首页专业论文技术应用政策标准解决方案常用资料经验交流教育培训企业技术专家访谈电力期刊
您现在的位置:北极星电力网 > 技术频道 > 专业论文 > 神经网络滤波技术在微机保护中的应用

神经网络滤波技术在微机保护中的应用

北极星电力网技术频道    作者:刘远龙   2009/6/23 13:58:12   

摘要: 介绍一种新的、适用于微机保护的神经网络滤波算法,该算法采用ADALINE模型和LMS学习机制。给出了利用计算法进行滤波的仿真效果,并与最小二乘滤波算法的计算结果进行了比较。算例表明,神经网络滤波算法具有精度高、计算量小、收敛速度快的特点,比较适用于微机保护。
关键词: 微机保护; 神经网络滤波; 最小二乘滤波

A New ANN Filter Algorithm for Microcomputer Protection

LIU Yuan-long
(Qingdao Electric Power Bureau,Qingdao 255012, China)

Abstract: A new kind of ANN filter algorithm for microcomputer protection based on the ADALINE model is described. This algorithm is an ideal filter method for its high precision, small quantity for calculation and fast convergence speed. The simulation results and the comparisons with the Fourier algorithm and the least square algorithm are given at the same time, it shows that the ANN filter algorithm is suitable for microcomputer protection.
Keywords: microcomputer protection; ANN filter; least square filter

1 ADALINE模型和LMS学习算法
  
ADALINE模型是一种自适应线性元神经网络模型,x1k,x2k,…,xnk为ADALINE模型在时刻k时的输入。这些输入信号可以写成向量形式Xk=[x1k,x2k,…,xnkT。该向量称为ADALINE的输入模式向量。一组输入信号相应的有一组权值w1k,w2k,…,wnk。这一组权值也可以用向量的形式来表示,即Wk=[w1k,w2k,…,wnkT。该向量称为权向量。ADALINE的模拟输出定义为

  (1)

  ADALINE的训练过程是:将理想响应信号dk送入ADALINE中,与模拟输出yk进行比较,并将差值送到LMS学习机制中,以调整权向量Wk,使得yk和所要求的输出dk相一致。若一致,就说明ADALINE已训练完毕。
  以单个神经元为例,用于ADALINE训练的LMS算法可写为

  (2)

其中,Wk+1为下一次权值向量的取值,Wk为本次的权向量值,Xk为本次的输入模式向量,εk为当前误差(理想输出与模拟输出之间的差别),α为系数。对于一元输入向量|Xk|2为权的个数。
  这种方法通过调整神经元的权值,使神经元的实际输出与理想输出尽量一致,其中α的取值范围为0<α<2。

2 基于ADALINE模型的实用滤波算法
  本文提出的滤波算法本质上是一个对ADALINE神经网络的训练过程。设输入模式向量Xk

  (3)

其中,Ts为采样周期,ω为角频率。很明显每个采样时刻所对应的输入模式向量都是不同的。
  设初始权向量为

W0=[w00,w10,w20,w30,w40,w50,w60,w70,w80,w90,w100T  (4)

其中,wi0,i=1…10可任意选择。
  设算法的数据窗长度为n个采样周期。每个采样时刻所对应的输入模式向量Xk与该时刻的实际采样值就组成了一个训练对。n个采样周期就有n个训练对。这n个训练对就组成了ADALINE模型的训练集。其训练过程如下:利用第一个采样时刻所对应的输入模式向量和初始权向量,按式(1)计算与第一个采样时刻所对应的模拟输出,将该模拟输出与该时刻的实际采样值进行比较,得到与该时刻相对应的当前误差,进而利用式(2)对初始权向量进行修正;然后利用第二个采样时刻所对应的输入模式向量和修正后的权向量按式(1)计算与第二个采样时刻所对应的模拟输出,将该模拟输出与第二个采样时刻的实际采样值进行比较,得到与该时刻相对应的当前误差,再利用式(2)对权向量进行第二次修正;依此类推,将训练集内各个训练对的输入模式向量相继作用于网络,对权矩阵进行迭代改进。当一个训练周期结束后,按下式计算这一周期的总误差平方和

  (5)

