Идентификация помех в сетях переменного тока на базе интегро-дифференцирующих устройств Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

Дмитриенко А. ГКоновалов А.В., Михеев М.Ю. ИДЕНТИФИКАЦИЯ ПОМЕХ В СЕТЯХ ПЕРЕМЕННОГО ТОКА НА БАЗЕ ИНТЕГРО-ДИФФЕРЕНЦИРУЮЩИХ УСТРОЙСТВ

Принцип действия современных систем идентификации помех в сетях переменного тока основывается на последовательном алгоритме, включающем в себя аналогово-цифровое преобразование, накопление результатов преобразования и последующее вычисление значений показателей качества электрической энергии [1, 2] . Недостатком применения последовательного алгоритма обработки информации является то, что

значения параметров анализируемого сигнала получаются апостериорно, т.е. несут информацию об уже произошедшем процессе, а, следовательно, не могут быть использованы для оперативного управления [5]. Таким образом, актуальной является задача разработки систем идентификации помех, работающих в реальном времени и обеспечивающих оперативную идентификацию ситуации и предсказание ее развития.

Основой аналого-цифрового преобразования является дискретизация сигнала, которая предполагает построение таких последовательностей отсчетов, которые однозначно представляют функцию. Для электрических сигналов в отличие от амплитудной дискретизации предпочтительнее измерение интервалов времени между моментами равенства нулю функции, так как точность измерения интервалов времени выше, чем точность измерения значений измеряемого сигнала. Соответствующий способ дискретизации называют дискретизацией по вещественным нулям [4].

Процесс определения параметров (идентификация) помех в сетях переменного тока при неизвестной или частично известной структуре помех (при недостаточной априорной информации) можно рассматривать с той же точки зрения, что и процесс различения электрических сигналов, получаемых от рассматриваемого физического объекта. В условиях, когда априорная информация о помехах не полна и очень мала, непосредственное использование результатов теории статистических решений невозможно. Неполнота априорной информации, состоящая в том, что заранее, как правило, неизвестно ни отношение правдоподобия, ни априорные вероятности, является серьезным препятствием для применения классических методов различения сигналов. Именно в этих случаях и возникает необходимость в использовании нейросетевых методов [3] .

БХшиПпк-модель идентификации помех на базе нейронной сети изображена на рисунке 1.

Рис. 1

В таблице 1 описаны основные блоки данной Б1тиИпк-модели. Таблица 1

№ Наименование блока Тип блока Назначение

1. SelectNum Генератор постоянных значений Выбор сигнала

2. Static Подсистема Генератор помех

3. Bias, Bias 0 Генератор постоянных значений Смещение сигнала

4 . Noise Генератор белого шума Белый шум

5. IntDiff Подсистема Интегро-дифференциатор

6. NeuroNet Подсистема Нейронная сеть

7 . NumSig Вывод числовых значений Результат идентификации (номер сигнала)

8. Plot S-функция Элемент визуализации

Подсистема генератора помех Static показана на рисунке 2. Полиномиальные функции, реализуемые подсистемами Polinom1...5, формируют помехи в сетях переменного тока. На вход этих подсистем поступают постоянно-увеличивающиеся значения (аргумент функции), создаваемые блоком Ramp. Блок Multiport Switch, управляемый входом Func N (номер помехи), активизирует соответствующий генератор помех. Таким образом, изменяя номер помехи, на выходе подсистемы Static будут наблюдаться значения функции Y и аргумента X.

Поскольку полином полностью характеризуется своими действительными и комплексными корнями, используем мультипликативную форму записи многочлена (1).

у(Ь) = (Ь - ЬО-и - Ьг) ■ ...■ (Ь - Ьп) ■ (Ь2 + г12) ■ ( Ь2 + 222) ■...■ ( Ь2 + гт2), (1)

где Ьх, Ь2, •••, Ьп - действительные корни полинома, 21, z2, •••, - комплексные корни полинома.

На основе выражения (1) разработана 31тиИпк-модель подсистем Ро^пот1...5, реализованная в виде отдельной 51ти!1пк-подсистемы представленной на рисунке 3 [6].

Блок Zero real задает действительные корни полинома, Zero complex - комплексные корни полинома, а Mul - реализует умножение.

Подсистема IntDiff реализует преобразование исходного сигнала. Содержимое данной подсистемы показано на рисунке 4.

Рис. 4

Интегро-дифференциатор реализован на базе замкнутой структуры, содержащей включенные в кольцо интегратор и аналоговое запоминающее устройство (Zero-order Hold) обеспечивающей вычисление интеграла за текущий такт дискретизации, линии задержки на три такта (модули Unit Delay1-3) и весового сумматора, обеспечивающего вычисление первой второй и третьей конечных разностей.

Результаты исследований показали, что для решения задачи идентификации полиномиальных сигналов, наибольшую вероятность идентификации определяют нейронные сети обобщающей регрессии и 3-х слойный персептрон [7]. Поэтому для идентификации помех, имеющих полиномиальный характер, использован многослойный персептрон.

Процедура идентификации полиномиальных сигналов по координатам нулей имеет следующие преимущества перед традиционной моделью [6]:

1) повышение вероятность идентификации на 16,7% в присутствии помех;

2) возможное увеличение скорости идентификации из-за упрощения архитектуры нейронной сети.

