ОПРЕДЕЛЕНИЕ МЕСТ ПОВРЕЖДЕНИЙ НА ЛИНИЯХ ЭЛЕКТРОПЕРЕДАЧИ ВЫСОКОГО НАПРЯЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ : ВИЗНАЧЕННЯ МІСЦЬ ПОШКОДЖЕНЬ на лініях електропередач ВИСОКОЇ НАПРУГИ З ВИКОРИСТАННЯМ штучних нейронних мереж

Краткое описание

НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК УКРАИНЫ

ИНСТИТУТ ЭЛЕКТРОДИНАМИКИ

На правах рукописи

БЛИНОВ Игорь Викторович

УДК 621.316:681.3

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

Специальность 05.14.02 электрические станции, сети и системы

Диссертация на соискание ученой степени
кандидата технических наук

Научный руководитель
д.т.н., проф.,
академик НАН Украины
Кириленко Александр Васильевич

Киев 2008

СОДЕРЖАНИЕ

СПИСОК УСЛОВНЫХ ОБОЗНАЧЕНИЙ..

ВВЕДЕНИЕ

5

6

РАЗДЕЛ 1. ОПРЕДЕЛЕНИЕ МЕСТ ПОВРЕЖДЕНИЙ с
ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ
СЕТЕЙ на ЛЭП ВЫСОКОГО НАПРЯЖЕНИЯ:
современное состояние.............................................

12

1.1. Традиционные методы определения мест повреждений
на ЛЭП

12

1.2. Уточнение определения места короткого замыкания
на ЛЭП............................................................................

21

1.3. Определение мест повреждений на ЛЭП с использованием
искусственных нейронных сетей: анализ публикаций...

26

1.4. Выводы по разделу

34

РАЗДЕЛ 2. Особенности ИСПОЛЬЗОВАНИЯ РАЗЛИЧНЫХ
ТИПОВ искусственных нейронных сетей для
ОПРЕДЕЛЕНИЯ МЕСТ ПОВРЕЖДЕНИЙ НА ЛЭП

35

2.1. Искусственные нейронные сети: основные положения.

37

2.2. Особенности решения задачи определения вида и места КЗ
на ЛЭП с использованием искусственных нейронных
сетей

46

2.3. Выбор искусственных нейронных сетей для решения
задачи определения вида и места КЗ на ЛЭП.....

52

2.4. Выводы по разделу....

58

РАЗДЕЛ 3. определение вида короткого замыкания на
линиях электропередачи с использованием
ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ.

59

3.1. Определение вида короткого замыкания на ЛЭП с
использованием вероятностной нейронной сети

61

3.2. Использование ансамбля вероятностных нейронных сетей
для определения вида короткого замыкания на ЛЭП

75

3.3. Влияние неточности исходной информации на работу
вероятностной нейронной сети при определении вида КЗ
на ЛЭП

86

3.4. Определение оптимальной архитектуры вероятностной
нейронной сети для решения задачи определения вида КЗ
на ЛЭП................................................................................

90

3.5. Выводы по разделу

96

РАЗДЕЛ 4. ОПРЕДЕЛЕНИЕ МЕСТА КОРОТКОГО ЗАМЫКАНИЯ НА
ЛИНИИ ЭЛЕКТРОПЕРЕДАЧИ С ИСПОЛЬЗОВАНИЕМ
МНОГОСЛОЙНОГО ПЕРСЕПТРОНА...

97

4.1. Определение места однофазного короткого замыкания с
использованием искусственной нейронной сети...

98

4.2. Выбор алгоритма обучения многослойного персептрона.

113

4.3. Усовершенствование процесса подготовки многослойного
персептрона для определения места короткого замыкания
на ЛЭП...

118

4.4. Функциональное объединение искусственных нейронных
сетей различного типа для решения задачи определения
мест повреждений на ЛЭП

127

4.5. Выводы по разделу....

131

ЗАКЛЮЧЕНИЕ..

132

Приложение А. Документы, подтверждающие использование
результатов работы......

135

Приложение Б. Организация выборок данных для обучения и
тестирования вероятностной нейронной сети..

139

Приложение В. Сравнение различных методов решения задачи
определения мест повреждений на ЛЭП с
использованием искусственных нейронных сетей...

141

Приложение Д. Подготовка данных для обучения многослойного
персептрона с учетом погрешности измерения
параметров аварийного режима....

142

Приложение Ж. Сравнение результатов работы многослойного
персептрона при определении места короткого
замыкания с эталонными значениями..

145

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ...