  然后利用这一周期最后得到的权向量调整值,重复进行新的一轮训练。直至前后两个训练周期得到的总误差平方和之差小于某允许值(该值由所需精度决定),这时结束迭代。则所求的基波和各次谐波的幅值和相位可由最后得到的权向量利用下述几式得到:
   基波幅值
  n次谐波幅值
  基波相位角θ1=arctan(W2/W1),
  n次谐波相位角θn=arctan(W2n/W2n-1)。

3 计算实例
  
在仿真计算中,采样速率为600 Hz。数据窗长度为1周期。在计算时考虑了比实际情况更严重的噪声输入,即采用以下几种输入工况进行迭加:
  (1)幅值为7.5 p.u.(标幺值),初相角任定的基波正弦量;
  (2)初值为15%基波幅值,时间常数为60 ms的衰减直流分量;
  (3)二次谐波到五次谐波量的幅值依次为基波幅值的3%,6%,0%,5%;
  (4)分数次谐波,其频率和幅值见表1。

表1 频率幅值表

f/Hz 25 45 60 80 95 115 140 185 205 230
幅值/p.u. 0.02 0.01 0.05 0.04 0.01 0.01 0.03 0.07 0.01 0.09
  上述各非基频谐波的初相角均假定为0°。
  分别采用神经网络滤波算法,最小二乘算法对上述算例进行滤波,其计算结果如表2所示。

表2 两种滤波算法计算结果表

  最小二乘滤波 神经网络滤波
第1周期 第2周期 第3周期 第1周期 第2周期 第3周期
基 波
三次谐波
五次谐波
7.300 350
0.390 681
0.383 773
7.653 650
0.520 657
0.328 672
7.402 840
0.410 175
0.432 519
7.502 420
0.476 448
0.388 896
7.502 710
0.500 784
0.314 884
7.494 500
0.438 689
0.445 469

  为了进一步说明神经网络数字滤波算法的优点,本文计算了两种算法对应的频谱特性(如图1所示)。

图1 频率响应曲线

4 结论与分析
  (1) 神经网络滤波算法的计算量小,且收敛速度快。一般迭代5~10次左右即可收敛。
  (2) 神经网络滤波算法的滤波结果是令人满意的。它对基波的估计精度要高于最小二乘算法,对于高次谐波的估计精度与最小二乘算法基本不相上下。
  (3) 人工神经网络滤波算法具有十分理想的滤波特性,它对非周期分量的抑制能力略次于最小二乘算法。如在输入模式向量中加入与非周期分量相应的有关项,则其对非周期分量的抑制能力可以作到与最小二乘算法相当或优于最小二乘算法;但其高频旁瓣效应明显优于最小二乘算法。
  (4) 神经网络滤波算法的数据窗长度是可变的,这一点与最小二乘算法类似。但其与最小二乘算法的共同问题是:数据窗的长度与滤波精度有关,数据窗长则滤波精度高。但实算表明,神经网络滤波算法对数据窗长度的敏感性要低于最小二乘算法。

作者简介:刘远龙(1971-),男,工学硕士,现从事继电保护运行管理和整定计算工作,主要研究领域为微机保护、人工神经网络在电力系统中的应用。

作者单位:(青岛市电业局,山东 青岛 266012)

参考文献

〔1〕 胡守仁主编.神经网络导论[M].长沙:国防科技大学出版社,1993
〔2〕 陈德树主编.计算机继电保护原理与技术[M].北京:水利电力出版社,1992

来源:
友情链接
北极星工程招聘网北极星电气招聘网北极星火电招聘网北极星风电招聘网北极星水电招聘网北极星环保招聘网北极星光伏招聘网北极星节能招聘网招标信息分类电子资料百年建筑网PLC编程培训

广告直拨:   媒体合作/投稿:陈女士 13693626116

关于北极星 | 广告服务 | 会员服务 | 媒体报道 | 营销方案 | 成功案例 | 招聘服务 | 加入我们 | 网站地图 | 联系我们 | 排行

京ICP证080169号京ICP备09003304号-2京公网安备11010502034458号电子公告服务专项备案

网络文化经营许可证 [2019] 5229-579号广播电视节目制作经营许可证 (京) 字第13229号出版物经营许可证新出发京批字第直200384号人力资源服务许可证1101052014340号

Copyright © 2022 Bjx.com.cn All Rights Reserved. 北京火山动力网络技术有限公司 版权所有