【正文】 urrents. The training algorithm used was backpropagation, assuming initially a sigmoid transfer function for the work’s processing units (“neurons”). Once the work was trained the units’ transfer function was changed to hard limiters with thresholds equal to the biases obtained for the sigmoids during training. The offline experimental results presented in this paper show that a FFNN may be considered as an alternative method to make the discrimination between inrush and fault currents in a digital relay implementation. Keywords — Inrush Current, Power Transformer Protection, Digital Relays, Neural Networks. 1. INTRODUCTION Any power transformer protective scheme has to take into account the effect of magizing inrush currents, since this effect could cause missoperation of the relays[l]. The two classic methods used to avoid undesired tripping due to inrush currents are: 1) implementation of delays in the protective devices, and 2) restraining or blocking the relay operation according to the harmonic content of the measured current. The first solution has been used for primary overcurrent protection and in differential schemes. However, this option is undesirable because of the potential danger of delaying the tripping time during a real internal fault. The second solution is based on the fact that the second harmonic ponent of the inrush current is considerably larger than in a typical fault current[2], and schemes based on the detection of the second (sometimes the fifth) harmonic were proposed and implemented in both analog and digital differential relays with good results [3,4,5,6,7]. In a recent paper [8] it was reported that, in certain cases, harmonics are generated during internal faults in transformers and therefore the detection of the second and/or fifth harmonic is not a sufficient index to determine if the measured overcurrent is an inrush or an internal fault. In that paper, a method based on the use of one of the primary phase voltages as the control signal is proposed. There are also methods for transformer protection that are implicitly immune to magizing inrush [9,10]。 4圖 5所示 ,所有架構(gòu)測試一 個 周期的數(shù)據(jù)窗口和十二個樣品窗口的采樣率。然而我們認為 這是 可能，我們認為這個初步的結(jié)果的計算機模擬故障的例子足以 說明 ，該方法工作 是 安全。 1 在 故障實例的基礎(chǔ)上 采用 計算機模擬的故障實例的瞬時值進行適當(dāng)縮減 ， 使用獲得的浪涌變壓器單元庫 做 例子。 4 FFNN（圖 5e）的建議的體系結(jié)構(gòu)需要一個數(shù)據(jù)窗口的周期的一半。故障信號的頻譜分析是有益的 ， 目前尚不清楚是否有顯著的諧波分量。他的研究興趣包括神經(jīng)網(wǎng)絡(luò)，并行處理，機器學(xué)習(xí) ，模式識別，算法設(shè)計與分析。他是IEEE 電路與系統(tǒng)學(xué)會神經(jīng)系統(tǒng)和應(yīng) 用程序的技術(shù)委員會的現(xiàn)任主席，也是國際神經(jīng)網(wǎng)絡(luò)學(xué)會和 ACM的成員。 