- •Содержание
- •1. Классификация релейной защиты и автоматики 2
- •2. Моделирование 39
- •Введение. Общие сведения о релейной защите и автоматике элементов энергетических систем
- •Классификация релейной защиты и автоматики
- •Класс напряжения
- •Селективность.
- •2.1 Защита с абсолютной селективностью
- •2.1.1 Дифференциальная защита линий
- •2.3 Защита лэп 110-220 кВ
- •2.4 Защита лэп 500 кВ и выше.
- •Проблемы резервирования
- •Дальнее резервирование
- •Ближнее резервирование
- •Быстродействие
- •Классификация защит по быстродействию
- •Защиты I, II, III ступеней
- •Чувствительность. Коэффициент чувствительности для различных видов защит
- •Конструктивные особенности
- •Алгоритмическая база
- •Классические алгоритмы
- •Характеристики реле сопротивления
- •3. Пдэ 2001
- •1 Ступень 3 ступень
- •Оапв (однофазное автоматическое повторное включения).
- •Адаптивные алгоритмы
- •Алгоритмы существующих адаптивных защит (опф и вп)
- •7.2.1.1 Определение поврежденных фаз и вида повреждения (фазовый селектор)
- •Классификация устройств выбора поврежденных (особых) фаз
- •7.2.1.2 Адаптивный дистанционный принцип в диагностике лэп
- •Основные электрические величины и схемные модели лэп (имо лэп).
- •Целевые функции и критерии
- •7.2.2.1 Классификация целевых функций
- •7.2.2.2. Целевые функции типа параметра повреждения
- •7.2.2.3. Целевая функция для определения зоны и места повреждения лэп
- •7.2.2.4 Прямые целевые функции
- •7.2.2.5. Косвенные целевые функции
- •7.2.2.6. Граничные условия в месте повреждения
- •7.2.2.7. Целевые функции с учетом граничных условий повреждения
- •7.2.2.8. Дистанционные способы на основе косвенных критериев
- •Дистанционный способ для сетей с малыми токами замыкания на землю и сетей с изолированной нейтралью.
- •Устройства рз с одной подведённой величиной (простые реле)
- •Устройства рз с двумя подведёнными величинами
- •Пусковые органы защит
- •Интеллектуальные алгоритмы
- •Устройства рЗиА на основе искусственных нейронных сетей
- •Основные черты нейронных сетей
- •Формальный нейрон
- •Многослойный перцептрон
- •Этапы построения искусственных нейронных сетей
- •Методы обучения искусственных нейронных сетей
- •Применение нейронных сетей в задачах рЗиА
- •Нечёткая логика
- •Моделирование
- •Информационные параметры
- •Проблемы моделирования
- •Информации об объекте
- •Расчёт модели
- •2.4.2 Выбор места кз
- •2.4.3 Место установки защиты для выбора уставки
- •Имитационное моделирование
- •Моделирование трансформаторов и автотрансформаторов
- •Двухобмоточный трансформатор
- •Трехобмоточный трансформатор
- •Автотрансформатор
- •Схемы замещения трансформаторов нулевой последовательности
- •Моделирование реакторов
- •Моделирование нагрузки
- •Моделирование лэп (с точки зрения теории поля)
- •Система провод – провод
- •Система провод – земля
- •Трёхфазная одноцепная линия (без учёта троса)
- •Ёмкостная проводимость
- •Структура защит
- •4.1 Структура аналоговых защит
- •4.2 Структура цифровых защит
- •Аппаратная часть:
- •Программное обеспечение.
- •4.3 Входные преобразователи для микропроцессорной защиты
- •Входные преобразователи на основе датчика Холла
- •Катушка Роговского
- •4.4 Асутп. Особенности и функции
Интеллектуальные алгоритмы
Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (artificial intelligence) — ИИ (AI) обычно толкуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.
Существуют различные подходы к построению систем ИИ:
1. Логический. Основой для него служит Булева алгебра. Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и промежуточные значения — не знаю (0.5), пациент скорее жив, чем мертв (0.75), пациент скорее мертв, чем жив (0.25).
2. Структурный - попытки построения ИИ путем моделирования структуры человеческого мозга.
3. Эволюционный. При построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать).
4. Имитационный. Для него базовым является понятие "черный ящик" (ЧЯ). ЧЯ — устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой "черный ящик". Не важно, что у него и у модели внутри и как он функционирует, главное, чтобы модель в аналогичных ситуациях вела себя точно так же.
В наше время идет создание алгоритмов работы реле на основе искусственных нейронных сетей и нечеткой логике. Сейчас это является наиболее молодым и перспе6ктивным направлением разработки РЗ, однако, таких устройств РЗ пока не существует.
Устройства рЗиА на основе искусственных нейронных сетей
Теория искусственных нейронных сетей имеет биологические корни, и создавалась с целью дальнейшего её применения в технике.
Искусственная нейронная сеть – совокупность моделей биологических нейронных сетей. Это сеть элементов (нейронов), связанных между собой синоптическими соединениями, то есть соединениями, обладающими свойствами передачи информации с усилениями.
Примером биологической нейронной сети является нервная система человека, которая состоит из нейронов.
Нейронная сеть, как и человек, должна обучаться. Обучение является процессом многомерной оптимизации, то есть существует много параметров, которые необходимо настроить, чтобы получить желаемый результат.
Основные черты нейронных сетей
Перечислим основные черты биологических нейронных сетей:
память,
обработка сенсорной (входной) информации,
нелинейная аппроксимация (на заданном отрезке),
прогноз (вне этого отрезка – на будущее),
классификация (разграничение объекта на группы),
распознавание (необходимо найти конкретный объект),
поиск по ассоциации.
В силу своих особенностей искусственные нейронные сети имеют следующие свойства:
параллельность вычислений (одновременность),
всеобщность метода (искусственных нейронных сетей), то есть существует возможность решить большой класс задач,
самоорганизация (в процессе обучения),
аналоговость (с этим связана некоторая трудность реализации),
надежность (если вырезать 10% нейронной сети, то оставшаяся часть может выполнять все необходимые операции),
обучаемость,
способность к обобщению (generalization) (после обучения сеть становится нечувствительной к малым изменениям входных сигналов),
абстрагирование (если предъявить сети несколько искаженных вариантов входного образа, то сеть сама может создать на выходе идеальный образ, с которым она никогда не встречалась).
Можно говорить о двух способах применения нейронных сетей:
Фоллеймановский подход, который отличается гибкостью (разнообразием структур нейронных сетей, возможностью обучения).
Нейроплаты и нейропроцессоры, где менять что-либо в процессе, после обучения, нельзя.