǒng)的應(yīng)用，系統(tǒng)的動(dòng)態(tài)穩(wěn)定性問題愈來(lái)愈突出，應(yīng)用4層BP網(wǎng)絡(luò)對(duì)發(fā)電機(jī)運(yùn)行方式和系統(tǒng)干擾進(jìn)行精確在線識(shí)別，并以此為基礎(chǔ)設(shè)計(jì)一種最優(yōu)勵(lì)磁調(diào)節(jié)器模型，這種調(diào)節(jié)器比固定點(diǎn)線性勵(lì)磁方式具有更強(qiáng)的穩(wěn)定性能和較好的動(dòng)態(tài)品質(zhì)。采用改進(jìn)型神經(jīng)網(wǎng)絡(luò)由2個(gè)子神經(jīng)網(wǎng)絡(luò)綜合構(gòu)成：一個(gè)是應(yīng)用遞推最小二乘算法的線性神經(jīng)網(wǎng)絡(luò)；一個(gè)是應(yīng)用動(dòng)態(tài)BP算法的動(dòng)態(tài)遞歸網(wǎng)絡(luò)。對(duì)基于相控整流直流傳動(dòng)系統(tǒng)的自適應(yīng)控制實(shí)現(xiàn)策略的進(jìn)行仿真，結(jié)果表明該自適應(yīng)控制器性能好于傳統(tǒng)的PID控制器?；谌斯ど窠?jīng)網(wǎng)絡(luò)的自適應(yīng)勵(lì)磁控制和動(dòng)態(tài)電阻制動(dòng)的綜合控制器，線路故障失去700MW電源時(shí)，穩(wěn)定控制切換負(fù)荷誤差小于0。5MW的比例達(dá)到81。5，最大誤差在23MW之間的僅為1，顯示了較好的控制特性。2.2.2 神經(jīng)網(wǎng)絡(luò)用在火電廠循環(huán)水PID控制神經(jīng)網(wǎng)絡(luò)在各行各業(yè)的PID控制領(lǐng)域都應(yīng)用的很廣，像火電廠循環(huán)水控制系統(tǒng)也會(huì)用到。隨著火力發(fā)電廠的生產(chǎn)過程經(jīng)濟(jì)性方面要求的提高，必須走節(jié)能降耗，提高效益之路，從而蓬勃發(fā)展起來(lái)的變頻調(diào)速技術(shù)和智能優(yōu)化控制技術(shù)將對(duì)火力發(fā)電廠節(jié)能降耗和改善工藝控制，起到無(wú)與倫比的巨大作用，利用先進(jìn)技術(shù)來(lái)改造傳統(tǒng)生產(chǎn)工藝過程是實(shí)現(xiàn)經(jīng)濟(jì)增長(zhǎng)方式有效轉(zhuǎn)變的途徑之一。根據(jù)汽輪機(jī)經(jīng)濟(jì)運(yùn)行規(guī)律，提高凝汽器真空可以提高汽輪機(jī)出力，但必然要消耗大量的循環(huán)水量，進(jìn)而消耗大量的廠用電量。在這二者之間，存在一個(gè)最佳點(diǎn)，有節(jié)能優(yōu)化運(yùn)行的可能。而且循環(huán)水系統(tǒng)的功耗占主機(jī)容量的4%左右，研究循環(huán)水泵變頻調(diào)速優(yōu)化運(yùn)行有十分重要的社會(huì)和經(jīng)濟(jì)價(jià)值。目前國(guó)內(nèi)外在提高循環(huán)水運(yùn)行效率方面的研究和工程實(shí)踐十分活躍，圍繞如何維持汽輪機(jī)的最佳真空度、如何維持循環(huán)水系統(tǒng)運(yùn)行壓力、如何合理組織循環(huán)泵站運(yùn)行進(jìn)行了大量相關(guān)的理論研究試驗(yàn)。這些研究主要集中于汽輪機(jī)的最佳真空度與循環(huán)水流量之間的關(guān)系、循環(huán)水系統(tǒng)運(yùn)行壓力與真空度之間關(guān)系，以及利用變頻器進(jìn)行循環(huán)水流量調(diào)節(jié)等方面。在火電廠循環(huán)水控制系統(tǒng)中，通過調(diào)節(jié)循環(huán)水流量來(lái)維持凝汽器真空在定值。被控對(duì)象的輸入u(k)為循環(huán)水流量，被控對(duì)象的輸出yout(k)為凝汽器的真空度，被控對(duì)象的期望輸出rin(k)為汽輪機(jī)的最有利真空Pee。