验表明神经网络推广了基于励磁涌流形状,超过对变压器设计。作为一个初步调试不需要如此特殊,在这里提出用具有相似特征励磁涌流继电保护变压器调试神经网络变压器方法。应该指出是表示外部故障事件中得到差动电流信号,当一个电流互感器饱和后,就不使用。这样例子可以包含在“非浪涌”情况下,因为没有理由不能调试网络。作者们认为,在这种情况下电流波形接近浪涌情况下。由于没有考虑相邻变压器通电影响,但是没有理由说,网络训练来不考虑这种效果。当然,这意味着在实例集增加,会影响调整时间。这个问题和其他细节,如果采用变采样率,需要提供一个成熟算法。.时间考虑所提出方法识别励磁涌流必要时间会比保护算法本身(例如在一个数字微分lrelay计算电流大小基于全周期傅里叶算法)长。这可能是神经网络方法一个薄弱环节,但随着现代微处理器速度,它不是一个大问题。速度更快硬件,使得算法数字继电器设计更加注重安全方面,而不是最小化算法步周期个样品采样信号(与窗口长度等于一个周期)和样品总量是有限,有大约个窗口(即每个情形下,.秒)。.数据窗口和培训矩阵网络进行调试,当产生一个输出时,所提出信号是一个浪涌电流,一个零电流或满负载条件下用这样方式构建调试矩阵;其他情况下输出(作者不否定该方法可以用来做所有保护功能,这将需要更多研究来证明这一点)。载体PJ建立在以下情况下,这些向量定义(见附录)。假设信号第一个特征是由序列:,,,iiiiik()这意味着,一个序列有个样本。第一矢量p元素对应于第个样品i,矢量p条目是来自i到I个样品,等等,直到完成第列矩阵P例子中定义EQN。(A-)和(A-)。重复同样过程,每个信号,直到具有列(实施例中,定义数目)示例矩阵。这个矩阵,使得构建第一例子是对应于浪涌例子(所需输出=O),和其他例子对应于故障(所需输出=)。由于FFNN只有一个输出,矩阵D成为水平个元素向量,条目是“”,其他均为。在实践中,使用是.目标性,这意味着调试产生反应为.或更大,.或更少代表其他类网络。这是必要,因为非线性偏差函数性质是这样,它不能假设.或.精确值.训练过程调试矩阵P和D定义,反向传播算法就应用于问题中。MATLAB神经网络工具箱是应用于[]此目。Trainbp功能是采用Sigmoid函数和学习率在.和.之间可变。容许误差(总和时代中平方误差)为.,它是必要,目前在和万次之间,这取决于网络大小(单位数目)和学习速率训练矩阵。、提高网络.网络测试和修剪正如在第.节中提到,它是希望将网络应用在数字继电器实现。这意味着速度和精度之间折衷。正如众所周知,FFNN分类时间(所需时间,以产生一个输出,给出一个输入)依赖于在网络中单元数目,所以它是非常重要,具有最低单位数,但在不危及质量情况下分类。图示出了用于此目架构测试。图测试架构训练过程中,第一次尝试,如在图a所示一个层(-隐藏),++FFNN。另一组实施例(用于训练比设定不同),这给了成功测试结果。其结果为了达到这个网络误差范围,只有约时代是必要,鼓励作者尝试更小网络。事实上,在修剪网络过程中,图所示,调试硬件架构,直到出现不允许结果为-层(隐藏),+FFNN图f。从不允许结果看,作者认为,通过停止训练来达到降低错误目几乎是不可能。.硬限幅器单元一旦网络与s形单元调试得到了良好效果(见图a),那么单位转换函数改为硬限幅器(见附录)。这种变化提高了神经网络计算速度,因为它比S形单元(见方程(A-)和(A-))需要更少计算时间来实现硬限幅器(单位阶跃)。事实上,一个硬限制器是相当于一个IF语句。在这变化中存在隐性风险,在某些情况下近似S形单元阶跃可能产生不允许错误。通过硬限幅器,得到一个单元输出,通过比较单元输入:)()(mkLmkmikxwh()得到本机偏置量b。、结果图和图显示结果后得到与合理测试例子(即实施例中是不同从用于调试测试网络,但具有相同形式)。图不同测试结果.两个测试矩阵(类似于矩阵P)形成:在矩阵结束时,只有涌流情况下,含有励磁涌流实例和用于训练故障实例加上人工创造浪涌信号是不同,。这最后一组例子可以被认为是恶意,因为错误例子是一组从一个类似于励磁涌流波形获得例子混合,它是由一个数学方程构成。事实上,励磁涌流为++网络分类正确率为,故障和人工涌流例子.是正确,励磁涌流例子为+网络分类正确率.,对于故障和人工涌流实例.是正确。