RZ2010-Neuronske_mreze

PRIMJENA NEURONSKIH MREŽA U PRIMJENA NEURONSKIH MREŽA U POSTUPKU PODEŠENJA DISTANTNE POSTUPKU PODEŠENJA DISTANTNE

ZAŠTITE VISOKONAPONSKIH ZAŠTITE VISOKONAPONSKIH PRIJENOSNIH VODOVAPRIJENOSNIH VODOVA

Poslijediplomski studij2010/2011

Doc. dr.sc. Srđan SkokDoc. dr.sc. Srđan Skok

Prof. dr. sc. Ante MarušićProf. dr. sc. Ante Marušić

Pregled izlaganjaPregled izlaganja

Uvod Distantna zaštita visokonaponskih vodova Opis problema Osnove korištenih neuronskih mreža Opis razvijenih adaptivnih modela distantne zaštite Analiza razvijenih adaptivnih modela distantne

zaštite Zaključak

UvodUvod

Relejna zaštita - podsustav ees-a, a vezana je uz svaki element ees-a. U ovom radu razmatra se relejna zaštita visokonaponskih prijenosnih vodova.

Relejna zaštita visokonaponskih prijenosnih vodova - najznačajnija zaštita je distantna zaštita.

Težnja za što uspješnije prilagođenje (adaptiranje) distantne relejne zaštite zbivanjima u ees-u

Adaptivna zaštita predstavlja zaštitu koja dozvoljava i traži takva podešenja koja odgovaraju trenutnim pogonskim uvjetima u ees-u.

Adaptivni koncept zaštite - digitalni releji

Uvod (2)Uvod (2)

Principi rada digitalnih releja - Rockefeller 1970-tih Algoritmi djelovanja stalno se poboljšavaju - korištenje

umjetne inteligencije (NN, Fuzzy logic, GA,...) Cilj rada - rješenje sljedećih problema distantne zaštite

visokonaponskih prijenosnih vodova: višestrano napajanje mjesta kvara + otpor na mjestu kvara i utjecaj međuinduktivnog djelovanja prilikom zaštite

dvostrukih vodova + otpor na mjestu kvara. Korištene Neuronske mreže: MLP, Kohonenova mreža Vlastita programska podrška (Borland C, Visual Basic) Test primjeri na konkretnom dijelu ees-a HEP-a

Distantna zaštita visokonaponskih Distantna zaštita visokonaponskih prijenosnih vodovaprijenosnih vodova

Distantni releji - mjerenje impedancije od mjesta ugradnje releja do mjesta kvara:

lZZV 1

Vrijeme djelovanja:

IUktd

Napon na mjestu ugradnje releja, pri 3-p k.s.:klZIU 1

kd lKt - distantni releji

Princip djelovanja distantne zaštitePrincip djelovanja distantne zaštite

A B C D

Un

U (p.u.)

I (p.u.)

Z

K1 K2

t = k Zd mjI K1

K2I

UK1

UK2

Z I Z II Z III

I K1 K2IUK1 UK2<

>Z K1 Z K2<

Z K1

Z K2

v

Z (p.u.)

t (s)

t I

t II

t III

I K1

K2I

Elektromehanička i Elektromehanička i statička distantna zaštitastatička distantna zaštita

///U

I

R,S,T

R,S,T ///

R

X

&

D

X

R

I> / Z<DC

DCU DC

U F

I +(k I )F 0

Signalizacija

Isključenjeprekidača

12

3

4

5

69

7 8

Poticajničlan

tMjerni sustav

Preklopničlan

1 = ulazni tansformatori2 = preklopni član3 = poticajni član4 = vremenski član5 = mjerni sustav6 = signalizacija7 = logika okidanja8 = okidni (izlazni) relej9 = DC/DC pretvornikD = usmjereni članX = reaktantni članR = otporni član

Blok shema statičkog distantnog releja LZ92-1 (BBC)

Digitalna distantna zaštitaDigitalna distantna zaštitat

t

t

X, R = Fx u(n), i(n) z

n

n

t

s(t)

f(t)

u(t)

u(t)

f(n)

(n)

ulaznih veličina

A / D pretvorba

Algoritam zaštite

Digitalni filteri

Logika djelovanja

Djelovanje zaštitena prekidač,

signalizacija djelovanja

Uzimanje uzoraka iprivremeno

pohranjivanje

Ulazni birač(multiplekser)

Analogni filteri

Filtrirane ulazneveličine

Pretvorba strujnihveličina u naponske

Galvansko odvajanje

i(t)u(t)

L1, L2, L3, N

P

X

R

}

011110011101

Pojednostavljena struktura digitalnog distantnog releja EPAC 3000 (ALSTOM)

Multipleksor

Prijenosnoračunalo

LokalnoRS232sučelje Lokalno

LCDsučeljeUzimanje

uzoraka iprivremeno

pohranjivanje

RS232lokalna kom.