Pee是通過對(duì)蒸汽負(fù)荷、冷卻水入口溫度和冷卻水水量的計(jì)算分析確定。圖3 RBF網(wǎng)絡(luò)整定PID控制框圖基于RBF神經(jīng)網(wǎng)絡(luò)整定的火電廠循環(huán)水PID控制步驟如下：(l)確定RBF網(wǎng)絡(luò)的結(jié)構(gòu)。網(wǎng)絡(luò)的結(jié)構(gòu)選為3-6-1，即輸入層3個(gè)節(jié)點(diǎn)，隱含層6個(gè)節(jié)點(diǎn)，輸出層1個(gè)節(jié)點(diǎn)。網(wǎng)絡(luò)的3個(gè)輸入分別為：u(k)，yout(k)，youtk(k-1)。(2)通過對(duì)蒸汽負(fù)荷、冷卻水入口溫度和冷卻水水量的計(jì)算分析確定汽輪機(jī)的最有利真空rin(k)，采樣得到凝汽器的真空度yout(k)。根據(jù)RBF網(wǎng)絡(luò)得到Jacobina信息。(3)根據(jù)Jacboina信息和被控系統(tǒng)控制誤差eror(k)優(yōu)化PDI參數(shù)kp，ki，kd。(4)根據(jù)優(yōu)化后的PDI計(jì)算控制器的輸出u(k)及輸出的變化u。(5)根據(jù)u(k)、yout(k)、yout(k-1l)計(jì)算得到RBF網(wǎng)絡(luò)的輸出ym(k)，通過與系統(tǒng)實(shí)際輸出yout(k)比較根據(jù)梯度下降法在線調(diào)整網(wǎng)絡(luò)的輸出權(quán)值、節(jié)點(diǎn)中心及節(jié)點(diǎn)基寬參數(shù)。(6)置k=k+1，返回到(2)。2.3 繼電保護(hù)神經(jīng)網(wǎng)絡(luò)技術(shù)在繼電保護(hù)領(lǐng)域中應(yīng)用的優(yōu)勢(shì)和特點(diǎn)非常明顯。它的并行處理能力能加快保護(hù)的計(jì)算速度和判別速度；它的魯棒性和容錯(cuò)性可極大地提高數(shù)字保護(hù)抗干擾能力和容錯(cuò)能力，提高數(shù)字保護(hù)抗電流互感器（TA）飽和的能力以及適應(yīng)電力系統(tǒng)故障暫態(tài)過程的能力，提高數(shù)字保護(hù)整體的安全性、可靠性和穩(wěn)定性。在神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動(dòng)態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)(ANN)與專家系統(tǒng)(ES)融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。在繼電保護(hù)故障檢測(cè)中，計(jì)算機(jī)串行運(yùn)算能力與實(shí)現(xiàn)最優(yōu)算法所應(yīng)實(shí)時(shí)完成的運(yùn)算量之間存在著矛盾。神經(jīng)網(wǎng)絡(luò)的應(yīng)用為解決這一矛盾提供了極好的條件。繼電保護(hù)故障檢測(cè)的算法對(duì)系統(tǒng)保護(hù)的動(dòng)作特性、精度等起著決定性的作用。為了保證保護(hù)系統(tǒng)故障檢測(cè)的正確性和靈敏性，一般應(yīng)優(yōu)先采用高精度最優(yōu)算法，但這時(shí)常需完成較大的運(yùn)算量。如最小二乘算法精度雖高，但實(shí)時(shí)運(yùn)算量大，在普通故障檢測(cè)應(yīng)用中受到了限制。神經(jīng)網(wǎng)絡(luò)就具有極高的運(yùn)算速度，在繼電保護(hù)系統(tǒng)的故障檢測(cè)中若應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)，可以實(shí)現(xiàn)難以用數(shù)字計(jì)算機(jī)實(shí)現(xiàn)的高精度最優(yōu)算法。與普通的繼電保護(hù)系統(tǒng)故障檢測(cè)方法相比，基于神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)具有更高的可靠性。