CC BY
2УДК 621.316.925.1 Манин А.В., Воскресенский М.С.
Манин А.В.
канд. техн. наук, доцент, доцент кафедры электротехники и промышленной электроники Рыбинский государственный авиационный технический университет
им. П.А. Соловьева (г. Рыбинск, Россия)
Воскресенский М.С.
магистрант кафедры электротехники и промышленной электроники Рыбинский государственный авиационный технический университет
им. П.А. Соловьева (г. Рыбинск, Россия)
ВОЗМОЖНОСТЬ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ В РЕЛЕЙНОЙ ЗАЩИТЕ СИСТЕМ ЭЛЕКТРОСНАБЖЕНИЯ
Аннотация: в данной статье рассматривается применение искусственных нейронных сетей в релейной защите электроэнергетических систем. В процессе выполнения работы было проведено переобучение нейронной сети при изменении параметров системы.
Ключевые слова: система электроснабжения, релейная защита, искусственная нейронная сеть, аварийные режимы.
В системах электроснабжения есть риск возникновения аварийных режимов работы электрооборудования, которые сопровождаются значительным возрастанием тока и резким падением напряжения. Увеличение тока является причиной выделения большого количества тепла, которое приводит к разрушению в месте повреждения и перегреву неповрежденных объектов, а из-за понижения напряжения происходит нарушение нормальной работы
потребителей. Основной причиной возникновения аварийных режимов являются короткие замыкания.
Для обеспечения нормальной работы неповрежденной части системы необходимо как можно быстрее выявлять и отключать поврежденные элементы, что требует необходимости в использовании автоматических защитных устройств, в качестве которых используются реле. Совокупность реле образует релейную защиту. [4]
Устройства релейной защиты должны выполнять следующие функции: срабатывать при повреждении защищаемого объекта и не срабатывать при повреждениях за пределами защищаемого объекта и при отсутствии повреждений. Но иногда защита может не выполнить заданную функцию, вследствие чего возникает нарушение ее работы. Выделяют следующие нарушения в работе устройств релейной защиты:
- Отказ срабатывания,
- Излишнее срабатывание,
- Ложное срабатывание.
Соответственно, для ограничения нарушений функционирования релейная защита должна обладать следующими свойствами: селективность, быстродействие, надежность и чувствительность. [3]
Еще одна проблема традиционных устройств релейной защиты заключается в том, что они не способны адаптироваться к изменению текущего состояния системы электроснабжения, поскольку ток срабатывания реле задается жестко по расчетным формулам, вследствие чего может возникнуть некорректная работа устройств релейной защиты.
С целью повышения функциональности устройств релейной защиты нашли применение искусственные нейронные сети. [5]
Искусственные нейронные сети - это вычислительные структуры, моделирующие процессы, ассоциируемые с процессами биологического мозга, составной частью которых является искусственный нейрон, аналогичный биологическому прототипу.
Искусственный нейрон состоит из синапсов, сумматора и нелинейного преобразователя. Синапсы осуществляют связь между нейронами и умножают входной сигнал на число, которое характеризует вес синапса. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует функцию активации нейрона. [1]
Структура искусственного нейрона приведена на рисунке 1.
Рисунок 1. Искусственный нейрон.
Искусственные нейронные сети отличаются способностью к обучению. К основным алгоритмам обучения выделяют обучение с учителем и обучение без учителя.
При обучении с учителем помимо векторов входных сигналов подразумевается существование и векторов ожидаемых выходных сигналов. Весовые коэффициенты подбираются таким образом, чтобы значения фактических выходных сигналов были близки к ожидаемым значениям.
При обучении без учителя векторы ожидаемых ответов заранее неизвестны. Весовые коэффициенты в данном случае подбираются либо на основании конкуренции нейронов между собой, либо на основании правила Хебба. [2]
Системы на основе нейронных сетей характеризуются универсальностью, надежностью и эффективностью. [6]
Обучение нейронной сети проводится с использованием пакета Neural Network Toolbox в среде Matlab. Для того чтобы провести обучение нейронной сети, необходимо сначала подготовить обучающий набор данных. На рисунке 2 показана имитационная модель для подготовки входных данных, выполненная в среде имитационного моделирования Simulink.
Рисунок 2. Имитационная модель системы электроснабжения.