Sustav zazapis

događajaWin TPE

Digitalniulazi

Filtri, algoritmizaštite, logika

djelovanja,komunikacija

Vanjskaveza

Komunikacijskiprotokol prema

IEC 870-5

Izlazi

EPAC 3000

U

I

Filter

Filter

Opis problemaOpis problema

Dvostrano napajanje kvara Dvostrano napajanje kvara s otporom na mjestu kvara s otporom na mjestu kvara

RELEJ A RELEJ BIA IB

RF

IF

U AUB

1-mm

Model jednopolnog kvara na visokonaponskom prijenosnom vodu

FBAVAA RIIZmIU

FA

BVA R

IIZmZ

1

GF

A

BG ZR

IIZ 1

Dvostrano napajanje kvara s otporom Dvostrano napajanje kvara s otporom na mjestu kvarana mjestu kvara

X

R

mZ VZ A

ZG

ZV

0.85 ZV

X

R

mZ V

Z A

ZG

ZV

0.85 ZV

Moguća pogrešna djelovanja releja

Pozitivan kut između struje IB i IA () Negativan kut između struja IB i IA ()

Zaštita dvostrukog vodaZaštita dvostrukog voda

UAUB

ZAdnZ

vd

Z vd

ZAd(1-n)Z

BdR

I Hd

IGd

UA

RELEJ

R FUB

Model jednopolnog kvara na dvostrukom vodu

Shema direktnog sustava


ZA0

nZv0

Z v0

Zv0

(1-n)Z

B0R

I H0

IG0

nZm0Z

m0(1-n)

ZA0

n(

Zv0

(1-n)(Z

B0R

IH0

IG0

nZm0

Zm0

(1-n)

- Zm0

Zv0

- Zm0

) Z v0- Zm0 ) Transformirana shema nultog sustava

Shema nultog sustava


Napon na mjestu R:

0000 HmGvGiviGdvdR InZInZInZInZV

0000 )( HmGvdvGvdR InZIZZnInZV

0

00

0H

vd

mG

vd

vdvGvdR I

ZZI

ZZZInZV

ako je:

0GGiGdG IIII

0GGiGd III

vivd ZZ

Distantni relej mjeri:

vdR

RR mZ

IVZ

Relej mjeri struju:

00

00

Hvd

mG

vd

vdvGR I

ZZI

ZZZII

00

Gvd

vdvGR I

ZZZII

vd

vd

vdv

G

G

G

H

vd

m

vdR

RR Zn

ZZZ

II

II

ZZ

nZIVZ

0

0

0

00

1

impedancija koju mjeri relej iznosi:


Utjecaj pogreške ovisi i o uklopnom stanju voda:

b)a)

Uklopna stanja koja uzrokuju pogrešku djelovanja releja

c)b)a)

Uklopna stanja koja ne uzrokuju pogrešku

Osnove korištenih neuronskih mrežaOsnove korištenih neuronskih mreža Osnovni element neuronskih mreža - neuron

wk1

wk2

wkp

x 1

x 2

xp k

aktivacijska funkcija

y ...izlazk

...pragulazi

+u k

p

jjkjk xwu

1 kkk uy ae

1

1

Višeslojni perceptron (MLP)Višeslojni perceptron (MLP) MLP mreže imaju:

jedan ulazni, jedan izlazni i jedan ili više skrivenih slojeva neurona

Nelinearna, glatka izlazna karakteristika, često se koristi sigmoidna aktivacijska funkcija, mreža je dobro povezana.

IZLAZ

ULAZ

Ulazni sloj

Izlazni sloj

Skriveni sloj

MLP koristi algoritam učenja s povratnom propagacijom pogreške učenje pod nadzorom s ispravkom pogreške potrebno je postići minimum prosječne kvadratne pogreške

Višeslojni perceptron (MLP)Višeslojni perceptron (MLP)

Višeslojni perceptron je korišten u mnogim primjenama: NETtalk: neuronske mreže koje uče izgovarati engleski tekst, Prepoznavanje govora, OCR (prepoznavanje slova), Identifikacija sustava, Automatsko upravljanje, Upravljanje autonomnim vozilom, Detekcija i klasifikacija radarskih i sonarskih signala, Medicinska dijagnostika srčanih bolesti, Analiza signala i slika.