163

ВВЕДЕНИЕ

Выход с работы линий электропередачи (ЛЭП), как правило, приводит к обесточиванию потребителей и снижению надежности электроснабжения. Поэтому одной из важнейших является задача восстановления электроснабжения путем быстрого и точного определения места повреждения (ОМП) ЛЭП. Решение этой задачи дает значительный экономический эффект, обусловленный сокращением перерывов в электроснабжении, снижением транспортных затрат на обход ЛЭП, минимизацией общего времени организации ремонтно-восстановительных работ. Задача ОМП ЛЭП имеет особое значение для объединенной электроэнергетической системы (ОЭС) Украины, учитывая физическую и моральную устарелость электроэнергетического оборудования, в частности ЛЭП, и проблемы, связанные с запланированной параллельной работой ОЭС Украины с электроэнергетическим объединением Западной Европы (UCTE). Предусмотренное «Энергетической стратегией Украины на период до 2030 года» дополнительное увеличение установленных мощностей на атомных электростанциях и, как следствие, возможное превышение пропускной способности ЛЭП может приводить к увеличению случаев повреждения ЛЭП.
Актуальность темы. Сегодня наибольшее применение в практике электроэнергетических систем (ЭЭС) нашли технические и программные средства ОМП, которые основаны на измерении параметров аварийного режима (ПАР) с одной и двух сторон ЛЭП. При этом под ОМП чаще всего понимается определение вида и места короткого замыкания (КЗ) на ЛЭП. Точность ОМП ЛЭП зависит не только от выбора метода ОМП, но и от влияния совокупности погрешностей, которые возникают вследствие неточности исходной информации, которая передается для средств ОМП ЛЭП. В данное время некоторые факторы, которые влияют на точность ОМП, могут быть учтены только косвенным образом. Так, на точность большинства средств ОМП ЛЭП при измерении ПАР с одной стороны ЛЭП существенно влияет значение переходного сопротивления в месте КЗ на ЛЭП (которое в этом случае точно не определяется и может изменяться в широком диапазоне). Все это, а также стремление использовать всю доступную информацию как априорную, так и текущую, делает актуальным разработку новых более точных методов решения задачи ОМП ЛЭП, которые способны к адаптации и обучению, например, методов с использованием элементов искусственного интеллекта, в частности, искусственных нейронных сетей (ИНС).
Связь работы с научными программами, планами, темами. Теоретические исследования и практические разработки по теме диссертационной работы осуществлялись в процессе выполнения планов научно-исследовательских работ Института электродинамики НАН Украины: шифр темы: Діамант - 2” (№ ДР 0107U002701), 20072011 гг., где соискателем разработаны методики решения задачи ОМП ЛЭП при измерении ПАР с одной стороны ЛЭП; шифр темы: Ренесанс” (№ ДР 0108U001112), 20082012 гг., где соискателем выполнен анализ существующих методов и требований к средствам определения мест повреждений линий электрических сетей с целью быстрого восстановления электроснабжения потребителей, обесточенных в результате аварии в электрических сетях; тема НДР: Створення методів та засобів для зменшення часу недопостачання електричної енергії шляхом підвищення ефективності управління електричними мережами” (№ ДР 0105U008753), 20072009 гг., где соискателем решены задачи идентификации аварийной ситуации и поиска места короткого замыкания на линиях электрических сетей.
Автор выражает искреннюю благодарность за предоставленные консультации во время выполнения диссертационной работы академику НАН Украины Кириленко А.В., д.т.н., проф. Буткевичу А.Ф., вед. инж. Зозуле А.М., к.т.н., с.н.с. Павловскому В. В., к.т.н., с.н.с. Рыбиной О.Б., к.т.н., с.н.с. Крылову В.А., м.н.с. Парусу Е.В.
Цель и задачи исследования. Целью диссертационной работы является разработка и проверка работоспособности новых методов определения вида и места КЗ на ЛЭП с использованием искусственных нейронных сетей при измерении параметров аварийного режима с одной стороны ЛЭП, учитывая как появление переходного сопротивления в месте КЗ, которое может изменяться в диапазоне реально возможных значений, так и гипотетическое искажение исходной информации.
Реализация поставленной цели включает в себя решение следующих задач:
- разработка и проверка работоспособности методов и практических методик решения задачи определения вида и места КЗ на ЛЭП высокого напряжения при измерении ПАР с одной стороны ЛЭП с использованием ИНС;
- обоснование выбора типов ИНС, которые могут быть эффективно использованы для решения задачи ОМП ЛЭП высокого напряжения при измерении ПАР с одной стороны ЛЭП;
- определение требований к формированию учебных и тестовых выборок данных, а также требований к настройке ИНС для обеспечения эффективной подготовки ИНС при решении задачи ОМП ЛЭП;
- определение программного инструментария расчетов токов КЗ и подготовки ИНС, разработка соответствующих моделей обосновано выбранных ИНС;
- разработка алгоритмов автоматизированного определения оптимальной архитектуры ИНС, которые используются для решения задачи ОМП ЛЭП;
- разработка функциональной структуры ансамбля ИНС для решения комплексной задачи ОМП ЛЭП при измерении ПАР с одной стороны ЛЭП.
Объект исследования локальные объекты ЭЭС, в частности, ЛЭП высокого напряжения.
Предмет исследования методы и средства решения задачи определения вида и места КЗ на ЛЭП с использованием ИНС при измерении ПАР с одной стороны ЛЭП.
Методы исследования методы теории искусственных нейронных сетей, которые используются при выборе и подготовке ИНС для решения задачи ОМП ЛЭП, методы математического моделирования для расчета аварийных режимов работы ЛЭП, положение теоретических основ релейной защиты, элементы теории цепей, методы планирования и статистических испытаний.
