ОЦЕНКА ТОЧНОСТИ НЕЙРОМОДЕЛИРОВАНИЯ ХАРАКТЕРИСТИК СРАБАТЫВАНИЯ МАКСИМАЛЬНОЙ ТОКОВОЙ ЗАЩИТЫ В ТРЕХФАЗНОЙ СЕТИ

С.О. Иванов, А.А. Ларюхин, М.В. Никандров, Л.А. Славутский

DOI: 10.47026/1810-1909-2021-1-68-77

Ключевые слова

нейросетевое моделирование, элементарный персептрон, максимальная токовая защита, трехфазная электрическая сеть.

Аннотация

Современный электроэнергетический объект – станции и высоковольтные подстанции стали цифровыми объектами с активным применением высокоскоростных локальных сетей, непосредственно участвующих в технологическом процессе. Управление, анализ и контроль информационного обмена в цифровой подстанции энергосистемы требуют разработки новых средств и подходов. Для этих целей могут использоваться методы машинного обучения, в частности аппарат искусственных нейронных сетей. В статье представлены результаты нейросетевого моделирования срабатывания максимальной токовой защиты как вариант анализа информационного обмена. Используется элементарный персептрон как нейросеть с наиболее простой структурой. Приводится оптимизированная структура нейросети и даются оценки точности нейросетевого алгоритма в зависимости от объема обучающей выборки (от 1000 до 50000 записей), количества эпох обучения. Показано, что анализ погрешности нейросетевого алгоритма, возникающей при тестировании нейросети, позволяет оценить порог срабатывания (величину уставки) токовой защиты в зависимости от размера обучающей выборки. Обнаружено, что распознавание порога срабатывая защиты при нейросетевом моделировании нарушается только в том случае, когда токи во всех трех фазах электрической сети близки к пороговому. Обсуждаются возможности усовершенствования предлагаемого подхода и его использования для распознавания аномалий в информационном обмене и работе вторичного оборудования цифровых подстанций энергосистемы.

