人工神经网络在电力系统中的应用与展望

经过近十几年的高速发展，电力系统的规模己迅速地扩大，对于这样一个存在着大量非线性的动态大系统来说，传统的控制诊断保护、预测等方式己不再能完全适应这种发展的需要人工神经网络（ANN-ArtificialNeuralNetworks）理论，作为人工智能的一个*活跃的分支，其模拟人脑的工作方式，为解决复杂的非线性、不确定性、不确知性系统的问题开创了一个崭新的途径因而在电力系统应用研究中受到了广泛的关注目前己在电力系统故障诊断智能控制、继电保护和暂稳态计算短期负荷预报等系统计算优化中获得了大量的研究成果，以下就ANN及其在这些方面的应用状况作一综述ANN理论是一种新的信息处理理论ANN理论是80年代中后期世界范围内迅速发展的一个前沿研究领域，是一门高度综合的交叉学科，它的研究和发展涉及神经生理科学、数理科学、信息科学和计算机科学等众多领域，是一种新的信息处理理论。它所特有的信息处理机制，与传统的数字计算机有着本质的不同传统的Von Neuman结构串行数字计算机具有很强的逻辑思维能力，但对简单判断等形象思维范畴的问题，就显得相当的笨拙和无能为力，而ANN是模仿人脑结构的一种信息系统，可较好地模拟人的形象思维能力ANN网络由大量模拟人脑的神经元互连组成，无独立的用于存储的信息空间，更没有单一执行指令的CPU，每个神经元的结构都十分简单，信息处理与存贮合二为一，通过调整连接权值，由整体状态来给出响应信息虽然目前的模仿还处于低级阶段，但己显示出与人脑类似的特点：大规模并行结构，信息的分布式存储和并行处理；具有良好的自适应性自组织性、和容错性；具有较强的学习、记忆联想识别能力等。 ANN是一种非线性映射系统，具有强大的模式识别能力，可以对任意复杂状态或过程进行分类和识别。但是必须首先用反映输入特征量的大量样本对网络进行学习训练后，才具有这种功能2.2ANN的实现目前大部分的ANN功能都由软件编程，在数字计算机上模拟实现，己有各种ANN模型的软件模拟产品，其中大部分仍用C+ +等面向对象的高级语言编写但利用传统计算机模拟在相当程度上削弱了ANN并行快速处理的特点而在硬件实现上，己有各种数字式、模拟式、数模混合式等各种电子线路构成的神经芯片问世，特别是出现了专用数字信号处理机（DSP）芯片，其内部是多指令多数据流的并行结构，数据流和指令流可同时流动，因此信息处理速度极快，通常作为数字主机的一个透明插件，以加快软件模拟的速度，故也称为神经网络的协处理机，是ANN在数字计算机上实现的较为理想的处理硬件为了解决用电路方法进行巨量神经元连接无法实现的问题，采用光电集成技术制作的光神经元、光互连器件、光神经芯片也己出现，并成功地应用于模式识别、联想记忆等方面这是ANN芯片技术的发展方向当然，要使ANN信息处理能力完全实现，还有赖于新一代智能计算机一神经计算机的出现ANN在电力系统中的应用研究3.1故障诊断要保证电力系统的安全运行和实现电力设备由定期检修转变为状态检修，如何准确地进行电力设备的故障诊断，一直是受关注的焦点之一。而这类故障的征兆错综复杂，往往呈现出非线性和不确定性，很难用某一确定的逻辑或算法进行识别而这种识别恰好是ANN所擅长的变压器的故障诊断是ANN在电力系统应用研究中较早提出的一个课题当变压器内部出现异常时，都会在绝缘油中产生异常气体，将反映变压器绝缘油的特征元素以及油温、油压各种噪声和绕组直流电阻、绝缘电阻介质损等信号汇集成一个样本集，对ANN进行学习训练，网络投入实际运行后，即能对各种可能的异常故障作出正确的诊断。文用6个ANN组成模块化结构的变压器故障诊断系统，其中5个模块接受不同的分类信息作出各自的判断，汇集到第6个模块作综合分析后给出*终的诊断结果。这一故障诊断系统可正确的判断变压器内部焊接不良、绕组击穿、铁芯接地等各种故障，正确率达90%以上ANN在电机状态监测与诊断上也有用武之地，由于电机故障机理的复杂性，很难形成可信的故障诊断判据来衡量这些扰动信号的严重程度，环境噪声的干扰影响也很大，而解决这类非线性不确定性问题正是ANN的长处，文提出一种联想记忆神经网络，取零序电流、定子不对称电流及其变化率等电测参数为故障征兆，通过网络的联想能效地处理各种模式并存的故障诊断问题并且容错性好，能有效抑制现场噪声干扰，使诊断系统具有良好的鲁棒性对于汽轮发电机组或其他动力设备的机械故障，常通过振动特征的异常反映出来，据统计机组90%以上的故障反映为振动故障，文以振动的特征频率为输入