КОНТРОЛЬ НЕСТАЦИОНАРНЫХ СИГНАЛОВ С МИНИМАЛЬНОЙ ЗАДЕРЖКОЙ: НЕЙРОСЕТЕВАЯ РЕАЛИЗАЦИЯ

DOI: 10.47026/1810-1909-2024-2-5-14

УДК 621.311.001.57

ББК 31.27-05

О.Н. АНДРЕЕВ, В.В. АНДРЕЕВ, Н.В. РУССОВА, А.Л. СЛАВУТСКИЙ

Ключевые слова

нейронные сети, микропроцессорная реализация, нестационарные сигналы, временное окно

Аннотация

В электротехнике и энергетике для анализа сигналов тока и напряжения широко применяются алгоритмы на основе преобразования Фурье. Это приводит к временной задержке в определении параметров, составляющей не менее периода сигнала промышленной частоты. Для ряда задач актуальным является определение параметров нестационарных сигналов с минимальной задержкой.

Цель исследования – показать возможность контроля параметров сигналов за временной интервал в доли периода промышленной частоты на основе микропроцессорной реализации нейросетевых алгоритмов.

Материалы и методы. Программно-аппаратные средства реализованы в стандартном для релейной защиты и автоматизации микропроцессорном оборудовании на основе простейших нейронных сетей прямого распространения. Экспериментальная проверка алгоритмов проводилась в лабораторных условиях на примере контроля сигналов тока в асинхронном двигателе при отключении и включении питания в течение одного периода промышленной частоты.

Результаты исследования. Показано, что предлагаемый подход позволяет фиксировать начало переходных процессов и скорость изменения частоты сигналов в течение временного окна длительностью единицы миллисекунд. При этом могут одновременно использоваться нейронные сети разной структуры. Время получения результатов вычислений обученной нейронной сетью соответствует режиму обработки сигналов в реальном времени.

Выводы. Обучение нейронных сетей проводится при помощи простых аналитических формул и может быть реализовано в широком диапазоне варьирования параметров сигналов. Для решения поставленных задач могут одновременно использоваться несколько простейших нейронных сетей, получаемые при этом результаты могут дополнять и уточнять друг друга.

