1 / 34

Poslijediplomski studij 2010/2011

Doc. dr.sc. Srđan Skok Prof. dr. sc. Ante Marušić. PRIMJENA NEURONSKIH MREŽA U POSTUPKU PODEŠENJA DISTANTNE ZAŠTITE VISOKONAPONSKIH PRIJENOSNIH VODOVA. Poslijediplomski studij 2010/2011. Pregled izlaganja. Uvod Distantna zaštita visokonaponskih vodova Opis problema

varana
Télécharger la présentation

Poslijediplomski studij 2010/2011

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Doc. dr.sc. Srđan Skok Prof. dr. sc. Ante Marušić PRIMJENA NEURONSKIH MREŽA U POSTUPKU PODEŠENJA DISTANTNE ZAŠTITE VISOKONAPONSKIH PRIJENOSNIH VODOVA Poslijediplomski studij 2010/2011

  2. Pregled izlaganja • Uvod • Distantna zaštita visokonaponskih vodova • Opis problema • Osnove korištenih neuronskih mreža • Opis razvijenih adaptivnih modela distantne zaštite • Analiza razvijenih adaptivnih modela distantne zaštite • Zaključak

  3. Uvod • Relejna zaštita - podsustav ees-a, a vezana je uz svaki element ees-a. U ovom radu razmatra se relejna zaštita visokonaponskih prijenosnih vodova. • Relejna zaštita visokonaponskih prijenosnih vodova - najznačajnija zaštita je distantna zaštita. • Težnja za što uspješnije prilagođenje (adaptiranje) distantne relejne zaštite zbivanjima u ees-u • Adaptivna zaštita predstavlja zaštitu koja dozvoljava i traži takva podešenja koja odgovaraju trenutnim pogonskim uvjetima u ees-u. • Adaptivni koncept zaštite - digitalni releji

  4. Uvod (2) • Principi rada digitalnih releja - Rockefeller 1970-tih • Algoritmi djelovanja stalno se poboljšavaju - korištenje umjetne inteligencije (NN, Fuzzy logic, GA,...) • Cilj rada - rješenje sljedećih problema distantne zaštite visokonaponskih prijenosnih vodova: • višestrano napajanje mjesta kvara + otpor na mjestu kvara i • utjecaj međuinduktivnog djelovanja prilikom zaštite dvostrukih vodova + otpor na mjestu kvara. • Korištene Neuronske mreže: MLP, Kohonenovamreža • Vlastita programska podrška (Borland C, Visual Basic) • Test primjeri na konkretnom dijelu ees-a HEP-a

  5. Distantna zaštita visokonaponskih prijenosnih vodova Princip djelovanja distantne zaštite • Distantni releji - mjerenje impedancije od mjesta ugradnje releja do mjesta kvara: • Vrijeme djelovanja: • Napon na mjestu ugradnje releja, pri 3-p k.s.: - distantni releji

  6. Elektromehanička i statička distantna zaštita 1 = ulazni tansformatori 2 = preklopni član 3 = poticajni član 4 = vremenski član 5 = mjerni sustav 6 = signalizacija 7 = logika okidanja 8 = okidni (izlazni) relej 9 = DC/DC pretvornik D = usmjereni član X = reaktantni član R = otporni član Blok shema statičkog distantnog releja LZ92-1 (BBC)

  7. Digitalna distantna zaštita Pojednostavljena struktura digitalnog distantnog releja EPAC 3000 (ALSTOM)

  8. Opis problema Dvostrano napajanje kvara s otporom na mjestu kvara Model jednopolnog kvara na visokonaponskom prijenosnom vodu

  9. Dvostrano napajanje kvara s otporom na mjestu kvara Moguća pogrešna djelovanja releja Pozitivan kut između struje IB i IA () Negativan kut između struja IB i IA ()