普通故障檢測(cè)采用自檢、自診斷技術(shù)以及冗余措施可以提高其可靠性。但必須是建立在計(jì)算機(jī)狀態(tài)完好的基礎(chǔ)上的。由于設(shè)計(jì)、制造或技術(shù)等多方面的原因，在普通的繼電保護(hù)系統(tǒng)故障診斷中，往存在著一些部件計(jì)算機(jī)系統(tǒng)無(wú)法檢測(cè)和診斷的故障，這些故障有可能影響裝置的正常工作。傳統(tǒng)的數(shù)字計(jì)算機(jī)是將數(shù)據(jù)存儲(chǔ)在特定的存儲(chǔ)單元中，對(duì)數(shù)據(jù)的運(yùn)算也是由特定的運(yùn)算單元來(lái)完成，因此某一單元的損壞計(jì)算機(jī)就不能正常工作，從而導(dǎo)致整個(gè)保護(hù)裝置的癱瘓。神經(jīng)網(wǎng)絡(luò)是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)，它將知識(shí)與信息分布存儲(chǔ)在各個(gè)神經(jīng)元之間的權(quán)中，其運(yùn)算過程是由許多并行的處理單元（神經(jīng)元）來(lái)完成，局部或部分的神經(jīng)元損壞不影響全局的活動(dòng)。所以神經(jīng)網(wǎng)絡(luò)比一般計(jì)算機(jī)承受硬件損壞的能力強(qiáng)得多。往到目前為止，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被應(yīng)用于線路、變壓器、母線、發(fā)變組保護(hù)及檢測(cè)等多個(gè)繼電保護(hù)領(lǐng)域。現(xiàn)主要簡(jiǎn)單講述基于神經(jīng)網(wǎng)絡(luò)的繼電保護(hù)系統(tǒng)的故障檢測(cè)的方法過程并舉例說明。2.3.1 系統(tǒng)模型知識(shí)工程是神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域中的一大類，它可以根據(jù)以往的經(jīng)驗(yàn)，從統(tǒng)計(jì)學(xué)的規(guī)律來(lái)作出合理的判斷與決策，并可對(duì)未來(lái)的過程作出有效的估計(jì)與預(yù)測(cè)。故障診斷是知識(shí)工程的具體應(yīng)用，它實(shí)際上是一個(gè)分類問題，一般可用三層網(wǎng)絡(luò)來(lái)求解。根據(jù)收集到的樣本給出輸入輸出的映射關(guān)系，通過足夠的學(xué)習(xí)樣本，使網(wǎng)絡(luò)的輸出與期望的輸出誤差減至最小。因此，診斷的過程就是找出與輸入相對(duì)應(yīng)的輸出。1)模型選擇故障診斷經(jīng)驗(yàn)是一種直覺性的知識(shí)，其特點(diǎn)是按相似性進(jìn)行分類。人們通過多年的故障診斷實(shí)踐，腦子里存儲(chǔ)了許多典型實(shí)例，同時(shí)又具有一種模糊的直覺聯(lián)想能力，當(dāng)遇到一個(gè)新實(shí)例時(shí)，就能由相似性而聯(lián)想到某一已知實(shí)例，并與之比較，進(jìn)而作出判斷，反向傳播型網(wǎng)絡(luò)正好適合解決這類問題。2)網(wǎng)絡(luò)訓(xùn)練過程這里僅以三層網(wǎng)絡(luò)為例介紹BP網(wǎng)絡(luò)的工作過程，它有一個(gè)輸入層Lx，一個(gè)輸出層，一個(gè)中間層Ly，單元之間向前連接，能夠存儲(chǔ)任意連續(xù)值模式對(duì)(Lk，Lk)，(k=1，2，3，m)第k個(gè)模式對(duì)中，模擬值模式Xk=(xk1，xk2，xkn)，Yk=(yk1，yk2，ykn)。網(wǎng)絡(luò)通過多層誤差修正梯度下降法離線學(xué)習(xí)，按離散時(shí)間方式運(yùn)行。誤差反向傳播算法的目標(biāo)是修改權(quán)重，使網(wǎng)絡(luò)的全局誤差函數(shù)極小化。通常，網(wǎng)絡(luò)的誤差函數(shù)用均方差來(lái)定義，即為所有輸入模式上輸出層單元的希望輸出與實(shí)際輸出的誤差平方和。