<acronym id="6i0ao"><small id="6i0ao"></small></acronym>
<acronym id="6i0ao"><center id="6i0ao"></center></acronym>
歡迎來到文庫吧! | 幫助中心 堅持夢想,走向成功!
文庫吧
首頁 文庫吧 > 資源分類 > DOC文檔下載
 

外文翻譯--調試人工神經網絡來區分勵磁涌流和內部故障-其他專業.doc

  • 資源ID:7429       資源大小:603.00KB        全文頁數:40頁
  • 資源格式: DOC        下載權限:游客/注冊會員/VIP會員    下載費用:10
游客快捷下載 游客一鍵下載
會員登錄下載
下載資源需要10元   |   0.1元文檔測試下載

支付方式: 微信支付    支付寶   
驗證碼:   換一換

      加入VIP,下載共享資源
 
友情提示
2、PDF文件下載后,可能會被瀏覽器默認打開,此種情況可以點擊瀏覽器菜單,保存網頁到桌面,既可以正常下載了。
3、本站不支持迅雷下載,請使用電腦自帶的IE瀏覽器,或者360瀏覽器、谷歌瀏覽器下載即可。
4、本站資源下載后的文檔和圖紙-無水印,預覽文檔經過壓縮,下載后原文更清晰   

外文翻譯--調試人工神經網絡來區分勵磁涌流和內部故障-其他專業.doc

編號 中文4986字 畢業設計外文翻譯 院 (系) 機電工程學院 專 業 機械設計制造及其自動化 學生姓名 學 號 指導教師單位 機電工程學院 姓 名 職 稱 題目類型理論研究 實驗研究 工程設計 工程技術研究 軟件開發 2013年3月18日 調試人工神經網絡來區分勵磁涌流和內部故障 出處IEEE Transactions on Power Delivery, Vol.9, No1, January 1994 摘要--經過調試的前饋神經網絡(FFNN)區分電力變壓器勵磁涌流和故障電流。所用的調試算法是反向傳播,假定最初的S型傳遞函數為網絡處理單元(“神經元”)。那么網絡進行訓練單位的傳遞函數改為硬限幅器的閾值等于在調試中的S形偏差。本文展示一個FFNN可被視為一種替代方法,使數字繼電器在浪涌和故障電流之間實現判別。 關鍵詞 浪涌電流,變壓器保護,數字式繼電器,神經網絡。 1、簡介 任何電源變壓器保護方案,都要考慮到勵磁涌流的影響,因為這種效應可能導致繼電器的誤操作 [1]。避免由于浪涌電流跳閘兩個經典的方法是1)實施保護裝置中的延遲, 2)根據所測量的電流的諧波含量,抑制或阻斷繼電器動作。第一個解決方案已被用于初級過電流保護和在差分格式中。然而,這是不理想的,因為延遲內部故障跳閘時間存在潛在危險。第二個解決方案是基于浪涌電流的第二次高次諧波分量明顯地大于典型的故障電流[2],在此基礎上檢測到第二(有時第五次)諧波,提出并實現了模擬和數字兩種差動繼電器,并取得良好的效果[3,4,5,6,7]。在最近的論文[8]報道,在某些情況下,高次諧波產生變壓器的內部故障期間,如果測得的過電流是一個浪涌或內部故障,那么所述的第二或第五諧波檢測是不充分的指標。 該論文中,在提出的方法的基礎上使用一個主相電壓作為控制信號。也有隱式勵磁涌流的變壓器保護方法[9,10]和提出其他一些有效的方法檢測浪涌[11,12]。 本文中所描述的是在檢測方法的基礎上確認其波形,更確切地說,在鑒別其波浪形是故障波形還是浪涌電流。可以以不同的方式來完成這種調試,最常用的方法之一,使用信號的諧波分析,而有些則是基于使用神經網絡。這里闡述的是在演示實驗中,一個前饋神經網絡作為一種替代方法,用來區分浪涌電力變壓器中的磁化電流和內部故障的網絡和它的調試過程中。適于在數字式保護繼電器實現該目標。 2、網絡的特點 2.1 概述 一個前饋神經網絡的一般結構在圖1中示出。這個網絡的最重要的特征是1)用層的分組處理單元。 圖1 一般的FFNN架構 2)處理器互連isorganized的所有輸入到一個層來專門在之前的一些層(所使用的特定FFNN沒有跳過層的連接)的輸出。基本方程定義這種FFNN方式計算其輸出給定的輸入向量列于附錄1。 FFNN調試過程包括確定的權重W(“)和單位的施力B(M),以便在給定的方式,使網絡響應。在這項工作中所使用的調試方法是眾所周知的反向傳播算法[13,14,15,16]。使用反向傳播的調試過程中,附錄2給出了一個基本的描述和定義的調試矩陣。 