这个百分比是通过实例计算实例(每个样品测量时间),这并不意味着网络出现故障。使用该算法,如果继电器误操作,可避免继电器立即输出,采用积分器交替,浪涌检测。该方案已经应用在模拟和数字继电器,以确保正确操作。表显示了一些与网络相关重要数据,如图所示。网络被归类为好或差性能(性能好意味着网络可以对错误目标和测试作充分回应)。从表中说明,该网络具有良好性能,最小单元数是层+图e中所示网络。这意味着,,考虑偏差固定(可以被预先加载在系统存储器中),一个数字继电器执行(样本每个周期),将具有能够标量乘法,和比较,以便识别浪涌电流(IF语句)。因此,继电器应该能够执行所有这些操作和保护功能在一个周期十二分之一内,也就是.毫秒。这对于以现代微处理器为基础系统是合理。图不同条件下测试结果、讨论.质量泛化质量泛化是任何神经网络应用中关键点。在这种情况下出现信号问题。浪涌实施例中,训练和测试实施例中,这两个套方法测定变压器是相同种类。这可能会产生不确定结果,是不切实际,因为它带有浪涌上测量特定变压器,其中该网络是将要施加例子对网络进行调试。然而,如前所述,网络响应时,人为制造浪涌信号了,实验表明神经网络推广了基于励磁涌流形状,超过对变压器设计。作为一个初步调试不需要如此特殊,在这里提出用具有相似特征励磁涌流继电保护变压器调试神经网络变压器方法。应该指出是表示外部故障事件中得到差动电流信号,当一个电流互感器饱和后,就不使用。这样例子可以包含在“非浪涌”情况下,因为没有理由不能调试网络。作者们认为,在这种情况下电流波形接近浪涌情况下。由于没有考虑相邻变压器通电影响,但是没有理由说,网络训练来不考虑这种效果。当然,这意味着在实例集增加,会影响调整时间。这个问题和其他细节,如果采用变采样率,需要提供一个成熟算法。.时间考虑所提出方法识别励磁涌流必要时间会比保护算法本身(例如在一个数字微分lrelay计算电流大小基于全周期傅里叶算法)长。这可能是神经网络方法一个薄弱环节,但随着现代微处理器速度,它不是一个大问题。速度更快硬件,使得算法数字继电器设计更加注重安全方面,而不是最小化算法步EETransactionsonPowerDelivery,Vol.,No.,January,pp.-.L.G.PQrez,A.J.Flechsig,J.L.Meador,.Obradovid(SchoolofElectricalEngineeringandComputerScience,W.S.U.,Pullman,WA):Theauthorswishtothankthediscussersfortheirinterestinthepaperandfortheirvaluablecomments.Thesecommentswillberaisedinthesameorderastheywerewritteninthediscussion..Thefaultexamplesemployedwerebasedoncomputersimulations.Theinstantaneousvaluesofthefaultexampleswerescaledproperlytotheper-unitbaseofthetransformerusedtoobtaintheinrushexamples.Insomecases,thefaultexampleswereobtainedastheresponseofasimpleR-Lcircuitcontaminatedpurposelywithuptoofsecondharmoniccomponent.Thiswasdonewiththeintentionoftrainingthenetworksuchthatitwascapableofdistinguishingbetweenfaultcurrentswithahighsecondharmoniccomponentandinrushcurrents..Thediscussersarecorrectwhentheysaythattheresultingweightsandbiasescouldbedifferentifthefaulttrainingexampleswereobtainedastheysuggest.Weconsideredthatpossibility,however,wethoughtthatforthispreliminaryresultthecomputersimulatedfaultexamplesweresufficienttogiveusthesecuritythatthemethodwouldwork.Webelievethatinapracticalimplementationthetrainingmustbedoneusingacombinationoffieldmeasuredandcomputercreatedfaultexamples..Weagreewiththediscussersonthispoint.However,weanticipatethatwiththepresentdevelopmentsinhardwareforDSPapplications,therequirementsofspeedandaccuracyforcompletetransformerprotectioncanbeachievedsuccesfully,includingtheinrushdetectionassuggestedinthepaper..AllarchitecturesshowninFigureweretrainedandtestedusingaone-cycledatawindowandasamplerateoftwelvesamplesperwindow.Inthatfigureeonlythelayerscontainingprocessingunits(neurons)areshown(thelayercorrespondingtotheinputsisnoshowninFigure).Smallunfilledcirclesrepresentprocessingunits,asindicatedinFigure.Inamorecompleterepresentation,thenetworkofFigureelooksliketheoneshowninFigureC-.FigureC-.DetailedschemeofthenetworkshowninFiguree.ManuscriptreceivedMarch,周期个样品采样信号(与窗口长度等于一个周期)和样品总量是有限,有大约个窗口(即每个情形下,.秒)。.数据窗口和培训矩阵网络进行调试,当产生一个输出时,所提出信号是一个浪涌电流,一个零电流或满负载条件下用这样方式构建调试矩阵;其他情况下输出(作者不否定该方法可以用来做所有保护功能,这将需要更多研究来证明这一点)。载体PJ建立在以下情况下,这些向量定义(见附录)。假设信号第一个特征是由序列:,,,iiiiik()这意味着,一个序列有个样本。第一矢量p元素对应于第个样品i,矢量p条目是来自i到I个样品,等等,直到完成第列矩阵P例子中定义EQN。(A-)和(A-)。重复同样过程,每个信号,直到具有列(实施例中,定义数目)示例矩阵。这个矩阵,使得构建第一例子是对应于浪涌例子(所需输出=O),和其他例子对应于故障(所需输出=)。由于FFNN只有一个输出,矩阵D成为水平个元素向量,条目编号:中文字毕业设计外文翻译院(系):机电工程学院专业:机械设计制造及其自动化学生姓名:学号:指导教师单位:机电工程学院姓名:职称:题目类型:理论研究实验研究工程设计工程技术研究软件开发年月日调试人工神经网络来区分励磁涌流和内部故障出处:IEEETransactionsonPowerDelivery,Vol.,No,January摘要--经过调试前馈神经网络(FFNN)区分电力变压器励磁涌流和故障电流。所用调试算法是反向传播,假定最初S型传递函数为网络处理单元(“神经元”)。那么网络进行训练单位传递函数改为硬限幅器阈值等于在调试中S形偏差。本文展示一个FFNN可被视为一种替代方法,使数字继电器在浪涌和故障电流之间实现判别。关键词:浪涌电流,变压器保护,数字式继电器,神经网络。、简介任何电源变压器保护方案,都要考虑到励磁涌流影响,因为这种效应可能导致继电器误操作[]。避免由于浪涌电流跳闸两个经典方法是:)实施保护装置中延迟,)根据所测量电流谐波含量,抑制或阻断继电器动作。