关键字 |
| 发电、输电、配电(负荷经济调度、电力系统安全、故障诊断、安全评估、负荷预测) |
介绍 |
| 本文描述了人工神经网络在电力系统概述。神经网络已被用于广泛的电子应用程序。即人工智能技术、专家系统(ES)和人工神经网络。近年来,智能控制的另一个术语来拥抱多样化方法结合传统控制和紧急技术基于生理的隐喻,如人工神经网络、模糊逻辑、人工神经网络研究了多年,希望理解和实现的人形计算性能。好处包括大规模并行、建筑模块化、速度快、高容错和自适应能力。神经网络应用到电力系统可以归为三个主要方面:回归、分类和组合优化。应用程序涉及包括暂态稳定分析、负荷预测、静态和动态稳定性分析。组合优化的区域包括单位承诺和管理控制。 |
概述ARTIF政治性神经网络 |
| 一个人工神经网络(ANN)的计算系统是由许多简单、高度相互关联的处理元素,处理信息的动态响应外部输入。近年研究的ANN模型可以快速获得和增加潜在的重要性,因为它们提供解决方案的一些问题迄今为止棘手的标准串行计算机领域的计算机科学和人工智能。神经网络更适合于实现人类表现语音处理、图像识别、机器视觉、机器人控制等。 |
人工神经网络建模 |
| 人工神经网络(ann)是由大量的简单和高度相互关联的处理元素(PE)叫做神经元。基本计算元素(模型神经元)通常被称为节点或单元。从其他单位,它接收输入或者从外部来源。每个输入都有一个关联的重量w,可以被修改以突触学习模型。单位计算某些函数的输入的加权和无花果所示… |
 |
 |
| Oi = f(ΣWij Ij) |
| 其输出,反过来,可以作为其他单位的输入。 |
| •加权和叫做净输入单元,我经常写。 |
| •注意,维琪指的是重量单位j单位我(而不是相反)。 |
| •函数f是单元的激活函数。在最简单的情况下,f是恒等函数,只是其净输入单元的输出。这就是所谓的线性单元。 |
不同类型的安架构 |
| 单层感知器(SLP)模型感知器是最简单的单层网络视为一个线性分类器。感知器模型的主要缺点是它只能解决问题是线性可分的。然而,现实世界的大部分问题在本质上是非线性的。 |
| •多层感知器(MLP)模型一个多层感知器(MLP)是一种前馈神经网络模型的输入数据集映射到一组适当的输出。这是一个修改使用三个或更多的标准线性感知器层的神经元(节点)和非线性激活函数。因此,它比感知器更强大,因为它可以区分非线性可分的数据。MLP网络用于模拟的基本结构在这个工作图所示。网络由一个输入和一个输出层有一个隐藏层nonlinearly-activating节点。每个节点在一个层与一定重量维琪到所有其他节点在下面层。输入层神经元的个数是相同数量的输入特性和选择隐层神经元的数量与30与双曲正切乙状结肠的激活函数。网络和反向传播算法训练。 |
| •HOPFIELD网络- - - - - -Hopfield网络是由人工神经元。这些人工神经元有N个输入。与每个输入有一个体重相关。他们也有一个输出。输出的状态保持,直到神经元被更新。更新神经元需要以下操作: |
| •每个输入的值,xi和所有输入的加权和我决定wixi计算。 |
| •神经元的输出状态设置为+ 1如果加权输入金额大于或等于0。它设置为1,如果加权输入金额小于0。 |
| •一个神经元保留它的输出状态,直到它再次更新。 |
| Hopfield网络是一个网络N这样的人工神经元,这是完全连接。连接从一个神经元传到另一个神经元是由重量w。所有这些数字的集合是由权重矩阵w的组件是维琪。Hopfield网络的主要用途是存储和识别的模式,如图像文件 |
| •复发性网络,递归神经网络(RNN)是这个架构,允许修改时间分类,如图。在这种情况下,一个“背景”图层添加到结构,观察之间保留信息。在每个时间步,被送入RNN新输入。前面的内容隐藏层传递到背景层。这些然后反馈到隐层的下一个时间步。算法类似于反向传播算法,称为反向传播通过时间(BPTT),隐藏层和背景层的权重殴斗做分类,后期处理的输出RNN执行;例如,当一个阈值的输出从一个节点上观察,我们注册一个特定类已经观察到。 |
| 根据培训的,安可以分为监督安或无监督安。 |
| •监督安-监督安要求的输入和输出的训练集。培训期间,安的输出与期望的输出(目标)和差异(错误)减少b y雇佣一些训练算法。这个培训是重复直到实际产出获得一个可接受的水平。监督安可能是一个前馈或非周期性网络等多层感知器(MLP),功能连接网络(FLN)和径向基函数(苏格兰皇家银行),或一个反馈或复发性安如Hopfield网络,经常使用在电力系统的应用。 |
