НЕЙРОСЕТЕВАЯ ОБРАБОТКА СИГНАЛОВ С НЕЛИНЕЙНЫМИ ИСКАЖЕНИЯМИ В «СКОЛЬЗЯЩЕМ ВРЕМЕННОМ ОКНЕ»

DOI: 10.47026/1810-1909-2022-1-5-13

УДК 621.316.91

ББК 31.247

О.Н. АНДРЕЕВ, Л.Н. ВАСИЛЬЕВА

Ключевые слова

искусственные нейронные сети, цифровая обработка сигналов, фильтрация, релейная защита

Аннотация

Постоянный контроль уровня гармонических составляющих сигналов в электрических сетях является важной задачей в обеспечении качественного энергоснабжения потребителей. Это относится как к нормальным, так и к аварийным режимам работы энергосистемы. Одним из источников нелинейных искажений сигналов в измерительных органах являются нелинейные режимы работы трансформаторов. Эффекты насыщения и гистерезисные явления в измерительных трансформаторах тока затрудняют идентификацию реальных параметров работы электроэнергетического оборудования. В статье показано, что для контроля нелинейных искажений сигналов промышленной частоты может применяться аппарат искусственных нейронных сетей. Предлагаемый алгоритм на основе нейронной сети прямого распространения протестирован на примере искажения сигналов тока во вторичной обмотке измерительного трансформатора. Показана возможность определить амплитуду, частоту и фазу гармонических составляющих сигнала в «скользящем временном окне» с точностью до единиц процентов. Сделаны оценки необходимой частоты и интервала оцифровки сигналов, проводится сравнение с использованием алгоритма дискретного преобразования Фурье.

Литература

1. Гуревич В. Проблема электромагнитных воздействий на микропроцессорные устройства релейной защиты. Ч. 2 // Компоненты и технологии. 2010. № 3. С. 91–96.
2. Засыпкин А.С. Релейная защита трансформаторов. М.: Энергоатомиздат, 1989. 240 с.
3. 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.
4. Круглов В.В., Борисов В.В. Нейронные сети. Теория и практика. М.: Горячая линия – телеком, 2002. 382 с.
5. Кужеков С.Л., Дегтярев А.А. О координации функционирования трансформаторов тока и устройств релейной защиты и автоматики электроэнергетических систем в переходных режимах коротких замыканий // Электротехника. 2017. № 12. С. 65–72.
6. Лямец Ю.Я., Нудельман Г.С., Павлов А.О., Ефимов Е.Б., Законьшек Я. Распознаваемость повреждений электропередачи. Ч. 3 // Электричество. 2001. № 12. С. 9–22.
7. Славутская Е.В., Славутский Л.А. О выборе структуры искусственных нейросетей и алгоритмов анализа психодиагностических данных // Казанский педагогический журнал. 2020. № 5. С. 202–211.
8. Славутский, А.Л. Учет остаточной намагниченности в трансформаторе при моделировании переходных процессов // Вестник Чувашского университета. № 1. С. 122–130.
9. Ameli A., Ayad A., El-Saadany E., Salama M. and Youssef A. A Learning-Based Framework for Detecting Cyber-Attacks Against Line Current Differential Relays. In: IEEE Transactions on Power Delivery, 2020. DOI: 10.1109/TPWRD.2020.3017433.
10. Antonov V.I., Naumov V.A., Fomin A.I. et al. Adaptive structural analysis of input signals of digital and relay protection and automation. Russian Electrical Engineering, 2015, vol. 86, 391–397. DOI: 10.3103/S1068371215070032.
11. Bychkov A.V., Slavutskii L.A. and Slavutskaya E.V. Neural Network for Pulsed Ultrasonic Vibration Control of Electrical Equipment. In: Int. Ural Conf. on Electrical Power Engineering (UralCon), 8936, 2020. DOI: 10.1109/UralCon49858.2020.9216248.
12. Bhattacharya B. and Sinha A. Intelligent Fault Analysis in Electrical Power Grids. In: IEEE 29^th Conf. on Tools with Artificial Intelligence (ICTAI), 2017. Available at: https://ieeexplore.ieee.org/document/8372054.
13. Cao W., Yin X., Chen Y., Pan Y., Yin X. and Wang Y. The Impact of Zero-Mode Inrush Current of T-Hin on Zero-Sequence Overcurrent Protection and an Improved Protection with the Second Harmonic Restraint. Energies, 2019, vol. 12(15), 2911. DOI: 10.3390/en12152911.
14. Dharmendra K., Moushmi K. and Zadgaonkar A.S. Analysis of generated harmonics due to transformer load on power system using artificial neural network. International journal of electrical engineering, 2013. 4, no 1, pp. 81-90.
15. Dillon T.S., Niebur D. Neural Networks Application in Power Systems. London, CRL Ltd. Publ., 1996.
16. Dommel H.W. Digital Computer Solution of Electromagnetic Transients in Single- and Multiphase Networks. IEEE Transactions on Power Apparatus and Systems, 1969, vol. 88, no. 4, pp. 388–399.
17. 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.
18. Keerthipala W., Chong L.T. and Leong T.C. Artificial neural network model for analysis of power system harmonics. IEEE International Conference on Neural Networks, 1995, vol. 2, pp. 905–910.
19. Kezunovic M. A Survey of Neural Net Applications to Protective Relaying and Fault Analysis. Engineering Intelligent Systems, 1997, vol. 5, no. 4, pp. 185–192.
20. 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, no. 124. DOI: 10.1051/e3sconf/201912401039.
21. Kumar K., Thakur G.S.M. Advanced Applications of Neural Networks and Artificial Intelligence: A Review. International Journal of Information Technology and Computer Science, 2012, no. 6, pp, 57–68. DOI: 10.5815/ijitcs.2012.06.08.
22. Mazumdar J., Harley R.G., Lambert F, Venayagamoorthy G. Neural Network Based Method for Predicting Nonlinear Load Harmonics. Power Electronics, IEEE Transactions, 2007, vol. 22, no. 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. Samarasinghe S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. 1^st Boca Raton, Auerbach Publications, 2006, 570 p.
25. Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks, 2014, no. 61, pp. 85–117. DOI: 10.1016/j.neunet.2014.09.003.
26. Slavutskiy A., Slavutskii L., Slavutskaya E. Neural Network for Real-Time Signal Processing: the Nonlinear Distortions Filtering. In: International Ural Conference on Electrical Power Engineering (UralCon), 2021, pp. 84-88. DOI: 10.1109/UralCon52005.2021.9559619.
27. Rosenblatt F. Principles of neurodynamics. Washington D.C., Spartan Books, 1962.

Сведения об авторах

Андреев Олег Николаевич – аспирант кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (helga013@yandex.ru; ORCID: https://orcid.org/0000-0003-2974-2502).

Васильева Лидия Николаевна – кандидат педагогических наук, доцент кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (oln2404@mail.ru; ORCID: https://orcid.org/0000-0002-2809-9044).

Формат цитирования

Андреев О.Н., Васильева Л.Н. Нейросетевая обработка сигналов с нелинейными искажениями в «скользящем временном окне» // Вестник Чувашского университета. – 2022. – № 1. – С. 5–13. DOI: 10.47026/1810-1909-2022-1-5-13.

Загрузить полный текст статьи