关键字 |
发电、输电、配电(经济负荷调度、电力系统安全、故障诊断、安全评估、负荷预测) |
介绍 |
本文对电力系统中的人工神经网络进行了概述。神经网络已广泛应用于电气领域。人工智能技术,即专家系统(ES)和ann。近年来,另一个术语“智能控制”已经开始拥抱多种方法,结合传统控制和基于生理隐喻的新兴技术,如人工神经网络,模糊逻辑,人工神经网络已被研究多年,希望理解和实现类似人类的计算性能。其优点包括大规模并行、体系结构模块化、快速、高容错和自适应能力。神经网络在电力系统中的应用可以分为三个主要领域:回归、分类和组合优化。应用包括暂态稳定分析、负荷预测、静态和动态稳定分析。组合优化的领域包括机组承诺和控制。 |
人工神经网络概述 |
人工神经网络(ANN)作为一种计算系统,由许多简单的、高度互联的处理元素组成,它通过对外部输入的动态响应来处理信息。近年来,人工神经网络模型的研究正在迅速和日益重要,因为它们有潜力为迄今为止在计算机科学和人工智能领域的标准串行计算机难以解决的一些问题提供解决方案。神经网络更适合在语音处理、图像识别、机器视觉、机器人控制等领域实现类人性能。 |
人工神经网络建模 |
人工神经网络(ann)由许多简单且高度互联的处理元素(PE)组成,称为神经元。基本的计算元素(模型神经元)通常被称为节点或单元。它接收来自其他单元或外部来源的输入。每个输入都有一个相关的权重w,可以通过修改来模拟突触学习。该单元计算其输入加权和的一些函数,如图… |
![图像](//www.cheescube.com/articles-images/IJAREEIE-253-g001.gif) |
![图像](//www.cheescube.com/articles-images/IJAREEIE-253-g002.gif) |
Oi = f (ΣWij Ij) |
•它的输出反过来又可以作为其他单元的输入。 |
加权和被称为单位i的净输入,通常写为净。 |
•请注意,wij指的是从单位j到单位i的权重(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,单位的输出就是它的净输入。这叫做线性单位。 |
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,被认为是一个线性分类器。感知器模型的主要弱点是它只能解决线性可分的问题。然而,现实世界中的大多数问题本质上是非线性的。 |
多层感知器(mlp)模型-多层感知器(MLP)是一种前馈神经网络模型,它将一组输入数据映射到一组适当的输出数据上。它是对标准线性感知器的修改,使用三层或多层具有非线性激活函数的神经元(节点)。因此,它比感知器更强大,因为它可以区分非线性可分离的数据。本文中用于仿真的MLP网络的基本结构如图所示。该网络由一个输入层和一个输出层以及一个隐藏层的非线性激活节点组成。一层中的每个节点用一定的权重wij连接到下一层中的每个其他节点。输入层神经元数量与输入特征数量相同,隐层神经元数量选择为30个,激活函数为“双曲正切sigmoid”。利用反向传播算法对网络进行训练。 |
•hopfield网络-Hopfield网络是由人工神经元构建的。这些人造神经元有N个输入。每个输入都有一个相关的权重。它们也有输出。输出的状态被保持,直到神经元被更新。更新神经元需要以下操作: |
•确定每个输入的值xi,并计算所有输入的加权和i wixi。 |
•如果加权输入和大于或等于0,则神经元的输出状态设置为+1。如果加权输入和小于0,则设置为-1。 |
•神经元保持其输出状态,直到再次更新。 |
Hopfield网络是由N个完全连接的人工神经元组成的网络。神经元之间的连接权值由一个数字w给出,所有这些数字的集合用权重矩阵w表示,其分量为wij。Hopfield网络的主要应用是模式(如图像文件)的存储和识别 |
•循环网络-循环神经网络(RNN)是对该架构的修改,以允许时间分类,如图所示。在这种情况下,一个″context”层被添加到结构中,它在观察之间保留信息。在每一个时间步,新的输入被馈送到RNN。隐藏层的先前内容被传递到上下文层。然后在下一个时间步骤中反馈到隐藏层。在一种类似于反向传播算法的算法中,称为时间反向传播(BPTT),设置隐层和上下文层的权重进行分类,对RNN的输出进行后处理;因此,例如,当观察到其中一个节点的输出上的阈值时,我们注册一个特定的类已被观察到。 |
根据训练的不同,人工神经网络可以分为监督式人工神经网络和无监督式人工神经网络。 |
•监督ANN -受监督的人工神经网络需要输入和输出集来进行训练。在训练过程中,将神经网络的输出与期望的输出(目标)进行比较,并使用一些训练算法来减小差值(误差)。反复训练,直到实际输出达到可接受的水平。监督神经网络可以是前馈或非循环网络,如多层感知器(MLP)、功能链接网(FLN)和径向基函数(RBS),也可以是反馈或循环神经网络,如Hopfield网络,常用于电力系统应用。 |
