Секция 4 - Нейросетевые технологии (1250001), страница 4
Текст из файла (страница 4)
Нейро-сетевые технологии2. u f ( k ) = F {u f ( k − 1) , I1c ( k − 1) , U A ( k − 1)} — оценка техническогосостояния цепей тиристорного преобразователя и системы управлениятиристорами;оценка3. i f ( k ) = F {i f ( k − 1) , u f ( k − 1) , I1c ( k − 1) , U A ( k − 1)} —технического состояния системы управления тиристорами и цепейобмотки возбуждения возбудителя;{}4. I E ( k ) = F I E ( k − 1) , i f ( k − 1) — оценка технического состоя-ния обмотки возбуждения возбудителя и обращенного синхронного генератора;{}5. U d ( k ) = F U d ( k − 1) , I E ( k − 1) , i f ( k − 1) — оценка техниче-ского состояния обращенного синхронного генератора, вращающегося выпрямителя и щеточно-контактного аппарата;6.I d ( k ) = F { I d ( k − 1) , U d ( k − 1) , I E ( k − 1) , i f ( k − 1)} — оценкатехнического состояния вращающегося выпрямителя и цепей обмотки возбуждения турбогенератора.В табл.
3–8 представлены нечеткие правила NARX–моделей, отражающие базовые классы режимов работы системы возбуждения.Таблица 3.I1с(k–1) UA(k–1)not Hnot LNNnot Lnot HI1с(k)Z1=b11I1с(k–1) + a11UA(k–1) + c1Z2 =b21I1с(k–1) + a21UA(k–1) + c2Z3 =b31I1с(k–1) + a31UA(k–1) + c3Таблица 4.uf(k–1)not HNnot LI1с(k–1)not HNnot LUA(k–1)not LNnot Huf(k)Z1=b11uf(k–1) + a11I1c(k–1) + a12UA(k–1) + c1Z2=b21uf(k–1) + a21I1c(k–1) + a22UA(k–1) + c2Z3=b31uf(k–1) + a31I1c(k–1) + a32UA(k–1) + c3Таблица 5.if(k–1)not Huf(k–1)not HNnot LNnot Lif(k)I1с(k–1) UA(k–1)not Hnot L Z1=b11if(k–1)+a11uf(k–1)+a12I1c(k–1)+a13UA(k–1)+c1Nnot LNZ2=b21if(k–1)+a21uf(k–1)+a22I1c(k–1)+a23UA(k–1)+c2not H Z3=b31if(k–1)+a31uf(k–1)+a32I1c(k–1)+a33UA(k–1)+c3Таблица 6.IE(k–1)not HNnot Lif(k–1)not HNnot LIE(k)Z1=b11IE(k–1) + a11if(k–1) + c1Z2 =b21IE(k–1) + a21if(k–1) + c2Z3 =b31IE(k–1) + a31if(k–1) + c31247Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»Таблица 7.Ud(k–1)not HNnot LIE(k–1)not HNnot Lif(k–1)not HNnot LUd(k)Z1=b11Ud(k–1) + a11IE(k–1) + a12if(k–1) + c1Z2=b21Ud(k–1) + a21IE(k–1) + a22if(k–1) + c2Z3=b31Ud(k–1) + a31IE(k–1) + a32if(k–1) + c3Таблица 8.Id(k)Id(k–1) Ud(k–1) IE(k–1) if(k–1)not H not H not H not H Z1=b11Id(k–1) + a11uf(k–1) +a12I1c(k–1) + a13UA(k–1) + c1Nnot LNnot LNnot LN Z2=b21if(k–1) + a21uf(k–1) +a22I1c(k–1) + a23UA(k–1) + c2not H Z3=b31if(k–1) + a31uf(k–1) +a32I1c(k–1) + a33UA(k–1) + c3При недостаточной точности прогнозирования в некоторых эксплуатационных режимах каждая из моделей может быть дополнена правилами,отражающими параметры посылок в этих режимах.NARX–модели оборудования системы возбуждения созданы сиспользованием пакета прикладных программ Fuzzy Logic Toolbox версии2.1.2 вычислительной системы MATLAB 6.5 R13 [8].
Каждая модель состоит из двух файлов. Файл «Наименование модели. fis» представляетадаптивную нейро-нечеткую сеть модели. В файле заданы параметры посылок в виде символьных нечетких переменных, выходная переменная ибаза правил. Файл-сценарий «Наименование модели. m» на основании информации об изменении параметров системы возбуждения в выделеннойвыборке переходного процесса, представленной в формате COMTRADE,создает обучающие и проверочные данные для настройки сети. На основании сформированных данных гибридным методом обучения определяютсяоптимальные значения параметров предпосылок и коэффициентов выводовправил.Действующие значения напряжения и тока статора синхронного генератора, используемые в правилах логического вывода, определяются поих мгновенным значениям, представленным в формате COMTRADE.