Samoorganizirajuće mreže (Kohonenova)Samoorganizirajuće mreže (Kohonenova)

uče bez nadzora - ne postoji učitelj algoritam kompetitivnog učenja (engl.

"winner-takes-all”) samo jedan neuron može se aktivirati -

pobjednik neuron pobjednik je neuron s težinom

najbližom ulaznom vektoru

Primjeri primjena kompetitivnog učenja su: Biparticija grafa, Kvantizacija vektora za kompresiju, Klasifikacija vektora za prepoznavanje objekata.

Samoorganizirajuće mreže (Kohonenova)Samoorganizirajuće mreže (Kohonenova)

Primjer 2-D preslikavanja 1000 iteracija s korakom 200

Razvijeni adaptivni modeli Razvijeni adaptivni modeli distantne zaštitedistantne zaštite

Ulazne veličine: napon, struja i kut među njima na mjestu ugradnje releja (kut između struja kvara s obje strane voda)

Izlaz - relej djeluje ili ne djeluje (0 ili 1)

Dvostrano napajanje kvara + otpor na mjestu kvaraDvostrano napajanje kvara + otpor na mjestu kvara

Model distantne zaštite korištenjem MLPModel distantne zaštite korištenjem MLP

3 ili 4 ulazna neurona

1 izlazni neuron

Broj skrivenih slojeva i neurona u njima obično se određuje empirijski Četvrti ulazni parametar - kompliciranija izvedba, ali i veća sigurnost pravilne prorade releja


RELEJ A RELEJ BUAUB

Komunikacijski vod

U I

Impuls okidanja

Računalo

MLP

Model adaptivne distantne zaštite

|U| [V] |I| [A] [°] [°] izlaz15630.41 1552.6 68.4 13.25 019051.29 1467.72 68.1 12.76 019628.22 1456.35 68.1 12.6 022817.42 1406.14 55.8 12.6 026320.06 1349.93 47.3 12.6 044669.03 956.17 26.3 12.6 046247.79 910.4 25.2 12.6 019900.11 1451.71 68 12.51 123247.01 1398.83 55.3 12.51 126911.3 1339.52 46.7 12.51 1

45548.39 931.31 25.9 12.51 147100.16 884.97 24.8 12.51 1

Najteže je u ovom modelu ostvariti komunikaciju između releja Model distantne zaštite osnovan na MLP treba relativno veliki broj iteracija tijekom učenja Djelomično se može smanjiti broj iteracija optimalnim odabirom broja skrivenih slojeva i broja neurona u svakom sloju

Primjeri za učenje

Model distantne zaštite korištenjem Model distantne zaštite korištenjem Kohonenove mrežeKohonenove mreže

model prepoznaje oblik modificirane radne karakteristike koju bi relej trebao imati da riješi zadani problem

model ne treba komunikaciju između releja

Optimalna karakteristika releja

Optimalna karakteristika rješava problem m[0,1] RF[0,5] 110 kV vod Plomin - Lovran Sivo područje - relej djeluje (m<0.85) Crno područje - relej ne djeluje (m>0.85) 2346 različitih točaka


Kohonenova mreža treba prepoznati optimalnu karakteristiku Mreža ima dva ulaza (R i X) i Kohonenov sloj od 45x45 neurona Modificirano učenje - prepoznavanje dva oblika tijekom jednog perioda učenja Svakoj točki pridružena je i vrijednost djelovanja releja - 1 ili 0 Svaka točka je ili "siva" - relej treba djelovati ili "crna" - relej ne smije djelovati

RELEJ A RELEJ BUAUB

U IImpuls okidanja

Računalo

Kohonen

Shema adaptivne zaštite

R[] X[] Prorada [0/1]... ... ...

42.68 20.91 143.5 21.1 144.32 21.28 145.14 21.46 145.96 21.65 15.13 12.71 0

6 12.9 06.86 13.09 07.72 13.29 08.59 13.48 0... ... ...