•无监督ANN -不需要监督或教师进行训练的人工神经网络称为无监督神经网络。在竞争或无监督学习中,输出层的单元会争夺对给定输入模式做出响应的机会。Kohonen的自组织特征图(SOFM)和自适应共振理论(ART)就是无监督学习的例子。 |
•强化学习——强化学习(RL)的特点是相对不频繁和一般的反馈/强化(与监督学习的频繁和具体的错误信号相比),必须(以某种方式)转化为特定系统组件的信用分配,这些组件的时间活动历史与实际强化时间有不同程度的重叠。例如,如果一个孩子踢掉了他的拖鞋,然后在客厅里疯狂地奔跑,然后跳到沙发上撕妈妈展开的报纸,随后的强化(妈妈大声、愤怒的喊叫)表明孩子最近的一系列行为必须改变。真正的问题是孩子脱了拖鞋,还是狂奔,还是跳水,还是与报纸猛烈碰撞,都留给孩子自己去梳理。简而言之,孩子必须执行一个与他最近动作序列的组成行为相关的信用分配问题。 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-253-g007.gif) |
神经网络在电力系统中的应用 |
区分神经网络与其他人工智能技术的几个关键特征是:实时实例学习、分布式内存和相关数量的容错和优雅降级、实时模式识别、智能关联。尽管分布式内存有许多优点,但它在神经网络中造成了一个重大缺陷,因为神经网络中的知识是由权重和连接的模式构成的。其他绊脚石以及如何进行培训来解决它们将在绊脚石一节中讨论。本节将帮助您了解电力系统中典型的神经网络应用领域。各个领域包括:安全评估,暂态稳定性,故障检测和诊断,控制分析,保护和设计。最常见的问题有:(i)负荷预测(ii)安全评估(iii)故障检测与诊断。 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-253-g008.gif) |
•负荷预测-由于电力系统数据库中历史负荷数据的可用性,负荷预测是一个适合人工神经网络应用的问题。使用感知器网络和SOFM的ANN方案在短期和长期负荷预测方面都取得了成功,具有令人印象深刻的准确性。将无监督学习和有监督学习结合起来进行短期负荷预测。基于滤波器的“算法更快收敛和提高预测精度。RBF(径向基函数)网络在训练时间和准确率方面优于MLP或BP模型。人工神经网络不需要额外的内存来存储负载模式的历史。STLF精度提高1%,可以为一个典型的电力公司节省高达7亿卢比。 |
![图像](//www.cheescube.com/articles-images/IJAREEIE-253-g009.gif) |
•安全评估-静态和动态安全评估通常需要在线计算。为了有效地求出解,采用非线性映射的方法来减少计算量,更好地处理电力系统的特性。这使我们能够对暂态、小信号稳定性和电压不稳定性进行在线监测/评估。虽然 |
突发事件排序法和敏感性因子法减少了需要计算的关键突发事件数量,使人工神经网络在安全领域发挥了具有挑战性的作用。 |
安全评估是基于, |
*了解系统动力学 |
*测量系统变量 |
*测量不确定度和系统扰动模型 |
*明确的安全性标准。 |
传输的最大允许电流给出了状态空间的安全域的边界(工作点由一个分量为有功功率和无功功率的矢量定义)。 |
•故障检测/诊断-故障检测/诊断是电力系统中具有挑战性的问题之一。MLP通过给定的电力系统条件、测量、警报等来识别故障的类型和位置。采用KN (Kohonen网)对故障模式进行分类。对电力设备进行诊断是为了判断设备存在何种故障,并对故障进行排除。由于无监督学习的原因,KN在求解精度方面不如MLP。针对故障诊断问题,建立了RBF和BP模型。BP网络具有较好的性能,而RBF网络的训练速度要比BP网络快得多。 |
•经济负荷调度-经济负荷调度问题是电力系统中重要的优化问题之一,本文提出了一种利用Hopfield神经网络用分段二次代价函数求解经济负荷调度问题的方法。基于神经网络的方法被证明是更简单和准确的。采用改进的bp神经网络处理ED和排放的联合调度问题。自适应Hopfield神经网络最近被用于ELD。传统上,在ELD问题中;每台发电机的成本函数都近似地用一个二次函数表示。然而,将火力发电厂(火电、核电等)的发电成本函数表示为分段分段二次函数更为现实。一些发电机组,特别是那些使用多种燃料(天然气和石油)的机组,面临着确定燃烧哪种燃料最经济的问题。随着化石燃料成本的增加,为每台发电机的生产成本建立一个良好的模型变得更加重要。因此,将发电成本函数表示为分段二次函数,可以得到更精确的ELD问题的表达式。 This approach can be applied to generators supplied with various fuels as well as valve point loading problems. |
