НЕЙРОСЕТЕВОЙ КЛАССИФИКАТОР РЕЖИМОВ РАБОТЫ ЭНЕРГООБЪЕКТА И ОЦЕНКА ЕГО РАСПОЗНАЮЩЕЙ СПОСОБНОСТИ ПРИ РАЗЛИЧНОМ КОЛИЧЕСТВЕ ПРЕЦЕДЕНТОВ

Ю.А. Дементий, А.Н. Маслов

DOI: 10.47026/1810-1909-2021-3-45-52

Ключевые слова

машинное обучение, нейронная сеть, классификация режимов работы объекта, распознающая способность.

Аннотация

Классические алгоритмы построения релейной защиты не используют всю доступную информационную базу и, соответственно, не могут обеспечить максимально возможную чувствительность при гарантированной селективности. Эти алгоритмы, как правило, концентрируют различную информацию, в результате чего она частично теряется. К примеру, реле сопротивления оперирует комплексным сопротивлением, т.е. двумя вещественными параметрами, хотя для расчёта комплексного сопротивления используются две комплексные переменные – напряжение и ток. В статье показано решение задачи классификации режимов работы линии электропередачи с использованием нейросетевого алгоритма. Универсальным классификатором является простейшая нейронная сеть – персептрон, так как для него доказана теорема о сходимости, показывающая, что если классификация существует, то персептрон достаточной сложности способен её описать. Обсуждаются статистическая и геометрическая интерпретации различных алгоритмов. Показана зависимость качества работы классификатора от структуры и параметров нейронной сети, а также от распределения прецедентов в обучающей выборке, на основании которых производится обучение. Оценивается распознающая способность нейросетевого классификатора, т.е. способность отличать короткие замыкания в пределах защищаемой зоны от коротких замыканий за пределами защищаемой зоны при различном количестве прецедентов в обучающей выборке. Показаны пределы применимости подобных алгоритмов для задачи классификации режимов работы объекта в электроэнергетике и сформулированы рекомендации для их практического применения. Полученные результаты свидетельствуют о необходимости разработки методов обучения классификаторов, в основу которых положен источник информативных прецедентов в виде имитационной модели объекта.

Литература

1. Дементий Ю.А., Активное обучение классификатора режимов работы объекта с использованием имитационной модели // Современные тенденции развития цифровых систем релейной защиты и автоматики: материалы науч.-техн. конф. молодых специалистов форума «РЕЛАВЭКСПО-2021». Чебоксары: Изд-во Чуваш. ун-та, 2021. С. 157–162.
2. Дементий Ю.А., Маслов А.Н., Николаев К.П. Нейросетевая классификация режимов // Современные тенденции развития цифровых систем релейной защиты и автоматики: материалы науч.-техн. конф. молодых специалистов форума «РЕЛАВЭКСПО-2021». Чебоксары: Изд-во Чуваш. ун-та, 2021. С. 147–152.
3. Кощеев М.И., Славутский А.Л., Славутский Л.А. Элементарный персептрон как инструмент анализа переходных процессов // Вестник Чувашского университета. 2020. № 3. С. 84–93.
4. Кощеев М.И., Славутский А.Л., Славутский Л.А. Прострые нейросетевые алгоритмы для волнового метода определения места повреждения электросети // Вестник Чувашского университета. 2019. № С. 110–118.
5. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 382 с.
6. Мартынов М.В. Исследование и разработка обучаемых модулей микропроцессорных защит линий электропередачи: автореф. дис. … канд. техн. наук. Чебоксары, 2014. 24 с.
7. Haykin S. Neural Networks: A Comprehensive Foundation Subsequent Edition. Prentice Hall PTR, Upper Saddle River, NJ, United States, 1998, 842 p.
8. Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, 2011, pp. 2825–2830.

Сведения об авторах

Дементий Юрий Анатольевич – кандидат технических наук, руководитель группы, ООО «Релематика», Россия, Чебоксары (dementiy.yu.a@gmail.com).

Маслов Александр Николаевич – кандидат технических наук, заведующий сектором, ООО «Релематика» (maslov_an@relematika.ru).

Формат цитирования

Дементий Ю.А., Маслов А.Н. Нейросетевой классификатор режимов работы энергообъекта и оценка его распознающей способности при различном количестве прецедентов // Вестник Чувашского университета. – 2021. – № 3. – С. 45–52. DOI: 10.47026/1810-1909-2021-3-45-52.

Загрузить полный текст статьи