Нейросетевой программно-аппаратный контроль сдвига фаз электрических сигналов в реальном времени

Олег Николаевич Андреев; Александр Леонидович Славутский

doi:10.22213/2413-1172-2023-2-76-84

Авторы

О. Н. Андреев Чувашский государственный университет имени И. Н. Ульянова
А. Л. Славутский ООО «Юнител Инжиниринг»

DOI:

https://doi.org/10.22213/2413-1172-2023-2-76-84

Ключевые слова:

релейная защита, аварийный режим, обработка сигналов, микропроцессор, микроконтроллер, искусственная нейронная сеть

Аннотация

Аппарат искусственных нейронных сетей все чаще применяется в интеллектуальной электроэнергетике. Интеллектуальные сети являются одним из ключевых компонентов цифровой экономики. Цель работы - показать возможность использования искусственной нейронной сети простой архитектуры в соответствующей микропроцессорной технике для улучшения таких характеристик микропроцессорных устройств, как уменьшение времени реакции устройства, повышение точности принятия решений при возникновении аварийной ситуации и возможность более точно локализовать место аварии. Это позволяет уменьшить негативные последствия аварии, сократить время для определения места аварии и, соответственно, существенно сократить время на устранение последствий аварии, восстановление нормального режима работы энергосистемы. Обучение нейросети - процесс длительный. При этом даже глубокое обучение нейронных сетей не гарантирует отсутствие значительных ошибок при их использовании. Поэтому предлагается занесение уже обученной нейронной сети в интеллектуальные электронные устройства в том случае, когда электрические сигналы могут быть описаны аналитическими формулами и диапазоны возможного варьирования параметров таких сигналов заданы заранее. Соответствующий подход реализован и протестирован в микропроцессорном устройстве для быстрой оценки сдвига фаз сигналов в переходных режимах. Показано, что оценка разности фаз может быть проведена за время, не превышающее 1 мс, что значительно превосходит возможности традиционных алгоритмов на основе фильтра Фурье. Обсуждаются возможности практического применения и совместного использования фильтра Фурье и аппарата искусственных нейронных сетей для создания гибридных измерительных органов устройств релейной защиты. Подход и полученные результаты потенциально могут быть применимы в широком круге задач обработки сигналов.

Биографии авторов

О. Н. Андреев, Чувашский государственный университет имени И. Н. Ульянова

аспирант кафедры автоматики и управления в технических системах

А. Л. Славутский, ООО «Юнител Инжиниринг»

кандидат технических наук, заместитель начальника отдела разработки программных продуктов, обособленное подразделение ООО «Юнител Инжиниринг» в г. Чебоксары

Библиографические ссылки

Slavutskiy L.A., Ivanova N.N. (2020) Using the simplest neural network as a tool for fault location in power lines: AIP Conference Proceedings, Moscow, 2020, 01-02 April, p. 030006. DOI: 10.1063/5.007492

Пономарева О. В., Пономарев А. В., Смирнова Н. В. Алгоритмы прямого и обратного параметрического быстрого преобразования Фурье // Информационные технологии. 2022. Т. 28, № 1. С. 9-19. DOI: 10.17587/it.28.9-19

Ядарова О. Н., Славутский Л. А. Контроль воздушного потока на основе доплеровского рассеяния ультразвука // Приборы и системы. Управление, контроль, диагностика. 2013. № 3. С. 55-59.

Муравьева О. В., Брестер А. Ф., Муравьев В. В. Сравнительная чувствительность информативных параметров электромагнитно-акустического зеркально-теневого метода на многократных отражениях при контроле пруткового проката // Дефектоскопия. 2022. № 8. С. 36-51. DOI: 10.31857/S0130308222080048

Хайкин С. Нейронные сети: полный курс: пер. с англ. 2-е изд. М.: ООО "И.Д. Вильямс", 2006. - 1104 с.

Slavutskiy L.A., Lazareva N.M., Portnov M.S., Slavutskaya E.V. (2023) Neural net without deep learning: signal approximation by multilayer perceptron: 2nd International Conference on Computer Applications for Management and Sustainable Development of Production and Industry (CMSD-II-2022), Proc. SPIE, 2023, p. 125640. DOI: 10.1117/12.2669233

Rukonuzzman M. and Nakaoka M. (2002) An Advanced Three-Phase Active Filter with Adaptive Neural Network Based Harmonic Detection Scheme. Journal of Power Electronics, 2002, vol. 2, no. 1, pp. 1-10. DOI: 10.6113/JPE.2001.02.1.1

Andreev O.N., Slavutskiy A.L., Slavutskiy L.A. Neural network in a sliding window for power grids signals structural analysis. IOP Conference Series: Earth and Environmental Science, 990 012054. https://iopscience.iop.org/article/10.1088/1755-1315/990/1/012054

Андреев О. Н., Славутский А. Л., Алексеев В. В. Структурный анализ электротехнических сигналов при рекуррентном использовании многослойного персептрона // Электротехника. 2022. № 8. С. 41-44. DOI: 10.53891/00135860_2022_8_41

Shah1 B.S., Parmar S.B. (2017) Transformer protection using artificial neural network. IJNRD, 2017, vol. 2 (5), pp. 108-111.