  10. Zaštita dvostrukog voda Model jednopolnog kvara na dvostrukom vodu Shema direktnog sustava

  11. Zaštita dvostrukog voda Shema nultog sustava Transformirana shema nultog sustava

  12. Zaštita dvostrukog voda Napon na mjestu R: Distantni relej mjeri: Relej mjeri struju: ako je: impedancija koju mjeri relej iznosi:

  13. Zaštita dvostrukog voda Utjecaj pogreške ovisi i o uklopnom stanju voda: Uklopna stanja koja uzrokuju pogrešku djelovanja releja Uklopna stanja koja ne uzrokuju pogrešku

  14. Osnove korištenih neuronskih mreža • Osnovni element neuronskih mreža - neuron

  15. Višeslojni perceptron (MLP) • MLP mreže imaju: • jedan ulazni, • jedan izlazni i • jedan ili više skrivenih slojeva neurona • Nelinearna, glatka izlazna karakteristika, • često se koristi sigmoidna aktivacijska funkcija, • mreža je dobro povezana. • MLP koristi algoritam učenja s povratnom propagacijom pogreške • učenje pod nadzorom s ispravkom pogreške • potrebno je postići minimum prosječne kvadratne pogreške

  16. Višeslojni perceptron (MLP) Višeslojni perceptron je korišten u mnogim primjenama: • NETtalk: neuronske mreže koje uče izgovarati engleski tekst, • Prepoznavanje govora, • OCR (prepoznavanje slova), • Identifikacija sustava, • Automatsko upravljanje, • Upravljanje autonomnim vozilom, • Detekcija i klasifikacija radarskih i sonarskih signala, • Medicinska dijagnostika srčanih bolesti, • Analiza signala i slika.

  17. Samoorganizirajuće mreže (Kohonenova) • uče bez nadzora - ne postoji učitelj • algoritam kompetitivnog učenja (engl. "winner-takes-all”) • samo jedan neuron može se aktivirati - pobjednik • neuron pobjednik je neuron s težinom najbližom ulaznom vektoru • Primjeri primjena kompetitivnog učenja su: • Biparticija grafa, • Kvantizacija vektora za kompresiju, • Klasifikacija vektora za prepoznavanje objekata.

  18. Samoorganizirajuće mreže (Kohonenova) • Primjer 2-D preslikavanja • 1000 iteracija s korakom 200

  19. Razvijeni adaptivni modeli distantne zaštite Dvostrano napajanje kvara + otpor na mjestu kvara Model distantne zaštite korištenjem MLP • Ulazne veličine: • napon, struja i kut među njima na mjestu ugradnje releja • (kut između struja kvara s obje strane voda) • Izlaz - relej djeluje ili ne djeluje (0 ili 1) 3 ili 4 ulazna neurona 1 izlazni neuron • Broj skrivenih slojeva i neurona u njima obično se određuje empirijski • Četvrti ulazni parametar - kompliciranija izvedba, ali i veća sigurnost pravilne prorade releja

  20. Model distantne zaštite korištenjem MLP Model adaptivne distantne zaštite Primjeri za učenje • Najteže je u ovom modelu ostvariti komunikaciju između releja • Model distantne zaštite osnovan na MLP treba relativno veliki broj iteracija tijekom učenja • Djelomično se može smanjiti broj iteracija optimalnim odabirom broja skrivenih slojeva i broja neurona u svakom sloju

  21. Model distantne zaštite korištenjem Kohonenove mreže • model prepoznaje oblik modificirane radne karakteristike koju bi relej trebao imati da riješi zadani problem • model ne treba komunikaciju između releja • Optimalna karakteristika rješava problem • m[0,1] RF[0,5]  • 110 kV vod Plomin - Lovran • Sivo područje - relej djeluje (m<0.85) • Crno područje - relej ne djeluje (m>0.85) • 2346 različitih točaka Optimalna karakteristika releja

