根據現代控制技術的人工神經網絡理論提出了一種保護原理構成方案，并分析了原理實現的可行性和技術難點。

　　人工神經網絡(Aartificial?Neural?Network，下簡稱ANN)是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家Warren?S.Mcculloch和數學家Walth?H.Pitts提出神經元數學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法(BP算法，Back?Propagation)，它的網絡結構及算法直觀、簡單，在工業領域中應用較多。

　　經訓練的ANN適用于利用分析振動數據對機器進行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網絡補償和魯棒控制綜合方法的應用(其魯棒控制利用了變結構控制或滑動模控制)，在實時工業控制執行程序中較為有效［3］。人工神經網絡(ANN)和模糊邏輯(Fuzzy?Logic)的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調整內部權值來準確求解［4］。

　　因此，對于電力系統這個存在著大量非線性的復雜大系統來講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟運行及電力系統控制等方面［5］。

　　本文介紹了一種基于人工神經網絡(ANN)理論的保護原理。

1　人工神經網絡理論概述

　　BP算法是一種監控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調整網絡路徑的權值，以使下一次在相同的輸入下，網絡的輸出接近于希望值。圖1是人工神經Ui的結構模型，圖中Ui為神經元內部狀態，Qi為門檻值，Yi為輸出信號，Xi(i=1,2,…，n)為神經元接收信號。該模型可表示為：

式中　　Wji——連接權值。

　　BP算法的神經網絡圖形如圖2所示，設網絡的輸入模塊為p，令其作用下網絡輸出單元j的輸出為Opj。如果輸出的希望值是Tpj，則其誤差為Dpj=Tpj－Opj。若輸入模塊的第i個單元輸入為Ipi，則就輸入模塊p而言，輸入接點I與輸出接點j之間的權值變化量為：

ΔWpji=zDpjIpi

　　式中，z是某一個常數。當反復迭代該式時，便可使實際值收斂于目標值［6］。其中隱含層既有輸入網線，又有輸出網線，每一個箭頭都有一定的權值。

　　在神經網絡投運前，就應用大量的數據，包括正常運行的、不正常運行的，作為其訓練內容，以一定的輸入和期望的輸出通過BP算法去不斷修改網絡的權值。在投運后，還可根據現場的特定情況進行現場學習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線性功能是BP算法的一大優點。

2　神經網絡型繼電保護

　　神經網絡理論的保護裝置，可判別更復雜的模式，其因果關系是更復雜的、非線性的、模糊的、動態的和非平穩隨機的。它是神經網絡(ANN)與專家系統(ES)融為一體的神經網絡專家系統，其中，ANN是數值的、聯想的、自組織的、仿生的方式，ES是認知的和啟發式的。

　　如圖3所示，裝置可直接取線路及其周邊的模擬量、數字量，經模式特征變換輸入給神經網絡，根據以前學習過的訓練材料，對數據進行推理、分析評價、輸出。專家系統對運行過程控制和訓練，按最優方式收集數據或由分析過程再收集控制，對輸出結果進行評估，判別其正確性、一致性，作出最終判決，經變換輸出，去執行機構。即使是新型保護，也會存在著某些功能模塊不正確動作的可能，這時可以過后人為干預擴展專家系統數據庫或由專家系統作出判別，作為訓練樣本訓練ANN的這部分功能模塊，改變其某些網線的權值，以使下次相同情況下減少不正確動作的可能。

　　下面是一個簡單的ANN線路保護例子。當電力系統故障時，輸電線路各相、各序電壓、電流也隨之發生變化，特別是故障后故障相的相電壓和相電流，以及接地系統在接地故障的零序電流的變化有明顯的代表性。比如選輸入層神經元個數為14個，分別是Uar，Uai，Ubr，Ubi，UcrUci，Iai，Ibr，Ibi，Icr，Ici，Ior，Ioi(下標r和i分別代表實部與虛部)，選定輸出層神經元個數為5個：YA(A相)，YB(B相)，YC(C相)，YO(接地)，YF(方向)，各輸出值為1，代表選中；輸出值為0，代表沒選中(YF為0代表反向)。這5個輸出完全滿足線路方向保護的需求(沒考慮正向超越)，隱含層神經元數目為2N+1(N為輸入層神經元數目)。訓練樣本集包含14個輸入變量和5個輸出變量，而測試樣本集中的樣本則只有14個輸入變量。選圖4的雙側電源系統作研究對象，輸電線路、系統的等值正、零序參數如圖4所示。