為了應(yīng)用神經(jīng)網(wǎng)絡(luò)，在選定所要設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)之后（其中包括的內(nèi)容有網(wǎng)絡(luò)的層數(shù)、每層所含神經(jīng)元的個(gè)數(shù)和神經(jīng)元的激活函數(shù)），首先應(yīng)考慮神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。下面用兩層神經(jīng)網(wǎng)絡(luò)為例來(lái)敘述BP網(wǎng)絡(luò)的訓(xùn)練步驟。步驟1：用小的隨機(jī)數(shù)對(duì)每一層的權(quán)值和偏差初始化，以保證網(wǎng)絡(luò)不被大的加權(quán)輸入飽和，同時(shí)還要進(jìn)行以下參數(shù)的設(shè)定或初始化：（1）設(shè)定期望誤差最小值：err_goal（2）設(shè)定最大循環(huán)次數(shù)：max_epoch（3）設(shè)置修正權(quán)值的學(xué)習(xí)速率：一般選取Ir=0。010。7（4）從1開始的循環(huán)訓(xùn)練：for_epoch=1：max_epoch步驟2：計(jì)算網(wǎng)絡(luò)各層輸出矢量A1和A2，以及網(wǎng)絡(luò)誤差E：A1=tansig(w1*p，b1)； A2=purelin(w2*A1，b2)；E=TA；步驟3：計(jì)算各層反向傳播的誤差變化和，并計(jì)算各層權(quán)值的修正值及新的權(quán)值：D2=deltalin(A2，E)； D1=deltalan(A1，D2，w2)； dw1，db1=learnbp(p，D1，lr)； dw2，db2=learnbp(A1，D2，lr)；w1=w1+dw1；b1=b1+db1；w2=w2+dw2；b2=b2+db2；步驟4：再次計(jì)算權(quán)值修正后的誤差平方和：SSE=sumsqr(Tpurelin(w2*tansig(w1*p，b1)，b2)；步驟5：檢查SSE是否小于err_goal，若是，則訓(xùn)練結(jié)束；否則繼續(xù)。以上就是BP網(wǎng)絡(luò)利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱訓(xùn)練的過程。以上所有的學(xué)習(xí)規(guī)則與訓(xùn)練的全過程，還可以用函數(shù)trainbp來(lái)代替。它的使用同樣需要定義有關(guān)參數(shù)：顯示間隔次數(shù)、最大循環(huán)次數(shù)、目標(biāo)誤差和學(xué)習(xí)速率，在調(diào)用trainbp函數(shù)后，返回訓(xùn)練后的權(quán)值、循環(huán)訓(xùn)練的總數(shù)和最終誤差。2.3.2繼電保護(hù)系統(tǒng)故障診斷原型我們開發(fā)了基于神經(jīng)網(wǎng)絡(luò)的繼電保護(hù)系統(tǒng)故障診斷原型系統(tǒng)，繼電保護(hù)系統(tǒng)是一個(gè)復(fù)雜的系統(tǒng)，由若干的子系統(tǒng)組成，子系統(tǒng)按一定的規(guī)律工作，完成一定的功能。圖4是一個(gè)典型的繼電保護(hù)系統(tǒng)的模型。繼電保護(hù)系統(tǒng)的故障診斷系統(tǒng)如圖5所示。圖4 計(jì)算機(jī)繼電保護(hù)硬件系統(tǒng)結(jié)構(gòu)圖圖5 繼電保護(hù)系統(tǒng)的故障診斷系統(tǒng)如“知識(shí)獲取”，是典型故障的信號(hào)檢測(cè)和故障信號(hào)的特征提取。“知識(shí)存儲(chǔ)”是以隱含形式在網(wǎng)絡(luò)中建立故障檔案庫(kù)，即訓(xùn)練后的權(quán)值分配?！巴评碛?jì)算”是當(dāng)在輸入層施加故障現(xiàn)象集，經(jīng)過網(wǎng)絡(luò)計(jì)算由輸出結(jié)果解釋故障原因集，并提出修改建議。3.3.3 算例取學(xué)習(xí)速率為0。