Primjeri za učenje


Rezultat učenja Kohonenove mreže

Za neki proizvoljno zadani 1p kvar dobivaju se vrijednosti napona i struje, odnosno impedancije Računa se najbliži (prema euklidskoj udaljenosti) neuron - neuron pobjednik Relej treba odraditi pobjednik neuron u "sivom" području, ne smije odraditi ako je u "crnom" području.


Model distantne zaštite korištenjem MLP Model distantne zaštite korištenjem MLP

distantnirelej

stanično računalo-

proračun faktora korekcije

mjerenja podešenjereleja

distantnirelej

stanično računalo-

proračun djelovanja releja

V i I u stanju kvara

impuls okidanja

prvi model drugi model

Ulaz: struja i napon na mjestu ugradnje releja (+uklopno stanje) Izlaz: faktor korekcije .

Ulaz: struja i napon na mjestu ugradnje releja (+uklopno stanje)Izlaz: impuls okidanja (1 ili 0)


dvostruki 400 kV vod Žerjavinec - Héviz 2100 primjera ulaz: (R i X) Kohonenov sloj ima 50x50 neurona

Optimalna karakteristika releja Rezultat učenja Kohonenove mreže

Analiza razvijenih modelaAnaliza razvijenih modelaDvostrano napajanje kvara + otpor na Dvostrano napajanje kvara + otpor na mjestu kvaramjestu kvara

PLOMIN LOVRAN

rel. A rel. B

I k3BI k1B

I k3AI k1A

PLOMIN LOVRANI''k3 2370 -89.7° A 19759 -70° AIk1 2041 -89.6° A 19562 -70.3° AZd 0.13+j26.79 1.10+j3.02 Z0 0.18+j39.74 1.08+j3.13

15°

68.1°

25°

R=5.07

X=12.61

X

R

Podaci o vodu l=23.5 km 3x150Al/Č+1x50Č U=110 kVDirektni sustav rd=0.19 /km xd=0.42 /km Zd=4.47+j9.87

Nulti sustav r0=0.42 /km x0=1.1 /km Z0=9.87+j25.85

radinerelejjZR 61.1201.13,01.1369.248.2791.27

m Rf [] |Z| [] [°] [°]0.5 4.5 25.76 29 13.40.5 5 27.91 27.8 13.4

0.84 0 13.48 68.1 12.60.84 4 42.66 27.7 12.60.84 4.5 46.72 26.3 12.60.84 5 50.8 25.2 12.60.9 0 14.12 67.9 12.290.9 5 58.88 23.7 12.29

0.94 0 14.45 67.8 12.010.94 5 66.01 22.4 12.01


m RF [ ] |Z| [ ] Kut [°] izlaz0.74 4.5 38.17 28.1 0.9808040.74 5 41.38 26.9 0.966490.82 0 13.23 68.1 0.6049850.82 0.5 15.84 56.2 0.5822690.82 1 18.93 47.8 0.5738050.82 1.5 22.31 41.9 0.5629870.82 2 25.86 37.6 0.5512870.82 2.5 29.52 34.4 0.497456**0.82 3 33.25 31.8 0.459823**0.82 3.5 37.04 29.8 0.459622**0.82 4 40.87 28.2 0.455114**0.82 4.5 44.72 26.8 0.429866**0.82 5 48.59 25.7 0.429736**0.88 0 13.92 68 0.00060.88 0.5 17.02 54.9 0.0003050.88 1 20.71 46.1 0.0005880.88 1.5 24.75 40.1 0.0010950.88 2 28.98 35.8 0.0018540.88 2.5 33.33 32.6 0.0027730.88 3 37.76 30.1 0.0041510.92 4 51.85 25.3 0.0001410.92 4.5 57.03 24.1 0.0000970.92 5 62.23 23.1 0.000066

Učenje je provedeno do točnosti 5%. 20000 iteracija. Izlaz > 0.5 - relej treba djelovati. Izlaz < 0.5 - relej ne smije djelovati.


