ОПРЕДЕЛЕНИЕ МЕСТ ПОВРЕЖДЕНИЙ НА ЛИНИЯХ ЭЛЕКТРОПЕРЕДАЧИ ВЫСОКОГО НАПРЯЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Краткое содержание

У вступі обґрунтовано актуальність теми дисертаційної роботи, сформульовано мету та задачі  дослідження, відображено основні результати проведених у роботі досліджень, наведено основні положення, що відображають наукову новизну та практичну значимість одержаних результатів, наведено дані стосовно апробації результатів дисертаційної роботи та їх публікації у друкованих наукових виданнях.

У першому розділі проведено аналіз робіт стосовно методів і засобів ВМП ЛЕП високої напруги, зокрема, з використанням ШНМ. Показано, що серед низькочастотних дистанційних методів ВМП ЛЕП, найбільш важливою за значенням є група методів з використанням вимірювань ПАР. Методи ВМП з використанням вимірювань ПАР з двох боків ЛЕП досить ефективно використовуються на практиці, при цьому більшість методів з використанням вимірювань ПАР з одного боку ЛЕП втрачають точність при наявності перехідного опору в місці КЗ (R_П) і чутливі до викривлення вхідної інформації, що приходить до засобів ВМП ЛЕП.

За роки, що минули з моменту створення перших засобів ВМП, багато вчених проводили дослідження у цій сфері. Значний внесок у розвиток засобів і методів ВМП зробили: Стогній Б. С., Крилов В. О., Оробець Ю. М., Сопель М. Ф. Розенкноп М.П, Айзенфельд А.І, Казанський В.Е, Шалит Г.М, Малий О.С., Лямець Ю.Я., Аржанников Є. А, Попов В. А., Якимець І. В, Іванов І. А.,  Чухін А. М, Борознец Б.В., Johns A.T., Kezunovic M., Maun J.-C. та багато інших вітчизняних та зарубіжних учених.

          Протягом останніх 15 років спостерігається істотне підвищення інтересу до використання різних методів штучного інтелекту для розв’язання цілої низки електроенергетичних задач. Невід'ємною частиною цього процесу є застосування ШНМ для розв’язання задачі ВМП ЛЕП. З огляду на такі особливості ШНМ, як їх здатність до навчання та високі апроксимаційні здібності, треба зазначити, що доцільним є використання ШНМ, перш за все, для розв’язання задачі ВМП ЛЕП за умов отримання ПАР з одного боку ЛЕП, оскільки задача ВМП ЛЕП при вимірюванні ПАР з двох боків ЛЕП вирішується досить ефективно багатьма методами, у тому числі з використанням ШНМ.  

          Визначені найбільш поширені типи ШНМ, що можуть буди ефективно використані для розв’язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП. До таких типів належать: ШНМ з прямим поширенням сигналу та зворотним поширенням похибки, ШНМ радіально-базисного типу та ШНМ Кохонена. Наведені переваги та недоліки ШНМ різного типу при їх використанні для розв’язання поставленої задачі. Розглянуті підходи до визначення ПАР, що використовуються при підготовці вибірок даних для навчання та тестування ШНМ. До таких ПАР у загальному випадку відносяться складові або комбінації струмів і напруг промислової частоти окремих фаз ЛЕП або їх послідовностей.

Проведений аналіз показав, що підвищенню ефективності розв’язання задачі ВМП ЛЕП сприяє використання “ансамблів” (сукупностей) різних типів ШНМ (АШНМ), в яких одні ШНМ використовуються для визначення виду, а інші – місця КЗ на ЛЕП. При такому “розподілі функцій” ШНМ можна гарантовано забезпечити (не залежно від значення R_П ) як визначення виду КЗ, так і потрібну точність визначення місця КЗ на ЛЕП. Зазначений “розподіл функцій” ШНМ дає змогу підвищити ефективність підготовки самих ШНМ.     