　　考慮的故障類型包括單相接地(K1)，兩相短路(K2)，兩相接地(K1—1)，三相短路(K3)。

　　對圖4所示的500?kV雙側電源系統的各種運行方式和故障情況建立訓練樣本。

　　在正常狀態下，令h∠δ=(EM)/(EN)，h=1，δ

隨負荷變化，取為－60°，－50°，－40°，－30°，－20°，－10°，0°，10°，20°，30°，40°，50°，60°，有13個樣本。故障情況下，δ取值為－60°，－30°，0°，30°，60°，故障點選反向出口(－0?km)，正向出口(+0?km)，線路中部(150?km)，線末(300?km)。接地電阻Rg取值0?Ω，50?Ω，100?Ω，150?Ω，200?Ω，相間電阻Rp取值0?Ω，25?Ω，50?Ω，則共有5×4×(5+3+5×3+3)=520個樣本。每個樣本的5個輸出都有一組期望的輸出值，以此作為訓練樣本。而實際運行、故障時，保護所測到的電流、電壓極少直接與樣本相同，此時就需要用到模糊理論，規定某個輸出節點。如YA(A相)在某一取值范圍時，則被選中。

　　文獻［1］認為全波數據窗建立的神經網絡在準確性方面優于利用半波數據窗建立的神經網絡，因此保護應選用全波數據窗。

　　ANN保護裝置出廠后，還可以在投運單位如網調、省調實驗室內進行學習，學習內容針對該省的保護的特別要求進行(如反措)。到現場，還可根據該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現波形間斷的變電站內的高頻保護。

3　結論

　　本文基于現代控制技術提出了人工神經網絡理論的保護構想。神經網絡軟件的反應速度比純數字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數，以實現在時間上即次數上提高冗余度。

　　一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區內、區外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯網，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據。每套保護可把每次錄得的數據文件，加上對其動作正確性與否的判斷，作為本身的訓練內容，因為即使有時人工分析也不能區分哪些數據特征能使保護不正確動作，特別是高頻模擬量。

　　神經網絡的硬件芯片現在仍很昂貴，但技術成熟時，應利用硬件實現現在的軟件功能。另外，神經網絡的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網絡結構還沒有充分的理論依據。所有這些都有待于對神經網絡基本理論進行深入的研究，以形成完善的理論體系，創造出更適合于實際應用的新型網絡及學習算法［5］。

參考文獻

1　陳炳華．采用模式識別(智能型)的保護裝置的設想．中國電機工程學會第五屆全國繼電保護學術會議，［會址不詳］，1993
2　Robert?E.Uhrig．Application?of?Artificial?Neural?Networks?in?Industrial?Technology.IEEE?Trans,1994,10(3)．(1):371～377
3　Lee?T?H,Wang?Q?C,Tan?W?K.A?Framework?for?Robust?Neural?Network-Based?Control?of?Nonlinear?Servomechannisms.IEEE?Trans,1993，3(2)．(3)：190～197
4　Chow?Mo-Yuen.The?Advantage?of?Machine?Fault?Detection?Using?Artificial?Neural?Networks?and?Fuzzy?Logic?Technology.IEEE?Trans,1992,5(6).(2)：1078～1085
5　吳捷．現代控制技術在電力系統控制中的應用．全國高校電力系統及其自動化專業年會，廣州，1997
6　Matthew?Zedenberg.Neural?Networks?Models?in?Artificial?Intelligence.［s.l.］:［s.n.］,［s.a.］