Научная новизна полученных результатов:
1. Впервые предложен метод определения вида КЗ на ЛЭП с использованием как одной вероятностной нейронной сети (ВНС), так и ансамбля ВНС при получении ПАР с одной стороны ЛЭП, что в отличие от существующих методов определения вида КЗ с использованием ИНС позволило:
- в случае использования ансамбля ВНС гарантировать правильность определения вида КЗ на ЛЭП независимо от значения переходного сопротивления в месте КЗ и наличия гипотетических погрешностей при получении ПАР, в качестве которых используются действующие значения токов и напряжений фаз в режиме КЗ;
- в случае использования одной ВНС определять вид КЗ на ЛЭП при получении в качестве ПАР, в отличие от ансамбля ВНС, только действующих значений токов КЗ, при этом правильность определения вида КЗ обеспечивается для ЛЭП при диапазоне изменения значения переходного сопротивления в месте КЗ от 0 до 30 Ом.
2. Усовершенствован метод решения задачи ОМП ЛЭП высокого напряжения при измерении ПАР с одной стороны ЛЭП с использованием искусственных нейронных сетей путем функционального объединения многослойных персептронов и ВНС в едином ансамбле ИНС, что позволило учесть как изменение переходного сопротивления в месте КЗ в диапазоне реально возможных значений, так и влияние погрешности измерения ПАР на точность ОМП ЛЭП. В отличие от существующих методов решения задачи ОМП ЛЭП, указанное усовершенствование обеспечило необходимую точность ОМП ЛЭП при измерении ПАР с одной стороны ЛЭП.
3. Определены типы ИНС, которые целесообразно использовать для решения задачи ОМП ЛЭП, обоснован выбор ИНС для эффективного решения задачи определения вида и места КЗ на ЛЭП при измерении ПАР с одной стороны ЛЭП, впервые установлены требования к подготовке таких ИНС.
Практическое значение полученных результатов. Практическая ценность результатов диссертационной работы заключается в следующем:
- на основании полученных теоретических результатов в диссертационной работе разработаны практические методики определения вида и места КЗ на ЛЭП высокого напряжения при измерении ПАР с одной стороны ЛЭП с применением ИНС, проверена работоспособность разработанных методик;
- разработана функциональная структура ансамбля ИНС для решения комплексной задачи ОМП ЛЭП с использованием ВНС и многослойных персептронов, что позволило учесть влияние как переходного сопротивления в месте КЗ в диапазоне реально возможных значений, так и погрешность измерения ПАР на точность ОМП ЛЭП с использованием ИНС, повысить эффективность подготовки обосновано выбранных ИНС;
- определены требования к созданию моделей ЛЭП и подготовке данных для обучения и тестирования ИНС, обоснована целесообразность использования выбранного специализированного программного инструментария расчета аварийных режимов и токов КЗ в ЭЭС;
- определены типы ИНС, которые могут быть эффективно использованы для решения задачи ОМП ЛЭП, определен программный инструментарий для адаптации моделей обосновано выбранных ИНС к условиям задачи ОМП ЛЭП;
- разработан алгоритм автоматизации определения оптимальной архитектуры ИНС, использование которого уменьшает время и повышает эффективность подготовки ИНС для решения задачи ОМП ЛЭП, проверена работоспособность разработанного алгоритма;
- результаты диссертационной работы внедрены в учебный процесс электротехнического факультета Донецкого национального технического университета. Дальнейшее использование теоретических и практических результатов диссертационной работы предусмотрено путем внедрения предложенных решений в опытную эксплуатацию ОАО Донецкоблэнерго”.
Личный вклад соискателя. Научные положения, вошедшие в диссертационную работу, получены автором самостоятельно. В роботах, опубликованных в соавторстве, соискателю принадлежат следующие результаты: в [5] анализ существующих алгоритмов, которые могут быть эффективно использованы для обучения многослойного персептрона при решении задачи определения места КЗ на ЛЭП, экспериментальная проверка эффективности применения отдельных алгоритмов; в [6] определение основных этапов подготовки ИНС для решения задачи ОМП ЛЭП; в [7] идея и разработка алгоритма автоматического определения оптимальной архитектуры вероятностной нейронной сети при определении вида КЗ на ЛЭП; в [11] определение оптимальных учебных и тестовых выборок данных, а также параметров настройки ИНС, выбор программного инструментария для подготовки ИНС при решении задачи ОМП ЛЭП; в [20] идея и разработка методик подготовки ИНС для решения задач определения вида и места КЗ на ЛЭП; в [21] идея использования ансамбля вероятностных нейронных сетей для решения задачи определения вида КЗ на ЛЭП; в [43] экспериментальная проверка предложенного метода уточнения места однофазного КЗ на ЛЭП.
Апробация результатов диссертации. Основные результаты по теме диссертационной работы докладывались и обсуждались на международных и всеукраинских конференциях, научных и научно-технических семинарах: Проблемы современной электротехники ПСЭ 2006 (Киев, Украина, 2006 г.) и ПСЭ 2008 (Киев, Украина, 2008 г.), Силовая электроника и энергоэффективность СЭЭ 2007 (п.г.т. Малый Маяк, Украина, 2007 г.) и СЭЭ - 2008 (п.г.т. Малый Маяк, Украина, 2008 г.), Энергетические рынки: информационные технологии и системы измерений 2008 (с. Курортное, Украина, 2008 г.), Управление режимами работы объектов электрических систем КРЕС 2008 (г. Донецк, Украина, 2008 г.).
Публикации. По результатам диссертационной работы опубликовано 9 статей в профилирующих научных изданиях, утвержденных ВАК Украины.