Більшість публікацій щодо використання ШНМ для розв’язання задачі ВМП ЛЕП переважно не висвітлюють питання підготовки ШНМ. Це стосується як повноти використання реально доступної інформації, так і можливостей розпізнавання  аварійної ситуації за різних параметрів і режимів роботи ЛЕП різних класів напруги. Лишаються не розкритими питання підготовки навчальної вибірки даних щодо кількості даних та їх “розподілу” при навчанні ШНМ. Недостатньо розглядаються питання визначення оптимальної архітектури ШНМ. Не висуваються вимоги до моделі ЛЕП і програмного інструментарію, що використовується при підготовці даних для навчання й тестування ШНМ. З огляду на зазначені недоліки, необхідним є формування ряду вимог до побудови вибірок даних для навчання та тестування ШНМ, а також загальної їх підготовки для розв’язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП.

Результати аналізу та попередньо проведених досліджень показали доцільність застосування ШНМ для розв’язання задачі ВМП ЛЕП, оскільки це дає змогу враховувати зміну в широкому діапазоні значення R_П. Крім того, невисока чутливість ШНМ до викривлення вхідної інформації дає додаткову перевагу застосуванню ШНМ для розв’язання задачі ВМП ЛЕП.

У другому розділі наведено основні характеристики різних типів ШНМ, а також особливості їх вибору, підготовки та використання для розв’язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП.

Аналіз публікацій та проведені дослідження показали, що процес підготовки  вибірок даних для навчання й тестування ШНМ має відбуватися з урахуванням наступних вимог. По-перше, дані в навчальній вибірці повинні бути розташовані “рівномірно”, враховуючи особливості ШНМ як апроксиматорів, при цьому їхня “щільність” залежить від особливостей обраної ЛЕП і діапазону зміни ПАР. По-друге, кількість даних у навчальній вибірці не повинна призводити до ефекту “перенавчання” ШНМ (коли ШНМ не здатна розпізнавати значення, що не використовувались для її навчання). Особливість задачі ВМП ЛЕП не дозволяє підготувати належну навчальну вибірку, використовуючи  тільки ретроспективну інформацію про режими КЗ на ЛЕП. Тому підготовка даних для навчання ШНМ вимагає попереднього створення адекватної моделі відповідної ЛЕП. Застосування засобів математичного моделювання необхідно для формування вибірок даних для підготовки ШНМ, які у загальному випадку повинні містити значення ПАР. При цьому зазначені ПАР повинні бути поставлені у відповідність до виду КЗ і відстані до місця КЗ на ЛЕП.  Встановлено, що модель ЛЕП для розрахунків струмів і напруг у момент КЗ повинна враховувати велику кількість різних чинників. До таких чинників належать: параметри ЛЕП, зміна в широкому діапазоні R_П, різниця між векторами напруги вузлів приєднання ЛЕП, а також параметри  режимів роботи ЛЕП, зокрема і ПАР.

Встановлено, що доцільно розділити задачу ВМП ЛЕП з використанням ШНМ на дві відносно самостійні задачі. До першої належить одержання за допомогою розрахунку аварійних режимів роботи ЛЕП значень ПАР, а до другої – використання отриманих ПАР при підготовці ШНМ для ВМП ЛЕП. Тому підготовку даних для навчання ШНМ було виконано за допомогою спеціалізованих програмних комплексів розрахунку аварійних режимів і струмів КЗ в ЕЕС, оскільки такий інструментарій дає змогу адекватно враховувати особливості ЛЕП при розрахунках аварійних режимів їх роботи.