  22. Model distantne zaštite korištenjem Kohonenove mreže • Kohonenova mreža treba prepoznati optimalnu karakteristiku • Mreža ima dva ulaza (R i X) i Kohonenov sloj od 45x45 neurona • Modificirano učenje - prepoznavanje dva oblika tijekom jednog perioda učenja • Svakoj točki pridružena je i vrijednost djelovanja releja - 1 ili 0 • Svaka točka je ili "siva" - relej treba djelovati ili "crna" - relej ne smije djelovati Primjeri za učenje Shema adaptivne zaštite

  23. Model distantne zaštite korištenjem Kohonenove mreže • Za neki proizvoljno zadani 1p kvar dobivaju se vrijednosti napona i struje, odnosno impedancije • Računa se najbliži (prema euklidskoj udaljenosti) neuron - neuron pobjednik • Relej treba odraditi pobjednik neuron u "sivom" području, ne smije odraditi ako je u "crnom" području. Rezultat učenja Kohonenove mreže

  24. Zaštita dvostrukog voda Model distantne zaštite korištenjem MLP prvi model drugi model • Ulaz: struja i napon na mjestu ugradnje releja (+uklopno stanje) • Izlaz: impuls okidanja (1 ili 0) • Ulaz: struja i napon na mjestu ugradnje releja (+uklopno stanje) • Izlaz: faktor korekcije .

  25. Model distantne zaštite korištenjem Kohonenove mreže • dvostruki 400 kV vod Žerjavinec - Héviz • 2100 primjera • ulaz: (R i X) • Kohonenov sloj ima 50x50 neurona Optimalna karakteristika releja Rezultat učenja Kohonenove mreže

  26. Analiza razvijenih modelaDvostrano napajanje kvara + otpor na mjestu kvara

  27. Model distantne zaštite korištenjem MLP • Učenje je provedeno do točnosti 5%. • 20000 iteracija. • Izlaz > 0.5 - relej treba djelovati. • Izlaz < 0.5 - relej ne smije djelovati.

  28. Model distantne zaštite korištenjem Kohonenove mreže • Ulaz: točaka u R-X ravnini • 45x45 neurona u Kohonenovom sloju • 20000 iteracija

  29. Zaštita dvostrukog voda

  30. Model distantne zaštite korištenjem MLP • Učenje je provedeno do točnosti 5%. • 20000 iteracija. • Izlaz > 0.5 - relej treba djelovati. • Izlaz < 0.5 - relej ne smije djelovati.

  31. Model distantne zaštite korištenjem Kohonenove mreže • Ulaz: točaka u R-X ravnini • 50x50 neurona u Kohonenovom sloju • 20000 iteracija

  32. Analiza rezultata provjere adaptivnih modela distantne zaštite

  33. Zaključak • Svaki adaptivni model zaštite primjenljiv je u stvarnom ees-u. • Smanjenje greške s obzirom na algoritme koji ne sadrže modifikaciju radne karakteristike - element učinkovite zaštite visokonaponskih prijenosnih vodova. • Kohonenova mreža pripada grupi novijih istraživanja obzirom na predmetnu problematiku: • binarni se problem rješava jednostavnije nego pomoću MLP • u graničnom dijelu radne karakteristike distantnog releja rezultati dobiveni upotrebom Kohonenove mreže su kvalitetniji, dok vrijeme odziva i učenja nije duže u usporedbi s primjenom višeslojnog perceptrona.

  34. Zaključak (2) • Istraživani modeli adaptivne distantne zaštite mogu se primjeniti i na: • mjesto utvrđivanja kvara, • prepoznavanje vrste i naravi kvara, • tzv. adaptivno podešavanje usmjerenosti releja i • zaštita vodova na kojima se koristi serijska kompenzacija u smislu povećanja prijenosne moći i stabilnosti napona. • Može se na slično istraživane probleme "preporučiti" korištenje neuronskih mreža posebno Kohonenovu mrežu.

More Related