Таким образом, идентификацию помех будем проводить по координатам нулевых значений исходного сигнала. Для этого разработана Simulink-модель построения обучающего множества для нейронной сети (рисунок 5) .

В модели построения обучающего множества (рисунок 5) , в отличии от модели идентификации (рисунок І), отсутствуют блоки NeuroNet и NumSig. В модель добавлены следующие элементы:

1. Блок Zero-Order Hold, реализующий аналого-цифровое преобразование координат сигнала.

2. Первый слой нейронной сети Layer 1, выполняющий функцию выделения координат нулей сигнала [4];

3. Блок To Workspace, предназначенный для построения обучающего массива.

Таким образом, при моделировании необходимо изменять номер сигнала Select Num и номер обучающего массива. Полученные массивы Mas1...5, будут использоваться для обучения нейронной сети.

Т = [1 2 3 4 5]; % номера сигналов

Т = і^2уєс(Т); % преобразование

Т = 1!и11(Т); % Т - целевая матрица

% Р - обучающее множество

Р = [Маэ1(1,:,200); Маэ2(1,:,200); Маэ3(1,:,200); Маэ4(1,:,200); Маэ5(1, :,200)]';

% нейронная сеть 3 слоя

% 1-й слой 10 нейронов с танг. функц. актив.

% 2-й слой 8 нейронов с танг. функц. актив.

% 3-й слой 5 нейронов с лин. функц. актив.

net = newff(minmax(P), [І0, В, 5], {'tansig', 'tansig', 'purelin'}, 'trainbfg');

% Изменение параметров обучения

net.trainParam.goal = 0.01;

net.trainParam.show = 5;

net.trainParam.epochs = 5000;

% Обучение сети методом обр. распростр. Ошибки [net, tr] = train(net, P, T);

% Создание Simulink модели нейросети gensim(net)

Рис. б

Для создания многослойного персептрона используется программа на языке Matlab, приведенная на рисунке б. Данный код позволяет обучить З-х слойный персептрон и создать его Simulink-модель. Созданные таким образом слои Layer2, Layer3 и Layer4, использованы в подсистеме Neuro Net (рисунок І), содержимое которой показано на рисунке 7.

Zero-Order

Hold

X Out F(X) p{1} a{1} a{1} a{2} ’►

a{2}

a{3}

MATLAB

Function

CZ>

F(X)

Layer 1

Layer 2

Layer 3

Layer 4

Interpreter

'►dD

Y

Рисунок 7

В таблице 2 описаны основные блоки подсистемы Neuro Net. Таблица 2

№ Наименование блока Тип блока Назначение

І. X Вход Координата сигнала

2. F(X) Вход Сигнал

З. Zero-Order Hold Дискретизация сигнала Используется для аналого-цифрового преобразования

4 . Layer 1 Подсистема 1-й слой, используемый для выделения координат нулей сигнала

5. Layer2,3,4 Подсистема Слои, созданные программой (рисунок 6)

б. Interpreter Подсистема Интерпретатор ответа нейронной сети. Выбирает максимальное значение.

7 . Y Выход Значение идентификации (номер сигнала)

>- -2

■З

Рис. В

10 15 20

X

X

Рис. 9

Таким образом, синтезированная нейронная сеть, в сочетании с интегро-дифференцирующим преобразованием обеспечивает, устойчивую идентифицикацию помех в сети переменного тока.

ЛИТЕРАТУРА

1. ГОСТ 13109-97. Электрическая энергия. Совместимость технических средств электромагнитная. Нормы качества энергии в системах электроснабжения общего назначения.

2. ГОСТ 197 05-8 9. Системы электроснабжения самолетов и вертолетов. Общие требования и нормы качества электроэнергии.

3. Коновалов А.В. Моделирование и программная реализация нейронной сети // Современные информационные технологии: Сборник статей Международной научно-технической конференции (осенняя сессия). -

Пенза: ПГТА, 2004. - С. 88-90.

4. Коновалов А.В., Адаев Н.В. Подсистема определения координат нулей функции / Методы и средства измерений физических величин: Материалы девятой Всероссийской научно-технической конференции. - Н. Новгород: НГТУ, 2004. - С. 15-18.

5. Коновалов А.В., Михеев М.Ю., Дмитриенко А.Г. Имитационное моделирование системы контроля качества электрической энергии / Современные информационные технологии: Сборник статей Международной

научно-технической конференции (осенняя сессия). - Пенза: ПГТА, 2006. - С. 81-84.

6. Коновалов А.В., Михеев М.Ю., Адаев Н.В. Сравнение вероятности распознавания полиномиальных

сигналов с помощью нейронных сетей / Информационные технологии в науке, проектировании и производстве: Материалы одиннадцатой Всероссийской научно-технической конференции. - Н. Новгород: НГТУ,

2004. - С. 7-8.

7. Коновалов А. В. Нейросетевые вероятности распознавания сигналов / Современные информационные

технологии: Сборник статей Международной научно-технической конференции. Вып. 1. - Пенза: ПГТА,

2005. - С. 161-164.