ВЫБОР СТРУКТУРЫ НЕЙРОННОЙ СЕТИ ДЛЯ ОБРАБОТКИ СИГНАЛОВ КАК ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА

Л.А. Славутский, Е.В. Славутская

DOI: 10.47026/1810-1909-2021-3-123-132

Ключевые слова

искусственные нейронные сети, выбор структуры нейросети, планирование эксперимента, обработка сигналов в электротехнике, оценка точности нейроалгоритма.

Аннотация

Работа посвящена использованию аппарата искусственных нейронных сетей для обработки сигналов в электротехнике и электроэнергетике. Нейронная сеть прямого распространения (персептрон) рассматривается как объект в теории планирования эксперимента. Анализируются варианты эмпирического выбора структуры нейронной сети, критерии качества ее обучения и тестирования. Показано, что выбор структуры персептрона, обучающей выборки и алгоритмов обучения требуют планирования. Обсуждаются переменные и параметры нейроалгоритмов, которые могут выступать в роли факторов, параметров состояния и возмущающих воздействий в рамках теории планирования эксперимента. Предлагаемый подход демонстрируется на примере нейросетевого анализа нелинейных искажений сигнала промышленной частоты 50Гц. Анализируется возможность использования элементарного персептрона с одним скрытым слоем и минимальным количеством нейронов для коррекции тока насыщения трансформатора. Выявлены условия, при которых нейроалгоритм позволяет восстановить значения амплитуды, частоты и фазы основной гармоники с погрешностью не более единиц процентов. Предлагается обработка сигнала в «скользящем окне» длительностью в доли периода основной частоты, сделаны оценки точностных характеристик нейроалгоритма. Обсуждается возможность автоматизации выбора структуры нейронной сети для обработки сигналов.

Литература

1. Король Е.Г. Анализ методов моделирования магнитных характеристик электромагнитов для компенсации магнитного поля электрооборудования // Электротехника и электромеханика. 2007. № 2. С. 31–34.
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 382 с.
3. Кужеков С.Л., Нудельман Г.С. Обеспечение правильной работы микропроцессорных устройств дифференциальной защиты при насыщении трансформаторов тока // Электромеханика. 2009. № 4. С. 12–17.
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. Славутская Е.В., Славутский Л.А. О выборе структуры искусственных нейросетей и алгоритмов анализа психодиагностических данных // Казанский педагогический журнал. 2020. № 5(142). С. 202–211.
6. Славутский А.Л. Учет остаточной намагниченности в трансформаторе при моделировании переходных процессов // Вестник Чувашского университета. 2015. № 1. С. 122–130.
7. Сучков В.О., Ядарова О.Н., Славутский Л.А. Дистанционный ультразвуковой контроль воздушного потока на основе искусственной нейронной сети // Вестник Чувашского университета. 2015. № 1. С. 207–212.
8. Basodi S., Zhang H., Pan Y. Gradient amplification: An efficient way to train deep neural networks. Big Data Mining and Analytics, 2020, vol. 3(3), pp. 196–207.
9. Bhattacharya B. Sinha А. Intelligent Fault Analysis in Electrical Power Grids. In: IEEE 29^th International Conference on Tools with Artificial Intelligence (ICTAI). Boston, 2017, pp. 985–990. DOI: 10.1109/ICTAI.2017.00151.
10. 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.
11. 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, no. 30, pp. 1137–1149.
12. 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.
13. Grossberg S. A Path Toward Explainable AI and Autonomous Adaptive Intelligence: Deep Learning, Adaptive Resonance, and Models of Perception, Emotion, and Action. Neurorobot, 2020, vol. 14. DOI: https://doi.org/10.3389/fnbot.2020.00036.
14. Hassan S.R., Rehman A., Shabbir N., Unbreen A. Comparative Analysis of Power Quality Monitoring Systems. NFC-IEFR Journal of Engineering and Scientific Research, 2020. DOI: 10.24081/nijesr.2019.1.0004.
15. 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.
16. 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, USA, 2008, vol. 1, pp. 230–235.
17. Jamil M., Kalam A., Ansari A.Q., Rizwan M. Generalized neural network and wavelet transform based approach for fault location estimation of a transmission line. Applied Soft Computing, 2014, vol. 19, pp. 322–332.
18. 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.
19. 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. International Scientific and Technical Conference Smart Energy Systems 2019 (SES-2019), 2019, vol. 124. DOI: https://doi.org/10.1051/e3sconf/201912401039.
20. Laruhin A., Nikandrov M., Slavutskii Anomalous modes recognizing secondary equipment in electric power industry: adaptive neuro algorithms. In: 2019 Int. Ural Conf. on Electrical Power Engineering: Proc. URALCON, 2019, pp. 399–403. DOI: 10.1109/URALCON.2019.8877613.
21. 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.
22. 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.
23. Milanovic J., Ball R.F, Howe W., Preece R., Bollen M. H. J., Elphick S., Cukalevski N. International Industry Practice on Power-Quality Monitoring. IEEE Transactions on Power Delivery, 2014, vol. 29, pp. 934–941.
24. Montgomery D.C. Design and Analysis of Experiments. John Wiley & Sons, Inc. 1997, p. 757.
25. Niekerk C.R., Rens A.P.J., Hoffman A.J. Identification of types of distortion sources in power systems by applying neural networks. 6^th IEEE Africon, 2002, vol. 2(2), pp. 829–834.
26. 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.
27. Rosenblatt F. Principles of neurodymamics. Washington, Spartan Books, 1962.
28. 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.
29. Soldatov A.V. Naumov V.A., Antonov V.I., Aleksandrova M.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: 1007/s10749-019-01105-w.
30. Sundaravaradan N. A., Surya S. Application Technique for Model-Based Approach To Estimate Fault Location. IET Smart Grid, 2019. DOI: 10.1049/iet-stg.2019.0135.

Сведения об авторах

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).

Славутская Елена Владимировна – доктор психологических наук, профессор кафедры психологии и социальной педагогики, Чувашский государственный педагогический университет имени И.Я. Яковлева, Россия, Чебоксары (slavutskayaev@gmail.com; ORCID: https://orcid.org/0000-0002-3759-6288).

Формат цитирования

Славутский Л.А., Славутская Е.В. Выбор структуры нейронной сети для обработки сигналов как планирование эксперимента // Вестник Чувашского университета. – 2021. – № 3. – С. 123–132. DOI: 10.47026/1810-1909-2021-3-123-132.

Загрузить полный текст статьи