人工神经元网络在电力系统中的应用研究

人工神经元网络在电力系统中的应用研究摘要：随着电力工业的发展，人工神经元网络（ANN）在电力系统中获得了广泛的应用。本文概述了人工神经元网络的特点、基本结构以及发展过程，并对ANN在电力系统中的具体应用做了详细的论述。最后，对人工神经元网络的发展趋势和在电力系统中的应用前景进行了展望。关键词：人工神经元网络（ANN）；电力系统；应用前景;展望中图分类号：TM77TP183文献标识码：AApplicationandresearchofArtificialNeuralNetworksinpowersystemAbstract:Withthedevelopmentoftheelectricpowerindustry,artificialneuralnetworks(ANN)havebeenpromptingsmoothlyinpowersystem.Thisarticleprovidesanoverviewofartificialneuralnetworkcharacteristics,thebasicstructureanditsdevelopment,thespecificapplicationsofANNinpowersystemarediscussedindetails.Finally,theANN’sdevelopmenttrendsanditsapplicationprospectsinpowersystemareforecasted.Keywords:ArtificialNeuralNetworks(ANN);powersystem;Applicationprospects;expectation人工神经网络，是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。人工神经网络具有四个基本特征：非线性、非局限性、非常定性、非凸性。然而，ANN没有智能，它只是表现了人们常常认为与智能相关的某些能力，如学习，交流，感知，推理[1]。经过近十几年的高速发展,电力系统的规模已迅速地扩大,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、预测等方式已不再能完全适应这种发展的需要。人工神经网络理论,作为人工智能的一个最活跃的分支,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[2]。1ANN发展过程1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。60年代，人工神经网络的到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。1982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究。人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。2ANN的特点与结构人工神经网络的研究与发展及神经生理科学、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。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。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。单个神经元网络的简化结构图如图1：图1简单神经元网络及其简化结构图图1中(a)为简单神经元网络图;(b)为简化后的网络示意图。(1)代表细胞体；(2)代表树突；(3)代表轴突；(4)代表突触。根据神经元之间连接的拓扑结构上的不同，可将神经网络结构分为两大类：分层网络，相互连接型网络。分层网络将一个神经网络模型中的所有神经元按功能分成若干层，一般有输入层、隐层（又称中间层）和输出层各层顺序连接，如图2所示。图2分层网络结构图分层网络可以细分为三种互连形式：简单的前向网络；具有反馈的前向网络；层内有相互连接的前向网络。图3简单的前向网路结构图图3中（a）简单的前向网络形状；（b）输出层到输入层具有反馈的前向网络；（c）层内有相互连接的前向网络。相互连接网络：是指网络中任意两个神经元之间是可达的，即存在连接路径，如图3（d）所示。神经网络的具体模型虽然不尽相同，但是应具有以下共同特征：（1）以大规模并行处理为主；（2）采用分布式存储；（3）强调自适应，自学习过程。目前，已有的人工神经网络模型至少有几十种，其分类方法也有多种。例如，若按网络拓扑结构，可分为无反馈网络与有反馈网络；若按网络的学习方法，可分为有教师的学习网络和无教师的学习网络；若按网络的性能，可分为连续型网络与离散型网络，或分为确定性网络与随机型网络；若按突触连接的性质，可分为一阶线性关联网络与高阶非线性关联网络。但是最常用的包括以下三种模型：感知机、反向传播模型、Hopfield模型（离散或者连续）。神经网络神经元的输出矢量可以表示为：(*)()jjAfWPbfwpb（1）从（1）式可以看出偏差被简单地加在*WP上作为激活函数的另一个输入分量。实际上偏差也是一个权值，只是它具有固定常数为1的输入。在网络的设计中，偏差起着重要的作用，它使得激活函数的图形可以左右移动，从而增加了解决问题的可能性。神经网络的学习过程就是不断调整网络的连接权，以获得期望的输出的过程。典型的权值修正方法有两类:相关学习法，误差修正学习法。（1）相关学习法如果神经网络中某一神经元与另一直接与其相连的神经元同时处于兴奋状态，那么这两个神经元间的连接强度应该加强。相关学习法是根据连接间的激活水平改变权值的，相关学习法也称Hebb学习规则，可用一数学表达式表示为：(1)()(),()jijiijWtWtxtxt（2）式中，(1)jiWt表示修正一次后的某一权值；称为学习因子，决定每次权值的修正量，(),()ijxtxt分别表示t时刻第i、第j个神经元的状态。（2）误差修正学习法根据期望输出与实际输出之间的误差大小来修正权值。误差修正学习法也称δ学习规则，可由如下四步来描述；1）选择一组初始权值和偏差值；2）计算某一输入模式对应的实际输出与期望输出的误差3）更新权值（偏差值可视为输入恒为-1的一个权值）(1)()()()()ejijijjiWtWtytytxt（3）式中，为学习因子；()ejyt，()jyt分别表示第j个神经元的期望输出与实际输出；ix为第i个神经元的输入；4）返回步骤（2），直到对所有训练模式，网络输出均能满足要求。3ANN在电力系统中的应用目前，ANN已用于负荷预测，警报处理，控制等方面，它已经从研究阶段转为实际应用。3.1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,这已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。范澍等[3]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最优励磁调节器模型,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。袁宇春等[4]提出了用ANN来进行电力系统的实时切负荷控制，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显示了较好的控制特性。3.2优化计算由于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。ANN的大规模并行处理功能适应于电力系统的潮流计算,李卫东等[5]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。姜齐荣等[6]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络接口,形成一个ANN模型与电力系统网络混联的系统,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。3.3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。ANN在电机状态监测与诊断上也获得了成功的应用。何雨傧等[7]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,通过网络的联想能力快速准确地进行电机早期故障的双向诊断,能有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。在电网故障诊断中,ZEAygen等[8]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。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。袁宇春[4]等用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做出各自的判断,汇集到第6个模块作综合分析后给出最终的诊断结果。3.4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已经不能完全适应需要。党德玉[9]提到一种基于小波变换和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。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96%。张海峰等[10]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。段玉倩等[11]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，结果表明，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70%以内的故障,动作时间小于16ms。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、光神经芯片也已出现,并成功地应用于模式识别、联想记忆等方面。此外，ANN在输电容量限制条件下经济调度、基于同步相量测量的电压安全监控、电厂控制、HVDC的电流控制器等方面也得到了研究与应用。4ANN在电力系统中的发展趋势ANN在电力系统中应用已做了大量的研究,但是总体上来说仍停留在理论分析和仿真实验上,因此必须加强理论研究与实际工程应用的结合，例如可在状态检修、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。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