【文章內(nèi)容簡介】 Relays and Protection Systems,” IEEE Tutorial Course Text, Publication No. 88EH02691PWR, 1988. [18] Mori, H., Itou, K., Uematsu, H., Tsuzuki, S. “An Artificial NeuralNet Based Method for Predicting Power System Voltage Harmonics,” IEEE Trans. on Power Delivery, Vol. 7, No 1, Jan. 1992, pp. 402 409. [19] Ebron, S., Lubkeman, D. and White, M. “A Neural Network Approach to the Detection of Incipient Faults on Power Distribution Feeders.” IEEE Transactions on Power Delivery, Vol. 5, No 2, April 1990. [20] Sultan, A., Swift, G., Fedirchuk, D. “Detectionof HighImpedance Arcing Faults Using a MultiLayer Perceptron”. IEEE PES Winter Meeting, NY, Jan, 1992. Paper No 92 WM 2071 PWRD. [21] Stigant, S. A. and Franklin, A. C. The J @ P Transformer Book. John Wiley amp。 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。ez (M)生于 1957 年， 帕斯夸谷，委內(nèi)瑞拉。 1979 年 從玻利瓦爾大學獲工程師學位 ， 1982 年 從委內(nèi)瑞拉中央大學 獲得 碩士學位。 1983 年參與 玻利瓦爾大學 的 能量轉(zhuǎn)換和傳遞系 實驗 ，此后在這 里 終身 工作 。 1986 年 和 1989 年 之間 ，擔任主席 。佩雷斯先生 主要研究 電力系統(tǒng)保護、高壓變電站的設計研究領域，自 1983 年 以來，先后在委內(nèi)瑞拉參加了有關這些領域 的 1979 多個項目。 1991 年 1 月取得 華盛頓州立大學電子工程和計算機科學學院的博士學位 。 Alfred J. Flechsig (SM)生于 1935 年， 塔科馬，華盛頓 ， 1959 年在于 華盛頓州立大學電氣工程系 工作。在 1957年和 1959年分別獲得了 華盛頓州立大學 的學士和 和碩士學位 ，在 1970 年他 獲得 路易斯安那州立大學電子工程博士 學位。 他的興趣主要是電力系統(tǒng)的教學與研究 。 他的研究包括房屋系統(tǒng)，電力系統(tǒng)，繼電保護，節(jié)能住宅和太陽能熱優(yōu)化分析 。 他是一名注冊專業(yè)工程師， 擔任 華盛頓州和路易斯安那州和華盛頓州立大學電子工程與計算機 科學學院教授。 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 華盛頓州立大學電子工程學士，碩士和博士學位 。 而他作為一個計算機系統(tǒng)的經(jīng)理和一個獨立的顧問工作。他目前是華盛頓州立大學電子工程與計算機科學學院助理教授 ， 他 從事 神經(jīng)網(wǎng)絡和 VLSI 設計 的 研究。目前 ， 他的 researchinterestsinclude脈沖編碼的神經(jīng)網(wǎng)絡理論與實施和神經(jīng)網(wǎng)絡應用到混合 signalintegrated 電路測試。他是IEEE 電路與系統(tǒng)學會神經(jīng)系統(tǒng)和應 用程序的技術委員會的現(xiàn)任主席，也是國際神經(jīng)網(wǎng)絡學會和 ACM的成員。 Zoran ObradoviC (M)在 1985年獲得了信息與計算機科學學院 的 應用數(shù)學理學學士，于 1987 年 獲得 數(shù)學與計算機科學學士學位， 1991 年 獲得 Pennsylvania State 大學計算機科學學士學位。他是 Boris Kidric 研究所 “ 的 系統(tǒng)程序員， 1984 年至 1986 年，是貝爾格萊德的塞爾維亞科學和藝術學院 的 研究的科學家。