Разом з тим важливу роль при розв’язанні задачі ВМП ЛЕП з використанням ШНМ  відіграє попередня підготовка ШНМ, що потребує застосування програмного інструментарію для вибору, навчання, тестування та використання ШНМ. Результати досліджень свідчать, що при виборі та підготовці ШНМ для розв’язання задачі ВМП найбільш доцільно застосовувати універсальний програмний інструментарій підготовки ШНМ, який надає можливість редагування та модифікації ШНМ, об’єднання їх в ансамблі різного виду. Зазначений інструментарій підготовки ШНМ має забезпечувати можливість використання необхідних типів ШНМ, алгоритмів їх навчання та адаптації, дозволяти синтезувати коди підготовлених ШНМ з використанням алгоритмічної мови високого рівня. З урахуванням наведених вимог та на підставі аналізу відповідних програмних засобів встановлено, що достатньо обмежитись застосуванням програмного продукту Neural Network Toolbox, який забезпечує ефективну підготовку ШНМ.

Зважаючи на наведені особливості розв’язання задачі ВМП ЛЕП з використанням ШНМ, що потребує врахування багатьох різних чинників стосовно підготовки та використання ШНМ, під час виконання роботи визначені основні етапи розв’язання поставленої задачі. По-перше, підготовка загальної сукупності даних, яка розділяється на навчальні та тестові (контрольні) вибірки даних, що в загальному випадку повинні містити значення ПАР. По-друге, визначення типів ШНМ, що можуть бути ефективно застосовані для визначення виду та місця КЗ на ЛЕП, а також обґрунтований вибір алгоритму навчання, функцій активації нейронів, попередньої архітектури, до якої належить кількість шарів та нейронів у кожному шарі ШНМ.  По-третє, проведення навчання ШНМ, враховуючи діапазон вхідних та вихідних значень активаційних функцій нейронів. По-четверте,  проведення оцінки точності навчання та роботи ШНМ, використовуючи тестові (контрольні) вибірки даних.  І зрештою, перевірка спроможності ШНМ до визначення виду чи місця КЗ на ЛЕП, використовуючи зафіксовані значення ПАР у режимі КЗ на ЛЕП, при необхідності (якщо точність не є задовільною) проведення коригування вибірок даних або архітектури ШНМ, проведення повторного навчання.

Проведений аналіз показав, що існуюче різноманіття типів ШНМ дає змогу використати певний стандартний тип ШНМ для розв’язання як задачі визначення виду, так і місця КЗ на ЛЕП. Проведені дослідження дозволили встановити, що  при наявності вираженої локалізації даних у певних сферах простору (задача визначення виду КЗ) доцільно використовувати ШНМ радіально-базисного типу.  Навпаки, при відсутності вираженої локалізації даних, а також в умовах відсутності достовірних відомостей про розподіл даних кращих результатів слід чекати від застосування багатошарових ШНМ з прямим поширенням сигналу та зворотним поширенням похибки.

З огляду на особливості підготовки та використання ШНМ різного типу, а також на підставі експериментальних досліджень встановлено, що для розв’язання задачі визначення виду КЗ на ЛЕП доцільно використовувати радіально-базисні ШНМ, зокрема імовірнісну нейронну мережу (ІНМ). З іншого боку, визначення місця КЗ на ЛЕП з використанням ШНМ вимагає розв’язання задачі апроксимації функції, яка ефективно розв’язується багатошаровим персептроном (БШП).

У третьому розділі розроблено метод розв’язання задачі визначення виду КЗ на ЛЕП з використанням ІНМ та перевірено його працездатність.

Встановлено доцільність використання ІНМ для визначення виду КЗ на ЛЕП при вимірюванні ПАР з одного боку ЛЕП. Така ШНМ належить до радіально-базисних ШНМ загального виду, але має деякі відмінності в архітектурі. Особливістю ІНМ є те, що вона досить швидко навчається (у порівнянні з іншими типами ШНМ) навіть при великих розмірах навчальної вибірки.  Крім того, архітектура ІНМ уточнюється в процесі навчання, що є її перевагою у порівнянні з іншими типами ШНМ, оскільки зникає потреба вибору кількості шарів і нейронів у прихованому шарі ІНМ, що спрощує процес її підготовки для визначення виду КЗ на ЛЕП.