Литература

1. Кощеев М.И., Славутский А.Л., Славутский Л.А. Простые нейросетевые алгоритмы для волнового метода определения места повреждения электросети // Вестник Чувашского университета. 2019. № 3. С. 110–118.
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 382 с.
3. Лачугин В.Ф., Панфилов Д.И., Смирнов А.Н. Реализация волнового метода определения места повреждения на линиях электропередачи с использованием статистических методов анализа данных // Известия РАН. Энергетик. 2013. № 6. C. 137–146.
4. Лямец Ю.Я., Нудельман Г.С., Павлов А.О., Ефимов Е.Б., Законьшек Я. Распознаваемость повреждений электропередачи. Ч. 1, 2, 3 // Электричество. 2001. № 2. С. 16–23; № 3. С. 16–24; № 12. С. 9–22.
5. Славутский А.Л, Пряников В.С., Славутский Л.А. Моделирование переходных режимов узла нагрузки с трехобмоточным трансформатором на разных уровнях напряжения // Электротехника. 2017. № 7. С. 20–24.
6. Bhattacharya B., Sinha А. Intelligent Fault Analysis in Electrical Power Grids. In: IEEE 29^th Conf. on Tools with Artificial Intelligence (ICTAI). Boston 2017, pp. 985–990. DOI: 10.1109/ICTAI.2017.00151.
7. Burton B., Harley R.G. Reducing the computational demands of continually online-trained artificial neural networks for system identification and control of fast processes. IEEE Transactions on Industry Applications, 1998, vol. 34(3), pp. 589–596.
8. Coury D.V., Oleskovicz M., Aggarwal R.K. An ANN routine for fault detection, classification and location in transmission lines. Electrical Power Components and Systems, 2002, vol. 30, pp. 1137–1149.
9. Dharmendra K., Moushmi K., Zadgaonkar A.S. Analysis of generated harmonics due to transformer load on power system using artificial neural network. International journal of electrical engineering, 2013, vol. 4(1), pp. 81–90.
10. Grammatikis P.R., Sarigiannidis P., Sarigiannidis A., Margounakis D., Tsiakalos A., Efstathopoulos G. An Anomaly Detection Mechanism for IEC 60870-5-104. In: 2020 9^th Conf. on Modern Circuits and Systems Technologies (MOCAST). Bremen, Germany, 2020, pp. 1–4. DOI: 10.1109/MOCAST49295.2020.9200285.
11. He Z., Lin S., Deng Y., Li X., Qian Q. A rough membership neural network approach for fault classification in transmission lines. International Journal of Electrical Power and Energy Systems, 2014, vol. 61, pp. 429–439.
12. Jain A., Thoke A.S., Patel R.N. Fault classification of double circuit transmission line using artificial neural network. International Journal of Electrical Systems Science and Engineering, WASET, 2008, vol. 1, pp. 230–235.
13. Jamil M. Generalized neural network and wavelet transform based approach for fault location estimation of a transmission line / Jamil, A. Kalam, A.Q. Ansari, M. Rizwan. Applied Soft Computing, 2014, vol. 19, pp. 322–332.
14. Keerthipala W.W.L., Low Tah Chong, Tham Chong Leong. Artificial neural network model for analysis of power system harmonics. IEEE International Conference on Neural Networks, 1995, vol. 2, pp. 905–910.
15. Kulikov A.L., Loskutov A.A., Mitrovic M. Improvement of the technical excellence of multiparameter relay protection by combining the signals of the measuring fault detectors using artificial intelligence methods. In: International Scientific and Technical Conference Smart Energy Systems 2019 (SES-2019), 2019, vol. 124. DOI: https://doi.org/10.1051/e3sconf/201912401039.
16. Laruhin A., Nikandrov M., Slavutskii Anomalous modes recognizing secondary equipment in electric power industry: adaptive neuro algorithms. In: 2019 International Ural conference on electrical power engineering: Proceedings URALCON, 2019, pp. 399–403.
17. Mahanty R.N., Dutta Gupta P.B. Comparison of fault classification methods based on wavelet analysis and ANN. Electric Power Components and Systems, 2006, vol. 34, pp. 47–60.
18. Mazumdar J., Harley R.G., Lambert F., Venayagamoorthy Neural Network Based Method for Predicting Nonlinear Load Harmonics. Power Electronics, IEEE Transactions, 2007, vol. 22(3), pp. 1036–1045. DOI: 10.1109/TPEL.2007.897109.
19. Niekerk C.R., Rens A.P.J., Hoffman A.J. Identification of types of distortion sources in power systems by applying neural networks. In: 6^th IEEE AFRICON, 2002, vol. 2, pp. 829–834.
20. Osowski S. Neural network for estimation of harmonic components in a power system. IEEЕ Proceedings on Generation, Transmission and Distribution, 1992, vol. 139(2), pp. 129–135.
21. Rosenblatt F. Principles of neurodymamics. Washington, Spartan books, 1962.
22. Silva K.M., Souza B.A., Brito N.S.D. Fault detection and classification in transmission lines based on wavelet transform and ANN. IEEE Transactions on Power Delivery, 2006, vol. 21, pp. 2058–2063.
23. Soldatov A.V., Naumov V.A., Antonov V.I., Aleksandrova I. Information bases of algorithms for protecting a generator operating on busbars from single-phase-to-ground Faults. Investigation of the Information Bases of Algorithms Controlling Higher Current Harmonics. Power Technology and Engineering, 2019, vol. 53(4), pp. 496–502. DOI: 10.1007/s10749-019-01105-w.
24. Sundaravaradan N.A., Surya S. Application Technique For Model-Based Approach To Estimate Fault Location. In: IET Smart Grid, 2019. DOI: 10.1049/iet-stg.2019.0135.
25. Voropai N.I., Kolosok I.N., Korkina E.S., Osak B. Issues of cybersecurity in electric power systems. Energy systems research, 2020, vol. 3, no. 2(10), pp. 19–28.
26. Yadav A, Dash Y., Ashok V. ANN based directional relaying scheme for protection of Korba-Bhilai transmission line of Chhattisgarh state. Protection and Control of Modern Power Systems, 2016, vol. 1(1). DOI:10.1186/s41601-016-0029-6.
27. Yadav A., Dash Y. An overview of transmission line protection by artificial neural network: fault detection, fault classification, fault location, and fault direction discrimination. In: Advances in Artificial Neural Systems, 2014, p. 20.

Сведения об авторах

Иванов Сергей Олегович – старший преподаватель кафедры математического и аппаратного обеспечения информационных систем, Чувашский государственный университет, Россия, Чебоксары (v101-11@mail.ru).

Ларюхин Александр Александрович – заместитель директора по управлению проектами, ООО «Интеллектуальные Сети», Россия, Чебоксары (laruhin@igrids.com).

Никандров Максим Валерьевич – кандидат технических наук, директор, ООО «Интеллектуальные Cети», Россия, Чебоксары (nixmak@mail.ru).

Славутский Леонид Анатольевич – доктор физико-математических наук, профессор кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (lenya@slavutskii.ru; ORCID: https://orcid.org/0000-0001-6783-2985).

Формат цитирования

Иванов С.О., Ларюхин А.А., Никандров М.В., Славутский Л.А. Оценка точности нейромоделирования характеристик срабатывания максимальной токовой защиты в трехфазной сети // Вестник Чувашского университета. – 2021. – № 1. – С. 68–77. DOI: 10.47026/1810-1909-2021-1-68-77.

Загрузить полный текст статьи