2.2 輸入 - 輸出 使用的FFNN執行部分被約束在當前分類問題中,也有一部分是由現有的數字繼電器系統組成。以下標準在此基礎上,可以說1)數字繼電器基于其操作的樣品測得的量(電流,在這種情況下)。采樣率和數據窗口的變化取決于這種應用。對于這種特殊情況,使用一個周期的長度窗口,似乎是合乎邏輯的,因為NN能識別到它的波形。 圖2.1 PERMISSIVE的涌流檢測 圖2.2 抑制涌流檢測操作 圖2 使用兩種可能的實現的浪涌檢測功能的保護繼電器的簡化框圖 2)如在圖2中所示,識別浪涌的功能是附件,即,假定它具有不同功能的數字繼電器,來實現電源變壓器的保護(例如,初級過流或差分原理),浪涌檢測可以被用作用于中繼的許可操作,或抑制繼電器動作。這樣的組合的方式是獨立的,這兩個函數(浪涌檢測和保護),可能會使用相同的采樣率。每個周期12個樣本(720赫茲),被選為樣本,在不同的數字繼電器設計的采樣率。 3)事實上上述界限的問題作為設計FFNN之一,給定的變壓器電流的樣本的序列,它可以區分兩個波形問題。一個好的方法允許有一個確定的網絡,如果輸入電流是或不是一個浪涌,這意味著神經網絡的輸出端的數目(在輸出層中的單位數)NN必須是1,必要的指示“真”,“假”或“1”,“0”,如在3.2節中。在這種情況下,它被選擇網絡的輸出為0時,所施加的電流是一個的浪涌電流,輸出為1時,它不是一個浪涌。 2.3 基本架構 圖3中所示的功能塊用于實現上節中所述的目標。這種網絡有時也被稱為時間延遲神經網絡[16],最近已在另一個電力系統中應用[18]。前饋網絡也應用到高阻抗故障檢測,成效顯著[19,20]。注意,圖3中給出的方案是相當于圖1的方案,如果輸入是等于輸入x(t)的樣本,換言之,網絡將接收每個窗口中的12個樣品的每一個采樣周期,而且必須是這12個樣本(即一個周期),這意味著必須確定為12的輸入的數量。在4.1節中描述的方法是層(完全定義在這一點上,是唯一的層,輸出層)的數目和在每一層上的單元的數目是由啟發式過程確定的。 圖3 延時網絡 3、培養策略研究 3.1 調試實例 由于網絡上有區分兩種信號,為此目的準備了兩套例子勵磁涌流情況下和故障情況下。 浪涌情況下,在實驗室中,50 VA,120240V,對網絡進行調試,采取隨機的小功率變壓器通電,得到可允許范圍內的浪涌電流的形狀(6例采樣速率為浪涌信號,測得周期每60赫茲的最初84個樣本,然后重新取樣(7倍的速率),以獲得所需一個周期的12個樣本。圖4示出的一些調試浪涌信號。 故障的情況下,由計算機生成的,其中一些使用電磁瞬態程序[23],其他的故障的信號由簡單的故障信號(一個RL電路的響應),第三組故障類似第二,第三和第五次諧波組成。 圖4 四個浪涌實例 浪涌由兩種特殊情況下的零電流(指示變壓器斷電)和負載電流(與變壓器的負載電流等于一個簡單的正弦波)組合在一起。對于每一個情況下,在每個周期的12個樣品采樣信號(與窗口長度等于一個周期)和樣品的總量是有限的,有大約100個??窗口(即每個情形下,1.67秒)。 3.2 數據窗口和培訓矩陣 網絡進行調試,當產生一個0的輸出時,所提出的信號是一個的浪涌電流,一個零電流或滿負載條件下用這樣的方式構建的調試矩陣;其他情況下1輸出(作者不否定該方法可以用來做所有的保護功能,這將需要更多的研究來證明這一點)。 載體PJ建立在以下的情況下,這些向量的定義(見附錄2)。假設信號的第一個特征是由序列 (1) 這意味著,一個序列有112個樣本。第一矢量p 1的元素對應于第12個樣品的i,矢量的p2的條目是來自i2到I13的12個樣品,等等,直到完成第100列的矩陣P的例子中定義EQN。 (A-11)和(A-13)。重復同樣的過程,每個信號,直到具有936列(實施例中,定義的數目)的示例矩陣。這個矩陣,使得構建的第一600例子是對應于浪涌的例子(所需輸出 O),和其他336例子對應于故障(所需輸出1)。由于FFNN只有一個輸出,矩陣D成為水平的936個元素的向量, 600條目是“0”,其他336均為1。在實踐中,使用的是0.1的目標性,這意味著調試產生的反應為0.9或更大,0.1或更少代表其他類的網絡。這是必要的,因為非線性的偏差函數的性質是這樣的,它不能假設0.0或1.0的精確值 3.3 訓練過程 調試矩陣P和D的定義,反向傳播算法就應用于問題中。 MATLAB神經網絡工具箱是應用于[24]此目的的。