05，設(shè)初始權(quán)值和各節(jié)點(diǎn)閾值為00。2之間隨機(jī)數(shù)，用24組訓(xùn)練數(shù)據(jù)（見表2）對(duì)網(wǎng)絡(luò)進(jìn)行500次訓(xùn)練，用10組測(cè)試數(shù)據(jù)進(jìn)行診斷，測(cè)試結(jié)果見表3，故障診斷正確率為90%，平均診斷時(shí)間58分鐘。表2 訓(xùn)練系列數(shù)據(jù)集表3 故障位置表注：輸入集、輸出集中未列出的數(shù)據(jù)均為零。2.4 負(fù)荷預(yù)測(cè)負(fù)荷預(yù)測(cè)是人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)應(yīng)用研究的一個(gè)主要領(lǐng)域。由于負(fù)荷和影響負(fù)荷變量之間的關(guān)系難以用精確的數(shù)學(xué)模型加以描述，因此增加了模型的復(fù)雜性。而人工神經(jīng)網(wǎng)絡(luò)不依賴于輸入變量和預(yù)測(cè)負(fù)荷之間的明確的表達(dá)式，輸入變量和預(yù)測(cè)負(fù)荷之間的關(guān)系是通過訓(xùn)練過程得到。此外，該技術(shù)還適于解決時(shí)間序列預(yù)測(cè)問題（尤其是平穩(wěn)隨機(jī)過程的預(yù)測(cè)）。因此，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用理論是可行的。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)1是近些年來(lái)才開始廣泛使用的負(fù)荷預(yù)測(cè)方法，其優(yōu)點(diǎn)是對(duì)大量的非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，預(yù)測(cè)被為是人工神經(jīng)網(wǎng)絡(luò)最有潛力的應(yīng)用領(lǐng)域之一。由于BP神經(jīng)網(wǎng)絡(luò)2的強(qiáng)非線性擬合能力，尤其是對(duì)預(yù)測(cè)中天氣、溫度等因素處理方便，而且學(xué)習(xí)規(guī)則簡(jiǎn)單，便于計(jì)算機(jī)實(shí)現(xiàn)，所以目前多利用BP算法(errorback-propagationalgorithm)來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。因?yàn)椴捎米钏傧陆堤荻确▉?lái)搜索最優(yōu)解，它不能保證神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)收斂到全局最優(yōu)解；另外，它的收斂速度很慢。因此針對(duì)它的缺陷，對(duì)基本BP算法提出了改進(jìn)方法，并將擅長(zhǎng)于全局尋優(yōu)的遺傳算法引入人工神經(jīng)網(wǎng)絡(luò)，運(yùn)用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，取得了較好的效果。2.4.1 BP網(wǎng)絡(luò)及其改進(jìn)算法BP網(wǎng)絡(luò)為前向多層網(wǎng)絡(luò)(如圖1所示)，網(wǎng)絡(luò)由輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)組成(可以是一層或多層)。采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練實(shí)際上是一種非線性擬合的方法，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，對(duì)于不在樣本集中的樣本集附近的輸入也能給出合適的輸出。但盡管BP網(wǎng)絡(luò)具有很強(qiáng)的信息處理能力，它仍存在著收斂速度慢、易陷入局部極小等缺點(diǎn)，BP算法的這些不足是影響其實(shí)際應(yīng)用的主要障礙，本文將在樣本訓(xùn)練中使用“批處理”方法來(lái)加速BP算法。