При виконанні експериментальної частини дисертаційної роботи для підготовки навчальних і тестових вибірок даних були використані апробовані програмні засоби розрахунку аварійних режимів ЕЕС. Значення R_П змінювалося в широкому діапазоні: 0÷75 Ом та 0÷150 Ом, а крок дискретизації по відстані до місця КЗ – у діапазоні від 1 до 5 км.

  Параметром, що суттєво впливає на якість навчання й роботи ІНМ, є параметр згладжування активаційної функції нейронів (δ) прихованого  шару ІНМ.  Вибір занадто малих значень δ призводить до  того, що ІНМ втрачає здатність до узагальнення, а при занадто великих відхиленнях ІНМ не буде враховувати особливості прикладів ПАР, що відповідають окремому виду КЗ у тестовій вибірці.  Існуючі рекомендації з вибору величини такого параметра є досить загальними, тому параметр δ зазвичай вибирається дослідним шляхом. Так, при визначенні виду КЗ на ЛЕП, його величина може теоретично знаходитися в широких межах, наприклад,  0,001÷10, хоча на практиці цей діапазон значно менший.

При зміні кількості елементів у навчальній вибірці необхідно переглядати значення параметра δ, при цьому якість навчання може бути попередньо оцінено за допомогою представлення на вхід ІНМ всієї навчальної вибірки даних у якості тестової. Такий підхід дає змогу попередньо визначити якість навчання ІНМ, оскільки необхідною умовою правильної роботи ІНМ є, як мінімум, безпомилкове розпізнавання прикладів, що брали участь у її навчанні. 

Треба зазначити, що при виборі оптимальної архітектури ІНМ спиратися тільки на величину помилки навчання недостатньо, тому що в цьому випадку не можна виявити виникнення “ефекту перенавчання” ІНМ, отже необхідним є порівняння поведінки декількох показників якості навчання та роботи ІНМ. Одним з таких показників якості навчання і роботи ІНМ при розпізнаванні виду КЗ на ЛЕП є помилка роботи ІНМ, що визначається при представленні на вхід навченої ІНМ даних з тестової вибірки. Якість роботи для ІНМ розраховується у відсотках правильно розпізнаних прикладів від загальної кількості поданих на вхід ІНМ прикладів ПАР з тестової вибірки. Висновок про оптимальну архітектуру ІНМ робиться на основі оцінювання помилок навчання й роботи ІНМ, які мають відповідати необхідному рівню, тобто в ідеальному випадку дорівнювати нулю.

Запропоновано та апробовано алгоритм автоматизації визначення оптимальної архітектури ІНМ, що використовується для розв’язанні задачі визначення виду КЗ на ЛЕП. Зазначений алгоритм базується на властивостях ІНМ і припускає можливість формування необхідних навчальних і тестових вибірок даних. Основною перевагою розробленого алгоритму є те, що в процесі визначення оптимальної архітектури ІНМ враховується як помилка навчання, так і помилка тестування, отже, розв’язується задача “пошуку компромісу” між помилкою навчання та роботи. У запропонованому алгоритмі проводиться адаптація параметрів ІНМ з метою  зменшення помилки роботи ІНМ, що може досягатися як за допомогою зміни параметра δ, так і при зміні розміру навчальної вибірки. Включено процедуру збільшення архітектури ІНМ.

Метод визначення виду КЗ на ЛЕП із застосуванням однієї ІНМ при вимірюванні ПАР з одного боку ЛЕП дає змогу визначати вид КЗ на ЛЕП при одержанні в якості ПАР тільки діючих значень струмів КЗ, при цьому правильність визначення виду КЗ забезпечується для ЛЕП при діапазоні зміни значення R_П від 0 до 30 Ом та значенні діючого струму КЗ (І_кз) відносно значення доаварійного струму  ЛЕП (І_д.ав.) у діапазоні І_кз = (1,5÷15)·І_д.ав. На рис. 1 наведено блок-схему процесу підготовки ІНМ.