第一个解决方案已被用于初级过电流保护和在差分格式中。然而,这是不理想,因为延迟内部故障跳闸时间存在潜在危险。第二个解决方案是基于浪涌电流第二次高次谐波分量明显地大于典型故障电流[],在此基础上检测到第二(有时第五次)谐波,提出并实现了模拟和数字两种差动继电器,并取得良好效果[,,,,]。在最近论文[]报道,在某些情况下,高次谐波产生变压器内部故障期间,如果测得过电流是一个浪涌或内部故障,那么所述第二或第五谐波检测是不充分指标。该论文中,在提出方法基础上使用一个主相电压作为控制信号。也有隐式励磁涌流变压器保护方法[,]和提出其他一些有效方法检测浪涌[,]。本文中所描述是在检测方法基础上确认其波形,更确切地说,在鉴别其波浪形是故障波形还是浪涌电流。可以以不同方式来完成这种调试,最常用方法之一,使用信号谐波分析,而有些则是基于使用神经网络。这里阐述是在演示实验中,一个前馈神经网络作为一种替代方法,用来区分浪涌电力变压器中磁化电流和内部故障网络和它调试过程中。适于在数字式保护继电器实现该目标。、网络特点.概述一个前馈神经网络一般结构在图中示出。这个网络最重要特征是:)用层分组处理单元。图一般FFNN架构)处理器互连isorganized所有输入到一个层来专门在之前一些层(所使用特定FFNN没有跳过层连接)输出。基本方程定义这种FFNN方式计算其输出给定输入向量列于附录。FFNN调试过程包括确定权重W(“)和单位施力B(M),以便在给定方式,使网络响应。在这项工作中所使用调试方法是众所周知反向传播算法[,,,]。使用反向传播调试过程中,附录给出了一个基本描述和定义调试矩阵。.输入-输出使用FFNN执行部分被约束在当前分类问题中,也有一部分是由现有数字继电器系统组成。以下标准在此基础上,可以说:)数字继电器基于其操作样品测得量(电流,在这种情况下)。采样率和数据窗口变化取决于这种应用。对于这种特殊情况,使用一个周期长度窗口,似乎是合乎逻辑,因为NN能识别到它波形。图.PERMISSIVE涌流检测图.抑制涌流检测操作图使用两种可能实现浪涌检测功能保护继电器简化框图)如在图中所示,识别浪涌功能是附件,即,假定它具有不同功能数字继电器,来实现电源变压器保护(例如,初级过流或差分原理),浪涌检测可以被用作用于中继许可操作,或抑制继电器动作。这样组合方式是独立,这两个函数(浪涌检测和保护),可能会使用相同采样率。每个周期个样本(赫兹),被选为样本,在不同数字继电器设计采样率。)事实上上述界限问题作为设计FFNN之一,给定变压器电流样本序列,它可以区分两个波形问题。一个好方法允许有一个确定网络,如果输入电流是或不是一个浪涌,这意味着神经网络输出端数目(在输出层中单位数)NN必须是,必要指示“真”,“假”或“”,“”,如在.节中。在这种情况下,它被选择网络输出为时,所施加电流是一个浪涌电流,输出为时,它不是一个浪涌。.基本架构图中所示功能块用于实现上节中所述目标。这种网络有时也被称为时间延迟神经网络[],最近已在另一个电力系统中应用[]。前馈网络也应用到高阻抗故障检测,成效显著[,]。注意,图中给出方案是相当于图方案,如果输入xk是thk等于输入x(t)样本,换言之,网络将接收每个窗口中个样品每一个采样周期,而且必须是这个样本(即一个周期),这意味着必须确定为输入数量。在.节中描述方法是层(完全定义在这一点上,是唯一层,输出层)数目和在每一层上单元数目是由启发式过程确定。图延时网络、培养策略研究.调试实例由于网络上有区分两种信号,为此目准备了两套例子:励磁涌流情况下和故障情况下。浪涌情况下,在实验室中,VA,~V,对网络进行调试,采取随机小功率变压器通电,得到可允许范围内浪涌电流形状(例采样速率为浪涌信号,测得周期每赫兹最初个样本,然后重新取样(倍速率),以获得所需一个周期个样本。图示出一些调试浪涌信号。故障情况下,由计算机生成,其中一些使用电磁瞬态程序[],其他故障信号由简单故障信号(一个RL电路响应),第三组故障类似第二,第三和第五次谐波组成。图四个浪涌实例浪涌由两种特殊情况下零电流(指示变压器断电)和负载电流(与变压器负载电流等于一个简单正弦波)组合在一起。对于每一个情况下,在每个周期个样品采样信号(与窗口长度等于一个周期)和样品总量是有限,有大约个窗口(即每个情形下,.