Trainbp功能是采用Sigmoid函數和學習率在0.01和0.1之間可變。容許誤差(總和的時代中的平方誤差)為0.1,它是必要的,目前在200和60萬次之間,這取決于網絡的大小(單位的數目)和學習速率的訓練矩陣。 4、提高網絡 4.1 網絡測試和修剪 正如在第2.2節中提到的,它是希望將網絡應用在數字繼電器實現。這意味著速度和精度之間的折衷。正如眾所周知的,FFNN分類時間(所需的時間,以產生一個輸出,給出一個輸入)依賴于在網絡中的單元的數目,所以它是非常重要的,具有最低的單位數,但在不危及的質量的情況下分類。圖5示出了用于此目的的架構的測試。 圖5 測試架構 訓練過程中,第一次嘗試,如在圖5a所示的一個3層的(2 - 隱藏),1221 FFNN。另一組實施例(用于訓練比設定的不同),這給了成功測試的結果。其結果為了達到這個網絡的誤差范圍,只有約200時代是必要的,鼓勵作者嘗試更小的網絡。事實上,在修剪網絡的過程中,圖5所示,調試硬件架構,直到出現不允許的結果為2 - 層(1隱藏),41 FFNN圖5f。從不允許的結果看,作者的認為,通過停止訓練來達到降低錯誤的目的幾乎是不可能的。 4.2 硬限幅器單元 一旦網絡與s形單元調試得到了良好的效果(見圖6a),那么單位轉換函數改為硬限幅器(見附錄1)。這種變化提高了神經網絡的計算速度,因為它比S形單元(見方程(A-6)和(A-7))需要更少的計算時間來實現硬限幅器(單位階躍)。事實上,一個硬限制器是相當于一個IF語句。在這變化中存在隱性風險,在某些情況下的近似S形的單元階躍可能產生不允許的錯誤。通過硬限幅器,得到一個單元的輸出,通過比較單元的輸入 (2) 得到本機的偏置量b。 5、結果 圖6和圖7顯示的結果后得到的與合理的測試的例子(即實施例中是不同的從用于調試的測試網絡,但具有相同的形式)。 圖6 不同的測試結果. 兩個測試矩陣(類似于矩陣P)的形成在矩陣的結束時,只有涌流情況下,含有勵磁涌流的實例和用于訓練的故障實例加上人工創造的浪涌信號是不同的,。這最后一組的例子可以被認為是惡意的,因為錯誤的例子是一組從一個類似于勵磁涌流波形獲得的例子混合,它是由一個數學方程構成的。 事實上,勵磁涌流為6 2 1網絡的分類的正確率為100,故障和人工涌流的例子97.1是正確的,勵磁涌流的例子為6 1網絡的分類正確率99.6,對于故障和人工涌流實例94.6是正確的。這個百分比是通過實例計算實例(每個樣品的測量時間),這并不意味著網絡出現故障。使用該算法,如果繼電器的誤操作,可避免繼電器立即輸出,采用積分器交替,浪涌檢測。該方案已經應用在模擬和數字繼電器,以確保正確的操作。 表1顯示了一些與網絡相關的重要的數據,如圖5所示。網絡被歸類為好或差的性能(性能好意味著網絡可以對錯誤的目標和測試作充分回應)。從表中的說明,該網絡具有良好的性能,最小的單元數是2層61圖5e中所示的網絡。這意味著,,考慮的偏差固定(可以被預先加載在系統的存儲器中),一個數字繼電器執行(12樣本每個周期),將具有能夠78的標量乘法,71和7比較,以便識別的浪涌電流(IF語句)。因此,繼電器應該能夠執行所有這些操作和保護功能在一個周期的十二分之一內,也就是1.4毫秒。這對于以現代微處理器為基礎的系統是合理的。 圖7 不同條件下的測試結果 6、討論 6.1 質量泛化 質量泛化是任何神經網絡應用中的關鍵點。在這種情況下出現信號的問題。浪涌實施例中,訓練和測試實施例中,這兩個套方法測定變壓器是相同種類的。這可能會產生不確定的結果,是不切實際的,因為它帶有浪涌上測量的特定的變壓器,其中該網絡是將要施加的例子對網絡進行調試。然而,如前所述,網絡響應時,人為制造的浪涌信號了,實驗表明神經網絡推廣了基于勵磁涌流的形狀,超過對變壓器的設計。作為一個初步的調試不需要如此特殊,在這里提出用具有相似特征的勵磁涌流的繼電保護變壓器調試神經網絡的變壓器的方法。 應該指出的是表示外部故障的事件中得到的差動電流的信號,當一個電流互感器的飽和后,就不使用。這樣的例子可以包含在“非浪涌”的情況下,因為沒有理由不能調試網絡。作者們認為,在這種情況下的電流波形接近浪涌情況下的。 由于沒有考慮相鄰變壓器通電的影響,但是沒有理由說,網絡訓練來不考慮這種效果。當然,這意味著在實例集的增加,會影響調整的時間。這個問題和其他細節,如果采用變采樣率,需要提供一個成熟的算法。 