НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ РЕЛЕЙНОЙ ЗАЩИТЫ С ВРЕМЕННОЙ ЗАДЕРЖКОЙ

DOI: 10.47026/1810-1909-2022-3-53-60

УДК 621.316.91

ББК 31.247

С.О. ИВАНОВ, М.В. НИКАНДРОВ, Л.А. СЛАВУТСКИЙ

Ключевые слова

нейросетевое моделирование, многослойный персептрон, максимальная токовая защита, задержка по времени, 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 работе показаны возможности применения искусственной нейронной сети прямого распространения (многослойных персептронов) для моделирования и идентификации аномалий в режимах работы релейной защиты с задержкой по времени. Представлены результаты обучения и тестирования искусственной нейронной сети на примере анализа срабатывания максимальной токовой защиты в режиме «скользящего временного окна» в трехфазной электрической сети. Предлагаемый нейроалгоритм и конфигурация искусственной нейронной сети могут использоваться для контроля режимов и точности релейных и кибернетических защит.

Литература

1. Кощеев М.И., Ларюхин А.А., Славутский А.Л. Использование адаптивных нейроалгоритмов для распознавания аномальных режимов систем вторичного оборудования электроэнергетики // Вестник Чувашского университета. 2019. № 1. С. 47–58.
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия – Телеком, 2001. 382 с.
3. Andreev O.N., Slavutskii L.A., Slavutskiy A.L. Neural network in a “sliding window” for power grids signals structural analysis. In: IOP Conference Series: Earth and Environmental Science: 4, 2022, p. 012054. DOI: 10.1088/1755-1315/990/1/012054.
4. 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.
5. 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.
6. 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, no. 4, 1, pp. 81–90
7. Grammatikis P.R., Sarigiannidis P., Sarigiannidis A., Margounakis D. et al. An Anomaly Detection Mechanism for IEC 60870-5-104. In: 9^th International Conference on Modern Circuits and Systems Technologies (MOCAST), Bremen, Germany, 2020, pp. 1–4. DOI: 10.1109/MOCAST49295.2020.9200285.
8. 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.
9. 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, no. 61, pp. 429–439.
10. Ivanov S., Nikandrov M., Lariukhin A. Neuro Algorithm Accuracy Evaluation for The Anomalies Detecting in Overcurrent Protection Operation. In: International Ural Conference on Electrical Power Engineering (UralCon), 2021, pp. 116–120. DOI: 10.1109/UralCon52005.2021.9559614.
11. 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, no. 1, pp. 230–235.
12. 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, no. 2, pp. 905–910.
13. Ince T., Kiranyaz S., Eren L., Askar M., Gabbouj Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks. IEEE Transactions on Industrial Electronics, 2016, vol. 63, no. 11, pp. 7067–7075. DOI: 10.1109/TIE.2016.2582729.
14. Jayamaha D.K.J.S., Lidula N.W.A., Rajapakse A.D. Wavelet-multi resolution analysis based ANN architecture for fault detection and localization in DC microgrids. IEEE Access, 2019, vol. 7, pp. 145371–145384.
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, no. 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. Lu C., Wang Z., Zhou B. Intelligent Fault Diagnosis of Rolling Bearing Using Hierarchical Convolutional Network Based Health State classification. Advanced Engineering Informatics, 2017, vol. 32, pp. 139–151. DOI: https://doi.org/10.1016/j.aei.2017.02.005.
18. 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, no. 2, pp. 829–834.
19. Oh J. W., Jeong J. Convolutional neural network and 2-D image based fault diagnosis of bearing without retraining. In: Proceedings of the 2019 3^rd International Conference, 2019, pp. 134–138.
20. Rosenblatt F. Principles of neurodymamics.Washington D.C.: Spartan books, 1962.
21. Voropai N.I., Kolosok I.N., Korkina E.S., Osak A.B. Issues of cybersecurity in electric power systems. Energy systems research, 2020, vol. 3, no. 2(10), pp. 19–28.
22. Yadav A., Dash Y. An overview of transmission line protection by artificial neural network: fault detection, fault classification, fault location, and fault direction discrimination // Advances in Artificial Neural Systems, 2014, p. 20. DOI: https://doi.org/10.1155/2014/230382.

Сведения об авторах

Иванов Сергей Олегович – старший преподаватель кафедры математического и аппаратного обеспечения информационных систем, Чувашский государственный университет, Россия, Чебоксары (v101-11@mail.ru; ORCID: https://orcid.org/0000-0003-3918-3919).

Никандров Максим Валерьевич – кандидат технических наук, директор, ООО «Интеллектуальные Cети», Россия, Чебоксары (nixmak@mail.ru; ORCID: https://orcid.org/0000-0001-6846-3384).

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., Никандров М.В., Славутский Л.А. Нейросетевое моделирование релейной защиты с временной задержкой // Вестник Чувашского университета. – 2022. – № 3. – С. 53–60. DOI: 10.47026/1810-1909-2022-3-53-60.

Загрузить полный текст статьи