Список литературы

ЗАКЛЮЧЕНИЕ

В диссертационной работе решена актуальная научно-техническая задача определения мест повреждений на линиях электропередачи высокого напряжения с использованием искусственных нейронных сетей при измерении параметров аварийного режима с одной стороны линии электропередачи, получены следующие основные научные и практические результаты:
1. Анализ методов и средств решения задачи ОМП ЛЭП показал целесообразность использования ИНС, прежде всего, для решения задачи ОМП ЛЭП при измерении ПАР с одной стороны ЛЭП (в этом случае на точность ОМП ЛЭП существенно влияет значение переходного сопротивления, которое не определяется и может изменяться в широком диапазоне), поскольку задача ОМП ЛЭП при измерении ПАР с двух сторон ЛЭП решается достаточно эффективно многими методами, в том числе с использованием ИНС.
2. Учитывая особенности подготовки и использования ИНС различного типа, а также на основании экспериментальных исследований определены типы ИНС, которые целесообразно использовать для решения задачи ОМП ЛЭП, обоснован выбор ИНС для эффективного решения задачи определения вида и места КЗ на ЛЭП при измерении ПАР с одной стороны ЛЭП, впервые установлены требования к подготовке таких ИНС, определен программный инструментарий расчета аварийных режимов и токов КЗ в ЭЭС для формирования выборок данных при обучении ИНС и программный инструментарий подготовки ИНС.
3. Разработан метод определения места КЗ на ЛЭП с применением многослойного персептрона, что позволило, в отличие от существующих методов решения задачи ОМП ЛЭП, обеспечить необходимую точность ОМП ЛЭП, учитывая как изменение переходного сопротивления в месте КЗ в диапазоне реально возможных значений, так и влияние погрешности измерения ПАР на точность определения места КЗ на ЛЭП. Результаты работы многослойного персептрона показали, что для изменения кратности (КІ) значения действующего тока КЗ по отношению к действующему значению доаварийного тока ЛЭП в диапазоне от 1,5 до 40 и изменению переходного сопротивления в диапазоне реально возможных значений для всех видов КЗ на ЛЭП высокого напряжения (220÷330 кВ) погрешность определения места КЗ находится на уровне 5%, а для диапазона изменения значения переходного сопротивления от 0 до 30 Ом и КІ = 1,4÷40 погрешность определения места КЗ находится на уровне 1,5 %.
4. Впервые предложен метод определения вида КЗ на ЛЭП с использованием как одной вероятностной нейронной сети, так и ансамбля вероятностных нейронных сетей при получении ПАР с одной стороны ЛЭП, что в отличие от существующих методов определения вида КЗ с использованием ИНС позволило:
- в случае использования ансамбля вероятностных нейронных сетей гарантировать правильность определения вида КЗ на ЛЭП независимо от значения переходного сопротивления в месте КЗ и наличия гипотетических погрешностей при получении ПАР, в качестве которых используются действующие значения токов и напряжений фаз в режиме КЗ. При погрешностях измерения ПАР до 5 % ансамбль вероятностных нейронных сетей практически безошибочно определяет вид любого КЗ на ЛЭП;
- в случае использования одной вероятностной нейронной сети определять вид КЗ на ЛЭП при получении в качестве ПАР, в отличие от ансамбля вероятностных нейронных сетей, только действующих значений токов КЗ, при этом правильность определения вида КЗ на ЛЭП обеспечивается при диапазоне изменения значения переходного сопротивления в месте КЗ от 0 до 30 Ом.
5. Разработан алгоритм автоматизации определения оптимальной архитектуры ИНС, которая используется для определения вида КЗ на ЛЭП, проверена работоспособность разработанного алгоритма.

6. Определен программный инструментарий расчетов токов КЗ для формирования выборок данных для обучения и тестирования ИНС, а также программный инструментарий подготовки ИНС, разработаны соответствующие модели обосновано выбранных ИНС.
7. Предложено функционально объединить вероятностные нейронные сети и многослойные персептроны в едином ансамбле ИНС для эффективного решения задачи комплексного ОМП ЛЭП при измерении ПАР с одной стороны ЛЭП.

