神经网络算法在电力系统继电保护系统的故障检测中的应用.docx

图1 三层BP神经网络结构图人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。人工神经网络就是模拟人思维的第二种方式。人工神经网络（Artificial Neural Networks, ANN）是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法是人工神经网络中的一种监督式的学习算法，又称为误差反向传播算法。BP网络能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。图1所示的是三层BP神经网络结构图。BP神经网络模型拓扑结构包括输入层（input）、隐含层（hide layer）和输出层（output layer）。其灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。传统的继电器保护系统的故障诊断如同中医看病一般，靠的是望、闻、问、切，其准确率完全依赖于个人技术，没有长期的实践经验是不可能做出准确的判断的，倘若误判将直接影响电力系统的运行。现代社会的发展对人们提出了快速、准确的要求，自动化、智能化将逐步替代传统的手工业方式，采用神经网络技术可以预先将人们多年的积累的工作经验输入计算机，通过学习训练，使之具备在故障诊断方面与人脑相似的分析判断能力，构成这一方面的专家系统。神经网络在电力系统继电保护的故障检测中的优越性有：1、在继电保护故障检测中，计算机串行运算能力与实现最优算法所应实时完成的运算量之间存在着矛盾。神经网络的应用为解决这一矛盾提供了极好的条件。继电保护故障检测的算法对系统保护的动作特性、精度等起着决定性的作用。为了保证保护系统故障检测的正确性和灵敏性，一般应优先采用高精度最优算法，但这时常需完成较大的运算量。如最小二乘算法精度虽高，但实时运算量大，在普通故障检测应用中受到了限制。神经网络就具有极高的运算速度，在继电保护系统的故障检测中若应用神经网络技术，可以实现难以用数字计算机实现的高精度最优算法。2、与普通的继电保护系统故障检测方法相比，基于神经网络的故障检测具有更高的可靠性。普通故障检测采用自检、自诊断技术以及冗余措施可以提高其可靠性。但必须是建立在计算机状态完好的基础上的。由于设计、制造或技术等多方面的原因，在普通的继电保护系统故障诊断中，往往存在着一些部件计算机系统无法检测和诊断的故障，这些故障有可能影响装置的正常工作。传统的数字计算机是将数据存储在特定的存储单元中，对数据的运算也是由特定的运算单元来完成，因此某一单元的损坏计算机就不能正常工作，从而导致整个保护装置的瘫痪。神经网络是由大量处理单元广泛互连而成的网络，它将知识与信息分布存储在各个神经元之间的权中，其运算过程是由许多并行的处理单元（神经元）来完成，局部或部分的神经元损坏不影响全局的活动。因此神经网络要比一般计算机承受硬件损坏的能力强得多。知识工程是神经网络应用领域中的一大类，它可以根据以往的经验，从统计学的规律来作出合理的判断与决策，并可对未来的过程作出有效的估计与预测。故障诊断是知识工程的具体应用，实际上是一个分类问题，通常可用三层网络来求解。根据收集到的样本给出输入输出的映射关系，通过足够的学习样本，网络的输出与期望的输出误差减至最小。因此，诊断的过程就是找出与输入相对应的输出。故障诊断经验是一种直觉性的知识，其特点是按相似性进行分类。人们通过多年的故障诊断实践，脑子里存储了许多典型实例，同时又具有一种模糊的直觉联想能力，当遇到一个新实例时，就能由相似性而联想到某一已知实例，并与之比较，进而作出判断，BP网络可以解决这类问题。这里仅以三层网络为例叙述网络的工作过程。它有一个输入层，一个输出层，一个中间层，单元之间向前连接，能够存储任意连续值模式对，第个模式对中，模拟值模式，。网络通过多层误差修正梯度下降法离线学习，按离散时间方式运行。误差反向传播算法的目标是修改权重，使网络的全局误差函数极小化。通常，网络的误差函数用均方差来定义，即为所有输入模式上输出层单元的希望输出与实际输出的误差平方和。为了应用神经网络，在选定所要设计的神经网络的结构之后（其中包括的内容有网络的层数、每层所含神经元的个数和神经元的激活函数），首先应考虑神经网络的训练过程。下面用两层神经网络为例来叙述网络的训练步骤。步骤1：用小的随机数对每一层的权值和偏差初始化，以保证网络不被大的加权输入饱和和，同时还要进行以下参数的设定或初始化：1、设定期望误差最小值：err_goal2、设定误差最大循环次数：max_epoch3、设置修正权值的学习速率：一般选取lr=0.01~0.74、