| •无监督安-的人工神经网络不需要主管或培训老师被称为无监督安。在竞争或无监督学习单元输出层的争夺机会对一个给定的输入模式。Kohonen的自组织特征映射(SOFM)和自适应共振理论(ART)是无监督学习的例子。 |
| •强化学习,强化学习(RL)的特点是相对罕见,一般反馈/钢筋(与监督学习)的频繁和特定的错误信号,必须(以某种方式)转化为信用分配到特定的系统组件的时间活动历史有不同程度的重叠与实际时间的强化。举个例子,如果一个孩子开始他的拖鞋,然后疯狂地四处跑客厅之前到沙发上,把母亲伸出的报纸,随后的钢筋(母亲的大声,愤怒的大喊)表示,在最近的孩子的行为序列必须改变。是否真正的问题在于孩子的滑块切除,或野生运行,或潜水,或暴力与报纸,碰撞是留给孩子。简而言之,孩子必须执行信贷分配问题相对于组件的行为他最近的行动序列。 |
 |
安在电力系统中的应用 |
| 几个关键特性区分NNs和其他人工智能技术:通过例子学习实时分布式内存和相关容错和优雅降级,实时模式识别、智能协会。尽管它的许多优点,分布式内存原因得到的一个主要缺陷,因为知识在一个神经网络结构的重量和连接模式。其他障碍,培训工作是如何解决这些问题进行了讨论部分的绊脚石。这部分艾滋病与典型的安在电力系统应用领域。各领域有:安全评估,暂态稳定,故障检测与诊断、控制分析、保护和设计。最热门的问题是:(i)负荷预测(2)安全评估和(iii)故障检测和诊断。 |
 |
| •负荷预测,负荷预测是一个适合安的问题应用程序由于历史负荷数据的实用程序数据库的可用性。安计划使用感知器网络和SOFM已经成功的和令人印象深刻的短期以及长期负荷预测精度。联合使用非监督和监督学习进行短期负荷预测。滤波器基于一个“算法收敛更快,提高预测精度。发现RBF(径向基函数)网络优于延时或BP模型的训练时间和它的准确性。安不需要额外的内存来存储负载模式的历史。提高1%的准确性STLF可以节省7亿Rs。一个典型的电力。 |
 |
| •安全评估,静态和动态安全评估通常需要在线计算。为了有效地评估解决方案,简要的非线性映射是用于减少计算负担和故障/电力系统的特点。这使我们能够进行在线监测在瞬态/评估,小信号稳定,电压不稳定。虽然 |
| 应急排名和灵敏度因子的方法减少了关键事件的数量计算,人工神经网络在安全领域扮演了一个具有挑战性的角色。 |
| 安全评估是基于, |
| *系统动力学的知识 |
| *系统变量的测量 |
| *模型测量和系统扰动的不确定性 |
| *安全良好定义的标准。 |
| 最大容许电流传输给状态空间的安全域的边界(操作点由一个向量定义的组件是活跃的和无功功率)。 |
| •故障检测和诊断故障检测和诊断是电力系统具有挑战性的问题之一。中长期规划确定故障的类型和位置与给定的电力系统条件下,测量,警报器等。KN (Kohonen净)应用于处理故障模式的分类。完成电力设备的诊断来判断什么样的故障设备遭受然后相应的清除。KN不如MLP而言由于无监督学习解决方案的准确性。RBF和BP模型开发故障诊断问题。BP网络给了性能优越而训练RBF网络比BP网络快得多。 |
| •经济负载等经济负荷调度(古人)问题是电力系统的一个重要的优化问题,我们提出一个方法来解决古人使用Hopfield神经网络分段二次成本函数的问题。基于ANN的方法被证明是更简单、准确。它处理结合ED和发射调度使用改进的摘要。最近自适应Hopfield神经网络用于高龄。传统上,在古人的问题;每个发电机的成本函数近似表示为一个二次函数。更现实的,然而,代表一代植物化石解雇成本函数(热、核等)作为分段分段二次函数。一些代单位,特别是单位,提供多个燃料来源(石油和天然气),面临的问题的确定最经济的燃料燃烧。随着化石燃料的成本增加,变得更重要的是有一个好的模型每个发电机的生产成本。因此获得更准确的制定对于高龄问题表达了一代成本函数为分段二次函数。 This approach can be applied to generators supplied with various fuels as well as valve point loading problems. |
绊脚石 |
| 安面临几个问题有待解决,尽管有吸引力的特性讨论&实施安的主要困难是下面讨论。安有必要优化结构设计网络规模(中长期规划输入和输出神经元的数量,和输出神经元KN)的数量。此外,培训,获得更为合理的模型是必要的。 |
