189
A.
Обучение нейронной сети
Эффективность ИНС во
многом зависит от выбора
входных
данных,
ее
конфигурации и метода
обучения.
При
иссле-
довании был использован
метод обратного расп-
ространения
ошибки
(рис.3). Это метод точной
настройки весов нейронной
сети
на
основе
коэффициента
ошибок,
полученного в предыдущую
эпоху
(прогон
всей
обучающей
выборки).
Обучающая
выборка
автоматически разделялась
на три набора данных:
тренировочная
выборка,
проверочный выборка и
выборка для тестирования.
Для нейронной сети,
входными
параметрами
которой,
для
примера,
являются токи всех фаз со
стороны ВН и НН трансфор-
Расставить случайные
синоптические веса
Подать одну из выборок
информационных параметров
на вход сети
Рассчитать выход сети
Вычислить ошибку выходного
значения
Скорректировать
синоптические веса
Точность
удовлетворяет?
Конец
Да
Нет
Начало
Рис. 3 – Алгоритм обучения
нейронной сети методом
обратного распространения
матора, структура соответствует рис. 4.
Рис. 4 – Параметры нейронной сети
В скрытом слое было принято 36 нейронов, так как
экспериментальным путем было установлено, что такая
конфигурация является наиболее рациональной для 6
токовых входов. При этом по прошествии 1000 циклов
обучения наблюдается минимальная квадратичная ошибка
результата нейронной сети.
B.
Нейронная сеть в качестве пускового органа защиты
В качестве выходных значений в случае обучений
нейроннной сети непосредственному принятию решения
выбраны «0» или «1» при нормальном режиме или
витковом замыкании соответственно. Обучение нейронной
сети проводилось на разных сочетаниях входных
параметров. Далее проводилась ее проверка по заранее
подготовленным массивам и оценивалась эффективность
обученной нейронной сети для распознавания витковых
замыканий.
Была определена наиболее рациональная структура
алгоритма прямого принятия решения (рис. 5) с
конфигурацией 18-36-1 (18 входных нейронов, 36 нейронов
в скрытом слое и 1 выходной нейрон, который отвечает за
принятие решения). В качестве входных параметров
нейронной сети использовались действующие значения
токов с обеих сторон трансформатора и значения модуля и
угла фазных сопротивлений, рассчитанных по параметрам
сети с высокой и низкой стороны трансформатора.
I
1
1
2
3
4
1
2
7
3
1
36
18
I
2
U
1
U
2
abs
abs
abs(
U
/
I)
angle(
U
/
I)
///
///
///
///
...
...
Входной
слой
Скрытый
слой
...
Выходной
слой
«1» или «0»
2
2
/
/
/
///
/
///
/
//////
/
//////
Рис. 5 – Структура алгоритма защиты с прямым принятием решения
На рис. 6 представлен график результатов тестирования
для обученной нейронной сети указанной конфигурации.
По оси
x
откладывается выходное значение нейронной
сети, которое должно быть равно «1» при витковом
замыкании и «0» при нормальном режиме, а по оси
у
откладывается значение размера замкнутой части обмотки
в процентах.
Рис. 6 – Распределение выходных значений нейронной сети
Распознаваемость витковых замыканий с наименьшим
сопротивлением соответствует структуре рис. 5.
Погрешность выходного значения ИНС не превышает
1,1%, для нормального режима - не превышает 0,22%).
Согласно полученным результатам, точность принятия
решений ИНС достаточно высока, однако проверка
проводилась по некой ограниченной тестовой выборке
режимов. Как в случае обучения, так и при тестировании
ИНС, очень сложно учесть абсолютно все возможные
режимы
работы
трансформатора,
поэтому
нет
уверенности, что нейросеть в каждом отдельном случае
поведет себя правильно и примет правильное в данной
ситуации решение. При подаче на нейронную сеть входных
данных, которые не входили в исходную обучающую
выборку, ее поведение может быть непредсказуемо и
отличаться от ожидаемого.
C.
Использование нейросети для расчета обобщенных
признаков при работе многопараментрической
защиты
В основе лежит алгоритм обычных токовых защит, но с
помощью ИНС формируется обобщенный признак
y,
предназначенный для распознавания замыканий (рис. 7).
Для осуществления этого используются информативные
признаки
x
i
полученные при составлении обучающей
выборки. ИНС в предлагаемом решении используется как
инструмент расчета коэффициентов (весов)
w
i
, Выходное
значение
y
, представляет собой некую абстрактную
величину, не имеющую физического смысла. Принятие