Набор входных данных включает в себя векторы токов и напряжений, полученных в процессе моделирования аварийных режимов. В данном случае проводилось моделирование аварийных режимов, вызванных однофазными короткими замыканиями.
В качестве выходных данных, характеризующих режим работы системы электроснабжения, используются значения «0» и «1». Нормальному режиму работы соответствует «0», а аварийному - «1».
На рисунке 3 показана структура искусственной нейронной сети, выполняющей задачу распознавания режимов работы электрической системы.
Рисунок 3. Структура нейронной сети.
Для оценки качества обучения нейронной сети необходимо проанализировать график изменения среднеквадратической ошибки в процессе обучения. Данный график приведен на рисунке 4.
Рисунок 4. График зависимости среднеквадратической ошибки.
Как видно по графику, обучение нейронной сети закончилось на 1582 эпохе. Величина среднеквадратической ошибки составляет 1,4174 • 10-10.
После обучения нейронной сети, необходимо проверить адекватность ее работы. Для этого на входы обученной нейронной сети подается набор тестовых входных данных.
На рисунке 5 показан график тестового выходного сигнала нейронной
сети.
Рисунок 5. Тестовый выходной сигнал нейронной сети.
Как можно заметить, форма выходного сигнала говорит о том, что нейронная сеть уверенно выполняет задачу распознавания режимов работы электрической системы.
Далее следует выполнить проверку эффективности работы нейронной сети при условиях работы в системе с другими параметрами. Для этого элементам имитационной модели задаются иные значения параметров. Затем выполняется подготовка очередной обучающей выборки, содержащей данные измененной системы, после чего выполняется переобучение нейронной сети.
На рисунке 6 приведен график зависимости среднеквадратической ошибки при переобучении нейронной сети.
Рисунок 6. График зависимости среднеквадратической ошибки при переобучении нейронной сети.
Величина среднеквадратической ошибки при окончании переобучения на 942 эпохе составляет 2,1253 • 10-10.
На рисунке 7 показан график тестового выходного сигнала переобученной нейронной сети.
]_1_
Рисунок 7. Тестовый выходной сигнал переобученной нейронной сети.
Как можно заметить, переобученная нейронная сеть успешно справилась со своей задачей.
Таким образом, проведенный анализ возможности применения искусственных нейронных сетей позволит свести к минимуму вероятность ложных срабатываний устройств релейной защиты, реализовать способность адаптироваться к изменению параметров систем электроснабжения и дополнительно обеспечить предотвращение аварийных режимов.
СПИСОК ЛИТЕРАТУРЫ:
1 Круглов В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. - 2-е изд., стереотип. - М.: Горячая линия - Телеком, 2002. - 382 с;
2 Осовский С. Нейронные сети для обработки информации / С. Осовский // Пер. с польского И. Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с;
3 Федосеев А. М. Релейная защита электроэнергетических систем: учебное пособие для вузов / А. М. Федосеев, М. А. Федосеев. - 2-е изд., перераб. и доп. - М.: Энергоатомиздат, 1992. - 528 с;
4 Чернобровов Н. В. Релейная защита энергетических систем: учебное пособие для техникумов / Н. В. Чернобровов, В. А. Семенов. - М.: Энергоатомиздат, 1998. - 800 с;
5 Кирюхина Е. И. Интеллектуальная релейная защита систем электроснабжения / Е. И. Кирюхина, А. А. Шилин // Энерго- и ресурсосбережение: промышленность и транспорт. 2017. №2 (19). С. 15-17;
6 Шилин А. А. Проблемы и перспективы развития релейной защиты / А. А. Шилин, Е. И. Кирюхина // Электротехнические комплексы и системы: материалы международной научно-практической конференции. В 2-х томах. Том 2. - Уфа: Уфимский государственный авиационный технический университет, 2017. - С. 203-207
Manin A. V., Voskresensky M.S.
Manin A.V.
Rybinsk State Aviation Technical University named after P.A. Solovyov
(Rybinsk, Russia)
Voskresensky M.S.
Rybinsk State Aviation Technical University named after P.A. Solovyov
(Rybinsk, Russia)
POSSIBILITY OF USING NEURAL NETWORKS IN RELAY PROTECTION OF POWER SUPPLY SYSTEMS
Abstract: this article discusses the use of artificial neural networks in relay protection of electric power systems. In the course of the work, the neural network was retrained when the system parameters were changed.
Keywords: power supply system, relay protection, artificial neural network, emergency
modes.