8. Теоретические и практические результаты диссертационной работы использованы в учебном процессе электротехнического факультета Донецкого национального технического университета. Дальнейшее использование полученных результатов диссертационной работы предусмотрено путем внедрения предложенных решений в опытную эксплуатацию ОАО Донецкоблэнерго”.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Айзенфельд А.И. Определение мест короткого замыкания на линиях с ответвлениями / А. И. Айзенфельд, Г.М. Шалыт. М.: Энергоатомиздат, 1988. 160 с.
2. Аржанников Е.А. Определение места короткого замыкания на высоковольтных линиях электропередачи / Аржанников Е.А., Лукоянов В.Ю., Мисриханов М.Ш.; под ред. В.А. Шуина. М.: Энергоатомиздат, 2003. 272 с.
3. Аржанников Е.А. Методы и приборы определения места короткого замыкания на линиях: [учебное пособие] / Е.А. Аржанников, А.М. Чухин. Иваново: Ивановский гос. энергетический ун-т, 1998. 74 с.
4. Блинов И.В. Определение вида короткого замыкания на ЛЭП на основе искусственных нейронных сетей / Блинов И.В. // Техн. електродинаміка. 2007. Ч. 5. С. 49 52. (Тем. вип.: Силова електроніка та енергоефективність).
5. Блинов И.В. Выбор алгоритма обучения искусственной нейронной сети для задачи определения места КЗ на ЛЭП / И.В. Блинов, Л.Н. Лукьяненко // Праці ІЕД НАН України. 2007. Вип.18. С. 42 46.
6. Блинов И.В. Особенности решения задачи определения вида и места короткого замыкания на ЛЭП с использованием искусственных нейронных сетей / И.В. Блинов, А.М. Зозуля // Наук. праці ДонНТУ. 2007. Вип. 7 (128). С. 238 241. (Серія: Електротехніка і енергетика).
7. Блинов И.В. Определение оптимальной архитектуры искусственной нейронной сети для решения задачи определения вида КЗ на ЛЭП / И.В. Блинов, А.М. Зозуля // Техн. електродинаміка. 2008. Ч. 5. С. 41 42. (Тем. вип.: Проблеми сучасної електротехніки).
8. Блінов І.В. Визначення місця КЗ на ЛЕП з використанням багатошарового персептрону / Блінов І.В. // Вісник НУ Львівська політехніка”. 2007. № 597. С. 48 52.
9. Боровиков В. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / Боровиков В. М.: Горячая линия-Телеком, 2008. 392 с.
10. Брюхомицкий Ю.А. Нейросетевые модели для систем информационной безопасности: [учебное пособие] / Брюхомицкий Ю.А. Таганрог: Изд-во ТРТУ, 2005. 160 с.
11. Буткевич О.Ф. Підготовка штучних нейронних мереж для визначення характеру та місця пошкодження ліній електропередачі / О.Ф. Буткевич, І.В. Блинов // Праці ІЕД НАНУ. 2008. Вип. 20. С. 29.
12. Буткевич О.Ф. Штучний інтелект та гібридні системи у розв’язанні задач електроенергетики: поточний стан та тенденції / О.Ф. Буткевич, В.В. Павловский // Праці ІЕД НАНУ. № 1 (4). 2003. C. 109 117.
13. Винославский В.Н. Переходные процессы в системах электроснабжения / Винославский В.Н., Пивняк Г.Г., Несен Л.И. К.: Вища шк. (Головне вид-во), 1989. 422 с.
14. Галушкин А.И. Теория нейронных сетей: [кн. учеб. пособие для ВУЗов] / Галушкин А.И. М.: ИПРЖР, 2000. 416 с.
15. Дюк В., Самойленко А. Data Mining: [учебный курс] / В. Дюк, А. Самойленко Ст.-Пб: Питер, 2001. 386 с.
16. Жамсран А. Исследование зависимости погрешности ОМП от ошибок в исходных данных: сб. док. XI международная научно-техническая конференция студентов и аспирантов / A. Жамсран, Я.Л. Арцишевский. М.: Изд-во МЭИ, 2005. Т. 3. С. 348 349.
17. Жамсран А. Метод повышения точности определение мест повреждения за счет уточнения параметров элементов по параметрам аварийного режима в режиме короткого замыкания / А. Жамсран, Я.Л. Арцишевский // Вестник МЭИ. 2007. №1. С. 64 70.
18. Иванов С.В. Информационный анализ электропередач и способов их защиты: автореф. дис. на соискание уч. степени канд. техн. наук: спец. 05.14.02 Электрические станции, сети и ситемы” / С.В. Иванов. Чебоксары, 2005. 20 с.
19. Калан Р. Основные концепции нейронных сетей / Калан Р. М.: Вильямс, 2001. 287 с.
20. Кириленко О.В. Визначення місць пошкоджень на лініях електропередачі з використанням штучних нейронних мереж / О.В. Кириленко, І.В. Блінов // Наук. праці ДонНТУ. 2008. Вип. 8 (140). С. 9 12. (Серія: Електротехніка і енергетика).
21. Кириленко А.В. Определение мест повреждений на линиях электропередачи с использованием искусственных нейронных сетей. Определение вида короткого замыкания / Кириленко А.В., Буткевич А.Ф., Блинов И.В. // Техн. електродинаміка. 2008. Ч. 2. С. 76 79. (Тем. вип.: Силова електроніка та енергоефективність).
22. Кириленко А.В. Вопросы применения искусственных нейронных сетей для определения мест повреждений на линиях электропередачи / Кириленко А.В., Буткевич А.Ф., Блинов И.В. // Праці ІЕД НАНУ. 2008. Вип. 21. С. 7 12
23. Коростелев А.А. Пространственно-временная теория радиосистем: [учеб. пособие для ВУЗов] / Коростелев А.А. М.: Радио и связь, 1986. 320с.
24. Костенко М.Ф. Перенапряжения и защита от них в воздушных и кабельных электропередачах высокого напряжения / Костенко М.Ф., Кадомская К.П., Левинштейн М.Л., Ефремов И.А. Л.: Наука, 1988. 302с.
25. Кохно Э.С. Надежностное проектирование отказоустойчивых микропроцессорных систем автоматики / Э.С. Кохно // Диагностика электроэнергетического оборудования с использованием микропроцессорных средств: І всесоюз. науч. техн. конф. [Проблемы комплексной автоматизации электроэнерегтических систем на основе микропроцессорной техники]. К., 1990. Ч. 3. С. 92 100.
26. Круглов В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. М.: Горячая линия Телеком, 2001. 382 с.