6.2 時間的考慮 所提出的方法識別勵磁涌流的必要的時間會比保護算法本身(例如在一個數字微分lrelay計算電流的大小基于全周期傅里葉算法)長。這可能是神經網絡方法的一個薄弱環節,但隨著現代微處理器的速度,它不是一個大問題。速度更快的硬件,使得算法的數字繼電器的設計更加注重安全方面,而不是最小化的算法步驟數。在最終的實際應用,運行時間將由硬件確定(輸出電路,和其他組成部分)。 6.3 物理意義的權重 一個基于實驗調試的神經網絡系統設計的有關問題是網絡參數物理意義的缺乏(權重和偏差)。神經網絡的研究似乎是一個很好的例子。作者試圖找到一個關系,FFNN參數和數字濾波器系數的方程之間的相似性。(2)數字濾波方程。方程作為等式的數字濾波器的頻率響應。(2)已經(或繼續)研究但沒有模式已被發現。 7、結論 實驗已經表明,一個前饋神經網絡可以用來區分在電力變壓器的勵磁涌流和故障電流。可以使用s形的調試神經網絡,然后執行硬限幅器單元提高網絡的計算速度 在實際應用中所提出的方法是依賴于以下內容 1.概括涌流和故障實例的質量必須具有代表性,繼電器將被安裝的變壓器和系統。 2. 微處理器系統被用于實現速度傳遞。。 盡管目前神經網絡可能應用來實現一些保護繼電器功能的研究,但是神經網絡的這些應用程序應該被考慮到這項工作中。今后的工作將有助于找到物理意義的權重和適用性的方法。 致謝 作者要感謝他們的部分資金支持,LASPAU FUNDAYACU - CHO,玻利瓦爾大學和施韋澤工程實驗室。也感謝理查德貝克博士對他的幫助下在電源的浪涌測量實驗室,和軟件公司Toolworks的提供了一個早期版本的MATLAB神經網絡工具箱。 附錄1 本附錄的主要目的是作為一個指南文件中使用的符號和術語。參照圖1,輸入到一個給定的單位,在層被定義為[15,16] (A-1) 其中 (A-2) 是矢量,其元素是輸入單位m層,即,輸入矢量m層, (A-3) W是矢量,其元素代表與輸入為的連接權重從單元到層,是該層的輸入的數目,和上標表示矩陣或向量換位 矢量可被組合在一個單一的矩陣 如下所示 (A-4) 單元的輸出的第層上被定義為 (A-5) 其中,f是一個非線性函數,是單位偏差。根據不同的應用,此功能可采取不同的形式。在這項工作中,只有兩個這種形式使用,S形函數,其定義為 (A-6) 和硬限幅器功能(單位階躍,或Heaviside函數) (A-7) 見圖(A-1)這兩個函數的圖形描述。 圖A-1 硬限幅器的功能 這些方程可以被分組在一個矩陣方程如下 (A-8) 其中 (A-9) 矢量是m層單元的輸出。在本文中,網絡的輸入。 是一個非線性矢量的功能,與在eqns中定義的元素。 (A-6)和(A-7); (A-10) 它是一個矢量,它包含m層單位的偏差。 因此,一個M-1層妮輸入FFNN具有式(A-8)在 M的評估,即,存在一個輸出矢量和各自輸入矢量x的輸出。 附錄2 基本上,反向傳播由一組實施例()的演示,和所需的輸出。對于每個更新的權重和偏差,根據一個規則(反向傳播[13,14,15,161),這是最小的平方距離之間的預測值與所期望的產出。實施例和所需的輸出可以被分組在兩個矩陣,P和D(調試矩陣),如下所示 (A-11) (A-12) 或者,在擴展符號 (A-13) (A-14) 其中,是輸入,輸出和實施例中,分別的數目。 參考文獻 [1] IEEE Std. 37.91-1985. IEEE Guide f o r Protective Relay Applications to Power Transformers. [2] Sonnemann, W. K., Wagner, C. L., Rockefeller, G. D., Magnetizing Inrush Phenomena in Transformer Banks, AIEETransactions, Vol. rr, part. 111, pp 884-892. Oct. 1958. [3] Blackburn, J. L. Protective Relaying. Principles and App h z t i o n s , Elect. Eng. and Electronics Series, Marcel Dekker, INC, NY, 1987. [4] Applied Protective Relaying Reference Book, Westinghouse Electric Corporation, Relay