Литература

1. Андреев О.Н., Ксенофонтов С.И., Славутский А.Л. Моделирование и нейросетевая обработка сигналов при переходных процессах в электротехнических комплексах. Чебоксары: Чуваш. гос. пед. ун-т, 2023. 212 с.
2. Андреев О.Н., Славутский Л.А., Тутаев Г.М., Васильева Л.Н. Локализация момента начала переходного процесса нейросетевыми программно-аппаратными средствами // Электротехника. 2023. № 8. С. 20–24. DOI: 10.3103/s1068371223080023.
3. Афанасьев А.А. Расчёт магнитоэлектрических вентильных двигателей методом разделения переменных Фурье // Электротехника. 2021. № 2. С. 21–27.
4. Афанасьев А.Ю., Макаров В.Г., Ханнанова В.Н. Идентификация параметров трехфазного асинхронного двигателя при изменении начальных значений оценок в широком диапазоне // Известия высших учебных заведений. Проблемы энергетики. 2015. № 11-12. С. 87–96.
5. Булычев А.В., Грибков М.А. Анализ процессов самозапуска электродвигателей в современных электрических распределительных сетях с позиций релейной защиты // Релейная защита и автоматизация. 2023. № 1(50). С. 30–38.
6. Ившин И.В., Аухадеев А.Э., Ле К.Т. О применении нейронных сетей в расчетах рациональных режимов работы тягового электрооборудования городского электрического транспорта // Вестник Казанского государственного энергетического университета. 2023. Т. 15, № 1(57). С. 106–116.
7. Лямец Ю.Я., Воронов П.И., Мартынов М.В., Маслов А.Н. Обучение релейной защиты на малом окне наблюдения // Электричество. 2017. № 3. С. 28–33.
8. Нейросетевой алгоритм восстановления в реальном времени сигнала промышленной частоты при нелинейных искажениях / А.Л. Славутский, Л.А. Славутский, В.В. Алексеев [и др.] // Электротехника. 2021. № 8. С. 21–25.
9. Омельченко Е.Я., Лымарь А Б. Идентификация параметров схемы замещения асинхронных двигателей при помощи нейронных сетей // Электротехнические и информационные комплексы и системы. 2023. Т. 19, № 4. С. 31–44. DOI: 10.17122/1999-5458-2023-19-4-31-44.
10. Славутский А.Л. Применение алгоритма Доммеля для моделирования цепи с полупроводниковыми элементами и ключами с ШИМ управлением // Вестник Чувашского университета. 2014. № 2. С. 57–65.
11. Солдатов А.А., Евдокимов Ю.К. Нейросетевой метод контроля режимов работы подстанционных информационно-измерительных комплексов учета электроэнергии // Промышленные АСУ и контроллеры. 2017. № 11. С. 35–49.
12. Akchurin D., Bashirov M., Volkova O. et al. Development and research of an intelligent diagnostic system for equipment of electric power complexes. In: E3S Web Conf: III International Conference on Actual Problems of the Energy Complex: Mining, Production, Transmission, Processing and Environmental Protection (ICAPE2024), 2024, vol. 498. 01003. DOI: 10.1051/e3sconf/202449801003.
13. Arredondo L.R., Esparza D., Medina G.JM. et al. Power Factor Prediction in Three Phase Electrical Power Systems Using Machine Learning. Sustainability, 2022, vol. 14. DOI: 10.3390/su14159113.
14. Bezdushniy D., Kulikov A., Loskutov A., Petrov I. Decision Tree Models and Machine Learning Algorithms in the Fault Recognition on Power Lines with Branches. Energies, 2023, vol. 16. 5563.
15. Bezerra U.H., Rozal Filho E.O., Manito A.R. et al. Harmonic classifier for efficiency induction motors using ANN. Revista Contemporânea, 2023, vol. 3(10), pp. 17660–17678. DOI: 10.56083/RCV3N10-054.
16. Bhattacharya B., Sinha А. Intelligent Fault Analysis in Electrical Power Grids. In: IEEE 29^th International Conference on Tools with Artificial Intelligence (ICTAI), 2017, pp. 985–990. DOI: 10.1109/ICTAI.2017.00151.
17. Bouktif S., Fiaz A., Ouni A., Serhani M.A. Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm. In: Comparison with Machine Learning Approaches. Energies, 2018, vol. 11(7), DOI: 10.3390/en11071636.
18. Burton B., Harley R.G. Reducing the computational demands of continually online-trained artificial neural networks for system identification and control of fast processes. In: IEEE Transactions on Industry Applications, 1998, vol. 34(3), pp. 589–596.
19. Cardoso R.T.N., Rocha S.A., Mattos T.G., Silveira E.G. Applying Artificial Neural Networks and Nonlinear Optimization Techniques to Fault Location in Transmission Lines – Statistical Analysis. Energies, 2022, vol. 15. 4095. DOI: 10.3390/en15114095.
20. 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.
21. Dong X., Chen , Niu G. Motor Fault Diagnostics Based on Current Signatures. In: IEEE Transactions on Instrumentation and Measurement, 2023, vol. 72, pp. 1–19. DOI: 10.1109/TIM.2023.3285999.
22. Leonowicz Z., Jasinski M. Machine Learning and Data Mining Applications in Power Systems. Energies, 2022, 15. 1676. DOI: 10.3390/en15051676.
23. Noebels M., Panteli A., Preece R. Machine learning approach for real-time selection of preventive actions improving power network resilience. In: IET Gener. Transmiss. Distrib, 2022, vol. 16, no. 1, pp. 181–192.
24. Omelchenko E., Lymar A. Development of a New System for the Asynchronous Motor Parameters Identification based on Neural Networks. Russian Workshop on Power Engineering and Automation of Metallurgy Industry: Research & Practice (PEAMI), 2023, pp. 72–79.
25. Osowski S., Szmurlo R., Siwek K., Ciechulski T. Neural Approaches to Short-Time Load Forecasting in Power Systems – A Comparative Study. Energies, 2022, vol. 15, 3265. DOI: 10.3390/en15093265.
26. Pawlik P., Kania K., Przysucha B. Fault diagnosis of machines operating in variable conditions using artificial neural network not requiring training data from a faulty machine. Eksploatacja i Niezawodność – Maintenance and Reliability, 2023, vol. 25(3), 168109. DOI: 10.17531/ein/168109.
27. Rhmaan A., Srikumar V., Smith D.A. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks. Applied Energy, 2018, vol. 212, pp. 372–385. DOI: 1016/j.apenergy.2017.12.051.
28. Slavutskii L.A., Lazareva N.M., Portnov M.S., Slavutskaya E.V. Neural net without “deep learning”: signal approximation by multilayer perceptron. In: 2^nd International Conference on Computer Applications for Management and Sustainable Development of Production and Industry (CMSD-II-2022), 2023, 125640P. DOI: 10.1117/12.2669233.
29. Yan Y., Chen K., Geng H. et al. Review on Intelligent Detection and Classification of Power Quality Disturbances: Trends, Methodologies, and Prospects. CMES-Computer Modeling in Engineering & Sciences, 2023, vol. 137(2), pp. 1345–1379.
30. Zayer W., Radhi A. Faults diagnosis in stator windings of high speed solid rotor induction motors using fuzzy neural network. International Journal of Power Electronics and Drive Systems (IJPEDS), 2021, vol. 12(1), pp. 597–611.

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).

Андреев Вячеслав Владимирович – студент II курса магистратуры факультета радиоэлектроники и автоматики, Чувашский государственный университет, Россия, Чебоксары (vyacheslav-andreev-2000@mail.ru).

Руссова Наталия Валерьевна – кандидат технических наук, доцент кафедры электрических и электронных аппаратов, Чувашский государственный университет, Россия, Чебоксары (russova@mail.ru; ORCID: https://orcid.org/0009-0002-1217-8685).

Славутский Александр Леонидович – кандидат технических наук, заместитель начальника отдела разработки программных продуктов, Обособленное подразделение ООО «Юнител Инжиниринг», Россия, Чебоксары (slavutskii@gmail.com; ORCID: https://orcid.org/0000-0002-6315-2445).

Формат цитирования

Андреев О.Н., Андреев В.В., Руссова Н.В., Славутский А.Л. Контроль нестационарных сигналов с минимальной задержкой: нейросетевая реализация // Вестник Чувашского университета. – 2024. – № 2. – С. 5–14. DOI: 10.47026/1810-1909-2024-2-5-14.

Загрузить полный текст статьи