27. Крылов В.А. Программные средства для автоматизированных расчетов на ПЭВМ уставок защит в микропроцессорных устройствах фирмы SIEMENS в сложных электрических сетях / Крылов В.А. // Праці ІЕД НАН України. 2005. № 2 (1). С. 17 19.
28. Крылов В.А. Программный комплекс V-VI-50П3 автоматизированных расчетов на ПЭВМ аварийных режимов и уставок РЗ в сложных электрических сетях / Крылов В.А., Романенко Н.П., Колесникова Н.Ф. и [и др.] // Праці ІЕД НАН України. 2005. № 2 (1). С. 19 21.
29. Лямец Ю. Я. Цифровые фильтры основной гармоники токов и напряжений в электрической сети / Лямец Ю.Я., Ефимов Н.С., Ильин В.А. // Изв. АН СССР. Энергетика и транспорт. 1987. № 4. С. 20 26.
30. Лямец Ю.Я. Абсолютная нераспознаваемость однофазного короткого замыкания / Лямец Ю.Я., Иванов С.В., Подшивалин А.Н. // IV Всероссийская науч.-техн. конф. [Информационные технологии в электротехнике и электроэнергетике]. Чебоксары, 2002. С. 308 311.
31. Лямец Ю.Я. Информационный анализ энергообъектов и способов их защиты: сб. докладов XV науч.-техн. конф. [Релейная защита и автоматика энергосистем 2002] / Лямец Ю.Я., Иванов С.В., Подшивалин А.Н. [и др.]. 2002. С. 93 97.
32. Лямец Ю.Я. Программный комплекс анализа аварийных процессов и определения места повреждения ЛЭП / Лямец Ю.Я., Ильин В.А., Подшивалин Н.В. // Электричество. 1996. № 12. С. 2 7.
33. Лямец Ю.Я. Распознаваемость повреждений электропередачи. Ч.1. Распознаваемость места повреждения / Лямец Ю.Я., Нудельман Г.С., Павлов А.О. [и др.] // Электричество. 2001. №2. С. 16 23.
34. Лямец Ю.Я. Распознаваемость повреждений электропередачи. Ч. 2. Общие вопросы распознаваемости поврежденных фаз / Лямец Ю.Я., Нудельман Г.С., Павлов А.О. [и др.] // Электричество. 2001. №3. С. 16 24.
35. Лямец Ю.Я. Распознающая способность защиты с минимальной информационной базой / Лямец Ю.Я., Подшивалин А.Н., Иванов С.В. // Информационные технологии в электротехнике и электроэнергетике: IV Всероссийская науч.- техн. конф. Чебоксары, 2002. С. 304 306.
36. Лямец Ю.Я. Экстремальная распознаваемость зоны повреждения линии электропередачи / Лямец Ю.Я., Подшивалин А.Н., Шевелев А.В. // Информационные технологии в электротехнике и электроэнергетике: III Всероссийская науч.- техн. конф. Чебоксары, 2000. С. 324 326.
37. Маслов А.М. Фазовый селектор на основе искусственных нейронных сетей / Маслов А.М., Еремеев Д.Г., Иванов С.В. // Релейная защита, низковольтная аппаратура управления, регулируемый електропривод: материалы науч.- техн. конф. [посвященной 40-летию ОАО ВНИИР”]. Чебоксары, 2001. С. 88 90.
38. Методы и аппаратура определения мест повреждений в электросетях. [Аналитический обзор]. Казань: ИЦ Энергопрогресс”, филиал Татэнерго”, 2002. 152 с.
39. Микутский Г.В., Скитальцев В.С. Высокочастотная связь по линиям электропередач / Г.В. Микутский, В.С. Скитальцев. М.: Энергия, 1969. 448 с.
40. Нейроинформатика / [Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др.]. Новосибирск: Наука. Сибирское предприятие РАН, 1998. 296 с.
41. Нейроматематика:[кн. 6. - учеб. пособие для ВУЗов] / [ред. А.И.Галушкин]. М.: ИПРЖР, 2002. 425 с.
42. Осовский С. Нейронные сети для обработки информации / Осовский С.; пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.
43. Павловский В. В. К вопросу уточнения определения места короткого замыкания на ЛЭП / В.В. Павловский, И.В. Блинов // Праці ІЕД НАН України. 2008. Вип.19. С. 34 36.
44. Подшивалин А.Н. Метод информационного анализа и его приложение к определению места повреждения и дистанционной защите электропередачи: автореф. дис. на соискание уч. степени канд. техн. наук: спец: 05.14.02 Электрические станции, сети и системы” / Подшивалин А.Н. Чебоксары, 2005. 23 с.
45. Подшивалин А.Н. Применение нейронных сетей для определения места повреждения / Подшивалин А.Н. // Релейная защита, низковольтная аппаратура управления, регулируемый электропривод: материалы науч.- техн. конф. [посвященной 40-летию ОАО ВНИИР”]. Чебоксары, 2001. С. 90 92.
46. Попов М.Г. Развитие методов определения мест коротких замыканий на высоковольтных линиях электропередачи / Попов М.Г. Энергетика и промышленность России. 2004. № 10. С. 14 17.
47. Сивохин А. В. Искусственные нейронные сети: [лаб. практикум] / Сивохин А. В., Лушников А. А., Шибанов С. В. Пенза: Изд-во Пенз. гос. ун-т, 2004. 136 с.
48. Стогний Б.С. Теоретические основы построения микропроцессорных систем в электроэнергетике / Стогний Б.С., Кириленко А.В., Проске Д.; под ред. Б.С. Стогния. К.: Ин-т электродинамики АН Украины. Наук. Думка, 1992. 320 с.
49. Стогний Б.С. Цифровые измерительные органы релейной защиты на основе метода наименьших квадратов / Стогний Б.С., Оробец Ю.Н., Вайнштейн Ю.А., Высочанский Д.Ф. К.: Ин-т электродинамики АН УССР, 1990. № 644. 30 с.
50. Стогний Б.С. Определение места однофазного замыкания на землю в сети с изолированной нейтралью / Стогний Б.С., Рогоза В.В., Сопель М.Ф. // Техн. електродинаміка. 2004. Ч. 2. С. 116 118. (Тем. вип.: Силова електроніка та енергоефективність).
51. Стогний Б.С. Определение места однофазного замыкания на землю / Стогний Б.С., Рогоза В.В., Сопель М.Ф., Голубов О.Ю. // Техн. електродинаміка. 2007. № 2. С. 60 63.
52. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Уоссермен Ф. М.: Мир, 1992. 240 с.
53. Хайкин С. Нейронные сети: полный курс 2-е издание. / Хайкин С. М.: Вильямс, 2006. 1104 с.
54. Царегородцев В. Г. Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей / Царегородцев В.Г. // Нейрокомпьютеры: разработка, применение. 2003. № 7. С. 3 8.