Instrument Division, 1976. [5] Hayward, C. D., “ Harmonic-Current-Restrained Relays for Transformer Differential Protection,” AIEE Transactions, Vol. 60, 1941, pp. 377-382. [6] Sharp, R. L., Glassburn, W. E., “A Transformer Differential Relay with Second Harmonic Restraint,” AIEE Transactions ,Vol. 77, Dec. 1958, pp. 913-918. [7] Phadke, A. and Thorp, J. Computer Relaying for Power Systems, John Wiley Sons, NY, 1988. [8] Liu, P., Malik, 0. P., Chen, D., Hope, G. and Guo, Y. “Improved Operation of Differential Protection of Power Transformers for Internal Faults”. IEEE PES Winter Meeting, NY, Jan. 1992. Paper No 92WM206-3 PWRD. [9] Phadke, A. and Thorp J. “A New Computer Based, Flux Restrained, Current Differential Relay for Power Transformer Protection,” IEEE Transactions in Power Apparatus and Systems ,Vol. PAS-102, NO 11, NOV. 1983, pp 3624-3629. [lo] Schweitzer, E.O., Larson, R.R. and Flechsig A.J. “An Efficient Inrush Detection Algorithm for Digital Computer Relay Protection of Transformers,” IEEE PES Summer Meeting, Mexico City, Paper No 77 510-1, July 1977. [ll] Sidhu T. S. and Sachdev M. S. “On Line Identificationof Magnetizing Inrush and Internal Faults in Three-phase Transformers” IEEE PES Winter Meeting, NY, Jan. 1992. Paper No 92WM205- 5PWRD. [12] Sidhu, T. S., Sachdev, M., Wood, H. C., Nagpal, M., “Design, Implementation and Testing of a Microprocessor Based High-speed Relay for Detecting Transformer Winding Faults,” IEEE Transactions on Power Delivery, Vol. 7, NO 1, Jan. 1992, pp. 108-1 17. [13] Rumelhart, D.E., Hinton, G.E., and Williams, R., “Learning Internal Representations by Error Propagation”, in D. Rumelhart and J. McClelland Eds., Parallel DistTibuted Processing, pp. 318-362. Cambridge, MA MIT Press, 1986. [14] Werbos, P. J., Beyond Regression New Tools for Prediction and Analysis in the Behavioral Sciences, Doctoral