【正文】 士學(xué)位， 1991 年 獲得 Pennsylvania State 大學(xué)計(jì)算機(jī)科學(xué)學(xué)士學(xué)位。 他的興趣主要是電力系統(tǒng)的教學(xué)與研究 。ez (M)生于 1957 年， 帕斯夸谷，委內(nèi)瑞拉。 ? ?TLmm mmm bbbb )()()( 21)( ???? （ A10） 它 是一個矢量，它包含 m層單位的偏 差 。 附錄 1 本附錄的主要目的是作為一個指南文件中使用的符號和術(shù)語?？?以使用 s形 的 調(diào)試 神經(jīng)網(wǎng)絡(luò)，然后執(zhí)行硬限幅器單元提高網(wǎng)絡(luò)的計(jì)算速度 在實(shí)際應(yīng)用中所提出的方法是依賴于以下內(nèi)容： ：涌流和故障實(shí)例的質(zhì)量必須具有代表性，繼電器將被安裝的變壓器和系統(tǒng)。在最終的實(shí)際應(yīng)用，運(yùn)行時間將由硬件確定（輸出電路，和其他組成部分）。這樣的例子可以包含在 “ 非浪涌 ” 的情況下，因?yàn)闆]有理由不能 調(diào)試 網(wǎng)絡(luò)。這 對于以 現(xiàn)代微處理器為基礎(chǔ)的系統(tǒng)是合理的 。這個百分比是通過實(shí)例計(jì)算實(shí)例（每個樣品的測量時間），這并不意味著網(wǎng)絡(luò)出現(xiàn)故障。這種變化 提高 了神經(jīng)網(wǎng)絡(luò)的計(jì)算速度，因?yàn)樗?S形 單元 （見方程（ A6）和（ A7））需要更少的計(jì)算時間來實(shí)現(xiàn)硬限幅器（單位階躍）。正如眾所周知的， FFNN 分類時間（所需的時間，以產(chǎn)生一個輸出，給出一個輸入）依賴于在網(wǎng)絡(luò)中的單元的數(shù)目，所以它是非常重要的，具有最低的單位數(shù)，但 在 不 危及的質(zhì)量的情況下分類。由于 FFNN 只有一個輸出，矩陣 D 成為水平的 936 個元素的向量， 600 條目是 “0” ，其他 336 均為 1。 數(shù)據(jù)窗口和培訓(xùn)矩陣 網(wǎng)絡(luò)進(jìn)行 調(diào)試 ， 當(dāng) 產(chǎn)生一個 0的輸出時，所提出的信號是一個的浪涌電流，一個零電流或滿負(fù)載條件下 用 這樣的方式構(gòu)建的 調(diào)試 矩陣 。注意，圖 3 中給出的方案是相當(dāng)于圖 1 的方案，如果輸入 xk 是thk 等于輸入 x（ t）的樣本，換言之，網(wǎng)絡(luò)將接收每個窗口中的 12個樣品的每一個采樣周期，而且必須是這 12 個樣本（即一個周期），這意味著必須確定為 12的輸入的數(shù)量。這樣的組合的方式是獨(dú)立的，這兩個函數(shù)（浪涌檢測和保護(hù)），可能會使用相同的采樣率。 FFNN 調(diào)試 過程包 括確定的權(quán)重 W（ “ ）和單位的施力 B（ M），以便在給定的方式，使網(wǎng)絡(luò)響應(yīng)。 本文中所描述的是在檢測方法的基礎(chǔ)上確認(rèn)其波形，更確切地說，在鑒別其波浪形是故障波形還是浪涌電流。 簡介 任何電源變壓器保護(hù)方案，都要考慮到勵磁涌流的影響， 因?yàn)檫@種效應(yīng)可能導(dǎo)致繼電器的誤操作 [1]。那么網(wǎng)絡(luò)進(jìn)行 訓(xùn)練單位的傳遞函數(shù)改為硬限幅器的閾值等于在調(diào)試中的 S 形偏差。在最近的論文 [8]報(bào)道，在某些情況下，高 次諧波產(chǎn)生變壓器的內(nèi)部故障期間，如果測得的過電流是一個浪涌或內(nèi)部故障，那么所述的第二或第五諧波檢測是不充分的指標(biāo)。這個網(wǎng)絡(luò)的最重要的特征是： 1）用層的分組處理單元。采樣率和數(shù)據(jù)窗口的變化取決于這種應(yīng)用。 基本架構(gòu) 圖 3中所示的功能塊用于實(shí)現(xiàn)上節(jié)中所述的目標(biāo)。 故障的情況下，由計(jì)算機(jī)生成的，其中一些使用電磁瞬態(tài)程序 [23]，其他的故障的信號由簡單的故障 信號（一個 RL 電路的響應(yīng)），第三組故障類似第二，第三和第五次諧波組成。 （ A11）和（ A13）。容許誤差（總和的時代中的平方誤差）為 ，它是必要的，目前在 200 和 60萬次之間，這取決于網(wǎng)絡(luò)的大?。▎挝?的數(shù)目 ）和學(xué)習(xí)速率的訓(xùn)練矩陣。事實(shí)上， 在修剪網(wǎng)絡(luò)的過程中，圖 5所示 ，調(diào)試 硬件架構(gòu)，直到 出現(xiàn) 不 允許 的結(jié)果為 2 層（ 1隱藏）， 4+1 FFNN 圖 5f。 圖 6 不同的測試結(jié)果 . 兩個測試矩陣（類似于矩陣 P）的形成： 在 矩陣的結(jié)束 時， 只有涌流情況下，含有勵磁涌流 的實(shí)例和 用于訓(xùn)練的故障實(shí)例加上人工創(chuàng)造的浪涌信號 是 不同的。從表中的說明，該網(wǎng)絡(luò)具有良好的性能 ， 最小的單 元 數(shù)是 2 層 6+1 圖 5e 中所示的網(wǎng)絡(luò)。然而，如前所述，網(wǎng)絡(luò)響應(yīng)時，人為制造的浪涌信號了，實(shí)驗(yàn)表明神經(jīng)網(wǎng)絡(luò)推廣了基于勵磁涌流的形狀，超過對變壓器的設(shè)計(jì)。 時間的考慮 所提出的方法識別勵磁涌流的必要的時間會比保護(hù)算法本身（例如在一個數(shù)字微分lrelay 計(jì)算電流的大小基于全周期傅里葉算法）長。方程作為等式的數(shù)字濾波器的頻率響應(yīng)。 致謝 作者要感謝他們的部分資金支持， LASPAU FUNDAYACU CHO，玻利瓦爾大學(xué)和施韋澤 工程實(shí)驗(yàn)室。在本文中， XVX ?? )0()1( 網(wǎng)絡(luò)的輸入。 參考文獻(xiàn)： [1] IEEE Std. ~. IEEE Guide f o r Protective Relay Applications to Power Transformers. [2] Sonnemann, W. K., Wagner, C. L., Rockefeller, G. D., Magizing Inrush Phenomena in Transformer Banks, AIEETransactions, Vol. rr, part. 111, pp 884892. Oct. 1958. [3] Blackburn, J. L. Protective Relaying. Principles and App h z t i o n s , Elect. Eng. and Electronics Series, Marcel Dekker, INC, NY, 1987. [4] Applied Protective Relaying Reference Book, Westinghouse Electric Corporation, Relay Instrument Division, 1976. [5] Hayward, C. D., “ HarmonicCurrentRestrained Relays for Transformer Differential Protection,” AIEE Transactions, Vol. 60, 1941, pp. 377382. [6] Sharp, R. L., Glassburn, W. E., “A Transformer Differential Relay with Second Harmonic Restraint,” AIEE Transactions ,Vol. 77, Dec. 1958, pp. 913918. [7] Phadke, A. and Thorp, J. Computer Relaying for Power Systems, John Wiley amp。 