Jack L. Meador (M)在 1956 年 10 月出生在得克薩斯州阿馬里洛 ，在 1979 年， 1981年， 1987 年分別獲得 華盛頓州立大學(xué)電子工程學(xué)士，碩士和博士學(xué)位 。在 1957年和 1959年分別獲得了 華盛頓州立大學(xué) 的學(xué)士和 和碩士學(xué)位 ，在 1970 年他 獲得 路易斯安那州立大學(xué)電子工程博士 學(xué)位。 1986 年 和 1989 年 之間 ，擔(dān)任主席 。 Sons, NY, 1973. [22] Becia, W. METER: A Data Acquisition €4 Control System for the Power System Laboratory, M. SC. Thesis, Washington State University, 1992. [23] Wall, R. W., PCEMTP User’s Manual, Power Products ucts Inc., July 18, 1989. [24] Demuth, H. and Beale M. Neural Network Toolbox User’s BIOGRAPHIES Guide, J ~ . 1,992 作者簡介 Luis G. Pamp。對于每個 j 更新的權(quán)重和偏 差 ，根據(jù)一個規(guī)則（反向傳播 [13， 14,15， 161），這是最小的平方距離之間的預(yù)測值與所期望的產(chǎn)出。 （ A6）和（ A7） 。在這項工作中，只有兩個這種形式使用， S 形函數(shù)，其定義為： 2/)(1 1)( bhebhf ????? （ A6） 和硬限幅器功能（單位階躍，或 Heaviside 函數(shù)） stepu ： )()( bhubhf step ??? （ A7） 見圖（ A1）這兩個函數(shù)的圖形描述。 貝克博士對他的幫助下在電源的浪涌測量實驗室，和軟件 公司 Toolworks 的提供了一個早期版本的 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱。 盡管目前 神經(jīng)網(wǎng)絡(luò)可能應(yīng)用 來 實現(xiàn)一些保護繼電器功能的研究 ,但是 神經(jīng)網(wǎng)絡(luò)的這些應(yīng)用程序 應(yīng)該 被考慮 到 這項工作 中 。 結(jié)論 實驗已經(jīng)表明，一個前饋神經(jīng)網(wǎng)絡(luò)可以用來區(qū)分在電力變壓器的勵磁涌流和故障電流。作者試圖找到一個關(guān)系， FFNN 參數(shù)和數(shù)字濾波器系數(shù)的方程之間的相似性。速度更快的硬件，使得算法的數(shù)字繼電器的設(shè)計更加注 重安全方面，而不是最小化的算法步驟數(shù)。當(dāng)然， 這 意味著在實例集的增加，會影響 調(diào)整的 時間。 應(yīng)該指出的是表示外部故障的事件中得到的差動電流的信號，當(dāng)一個電流互感器的飽和 后 ， 就 不使用。浪涌實施例中，訓(xùn)練和測試實施例中，這兩個套 方法 測定變壓器 是 相 同種 類的 。因此，繼電器應(yīng)該能夠執(zhí)行所有這些操作和保護功能 在 一個周期的十二分之一 內(nèi) ， 也就 是 毫秒。 表 1顯示了一些 與網(wǎng)絡(luò)相關(guān)的 重要的數(shù) 據(jù) ，如圖 5 所示。 事實上，勵磁涌流為 6 + 2 + 1 網(wǎng)絡(luò)的分類的正確率為 100%，故障和人工涌流的例子 %是正確的，勵磁涌流的例子為 6 + 1 網(wǎng)絡(luò)的分類正確率 %，對于故障和人工涌流實例 %是正確的。 通過 硬限幅器，得到一個單 元 的輸出，通過比較單元的輸入： )(1)( mkLmkmik xwh ??? （ 2） 得到 本機的偏置量 b。 硬限幅器單 元 一旦網(wǎng)絡(luò)與 s形 單 元調(diào)試得到 了良好的效果（見圖 6a）， 那么 單位轉(zhuǎn)換函數(shù)改為硬限幅器（見附錄 1）。另一組實施例（用于訓(xùn)練比設(shè)定的不同），這給了成功測試的結(jié)果 。這意味著速度和精度之間的折衷。 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱是應(yīng)用于 [24]此 目的 的 。這個矩陣，使得構(gòu)建的第一 600 例子是對應(yīng)于浪涌的例子（所需輸出 = O），和其他 336 例子對應(yīng)于故障（所需輸出 =1）。假設(shè)信號的第一個特征是由序列： ? ?1 1 221 , iiiii k ??????? （ 1） 這意味著，一個序列 有 112 個樣本。 對于每一個情況下，在每個周期的 12 個樣品采樣信號（與窗口長度等于一個周期）和樣品的總量是有限的，有大約 100 個 窗口（即每個情形下， 秒）。 浪涌情況下，在實驗室中， 50 VA， 120~240V，對網(wǎng)絡(luò)進行調(diào)試，采取隨機的小功率變壓器通電，得到可允許范圍內(nèi)的浪涌電流的形狀（ 6 例采樣速率為浪涌信號，測得周期每 60赫茲的最初 84個樣本，然后重新取樣（ 7倍的速率），以獲得所需一個周期的12 個樣本。前饋網(wǎng)絡(luò)也應(yīng)用到高阻抗故障檢測，成效顯著 [19,20]。一個好的方法允許有一個確定的網(wǎng)絡(luò)，如果輸入電流是或不是一個浪涌，這意味著神經(jīng)網(wǎng)絡(luò)的輸