Dissertation, Applied Math, Harvard University, Nov. 1974. [15] Widrow, B., Lehr, M. A., “30 Years of Adaptive Neural Networks Perceptron, Madaline, and Backpropagation,” Proceedings of the IEEE, Vol. 78, NO. 9, Sept. 1990, pp. 1415-1442. [16] Hertz, J., Krogh, A., Palmer, R., Introduction to the Theory of Neural Computation, Addison-Wesley, 1991. [17] Sachdev, M. S. Co-ordinator, “Microprocessor Relays and Protection Systems,” IEEE Tutorial Course Text, Publication No. 88EH0269-1-PWR, 1988. [18] Mori, H., Itou, K., Uematsu, H., Tsuzuki, S. “An Artificial Neural-Net Based Method for Predicting Power System Voltage Harmonics,” IEEE Trans. on Power Delivery, Vol. 7, No 1, Jan. 1992, pp. 402- 409. [19] Ebron, S., Lubkeman, D. and White, M. “A Neural Network Approach to the Detection of Incipient Faults on Power Distribution Feeders.” IEEE Transactions on Power Delivery, Vol. 5, No 2, April 1990. [20] Sultan, A., Swift, G., Fedirchuk, D. “Detectionof HighImpedance Arcing Faults Using a Multi-Layer Perceptron”. IEEE PES Winter Meeting, NY, Jan, 1992. Paper No 92 WM 207-1 PWRD. [21] Stigant, S. A. and Franklin, A. C. The J P Transformer Book. John Wiley Sons, NY, 1973. [22] Becia, W. W.PC METER A Data Acquisition €4 Control System for the Power System Laboratory, M. SC. Thesis, Washington State University, 1992. [23] Wall, R. W., PC-EMTP User’s Manual, Power Products ucts Inc., July 18, 1989. [24] Demuth, H. and Beale M. Neural Network Toolbox User’s BIOGRAPHIES Guide, J . 1,992 作者簡介 Luis G. Pez M生于1957年,帕斯夸谷,委內瑞拉。1979年從玻利瓦爾大學獲工程師學位,1982年從委內瑞拉中央大學獲得碩士學位。1983年參與玻利瓦爾大學的能量轉換和傳遞系實驗,此后在這里終身工作。1986年和1989年之間,擔任主席。佩雷斯先生主要研究電力系統保護、高壓變電站的設計研究領域,自1983年以來,先后在委內瑞拉參加了有關這些領域的1979多個項目。1991年1月取得華盛頓州立大學電子工程和計算機科學學院的博士學位。 Alfred J. Flechsig SM生于1935年,塔科馬,華盛頓,1959年在于華盛頓州立大學電氣工程系工作。在1957年和1959年分別獲得了華盛頓州立大學的學士和和碩士學位,在1970年他獲得路易斯安那州立大學電子工程博士學位。他的興趣主要是電力系統的教學與研究。