绊脚石 |
尽管所讨论的特征具有吸引力,人工神经网络仍面临几个需要解决的问题&下面讨论人工神经网络实现的主要困难。对于神经网络的优化结构,网络大小(MLP中输入和输出神经元的数量,KN中输出神经元的数量)的设计是至关重要的。此外,为了获得更合理的模型,训练是必要的。 |
•其他有效的学习算法-BP算法需要多次迭代计数。不适合在线学习方案。有必要有一个收敛性更好的学习算法。求解权值需要有效的全局优化技术。缓解“维数诅咒”:人工神经网络直接应用于大规模实尺寸电力系统需要大规模人工神经网络。从精度和计算工作量的角度来看,找出最佳权重并不容易。 |
•网络拓扑的考虑-如果问题与传输线有关,我们必须处理网络拓扑。实际上,人工神经网络在一个或多个快照上的应用并不能令人信服。必要的学习数据量:在构建人工神经网络时,还没有有效的方法来找出必要的学习数据量。低效的数据造成了不合适的模型,而过多的数据需要过多的计算时间。尽管在训练数据上表现良好,但在测试数据上表现较差是正常的。这可能是由于培训细节分布不均匀造成的。神经网络模型的精度取决于给定范围内训练模式的数量。 |
未来的工作 |
研究将继续提高人工神经网络的性能。想要利用其他新兴技术来克服现有系统的缺陷是自然的研究。众所周知,ES、FS(模糊系统)、遗传算法(GA)和人工神经网络在处理不确定数据、实例数据和噪声污染数据方面有很强的能力。人工神经网络是一种对非线性系统性能良好的近似方法。人工神经网络一般采用FS、GA、混沌动力学等方法来提高训练质量,降低训练时间和性能。人工神经网络可以进行精细训练或去模糊化。 |
结论 |
神经网络应用的鲁棒性、可持续性是近年来发展的趋势之一。即使输入数据不完整或有噪声,人工神经网络仍然可以得到很好的结果。ann具有适应能力,能够很容易地适应新的环境。现代控制技术,如自适应,变结构可以由人工神经网络从一系列的训练集学习,一旦学习阶段结束,人工神经网络可以作为一个鲁棒控制器。为了解决PS问题,人们正在认真尝试设计用于实现和评估神经网络技术的专用硬件和各种神经网络(如循环网络)。本文对电力系统中的人工神经网络进行了综述。本文主要以MLP、HN和KN为典型的人工神经网络。可以看出,MLP是最受欢迎的监督学习,在准确性方面优于监督学习。在各种应用领域中,负荷预测、安全评估和故障检测/诊断是主要的应用领域。最后评述了目前的主要困难及其解决办法; the integration of ANNs with other emerging technologies such as FS, GA etc. was discussed as a future research direction. |
|
数字一览 |
|
|
参考文献 |
- I.J. Nagrathand D.P. Kothari,“电力系统工程”,Tata McGraw-Hill,新德里,1994年。
- D.P. Sengupta等人,“能源系统控制和管理的最新进展”,第15章,P.K. Dash, Interhey 1993。
- M.El-Sharkawi和D. Niebur(编者),“TEm教程Come on ann with Applications to Power Systems”,% TP 112-624
- NPSC教程,印度理工学院德里,1994年。
- H.Singh, M.S. Sachdev, T.S. Sidhu,“基于人工神经网络的输电线路保护故障方向鉴别器的设计、实现和测试”,《电气工程学报》,Vol. 10, No. 2, 1995, pp 697-706。
- A.L.O Fernandez, n.k i Ghonaim,“一种新型的高压输电线路故障检测和方向估计方法”,《IEEE电力传输学报》,第17卷,第4期,2002年10月,第894-900页。
- A. Bennett, A. T. Johns, Q. Y. Xuann, R. k Agarwal, R. W. Dunn,“一种基于联合非监督/监督神经网络的双回线路分类技术”,IEEE电力传输学报,Vol. 14, No. 4, 1999, pp 1250-1255。
- T.S. Sidhu, L. Mital和M.S. Sachdev,“基于人工神经网络的故障方向鉴别器的综合分析”,IEEE电力传输学报,Vol.19, No. 3, 2004年7月,第1042-1048页
- 美国能源部:能源系统研究办公室负责保护和可再生能源的助理部长,“动态安全评估的研究进展”,报告DOE/ET/29038-1,由分析科学公司编制,雅各布·韦,1982年12月。
- Germond, a.j., N. Macabrey和Thomas Baumann,“人工神经网络在负荷预测中的应用”,与[5]相同来源,第165-171页。
|