秒)。.数据窗口和培训矩阵网络进行调试,当产生一个输出时,所提出信号是一个浪涌电流,一个零电流或满负载条件下用这样方式构建调试矩阵;其他情况下输出(作者不否定该方法可以用来做所有保护功能,这将需要更多研究来证明这一点)。载体PJ建立在以下情况下,这些向量定义(见附录)。假设信号第一个特征是由序列:,,,iiiiik()这意味着,一个序列有个样本。第一矢量p元素对应于第个样品i,矢量p条目是来自i到I个样品,等等,直到完成第列矩阵P例子中定义EQN。(A-)和(A-)。重复同样过程,每个信号,直到具有列(实施例中,定义数目)示例矩阵。这个矩阵,使得构建第一例子是对应于浪涌例子(所需输出=O),和其他例子对应于故障(所需输出=)。由于FFNN只有一个输出,矩阵D成为水平个元素向量,条目是“”,其他均为。在实践中,使用是.目标性,这意味着调试产生反应为.或更大,.或更少代表其他类网络。这是必要,因为非线性偏差函数性质是这样,它不能假设.或.精确值.训练过程调试矩阵P和D定义,反向传播算法就应用于问题中。MATLAB神经网络工具箱是应用于[]此目。Trainbp功能是采用Sigmoid函数和学习率在.和.之间可变。容许误差(总和时代中平方误差)为.,它是必要,目前在和万次之间,这取决于网络大小(单位数目)和学习速率训练矩阵。、提高网络.网络测试和修剪正如在第.节中提到,它是希望将网络应用在数字继电器实现。这意味着速度和精度之间折衷。正如众所周知,FFNN分类时间(所需时间,以产生一个输出,给出一个输入)依赖于在网络中单元数目,所以它是非常重要,具有最低单位数,但在不危及质量情况下分类。图示出了用于此目架构测试。图测试架构训练过程中,第一次尝试,如在图a所示一个层(-隐藏),++FFNN。另一组实施例(用于训练比设定不同),这给了成功测试结果。其结果为了达到这个网络误差范围,只有约时代是必要,鼓励作者尝试更小网络。事实上,在修剪网络过程中,图所示,调试硬件架构,直到出现不允许结果为-层(隐藏),+FFNN图f。从不允许结果看,作者认为,通过停止训练来达到降低错误目几乎是不可能。.硬限幅器单元一旦网络与s形单元调试得到了良好效果(见图a),那么单位转换函数改为硬限幅器(见附录)。这种变化提高了神经网络计算速度,因为它比S形单元(见方程(A-)和(A-))需要更少计算时间来实现硬限幅器(单位阶跃)。事实上,一个硬限制器是相当于一个IF语句。在这变化中存在隐性风险,在某些情况下近似S形单元阶跃可能产生不允许错误。通过硬限幅器,得到一个单元输出,通过比较单元输入:)()(mkLmkmikxwh()得到本机偏置量b。、结果图和图显示结果后得到与合理测试例子(即实施例中是不同从用于调试测试网络,但具有相同形式)。图不同测试结果.两个测试矩阵(类似于矩阵P)形成:在矩阵结束时,只有涌流情况下,含有励磁涌流实例和用于训练故障实例加上人工创造浪涌信号是不同,。这最后一组例子可以被认为是恶意,因为错误例子是一组从一个类似于励磁涌流波形获得例子混合,它是由一个数学方程构成。事实上,励磁涌流为++网络分类正确率为,故障和人工涌流例子.是正确,励磁涌流例子为+网络分类正确率.,对于故障和人工涌流实例.是正确。这个百分比是通过实例计算实例(每个样品测量时间),这并不意味着网络出现故障。使用该算法,如果继电器误操作,可避免继电器立即输出,采用积分器交替,浪涌检测。该方案已经应用在模拟和数字继电器,以确保正确操作。表显示了一些与网络相关重要数据,如图所示。网络被归类为好或差性能(性能好意味着网络可以对错误目标和测试作充分回应)。从表中说明,该网络具有良好性能,最小单元数是 编号:中文4986字毕业设计外文翻译院(系):机电工程学院专业:机械设计制造及其自动化学生姓名:学号:指导教师单位:机电工程学院姓名:职称:题目类型:理论研究实验研究工程设计工程技术研究软件开发2013年3月18日调试人工神经网络来区分励磁涌流和内部故障出处:IEEETransactionsonPowerDelivery,Vol.9,No1,January1994摘要--经过调试的前馈神经网络(FFNN)区分电力变压器励磁涌流和故障电流。
所用的调试算法是反向传播,假定最初的S型传递函数为网络处理单元(“神经元”)。
&nb