他的研究包括房屋系統,電力系統,繼電保護,節能住宅和太陽能熱優化分析。他是一名注冊專業工程師,擔任華盛頓州和路易斯安那州和華盛頓州立大學電子工程與計算機科學學院教授。 Jack L. Meador M在1956年10月出生在得克薩斯州阿馬里洛,在1979年,1981年,1987年分別獲得華盛頓州立大學電子工程學士,碩士和博士學位。而他作為一個計算機系統的經理和一個獨立的顧問工作。他目前是華盛頓州立大學電子工程與計算機科學學院助理教授,他從事神經網絡和VLSI設計的研究。目前,他的researchinterestsinclude脈沖編碼的神經網絡理論與實施和神經網絡應用到混合signalintegrated電路測試。他是IEEE電路與系統學會神經系統和應用程序的技術委員會的現任主席,也是國際神經網絡學會和ACM的成員。 Zoran ObradoviC M在1985年獲得了信息與計算機科學學院的應用數學理學學士,于1987年獲得數學與計算機科學學士學位,,1991年獲得Pennsylvania State大學計算機科學學士學位。他是Boris Kidric研究所“的系統程序員,1984年至1986年,是貝爾格萊德的塞爾維亞科學和藝術學院的研究的科學家。目前,他是華盛頓州立大學電子工程與計算機科學學院助理教授。他的研究興趣包括神經網絡,并行處理,機器學習,模式識別,算法設計與分析。 討論 M.A.Rahman, B.Jayasurya(紐芬蘭省紀念大學,圣約翰,NF,加拿大)首先祝賀作者,在變壓器中使用前饋神經網絡來區分浪涌電流和故障電流。我們有一些對本文提出的意見和問題。 1在故障情況下得到了變壓器通電的浪涌,的例子是通過模擬獲得的。故障信號的頻譜分析是有益的,目前尚不清楚是否有顯著的諧波分量。 2作者認為在獲得調試數據的情況下,實驗室變壓器故障,應用故障,可以用合適的變壓器作后備保護權重和偏差的值的可能會是不同的的,如果從試驗變壓器中同時獲得的浪涌和故障的所有的調試樣例。 3正如作者所指出的,計算要求的FFNN實現數據是非常大的,即使是單相變壓器。這是能夠實現在一個單一的數字信號處理板〔A〕,由于權重的范圍廣泛,三相變壓器的主要保護功能是非常顯著的,所以提出的方法,需要一個用于精確的數學協處理器,采樣間隔計算。 4 FFNN(圖5e)的建議的體系結構需要一個數據窗口的周期的一半。如果輸入到網絡中的一些基本信號樣本和一些故障的信號樣本,在故障發生的瞬間,或隨后內部故障的突入的情況下,可以依賴于神經網絡 我們贊揚作者提出的首次應用人工神經網絡的數字式繼電器。 參考;[A] I.Hermanto, Y.V.V.S.Murty, M.A.Rahman, A Stand-Alone Digital Protective Relay for Power Transformers, IEEE Transactions on Power Delivery, Vol. 6, No. 1, January 1991, pp. 85- 95. L. G. PQrez, A. J. Flechsig, J. L. Meador, 2. Obradovid School of Electrical Engineering and Computer Science, W. S. U., Pullman, WA 作者感謝讀者對本文興趣并提出寶貴意見。這些意見將寫在他們討論中。 1在故障實例的基礎上采用計算機模擬的故障實例的瞬時值進行適當縮減,使用獲得的浪涌變壓器單元庫做例子。在某些情況下,得到一個簡單的RL電路的響應,二次諧波分量的故障實例40。這樣做是有意向的訓練網絡,這是能夠區分故障電流具有很高的二次諧波分量和勵磁涌流。 2讀者是正確的,他們說結果的權重和偏差,他們能得到的故障調試的例子是不同的。然而我們認為這是可能,我們認為這個初步的結果的計算機模擬故障的例子足以說明,該方法工作是安全。我們相信,在一個實際的實施培訓必須使用相結合的實地測量和計算機生成的故障實例。 3在這一點上,我們與讀者意見一樣。然而,我們預計,隨著硬件DSP應用目前的發展速度和準確性,完整的變壓器保護可以成功的實現要求,包括浪涌檢測。 4圖5所示,所有架構測試一個周期的數據窗口和十二個樣品窗口的采樣率。這只有包含處理單元(神經元)顯示層(對應于輸入層沒有在圖5所示)。如圖1所示,小缺圓代表處理單元。一個更完整的表示,如圖1圖5E網絡所示。 