矢量，使用一个能够自动适应输入数据变化给出正确判断结果的所谓自组织特征映射ANN来作故障诊断，使用这种在线检测系统可大大减少定期维修的盲目性，降低检修费甩运行中的高压电缆，通常接头处的绝缘破坏可能性居大，绝缘的破坏总有一个发展过程，起初往往是在绝缘内的间隙处发生电晕放电现象并持续一段时间，文利用ANN判断绝缘破坏前的电晕放电波形和一般噪声波形的区别，经过学习对故障波形判断的准确率在99%以上利用这个诊断系统，曾对日本大阪都地区地下埋设电缆的163个接头进行检测，查出其中28个接头处有早期故障征兆并给予修复，避免了将要发生的故障在电网故障诊断中，文提出了基于ANN的故障定位方法。使用3层前馈神经网络，以保护和开关的状态作为输入，用全局逼近的BP算法完成故障的快速定位，便于控制人员及时处理故障ANN故障诊断在高压输电线路断股检测、绝缘子在线检测以及电气测量等方面也有应用介组3.2智能控制在电力系统中利用ANN实现智能控制，就是利用其估计和联想的能力，实现系统状态与参数的识别和控制，这己在多种控制结构中如自校正控制、模型跟踪控制、预测控制等控制中得到应用。良好的励磁控制是改善系统稳定水平的措施之一，文应用4层BP网络对发电机运行方式和系统干扰进行精确在线识别，并以此为基础设计了一种*优励磁调节器模型，计算与仿真结果表明，这种调节器比固定点线性励磁方式具有更强的稳定性能和动态品质，在系统运行方式较大的变化范围内都能提供很好的控制性能，在大小扰动下均表现出很好的阻尼特性和良好的电压性能消除了由于系统参数变化，而使励磁控制并非在*佳状态的问题力快速准确地进行电机早期故障的双向诊断，能blis个甩于判断并给出控制决策而文基于品的etbookmark2对于大电网的稳定控制问题，文采用2个BP网络构成电力系统稳定器（PSS）的模型，其中1个在系统功率摆动中估计发电机的输出功率，另一自适应励磁控制、快控汽门控制和动态电阻掣动的综合控制器，使三者达到*佳协调，研究表明，可以靠ANN励磁控制使远端发电机静稳极限达到机端电压恒定的线路功率的极限，再靠快速励磁快控汽门和电阻掣动三者的协调使发电机在瞬时故障和永久故障下的暂稳极限都接近事故前的静稳极限，从而大大改善了系统的静稳极限和暂稳极限。 文提出了用ANN来进行电力系统的实时切负荷控制，力图减少采用的逻辑判断或控制策略表的方法适应性差和误差较大的不足选用的是多输入单输出的单层前向神经网络，选取185个样例进行网络训练后，在西北电网模拟某线路故障失去了700MW电源时，稳定控制切负荷误差小于0.5MW的比例达81. 5%，*大误差在2~3MW之间的仅为％，显示了较好的控制特性。 在变电站电压和无功综合控制中，现在的控制策略仍存在着调节的盲目性和不确定性，文提出基于ANN的无功预测以及和模糊控制相结合的调节决策系统，将前几个工作日的同一时刻无功负荷作为输入、预测出当天同一时刻的无功负荷，这种预测以无功变化趋势为指导，能在无功基本平衡和保证电压合格的前提下，可将变压器分接头的调节次数降低到*少，减少了频繁动作分接头带来的故障几率消除了盲目调节3.3继电保护继电保护是电力系统安全运行的重要保障之一，随着电力系统的发展，常规的继电保护技术己经不能完全适应需要，利用ANN组成的保护装置可用各种系统参数组合模式识别线路故障文介绍了基于ANN的方向高频保护，这个模型选取输电线路各相电压电流、零序电流的变化等14个特征量作为输入特征量，判断ABC三相故障和接地故障正方向5个量作为输出量构成3层BP网络，收集被保护线路的故障参数样本对网络进行训练，仿真测试表明，所实现的高频保护不仅在各种复杂运行方式和故障条件下能正确地识别各种故障，而且在整个时域都能保证有准确的识别能力，可满足作为超高压线路主保护的要求文则提出了用3个ANN构成的距离保护模型，这种距离保护模式完全抛弃了阻抗继电器动作特性的概念。3个子网分别用于振荡识别、故障A/D转换提取特征量后加于各输入，3个子网的输出经过综合判断给出系统所处的状态，在保护起动且有区内故障发生时，按故障相别发出保护跳命令并给出保护起动、故障相别系统有无振荡等到信号。仿真结果，对于线路全长的85%内的故障，动作时间小于26ms，对于线路全长的7（%以内的故障，动作时间小于16ms小波变换具有很强的特征提取功能，文提出了基于小波变换和ANN的保护模型，其输入特征量经过小波变换，也选用了3个三层的BP网络用于判断故障种类，故障性质和故障定位用200个故障信号分别对网络进行训练，然后用未经训练的100个故障信号对网络进行测试，结果故障种类和故障性质的判断正确率可达100%，对线性短路故障的位置判断正确率为94%，非线性故障（如经非线性过渡电阻接地）的判断正确率为9%.