55. Шалыт Г.М. Определение мест повреждения в электрических сетях / Шалыт Г.М. М.: Энергоатомзидат, 1982. 312 с.
56. Шалыт Г.М. Определение мест повреждений линий электропередачи по параметрам аварийного режима / Шалыт Г.М., Айзенфельд А.И., Малый А.С.; под ред. Г.М. Шалыта. [2е изд., перераб. и доп.]. М.: Энергоатомиздат, 1983. 208 с.
57. Aggarwal R. K. A novel fault classification technique for double-circuit lines based on a combined unsupervised-supervised neural network / Aggarwal R.K., Xuan Q.Y., Dunn R.W., Johns A.T., Bennet A. // IEEE transaction on power delivery. 1999. Vol. 14. № 4. P. 1250 1256.
58. Aggarwal R.K. Fuzzy neural network approach to accurate transmission line fault location / Aggarwal R.K., Joorabian M., Song Y.H. // Engineering intelligent systems. 1997. Vol. 5. № 4. P. 1251 258.
59. Al-hassawi W. M. A neural-network based approach for fault classification and faulted phase selection / Al-hassawi W. M., Abbasi N. H., Mansour M. M. // Proc. canadian conf. electrical and computer engineering, Calgary, Canada. 1996. Vol. 1. P. 384 385.
60. Bansal R. C. Optimization methods for electric power systems: an overview / Bansal R.C. // Int. J. of emerging electric power systems. 2005. Vol. 2. Art. 1021.
61. Battiti R. First and second order methods for learning: Between steepest descent and newton's method / Battiti R. // Neural Computation. 1992. Vol. 4. № 2. P. 141 166.
62. Bouthiba T. Fault location in EHV transmission lines using artificial neural networks / Bouthiba T. // Int. J. appl. math. comput. sci. 2004. Vol. 14. № 1. P. 69 78.
63. Bouthiba T. Fault detection and classification technique in EHV transmission lines based on artificial neural networks / Bouthiba T. // European Transactions on Electrical Power. 2004. Vol. 15. Issue 5. P. 443 454.
64. Bretas A.S. Artificial neural networks in power system restoration / A.S. Bretas, A.G. Phadke // Power Delivery, IEEE Transactions. 2003. Vol. 18. Issue 4. P. 1181 1186.
65. Chen S. Orthogonal least squares learning algorithm for radial basis function networks / Chen S., Cowan C.F.N., Grant P. M. // IEEE Transactions on Neural Networks. 1991. Vol. 2. № 2. P. 302 309.
66. Chen Z. Artificial neural network approach to single-ended fault locator for transmission lines / Z. Chen, J.-C. Maun // IEEE Trans. Power Systems. 2000. Vol. 15. № 1. P. 370 375.
67. Coury D.V. An ANN routine for fault detection, classification, and location in transmission lines / Coury D.V., Oleskovicz M.,Aggarwal R.K. // Electric power components and systems. 2002. Vol. 30. № 11. P. 1137 1149.
68. Dash P. K. An accurate fault classification algorithm using a minimal radial basis function neural network / P. K. Dash, S. R. Samantray // Engineering Intelligent Systems. 2004. Vol. 4. P. 205 210.
69. Dennis J. E. Numerical methods for unconstrained optimization and nonlinear equations / J. E. Dennis, R. B. Schnabel // New York: Englewood Cliffs, Prentice-Hall, 1983. 378 p.
70. Elman J. L. Finding structure in time / Elman J. L. // Cognitive Science. 1990. Vol. 14. P. 179 211.
71. Fernandez A.L.O. A novel approach using a FIRANN for fault detection and direction estimation for high-voltage transmission lines / A.L.O. Fernandez, N.K.I. Ghonaim // Power Delivery, IEEE, Transactions. 2002. Vol. 17. Issue 4. P. 894 900.
72. Fletcher R. Function minimization by conjugate gradients / R. Fletcher, C. M. Reeves // Computer Journal. 1964. Vol. 7. P. 149 154.
73. Foresee F. D. Gauss-Newton approximation to Bayesian regularization / F. D. Foresee, M. T. Hagan // Proceedings of the 1997 International Joint Conference on Neural Networks. 1997. Vol. 3. P. 1930 1935.
74. Gracia J. Best ANN structures for fault location in single-and double-circuit transmission lines / Gracia J., Mazon A.J., Zamora I. // Power delivery, IEEE transactions. 2005. Vol. 20. Issue 4. P. 2389 2395.
75. Hagan M. T. Training feed forward networks with the Marquardt algorithm / M. T. Hagan, M. Menhaj // IEEE Transactions on Neural Networks. 1994. Vol. 5. № 6. P. 989 993.
76. Hagan M.T. Neural network design / Hagan M.T., Demuth H.B., Beale M.H. Boston.: PWS Publishing Company, 1996. 252 p.
77. Hecht-Nielsen R. Mapping Neural Network Existence Theorem / R. Hecht-Nielsen S. Kolmogorov // IEEE First Annual Int. Conf. on Neural Networks, San Diego. 1987. Vol. 3. P. 11 13.
78. Hecht-Nielsen R. Counter-propagation networks / Hecht-Nielsen R. // IEEE First International Conference on Neural Networks. 1987. Vol. 2. P. 4979 4983.
79. Hertz J. Introduction to the theory of neural computation / Hertz J., Krogh A., Palmer R.G. Addison-Wesley, Reading, Mass, 1991. 293 p.
80. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities/ Hopfield J.J. // Proceedings of the National Academy of Sciences. 1982. Vol. 79. P. 2554 2558.
81. Hopfield J.J. Neural computation of decisions in optimization problems / J.J. Hopfield, T.W. Tank // Biological Cybernetics. 1985. Vol. 52. P. 141 152.
82. Johns A.T. Digital protection for power systems / A.T. Johns, S.K. Saltman. IEE Power Series 15. Peter Peregrims Ltd, 1995. 203 р.
83. Joorabian M. Accurate fault locator for EHV transmission lines based on radial basis function neural networks / Joorabian M., Taleghani S. M. A., Aggarwal R. K. // Electric Power Systems Research. 2004. Vol. 71. Issue 3. P. 195 202.
