- •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
Формальный нейрон
Формальный нейрон моделирует естественный биологический нейрон, который, в свою очередь, моделируется как устройство, имеющее несколько входов (дендриты), и один выход (аксон). Входы связаны с телом нейрона с помощью синоптических соединений. Каждому входу ставится в соответствие некоторый весовой коэффициент (w), характеризующий пропускную способность канала и оценивающий степень влияния сигнала с этого входа на сигнал на выходе. В зависимости от конкретной реализации, обрабатываемые нейроном сигналы могут быть аналоговыми или цифровыми. В теле нейрона происходит взвешенное суммирование входных возбуждений, и далее это значение является аргументом активационной функции F нейрона, один из возможных вариантов которой представлен на рисунке:
Сама функция F имеет решающее значение для нейрона, то есть определяет круг решаемых задач. Функции активизации бывают гладкими и негладкими:
1. Жесткая ступенька используется в классическом формальном нейроне. Она не дифференцируема.
2. Логистическая функция.
Применяется очень часто для многослойных перцептронов и других сетей с непрерывными сигналами. Гладкость, непрерывность функции — важные положительные качества. Непрерывность первой производной позволяет обучать сеть градиентными методами (например, метод обратного распространения ошибки).
3. Гиперболический тангенс
4. Пологая ступенька
5. Гауссовская функция
6. Приближение гауссовской кривой
Выбор функции может производиться самостоятельно. Ограничения, которые имеет нейрон:
1. Вычисление в нейронных системах производится параллельно (предполагается).
2. В формальном нейроне нет нервных импульсов.
3. Нет гормональной регуляции как в биологических системах.
4. Чрезмерная формализация приводит к тому, что неспособны решать некоторые задачи.
5. Функцию F в биологических системах трудно определить, здесь F – приближение, способное решать некоторые задачи.
Многослойный перцептрон
Самый распространенный вид нейронной сети – многослойный перцептрон , который состоит из формальных нейронов. Здесь важно то, как соединяются эти нейроны. Каждый вход соединяется со всеми нейронами. Во входном слое количество нейронов отличается от количества нейронов внутреннего слоя. Каждый нейрон входного слоя соединяется с каждым нейроном внутреннего слоя.
Наиболее распространены следующие названия слоев:
Первый слой – сенсорный (входной);
Последний – результирующий (выходной)
Между ними – скрытые слои (ассоциативный)
Этапы построения искусственных нейронных сетей
– необходимо формализировать имеющуюся информацию, преобразовать из аналоговой в цифровую, а затем наоборот.
– убедиться в том, что выходной вектор содержит полный ответ задачи.
– убедиться, что по входной информации можно точно дать ответ на выходе (функция перцептрона однозначна).
– выбрать функцию активизации. Это определяется спецификой задачи.
– необходимо выбрать число слоев нейронов и число самих нейронов. Количество слоев определяется способностью к запоминанию информации и ее реализации.
– задать начальное значение весовых коэффициентов.
– обучение нейронной сети.
– проверка результатов (работы сети).