“批處理”的思想是：每一個(gè)輸入樣本對(duì)網(wǎng)絡(luò)并不立即產(chǎn)生作用，而是等到全部輸入樣本到齊，就全部誤差求和累加，再集中修正權(quán)值一次，即根據(jù)總誤差修正權(quán)值，圖6 BP網(wǎng)絡(luò)結(jié)構(gòu)圖 （1）式中：，G為學(xué)習(xí)速率，A為動(dòng)量項(xiàng)，表示由第L-1層的第j個(gè)神經(jīng)元到第L層的第i個(gè)神經(jīng)元的權(quán)系數(shù)，表示第L層第i個(gè)神經(jīng)元的輸入變量，為第L層i節(jié)點(diǎn)的k模式的誤差項(xiàng)。與普通BP算法相比，“批處理”算法有兩點(diǎn)改進(jìn)：(1)降低權(quán)值修改頻率，使權(quán)值沿總體誤差最小的方向調(diào)整，避免走回頭路；(2)根據(jù)情況確定學(xué)習(xí)速度，即學(xué)習(xí)速率和動(dòng)量項(xiàng)可變：如果當(dāng)前的誤差梯度修正方向正確，就增大學(xué)習(xí)速率，加入動(dòng)量項(xiàng)：否則減少學(xué)習(xí)速率，甩掉動(dòng)量項(xiàng)，從而使學(xué)習(xí)效率可大大提高。另外，為了從整體上限制學(xué)習(xí)速率過大以避免算溢出，可作如下修正 (2)上述修正算法不失BP算法簡(jiǎn)潔、明了的特點(diǎn)，又使網(wǎng)絡(luò)的學(xué)習(xí)收斂速度大大提高。但批處理BP算法仍是基于梯度下降法進(jìn)行優(yōu)化求解，故仍不能避免陷入局部最優(yōu)的問題。為了解決這一問題，有必要尋找一種能夠進(jìn)行全局最優(yōu)搜索的優(yōu)化算法。70年代提出的遺傳算法是一種比較有效地收斂于全局最優(yōu)解的優(yōu)化算法。2.4.2 GA和BP算法的結(jié)合1基本思想遺傳算法(GA-GeneticAlgorithm)3，4是建立在自然選擇和自然遺傳學(xué)機(jī)理基礎(chǔ)上的迭代自適應(yīng)概率性搜索算法。它是一種非導(dǎo)數(shù)優(yōu)化的隨機(jī)優(yōu)化方法，可以對(duì)一復(fù)雜的、多峰的、非線性極不可微的函數(shù)實(shí)現(xiàn)全局搜索，而BP算法對(duì)局部搜索比較有效，因此為了使算法能很快地找到滿意解，可以先用遺傳算法對(duì)初始權(quán)值進(jìn)行優(yōu)化，在解空間中定位出較好的搜索空間。然后用BP算法在這些小的解空間中搜索出最優(yōu)解。2實(shí)現(xiàn)方法和步驟1)編碼方案對(duì)網(wǎng)絡(luò)中連接權(quán)值和閾值進(jìn)行編碼主要有兩種方法：一是采用二進(jìn)制編碼方案，另一種是采用實(shí)數(shù)編碼方案。這里采用二進(jìn)制編碼。假定網(wǎng)絡(luò)的連接權(quán)和閾值限定了變化范圍，則網(wǎng)絡(luò)各連接權(quán)和閾值的字符串表示的值和實(shí)際值之間有如下關(guān)系： (3)式中：bin是由N位字符串所表示的二進(jìn)制整數(shù)；wmax，wmin為各連接權(quán)值和閾值的變化范圍。2)適應(yīng)度函數(shù)衡量BP網(wǎng)絡(luò)的性能的主要指標(biāo)是網(wǎng)絡(luò)的輸出值與期望的輸出值之間的誤差平方和。該誤差平方和小則表示該網(wǎng)絡(luò)性能好。定義適應(yīng)度函數(shù)： （4）其中e(i)=y(i)ym(i)為兩者之間的誤差，l為學(xué)習(xí)樣本數(shù)，y(i)為網(wǎng)絡(luò)輸出值，ym(i)為期望輸出值。3)遺傳操作在這里采用遺傳操作方法。首先將當(dāng)代種群的個(gè)體適應(yīng)度由大到小進(jìn)行排序，然后選擇一定比例的下位個(gè)體淘汰掉，淘汰比例選為40%。在剩下的上位個(gè)體中實(shí)行均勻交叉，生成新的子個(gè)體加到種群中，以保證種群大小不變。