Poslijediplomski studij 2010/2011

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.