1991 年 1 月取得 華盛頓州立大學(xué)電子工程和計(jì)算機(jī)科學(xué)學(xué)院的博士學(xué)位 。他目前是華盛頓州立大學(xué)電子工程與計(jì)算機(jī)科學(xué)學(xué)院助理教授 ， 他 從事 神經(jīng)網(wǎng)絡(luò)和 VLSI 設(shè)計(jì) 的 研究。我們有一些對本文提出的意見和問題。 參考 ； [A] , , , A StandAlone Digital Protective Relay for Power Transformers, IEEE Transactions on Power Delivery, Vol. 6, No. 1, January 1991, pp. 85 95. L. G. PQrez, A. J. Flechsig, J. L. Meador, 2. Obradovid (School of Electrical Engineering and Computer Science, W. S. U., Pullman, WA) 作者感謝 讀 者 對 本文興趣并提出寶貴意見。 3在這一點(diǎn)上 ， 我們與 讀 者 意見一樣 。 and a I output for the other cases (the authors do not insinuate the method can be used to do all the protection function, since additional research will be needed to prove it). Vectors pj were built from the cases in the following way (see Appendix 2 for the definition of these vectors). Suppose the first of the cases’ signals is characterized by the sequence: ? ?1 1 221 , iiiii k ??????? （ 1） this means, a sequence of 112 samples. The first vector p 1 elements corresponds to the first 12 samples of i, the vector p2 entries are the 12 samples from i2 to i13 and so on, until pleting the first 100 columns of example matrix P defined in eqn. (A11) and (A13). The same process was repeated for each cases’ signal until having an example matrix of 936 columns (the number of examples, ne). This matrix was built such that the first 600 examples correspond to inrush examples (desired output=O), and the other 336 examples correspond to faults (desired output=l). Since the FFNN has only one output, matrix D became a horizontal vector of 936 elements, the first 600 entries are 0’s and the other 336 are 1’s. In practice, a target tolerance of was used, meaning that the work was trained to produce a response of or greater to represent one class and or less to represent the other class. This is necessary because the nature of the nonlinear squashing function is such that it can never assume the precise values of or . . Training Process Once the training matrices P and D were defined, the backpropagation algorithm was applied to the problem. The MATLAB Neural Network Toolbox [24] was used for such a purpose. Function TRAINBP was used with sigmoid transfer functions and a learning rate variable between and . The admissible error (sum of square errors in an epoch) was , for which it was necessary to present the training matrices between 200 and 600,000 times, depending on the work size (number of units) and the learning rate employed. 4. IMPROVING THE NETWORK . Network Testing and Pruning As mentioned in section it is desired that the work be applied in a digital relay implementation. This implies a promise between speed and accuracy. As is well known, the FFNN classification time (the required time to produce an output given an input) depends on the number of units in the work, so it is very important to have the lowest number of units but without jeopardizing the quality of the classification. Figure 5 shows the architectures tested for this pu