最后，進(jìn)行變異操作(變異概率為0.01)，生成子代種群。4)具體步驟(1)隨機(jī)產(chǎn)生一組權(quán)值和閾值的初值(群體)，采用二進(jìn)制編碼方式對(duì)權(quán)值進(jìn)行編碼，進(jìn)而構(gòu)造出一個(gè)個(gè)碼鏈(每個(gè)碼鏈即個(gè)體，代表網(wǎng)絡(luò)的一種權(quán)值和閾值的分布)；(2)計(jì)算誤差函數(shù)的值，從而確定碼鏈對(duì)應(yīng)的個(gè)體的適應(yīng)度函數(shù)值，誤差越大，適應(yīng)值越??；(3)選擇若干適應(yīng)度函數(shù)值最大的個(gè)體，直接遺傳給下一代(最佳個(gè)體保留)；(4)對(duì)被選擇的當(dāng)前一代群體以預(yù)先確定的交叉、突然變異概率值進(jìn)行遺傳組合，產(chǎn)生下一代群體；(5)重復(fù)步驟(2)、(3)、(4)，使權(quán)值和閾值的分布不斷進(jìn)化，直到滿足訓(xùn)練目標(biāo)為止。之后，將遺傳算法計(jì)算所得的權(quán)值和閾值作為BP算法的初始權(quán)值和閾值，利用BP算法較善于進(jìn)行局部搜索的特點(diǎn)，在定位出的小空間中進(jìn)行最優(yōu)解搜索。這樣將會(huì)較快地收斂于全局最優(yōu)解。3 結(jié)束語(yǔ)當(dāng)代科學(xué)技術(shù)發(fā)展的重要趨勢(shì)就是各學(xué)科的相互滲透和交叉，電力系統(tǒng)中仍然存在著很多的非線性問題，用傳統(tǒng)的方法，難以得到滿意地解決，而人工神經(jīng)網(wǎng)絡(luò)理論作為一種人工智能的方法，則能夠滿意的解決此類問題。因此，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，更多且更復(fù)雜的電力系統(tǒng)非線性問題都可以得到解決。參考文獻(xiàn)1 BamiM ,CappelliniV ,MecocciA. CommentsonA Possi bilistic Approach to Clustering J . On Fuzzy Systems1996,4 (03) : 393396.2 IEC Publication 599.Interpretation for the analysis of gases in transformers and other oil filled electrical equipment in service.1978.3 Esp D G and Carrillo M . Data mining applied to transformer oil analysis data .Conference Record of the 1998 I EEE Internatio nal Symposium on Electrical Insulatio n. Virginia U SA , 1998 . 1215.4 Sadeh J,Hadjsaid N,Ranjbar A M ,etal. Accurate faulte locatio n algorit hm for series co mpensated t ransmissio n lines.IEEE Trans. on PD, 2000 ; 15(3):10271033.5 Novosel D,Bachman B,Hart D,etal . Algorit hm forlocating fault son series compensated lines using neural net wor k and deterministic met hods. IEEE Trans. o n PD,1996 ; 11 (4):17281734.6 Robert E.UhrigApplication of Artificial Neural Networks in Industrial Technology.IEEE Trans,1994,10(3)(1):371377.7 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)：190197.8