Использование технологий машинного обучения для выявления асинхронного режима

Асинхронный режим – крайне опасное явление в энергосистеме, его скорейшее и надежное выявление для ликвидации крайне важная задача. Технологии машинного обучения позволяют создать алгоритмы, способные выявлять асинхронный режим. Преимуществом программ созданных на основе машинного обучения является работа с сильно зашумленными данными.

Ключевые слова: противоаварийная автоматика, асинхронные режимы, машинное обучение.

I. ВВЕДЕНИЕ

Асинхронный режим в энергосистеме представляет большую угрозу для оборудования и энергосистемы в целом. При нарушении параллельной работы электростанций и энергосистем происходит нарушение энергоснабжения потребителей. Поэтому очень важным является скорейшее выявление и ликвидация асинхронного режима. Сегодня очень активно развиваются технологии машинного обучения, преимуществом этих технологий является возможность работы с сильно зашумленными данными что позволяет повысить надежность выявления аварийных режимов. Рассмотрим применение многослойного перцептрона для выявления асинхронного режима.

II. СТРУКТУРА ПЕРЦЕПТОРНА

Перцептрон состоит из 3-х слоев: входной (№ 1), скрытый (№ 2) и выходной (№ 3). Входной слой это одномерная матрица состоящая из 20 элементов, скрытый слой – одномерная матрица из 10 элементов, и выходной слой – один элемент. Каждый элемент входного слоя имеет с каждым элементом скрытого слоя связь для распространения сигнала, а также каждый элемент скрытого слоя имеет связь с элементом выходного слоя.

Эти связи называются весовые коэффициенты синаптических связей. Эти связи образуют двумерную матрицу весовых коэффициентов между слоями № 1 и № 2 размера 20 × 10 и одномерную матрицу между слоями № 2 и № 3 размера 10 × 1. Каждый элемент слоев является пороговым, поступающий в него входной сигнал, для получения выходного сигнала, преобразуется (активируется) с помощью S – образной нелинейной функции сигмоида (1):

(1)

III. РАБОТА ПЕРЦЕПТРОНА

A. Прямое распространение сигнала

Структура перцептрона представлена на рис. 1. Процесс обработки информации о текущем режиме работы энергосистемы в перцептроне состоит в прямом распространении матрицы входных сигналов сначала через первый слой в котором значения матрицы

Рис. 1. Структура перцептрона

становятся элементами входного слоя, активации этой матрицы. Матрица входных сигналов слоя № 2 это матриц весовых коэффициентов синаптических связей слоев № 1 – № 2 умноженная на матрицу выходных сигналов слоя № 1. Выходной сигнал это активированный сигнал, получаемый умножением матрицы выходных сигналов слоя № 2 на матрицу весовых коэффициентов синаптических связей между слоем № 2 и № 3. Результат это число от 0 до 1. Cтруктура перцептрона представлена на рис. 1.

Предварительно перцептрон не может выявлять асинхронный режим, поэтому его необходимо обучить выявлять асинхронный режим.

B. Обучение перцептрона

Для обучения предоставим перцептрону обучающий сет, состоящий из набора векторов обучающих примеров и соответствующих им правильных ответов. Ошибка перцептрона равна разнице между правильным ответом и ответом перцептрона. Так как ответ и ошибка являются функцией от входного сигнала и набора матриц весовых коэффициентов, то обучение состоит в изменении этих матриц для минимизации этой функции (2).

(2)

Для отыскания новых весовых коэффициентов будем использовать метод градиентного спуска. Изменение весовых коэффициентов от слоя i к слою j считается по формуле (3)

(3)

lr – коэффициент скорости обучения, Error – ошибка выходного сигнала слоя на который приходит сигнал через соответствующий весовой коэффициент, дифференциал функции активации по входному сигналу, X_i – выходной сигнал предыдущего слоя.

Одно прямое прохождение входного сигнала от каждого обучающего примера через перцептрон с вычислением ошибки и одним обратным прохождением ошибки для изменения весовых коэффициентов называется эпохой обучения.

IV. ПРОГРАМНАЯ РЕАЛИЗАЦИЯ АЛГОРИМА

Программа написана на языке C# в среде программирования Microsoft Visual Studio 2013.

В качестве входной вектор матрицы берем массив из 20 измерений силы тока по линии через равные промежутки времени. Общий временной период возьмем равным 1 секунде. Строки с 1-й по 6-ю – обучающие выборки, в которе входят: сторка № 1 и № 2 – разные нормальные режимы, строка № 3 – КЗ с неуспешным АПВ, и строки № 4–6 разные вариации асинхронного режима (плавное нарастание и снижение тока) В качестве выявляемых режимов берем режим КЗ – неуспешное АПВ и режим асинхронного хода. После 20000 эпох обучения программа выдает следующие результаты, асинхронный режим перцептрон считает таковым с вероятностью 92,5 %, и предоставленный режим с двумя повторными КЗ с вероятностью 99,1 %. Скриншот программы предстален на Рис. 2.

Рис. 2. Скриншот программы

Список литературы

1. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. Москва: Мир, 1965. – С. 251 – 271 с.
2. Корн Г., Корн Т. Алгебра матриц и матричное исчисление // Справочник по математике. – 4-е издание. – М: Наука, 1978. – С. 392-394 c.
3. Гоник Я. Е., Иглицкий Е. С. Автоматика ликвидации асинхронного режима. Москва: Энергоатомиздат, 1988. – С. 5-21.
4. Терехов С. А. Лекции по теории и приложениям искуственных нейронных сетей. Снежинск: Лаборатотория Искусственных Нейронных Сетей НТО–2, ВНИИТФ, 1998. – С. 1-35.