另外，文也介绍了ANN构成的自适应自动重合闸模型，能较好地判别各种情况下瞬时性故障与永久性故障以励磁涌流作为识别量的变压器保护，由于参数的不确定性，往往会造成误判断。文使用3层前向网络构成变压器保护模型，取变压器2端的电流和其他故障特征量进行综合判断。经大量样本训练后，可准确判断变压器的励磁涌流和各种故障3.4优化运算由于ANN能够建立任意非线性的模型，并适于解决时间序列预报问题，尤其是随机平稳过程的预报，因此电力系统短期负荷预报是其应用研究的一个重要方面，文以3个ANN构成负荷与天气变化量的周、日时3个预报分析系统，气象参数和预测周、日、时前某段历史负荷参数作为网络的训练输入参数，各自产生独立的预报，再综合产生*终的预报目前，这个系统己在美国的20多个电力公司得到应甩检测和选相I来：自FAtdgS二次侧的电流电压络接口成11个gANNH与电力系统网络混联etbookmark3文用ANN进行电力系统暂态稳定的分析计算，使用的是多层感知器模型，取故障后的系统状态为特征矢量，先对样本矢量进行聚类区分，以加快神经网络的学习效率。可预测出系统的稳定性和故障极限切除时间计算表明，在计算精度和速度上都优于传统的时域积分计算方法。而文则用ANN建立发电机、励磁系统和调速系统的详细模型，把这三部分的模型连接起来并与电力系统网的系统，这种混联系统的暂态稳定计算结果与用常规机理模型的计算结果几乎相同为实现ANN并行、快速、在线处理电力系统实时计算提供新途径ANN的大规模并行处理功能适应于电力系统的潮流计算，文给出了基于ANN的电力系统潮流并行算法，利用系统运行模式向ANN提供训练样本，并用灵敏度分析提高计算精度，从而有效压缩样本空间，为算法的快速性提供了保证。除上述介绍之外，ANN在机组*优组合、电力系统发展规划、优化经济运行和调度等方面的应用研究也取得了一定的成果ANN的应用展望作为一个新的信息处理理论，ANN的应用在理论与实践中还有一些问题有待于进一步的研究和探讨。如ANN在学习上还存在收敛速度慢、在收敛过程中可能存在局部极小而停止网络记忆稳定性不够等问题虽然采取了一些克服局部极小和加快收敛速度的算法，如模拟退火算法遗传算法、同伦算法等，并且提出了不少改进的ANN模型，但仍缺乏完全克服缺陷的理想方法另外，ANN的并行处理的信息分布储存机制还不十分清楚，如何选择合理的网络结构还没有充分的理论依据。这些都需要进行深入的研究，以期建立起一套完整的理论体系对ANN输入特征量的合理处理是其应用的一个重要问题，在这方面采用分类非线性预处理等方法对加快ANN的处理速度有良好的作甩而近几年兴起的小波变换方法，由于其克服了付里叶变换不能对信号进行局部化分析的缺点，同时具有很强的特征值提取功能，特别适用于故障信号的分析，经小波变换处理后的信号作为神经网络的输入，可使网络大大提高抗干扰性并加速收敛所以小波分析与ANN的结合将在电力系统控制、保护、故障诊断等方面发挥更大的作用。 随着人工智能技术的发展，ANN与专家系统和模糊控制的综合对电力系统这样一个复杂的动态大系统来说，应用潜力更大ANN的形象思维能力，专家系统的逻辑思维能力和模糊逻辑这三者的结合，可体现出各自的优势，互相弥补各自的不足事实上ANN在电力系统中的应用相当一部份是由ANN与专家系统的结合，ANN与模糊逻辑模拟智能的实现。 虽然ANN在电力系统中应用己做了大量的研究，但是总体上来说仍停留在理论分析和仿真实验上，真正应用于工程实践的尚只是凤毛鳞角，因此必须加强理论研究与实际工程应用的结合，加快较成熟应用模型的产品化工作，建议可先在状态检修在线监测等电力系统有较迫切需求的领域中，寻找实际应用的突破口。使ANN构成的故障诊断，智能控制等各种模型的研究成果能尽早为电力系统的安全运行服务ANN在数字计算机系统中的模拟实现，并未发挥其*佳优势，ANN的广泛应用还有赖于神经芯片技术的发展因此，有一个良好的微电子工业的支持，将会使ANN的应用如虎添翼，ANN在工程实际中广泛应用又反过来会刺激ANN芯片制造业的发展，二者相辅相成研制开发通用型价格低廉的ANN芯片也是实现ANN工程应用的重要一环。可以预期，随着更多的ANN芯片以及神经计算机的出现，必将给ANN及其在电力系统中的应用创造更好的硬件环境