84. Joorabian М. Artificial neural network based fault locator for EHV transmission system / Joorabian М. // Electrotechnical conf. МELECON 2000, 10th Mediterranean. 2000. Vol. 3. Issue 29. P. 1003 1006.
85. Kashtiban A. M. Application of neural networks in power system: a review / A. M. Kashtiban, M. Tarafdar Haque // Transactions on engineering, computing and technology. 2005. Vol. 6. P. 53 57.
86. Kaswtenny B. Intelligent systems applications to power system protection / B. Kaswtenny, M.M. Saha // Int.J. of engineering intelligent systems for electrical engineering and communication. 1997. Vol. 5. № 4. P. 183 184.
87. Kezunovic M.Intelligent systems in protection engineering / Kezunovic M. // Int. conf. power system technology, PowerCon 2000. 2000. Vol. 2. P. 801 806.
88. Kezunovic M. Detect and classify transmission line faults using neural nets / M. Kezunovic, I. Rikalo // IEEE computer applications in power. 1996. Vol. 9. № 4. P. 42 47.
89. Kezunovic M. High speed fault detection and classification with neural nets / Kezunovic M., Rikalo I., Sobajic D.J. // Electric power systems research journal. 1995. Vol. 34. № 2. P. 109 116.
90. Kezunovic M. Real-time and off-line transmission line fault classification using neural networks / Kezunovic M., Rikalo I., Sobajic D. // Intl. J. of engineering intelligent systems. 1996. Vol. 4. №1. P. 57 63.
91. Kohonen T. Self-organization and associative memory: 3rd edition / Kohonen T. Berlin: Springer-Verlag, 1989. 312 р.
92. Kohonen T. Self-organizing maps: 2nd edition / Kohonen T. Berlin: Springer Verlag, 1997. 426 p.
93. Kohonen T. Statistical pattern recognition with neural networks: benchmark studies / Kohonen T. // Proc. of the second annual IEEE int. conf. on neural networks. 1998. P. 61 68.
94. Kolmogorov A.N. On the representation of continuous functions of many
variables by superposition of continuous functions of one variable and addition /
Kolmogorov A.N. // american math. soc. transl. 1963. P. 55 63.
95. Kosko B. Adaptive Bidirectional Associative Memories / Kosko B. // Applied optics. 1987. Vol. 26. P. 4947 4960.
96. Le Cun Y. Efficient BackProp / Le Cun Y., Bottou L., Orr G.B., Müller K.R. // Neural Networks: Tricks of the trade springier lecture notes in comp. 1998. № 1524. P. 5 50.
97. Lei X. A large integrated power system software package NETOMAC / Lerch E., Povh D., Ruhle O. // Int. conf. on power system technology , POWERCON`98. 1998. P. 17 22.
98. MacKay D. J. C. Bayesian interpolation / MacKay D. J. C. // Neural Computation. 1992. Vol. 4. № 3. P. 415 447.
99. Mahanty R.N. Application of RBF neural network to fault classification and location in transmission lines / R.N. Mahanty, P.B.D. Gupta // Generation, transmission and distribution, IEE proceedings. 2004. Vol. 151. Issue 2. P. 201 212.
100. Manitoba HVDC Research Center. Applications of PSCAD/EMTDC. 2008. 117 р. [http://pscad.com/resource/File/Library/Application_Guide_2008.pdf].
101. Marquardt D. An algorithm for least-squares estimation of nonlinear parameters / Marquardt D. // SIAM J. Appl. Math. 1963. № 11. P. 431 441.
102. Mazón A. J. Strategies for fault classification in transmission lines, using learning vector quantization neural networks / Mazón A. J., Zamora I., Sagastabeitia K. J., Valverde V. // European transactions on electrical power. 2006. Vol. 16. Issue 4. P. 365 378.
103. Mazon A.J. Selecting ANN structures to find transmission faults / Mazon A.J., Zamora I., Gracia J., Sagastabeutia K.J., Saenz J.R. // Computer applications in power, IEEE. 2001. Vol. 14. Issue 3. P. 44 48.
104. Moller M. F. A scaled conjugate gradient algorithm for fast supervised learning / Moller M.F. // Neural Networks. 1993. Vol. 6. P. 525 533.
105. Zhang N. Coordinating fuzzy ART neural networks to improve transmission line fault detection and classification / N. Zhang, M. Kezunovic // Power engineering society general meeting, IEEE. 2005. P. 734 740.
106. Neural Network Toolbox: User’s Guide / [Demuth H., Beale M., Hagan M.]. Narik: The MathWorks Inc., 2008. 907.
107. Ngaopitakkul A. Discrete wavelet transform and probabilistic neural networks algorithm for identification of fault locations on transmission systems / Ngaopitakkul A., Kunakorn A., Bunjongjit S. // Power system technology, int. conf. 2004. Vol. 1. P. 270 274.
108. Ninomiya H. A study on generalization ability of 3-layer recurrent neural networks / H. Ninomiya, A.Sasaki // Neural Networks, IJCNN '02. 2002. Vol. 2. P. 1063 1068.
109. Oleskovicz M. A complete scheme for fault detection, classification and location in transmission lines using neural networks / Oleskovicz M., Coury D.V., Aggarwal R.K. // Developments in power system protection, 7-th int. conf., IEE. 2001. P. 335 338.
110. Osowski S. Fault location in transmission line using hybrid neural network / S. Osowski,R. Salat // Int. J. for computation and maths. in electrical and electronic eng. 2002. Vol. 21. № 1. P. 18 30.
111. Othman M. F. Transmission lines fault detection, classification and location using intelligent power system stabilizer / Othman M. F., Mahfouf M., Linkens D. A. // Electric utility deregulation, restructuring and power technologies, IEEE int. conf. 2004. Vol. 1. P. 360 365.
112. Parker D.B. Optimal algorithms for adaptive networks: second order back propagation, second order direct propagation and second order hebbian learning / Parker D.B. // Proc. of the 1-st ICNN. 1987.