Haque M.T., Atabak M.K. (2007) Application of Neural Networks in Power Systems; A Review.International Journal of Energy and Power Engineering, 2007: 1: 897-901.

Курбацкий В. Г., Томин Н. В. Применение новых информационных технологий в решении электроэнергетических задач // Системы. Методы. Технологии. 2009. № 1 (1). С. 113-119.

Симонов Н., Ивенев Н. Опыт и перспективы применения искусственных нейронных сетей в электроэнергетике // Электроэнергия. Передача и распределение. 2019. № S4 (15). С. 42-48.

Лоскутов А. А., Митрович М., Осокин В. Ю. Повышение распознаваемости режимов функционирования системы электроснабжения на основе методов машинного обучения // Релейная защита и автоматизация. 2020. № 4 (41). С. 26-34.

Куликов А. Л., Лоскутов А. А., Бездушный Д. И. Алгоритмы релейной защиты и автоматики электрических сетей, основанные на имитационном моделировании и методах машинного обучения // Стратегия устойчивого развития электроэнергетики, низкоуглеродные способы генерации, экология, тарифное регулирование. М.: Изд-во МЭИ, 2022. С. 101-129.

Панов М., Хмелев И., Смирнов А. Нейронные сети на службе энергетиков // Открытые системы. СУБД. 2016. № 4. С. 39-41. ISSN 1028-7493

Osowski S. (1992) Neural network for estimation of harmonic components in a power system: IEEЕ Proceedings on Generation, Transmission and Distribution, 1992, vol. 139 (2), pp. 129-135.

Dillon T.S., Niebur D. (1996) Neural Networks Application in Power Systems. CRL Ltd. Publishing, London, 1996.

Brdyś M.A., Kulawski G.J. (1999) Dynamic neural controllers for induction motor. IEEE Trans Neural Netw, 1999, vol. 10 (2), pp. 340-55. DOI: 10.1109/72.750564

Alhanjouri Mohammed (2017) Speed Control of DC Motor using Artificial Neural Network.International Journal of Science and Research (IJSR), 2017, vol. 7, pp. 2140-2148. DOI: 10.21275/ART20172035

Buettner M. A., Monzen N., Hackl C. M. (2022) Artificial Neural Network Based Optimal Feedforward Torque Control of Interior Permanent Magnet Synchronous Machines: A Feasibility Study and Comparison with the State-of-the-Art. Energies, 2022, vol. 15 (5), p. 1838. DOI: 10.3390/en15051838

Ghlib I., Messlem Y., Chedjara Z. (2019) ADALINE-Based Speed Control For Induction Motor Drive: 2019 International Conference on Advanced Electrical Engineering (ICAEE). Algiers, Algeria, 2019, pp. 1-6. DOI: 10.1109/ICAEE47123.2019.9015162

Eddahech A., Briat O., Vinassa J. (2011) Neural networks based model and voltage control for lithium polymer batteries: 8th IEEE Symposium on Diagnostics for Electrical Machines, Power Electronics & Drives: Bologna, Italy, 2011, pp. 645-650. DOI: 10.1109/DEMPED.2011.6063692

Li Xiaoou, Yu Wen. (2002) Dynamic system identification via recurrent multilayer perceptrons. Information Sciences, 2002, vol. 147 (1-4), pp. 45-63. DOI: 10.1016/S0020-0255(02)00207-4

Hornik Kurt, Stinchcombe Maxwell, White Halbert. (1990) Universal approximation of an unknown mapping and its derivatives using multilayer feedforward networks. Neural Networks, 1990, vol. 3 (5), pp. 551-560. DOI: 10.1016/0893-6080(90)90005-6

José A.R. Vargas, Pedrycz W., Hemerly M. Elder (2019) Improved learning algorithm for two-layer neural networks for identification of nonlinear systems. Neurocomputing, 2019, vol. 329, pp. 86-96. DOI: 10.1016/j.neucom.2018.10.008

Parlos A.G., Chong K.T., Atiya A.F. (1994) Application of the recurrent multilayer perceptron in modeling complex process dynamics: IEEE Trans Neural Netw, 1994, vol. 5 (2), pp. 255-266. DOI: 10.1109/72.279189

Plett G.L. (2003) Adaptive inverse control of linear and nonlinear systems using dynamic neural networks: IEEE Trans Neural Netw, 2003, vol. 14 (2), pp. 360-376. DOI: 10.1109/TNN.2003.809412

Jaroslav Timko, Peter Girovský (2006) Nonlinear System Control Using Neural Networks. Acta Polytechnica Hungarica, 2006, vol. 3 (4), pp. 85-94.