Figure C-1. Detailed scheme of the network shown in Figure 5e Manuscript received March 29, 1993 IEEE Transactions on Power Delivery, Vol.9, No1, January 1994 TRAINING AN ARTIFICIAL NEURAL NETWORK TO DISCRIMINATE BETWEEN MAGNETIZING INRUSH AND INTERNAL FAULTS LUIS G. PEREZ ALFRED J. FLECHSIG JACK L. MEADOR ZORAN OBRADOVIC Member, IEEE Senior Member, IEEE Member, IEEE Member, IEEE School of Electrical Engineering and Computer Science Washington State University Abstract A feed forward neural network FFNN has been trained to discriminate between power transformer magnetizing inrush and fault currents. The training algorithm used was back-propagation, assuming initially a sigmoid transfer function for the network’s processing units “neurons”. Once the network was trained the units’ transfer function was changed to hard limiters with thresholds equal to the biases obtained for the sigmoids during training. The off-line experimental results presented in this paper show that a FFNN may be considered as an alternative method to make the discrimination between inrush and fault currents in a digital relay implementation. Keywords Inrush Current, Power Transformer Protection, Digital Relays, Neural Networks.

注意事項

本文(外文翻譯--調試人工神經網絡來區分勵磁涌流和內部故障-其他專業.doc)為本站會員(wenkub)主動上傳,文庫吧僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對上載內容本身不做任何修改或編輯。 若此文所含內容侵犯了您的版權或隱私,請立即通知文庫吧(發送郵件至[email protected]或直接QQ聯系客服),我們立即給予刪除!

溫馨提示:如果因為網速或其他原因下載失敗請重新下載,重復下載不扣分。




關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服點擊這里,給文庫吧發消息,QQ:1548881058 - 聯系我們

[email protected] 2015-2021 wenkub網站版權所有
經營許可證編號:鄂ICP備17016276 

收起
展開
北京pk10双面盘预测
<acronym id="6i0ao"><small id="6i0ao"></small></acronym>
<acronym id="6i0ao"><center id="6i0ao"></center></acronym>
<acronym id="6i0ao"><small id="6i0ao"></small></acronym>
<acronym id="6i0ao"><center id="6i0ao"></center></acronym>