| •其他有效的学习算法BP算法需要许多迭代计算。它不适合在线学习计划。有必要学习算法有更好的收敛性。有效的全局优化技术是需要评估的权重。减轻“维度”的诅咒:安的直接应用电力系统大规模过后需要大规模的安。不容易找出最优权重的准确性和计算工作。 |
| •考虑网络拓扑我们必须应对网络拓扑如果与输电线路的问题。事实上,安应用一个或多个快照不令人信服。必要的学习数据量:高效的方法,发现必要的学习数据不可用在构建安。低效的数据创建了不恰当的模型而过多的数据需求过度的计算时间。这是正常的,尽管在训练数据性能良好,性能下降了测试数据。这可能是由于这一事实的训练细节不是均匀分布的。ANN模型的准确性取决于培训模式的数量在给定的范围内。 |
未来的工作 |
| 研究将继续增强安性能。自然研究,想利用其他新兴技术来克服缺点o f存在系统。众所周知,ES, FS(模糊系统)、遗传算法(GA)和安有强壮的凭证来处理不确定,例子和噪音污染数据。安是一个很好的近似非线性系统的表现良好。FS、遗传算法、混沌动力学通常是用来拥抱的质量和减少训练时间和执行安,好培训或defuzzication可以通过安。 |
结论 |
| 基于神经网络的应用是强劲、可持续和最好的最近的发展趋势之一。即使输入数据不完整或有一些噪音,安仍然可以给好的结果。人工神经网络具有自适应能力,可以很容易适应新的。现代控制技术自适应变结构可以学到从一系列的训练集和安学习阶段结束后安可以用作一个鲁棒控制器。安专用硬件设计实现和评估技术和各种NNS(如复发性网络)正在认真尝试解决PS问题。概述了人工神经网络在电力系统被提出了。本文集中在延时,HN KN,典型的人工神经网络。可能看到,中长期规划中是最受欢迎的监督学习优越的精度。随着应用领域,是负荷预测、安全评估和故障检测和诊断的主要虽然存在各种应用领域的重要性。今天'困难,最终他们提出的解决方案进行了综述; the integration of ANNs with other emerging technologies such as FS, GA etc. was discussed as a future research direction. |
|
数据乍一看 |
|
|
|
引用 |
- I.J. Nagrathand D.P. Kothari电力系统工程”,塔塔麦格劳-希尔,新德里,1994。
- D.P.森古普塔et al .,“最近的进步能源系统的控制和管理”,Ch。15 P.K.破折号,Interhey 1993。
- M。El-Sharkawi和d Niebur (Eds), TEm教程来ann应用电力系统”,% TP 112 - 624
- NPSC教程,I.I.T.德里,1994。
- H。辛格,硕士Sachdev T.S. Sidhu”设计,及其神经网络——心理状态和测试一个Arti_cial -工作基于断层方向鉴别器pro tecting输电线路、“IEEE功率输出,10卷,2号,1995年,页697 - 706。
- A.L.O费尔南德斯N.K.我Ghonaim小说Ap -使用FIRANN友善对高压输电线路故障检测和方向估计,“IEEE功率输出,17卷,第4期,2002年10月,页894 - 900。
- a·班尼特a·t·约翰问:y Xuann, R。K Agarwal, r·w·邓恩,“双电路线路的小说分类技术基于Unsuper -知道/监督神经网络相结合,“IEEE成交方式代码表,功率输出,14卷,第4期,1999年,页1250 - 1255。
- T.S. Sidhu, l . Mital和硕士Sachdev”一个Com -机体机械论的分析基于人工神经网络的工作故障方向鉴别器,“IEEE功率输出,Vol.19, 3号,2004年7月,页1042 - 1048
- 美国能源部助理部长、节能和可再生能源、能源系统研究办公室,“动态安全评估研究进展”,DOE报告/ ET / 29038 - 1,由:分析科学公司雅各,1982年12月。
- Germond,抗干扰,N. Macabrey and Thomas Baumann, "Application of Artificial Neural Networks to Load Forecasting," same source as [5], pp. 165-171.
|
菜单