目前，他是華盛頓州立大學電子工程與計算機科學學院助理教授。他的研究興趣包括神經(jīng)網(wǎng)絡，并行處理，機器學習 ，模式識別，算法設計與分析。 討論 , （ 紐芬蘭省紀念大學，圣約翰， NF，加拿大 ）：首先 祝賀作者，在變壓器 中 使用前饋神經(jīng)網(wǎng)絡來區(qū)分浪涌電流和故障電流。我們有一些對本文提出的意見和問題。 1 在故障情況下得到了變壓器通電的浪涌，的例子是通過模擬獲得的。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。 2 作者認為 在 獲得 調(diào)試 數(shù)據(jù)的情況下，實驗室變壓器故障，應用故障， 可以 用合適的變壓器 作 后備保護？權重和偏 差 的值的可能會是不同的的，如果從試驗變壓器中同時獲得的浪 涌和故障的所有的 調(diào)試 樣例 。 3正如作者所指出的，計算要求的 FFNN 實現(xiàn) 數(shù)據(jù) 是非常大的，即使是單相變壓器。這是能夠?qū)崿F(xiàn)在一個單一的數(shù)字信號處理板〔 A〕，由于權重的范圍廣泛 ， 三相變壓器的主要保護功能是非常顯 著 的，所 以 提出的方法 ， 需要一個用于精確的數(shù)學協(xié)處理器 ， 采樣間隔計算 。 4 FFNN（圖 5e）的建議的體系結構需要一個數(shù)據(jù)窗口的周期的一半。如果輸入到網(wǎng)絡中的一些基本信號樣本和一些故障的信號樣本，在故障發(fā)生的瞬間，或隨后內(nèi)部故障的突入的情況下，可以依賴于神經(jīng)網(wǎng)絡？ 我們贊揚作者提出的首次應用人工神經(jīng)網(wǎng)絡的數(shù)字式 繼電器。 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。這些意見將 寫在 他們討論 中 。 1 在 故障實例的基礎上 采用 計算機模擬的故障實例的瞬時值進行適當縮減 ， 使用獲得的浪涌變壓器單元庫 做 例子。在某些情況下，得到一個簡單的 RL 電路的響應 ， 二次諧波分量的故障實例 40%。這樣做是有意向的訓練網(wǎng)絡，這是能夠區(qū)分故障電流具有很高的二次諧波分量和勵磁涌流 。 2 讀 者是正確的，他們說結果的權重和偏 差 ，他們 能得到的故障 調(diào)試 的例子是不同的。然而我們認為 這是 可能，我們認為這個初步的結果的計算機模擬故障的例子足以 說明 ，該方法工作 是 安全。我們相信，在一個實際的實施培訓必須使用相結合的實地測量和計算機生成的故障實例。 3在這一點上 ， 我們與 讀 者 意見一樣 。然而，我們預計，隨著硬件 DSP 應用目前的發(fā)展速度和準確性，完整的變壓器保護可以成功的實現(xiàn)要求，包括浪涌檢測。 4圖 5所示 ,所有架構測試一 個 周期的數(shù)據(jù)窗口和十二個樣品窗口的采樣率。 這 只有包含處理單元（神經(jīng)元）顯示層（對應于輸入層沒有在圖 5 所示）。如圖 1 所示 ， 小缺圓代表處理單 元。一個更完整的表示，如圖 1 圖 5E 網(wǎng)絡所示。 Figure C1. Detailed scheme of the work shown in Figure 5e Manuscript received March 29, 1993 IEEE Transactions on Power Delivery, , No1, January 1994 TRAINING AN ARTIFICIAL NEURAL NETWORK TO DISCRIMINATE BETWEEN MAGNETIZING INRUSH AND INTERNAL FAULTS LUIS G. PEREZ ALFRED J. FLECHSIG JACK L. MEADOR ZORAN OBRADOVIC Member, IEEE Senior Member, IEEE Member, IEEE Member, IEEE School of Electrical Engineering and Computer Science Washington State University Abstract — A feed forward neural work (FFNN) has been trained to discriminate between power transformer magizing inrush and fault currents. 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.