Ulaz: točaka u R-X ravnini 45x45 neurona u

Kohonenovom sloju 20000 iteracija


ŽERJAVINEC HÉVIZ

rel. A I k3BI k1B

I k3AI k1A

15°

25°

X

R

ŽERJAVINEC HÉVIZZd [] 1.71+j19.36 2.54+j27.52Z0 [] 3.42+j26.40 5.60+j36.00

Podaci o vodu l[km]Žerjavinec-drž. granica 2x3x2x490/65 Al/Č 1xAA/ACS 121/56 97.8

Drž. granica-Héviz 2x3x2x500/65 Al/Č 1x95/55 Al/Č + 1x68/22 Al/Ac 70

m RF [] R [] X []0.42 0 4.25 23.740.42 0.5 5.1 23.750.5 5 14.52 28.39

0.84 0 8.27 49.30.84 0.5 9.96 49.30.9 5 28.32 53.41

0.95 0 9.2 57.170.95 0.5 11.45 57.16

radinerelejZR 42.2385.056.2774.23,j23.744.25


Učenje je provedeno do točnosti 5%. 20000 iteracija. Izlaz > 0.5 - relej treba djelovati. Izlaz < 0.5 - relej ne smije djelovati.

m RF [] R [] X [] Izlaz0.81 4 20.62 47.3 1.000.0000.81 4.5 22.2 47.3 0.7999990.81 5 23.77 47.3 0.7999990.83 0 8.19 48.63 0.7998430.83 0.5 9.83 48.63 0.6997050.83 1 11.48 48.63 0.6995260.83 1.5 13.13 48.63 0.5993540.83 2 14.77 48.62 0.499252**0.83 2.5 16.42 48.62 0.499134**0.83 3 18.07 48.62 0.437293**0.83 3.5 19.72 48.62 0.407345**0.83 4 21.36 48.62 0.402890**0.83 4.5 23.01 48.61 0.405046**0.83 5 24.66 48.61 0.398875**0.87 0 8.54 51.34 0.0000010.87 0.5 10.35 51.34 0.0000010.87 1 12.16 51.34 00.87 1.5 13.96 51.34 00.91 0.5 10.88 54.17 00.91 1 12.89 54.17 00.91 1.5 14.89 54.16 00.91 2 16.9 54.16 00.91 2.5 18.91 54.15 00.91 3 20.91 54.15 0


Ulaz: točaka u R-X ravnini 50x50 neurona u

Kohonenovom sloju 20000 iteracija

Analiza rezultata provjere Analiza rezultata provjere adaptivnih modela distantne zaštiteadaptivnih modela distantne zaštite

Dvostrano napajanje Primjeri za učenje Broj iteracija Primjeri za provjeru Broj pogreška Pogreška %Višeslojni perceptron 66 20000 44 6 13,60%Kohonenova mreža 2346 20000 121 3 2,50%

Dvostrano napajanje Primjeri za provjeru 0.8<m<0.84 Pogreška Pogreška % 0.86<m<0.9 Pogreška Pogreška %Višes. Percep. 44 11 6 54.5 11 0 0

Koh. Mreža 121 22 2 9.1 22 1 4.5

Dvostuki vod Primjeri za učenje Broj iteracija Primjeri za provjeru Broj pogreška Pogreška %Višeslojni perceptron 110 20000 44 7 15.9Kohonenova mreža 2100 20000 132 2 1.5

Dvostrano napajanje Primjeri za provjeru 0.8<m<0.84 Pogreška Pogreška % 0.86<m<0.9 Pogreška Pogreška %Višes. Percep. 44 22 7 31.8 11 0 0

Koh. Mreža 132 55 2 3.6 44 0 0

ZaključakZaključak

Svaki adaptivni model zaštite primjenljiv je u stvarnom ees-u. Smanjenje greške s obzirom na algoritme koji ne sadrže

modifikaciju radne karakteristike - element učinkovite zaštite visokonaponskih prijenosnih vodova.

Kohonenova mreža pripada grupi novijih istraživanja obzirom na predmetnu problematiku: binarni se problem rješava jednostavnije nego pomoću MLP u graničnom dijelu radne karakteristike distantnog releja rezultati dobiveni

upotrebom Kohonenove mreže su kvalitetniji, dok vrijeme odziva i učenja nije duže u usporedbi s primjenom višeslojnog perceptrona.

Zaključak (2)Zaključak (2)

Istraživani modeli adaptivne distantne zaštite mogu se primjeniti i na: mjesto utvrđivanja kvara, prepoznavanje vrste i naravi kvara, tzv. adaptivno podešavanje usmjerenosti releja i zaštita vodova na kojima se koristi serijska kompenzacija u smislu povećanja

prijenosne moći i stabilnosti napona. Može se na slično istraživane probleme "preporučiti" korištenje

neuronskih mreža posebno Kohonenovu mrežu.

Documents

RZ2010-Neuronske_mreze