Cuprins
- I. Introducere
- II. Retelele perceptron multistrat si retelele neuronale cu regresie generala
- III. Procedura de estimare a sectiuni de avarie
- IV. Descrierea schemelor de protectie
- A. Schema de protectie a autotransformatoarelor
- B. Schemele de protectie a liniei
- C. Schema de protectie a barei
- D. CB
- V. Intrarea logica
- VI. Modele neuronale
- A. Modelul neuronal propus pentru protectia autotransformatoarelor
- B. Modelul neuronal propus pentu protectia liniei
- C. Modelul neuronal propus pentru bare
- VII. Simulari
- A. Cazul1
- B. Cazul 2
- VIII. Concluzii
- IX. Bibliografie
Extras din referat
Subiect: Aceasta lucrarea prezinta un sistem neuronal cu intentia de a ajuta operatorul in a estima mai usor eroriile aparute in sistem.
Fiecare analiza este bazata pe informatiile oferite de dispozitivele de protectie si a intrerupatoarelor.Pentru a permite diagnosticarea sistemului,modul de operare a sistemelor de protectie din statiile de bare, liniile de transport si transformatoarele sunt modelate utilizand doua tipuri de retele neuronale:
1. retea neuronala de regresie generala;
2. retea neutonala perceptron multistrat.
Instrumentul descris in aceasta lucrare poate fi aplicat intr-un sistem de energie buclat real si este capabil sa faca fata schimbariilor topologice fara a crea restrangeri retelelor neuronale.
I Introducere
Progresele inregistrate in domeniul comunicatiilor si tehnologiilor digitale a atins un nivel mare de informatii accesibile la dispecerat si sistemul de achizitie a datelor. Cu toate ca aceasta informatie este foarte utila, in timpul defectelor petrecute in retea operatorul poate fi depasit de numarul excesiv de mare al alarmelor simultane ale sistemului de operare ceea ce mareste timpul de identificare al defectului si timpul de redresare a sistemului. Factorii principali precum stresul si neexperienta pot afecta performanta operatorului.
Dispozitivele de protectie sunt responsabile de detectarea oricarui defect, cand e necesar trimit semnale de declansare catre intrerupatoare cu rolul de a izola partea defecta a sistemului. Cu toate acestea cand intrerupatoarele nu functioneaza corespunzator o mare parte a sistemului poate fi deconectata. Dupa astfel de evenimente e necesar sa restablim sistemul cat mai cuarand posibil evitand astfel distrugerile in sistemul de distributie sau la consumatori.
Totusi inainte de a incepe reabilitarea sistemului e necesar sa determinam evenimentul care a produs declansarea alarmelor si a problemelor, de exemplu: avaria sistemului de protectie, defecte in canalele de comunicare, preluarea unor date false etc poate complica acest lucru.
Natura euristica a motivelor implicate in analizele operatorului si absenta formulelor analitice determina utilizarea tehnicii de inteligenta artificiala. Sistemele expert, retelele neuronale, logica fuzzy, algoritmi genetici si reteaua Petri constituie principalele tehnici aplicate pentru diagnosticarea avariilor.
Sistemele expert reprezinta solutia cea mai des utilizata, incepand cu 1986 cand Wollenberg a sugerat utilizarea acestora pentru diagnosticarea avariilor. Principalul dezavantaj al sistemelor expert reprezinta incapaciatea de generalizare si dificultatea de validare si mentinere a unor baze de regulii mari. Mai recent au fost propus modelul sistemelor generalizate incluzand caracteristiciile temporare ale schemelor de protectie.
In domeniul retelelor neuronale, retelele perceptron mulistrat cu inlantuire inapoi reprezinta algoritmul cel mia des utilizat. Retele Hierarchical au fost propuse pentru a reduce dimensiunea retelei neuronale, a efortului de redactare a programului de compilare. Cu toate acestea retelele neuronale theoretic nu pot garanta intotdeauna un rezultat correct cand acesta depinde de calitatea unui grup de esantionare(modele de formare) implicit.
Logica fuzzy constituie o modalitate de modelare precisa si are ca principal avantaj flexibilitatea.
Aplicarea algoritmiilor genetici pentru a diagnostica probelemele inca este in studiu deoarece necesita o imbunatatire a abilitati de a face fata cu grad crescut de certitudine a alarmelor false.
Reteaua Petri e “slaba” in capacitatea de generalizare si in reprezentarea grafica a schemelor de protectie care faciliteaza vizualizarea operatiilor de protectie, acesta reprezinta un dezavantaj atunci cand e aplicat pe retele reale(de dimensiuni mari).
Cu toate ca literature prezinta o mare varietate de lucrari legate de problemele in studiu putine dintre ele au fost intotalitate studiate si aplicate in sistemele energetice reale de dimensiuni mari.
Principalul scop al acestei cercetari este de a imbunatati principalele neajunsuri a metodelor existente in literatura:dificutatea de a se descurca cu schimbariile de topologie si cu dimensiunile mari ale sistemelor energetice reale necesita un efort mare in procesele de instruire in cazul aplicatiilor retelelor neuronale. Pentru a atinge aceste scopuri in loc de a diviza sistemele energetice in parti mai mici si de a realize o retea neuronala pentru fiecare set de cateva bare, retelele neuronale sunt implicate aici pentru a modela sistemele de protectie.
Modelele de retele neuronale realizate pentru transformatoare si linii au informatii suplimentare care indica directia avariei externe. Cu ajutorul retelelor neuronale modelele de protectie si simularea rezultatelor sunt descries in secventa urmatoare.
II Retelele perceptron multistrat si retelele neuronale
cu regresie generala
Retelele perceptron multistrat fig 1 cu algoritmi de invatare cu inlantuire inapoi constituie arhitectura RN cel mai des utilizate deoarece e capabilasa aproximeze orice functie neliniara. Precizia sa depinde de numarul de noduri din care e compusa reteaua.
Fig 1:Arhitectura retelei perceptron multistrat
Retelele neuronale cu regresie generala sunt retele cu inlantuire inainte ce pot fi folosite pentru aproximarea unui vector deiesire Y in urma masurari unui vector X. O imagine generala asupra arhitecturii retelei neuronale cu regresie generala e aratata in fig 2. Principalele avantaje prezentate de RNRG sunt:
• procesul de invatare se realizeaza intr-un singur pas (nu e iterativ) si reteaua se poate generalize curand dup ace exemplele au fost memorate;
• prezinta rezultate satisfacatoare chiar cu cateva exemple;
• acestea nu converg catre un minim local al criteriului de eroare.
Preview document
Conținut arhivă zip
- Aplicarea Modulelor de Retele Neuronale.doc