Используется формула численного интегрирования Ньютона-Котеса [9]:U a2 (n) + U b2 (n) + U c2 (n)2g (n) =;3(15)1 n 21 2311222g (n)dn = [ g (n − T ) + 3g (n − T ) + +3 g (n − T ) + g (n)],8424T n∫−Tгде Т=20 мс — период промышленной частоты.Далее приведен пример настройки NARX–модели 5 (табл. 7). Сформулированы три нечетких правила, прогнозирующие значение напряженияротора турбогенератора в зависимости от изменения тока возбуждениявозбудителя, тока обмотки якоря обращенного синхронного генератора ипредыдущего значения напряжения ротора при исправном техническом1248Секция 4. Нейро-сетевые технологиисостоянии обращенного синхронного генератора, вращающегося выпрямителя и щеточно-контактного аппарата. Каждое из правил отражает уменьшение, увеличение или неизменность текущего значения напряжения ротора относительно начального установившегося режима работы при изменении параметров обращенного синхронного генератора.
При определениипринадлежности параметров посылок в виде символьных нечетких переменных используется логический оператор дополнения. Первое правилоформулируется в виде: «ЕСЛИ значение напряжения ротора Ud(k–1) в предыдущей точке выборки переходного процесса НЕ принадлежит терму НИ значение тока обмотки якоря обращенного синхронного генератораIE(k-1) в предыдущей точке выборки переходного процесса НЕ принадлежит терму Н. И значение тока возбуждения возбудителя обращенного синхронного генератора if(k-1) в предыдущей точке выборки переходногопроцесса НЕ принадлежит терму Н ТО прогнозируемое значение напряжения ротора Ud(k) = b11Ud(k–1) + a11IE(k–1) + a12if(k–1) + c1». В данном нечетком правиле сформулировано определение уменьшения напряжения ротора в переходном процессе относительно начального установившегося режима работы. Подобным образом, с учетом указанных в табл.
7 логическихоператоров, формулируются другие правила. При определении правил используется допущение о том, что прогнозируемая переменная не можетизмениться скачком относительно предыдущего значения, т. е. представляется в виде гладкой непрерывной функции. Это достигается логическими условиями, при которых предыдущее значение прогнозируемой величины в части посылок принадлежит формулируемому в правиле изменению. Если правило определяет уменьшение выходной переменной модели,то ее предыдущее значение не может принадлежать терму Н.
Если правилоопределяет увеличение выходной переменной модели, то ее предыдущеезначение не может принадлежать терму L.Структура полученной ANFIS-сети в графическом редакторе пользователя пакета Fuzzy Logic Toolbox показана на рис. 6.Рассмотрим назначение слоев сети.Слой 1. Каждый узел является адаптивным с передаточной функци1ей Оi = µAi(x), где x — вход узла i, Ai — лингвистическая «нечеткая» переменная, ассоциированная с данным узлом. Для терма N выбраны Гауссовы функции принадлежности ( x − l i )2 (16),µ Ai ( x ) = ex p 2 σ i2 S-образной формы для терма H1249Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»µ Ai ( x ) = 0, x ≤ li ;2 x − li li + niµ Ai ( x ) = 2 ; , li < x ≤2 ni − li 2 n − x li + niµ Ai ( x ) = 1 − 2 i< x ≤ ni ; ,n−l2 i iµ Ai ( x ) = 1, ni < xи Z-образной формы для терма L [5]µ Ai ( x ) = 1, x ≤ mi ;(17)2 x − mi li + miµ Ai ( x ) = 1 − 2 ; , di < x ≤2 li − mi 2(18) l − x li + miµ Ai ( x ) = 2 i< x ≤ li ; ,−2lmiiµ Ai ( x ) = 0, li < x,где {σi, mi, li, ni} — множество настраиваемых параметров предпосылок.Рис.
6 Структура ANFIS-сети модели 5 (табл. 7).1250Секция 4. Нейро-сетевые технологииСлой 2. Каждый узел данного слоя — неадаптивный, выполняющийлогическую операцию И на параметрах посылок каждого правила. Выходэтого узла — вес правила wi определяется как произведение значенийфункций принадлежности wi = µU d ( k −1)i (U d ) × µ I E ( k −1)i ( I E ) × µi f ( k −1) i (i f ) , i = 1, 2,3. Выход каждого узла этого слоя определяет степень срабатывания правила, т. е.
выполнения условий, заложенных в параметрах предпосылок.Слой 3. Неадаптивные узлы этого слоя вычисляют нормализованныйвес правил:wiwi =(19), i = 1, 2,3 .w1 + w2 + w3Слой 4. Адаптивные узлы этого слоя имеют передаточные функции(20)O4 = w z = w ( b Ud (k −1) + a IE (k −1) + a if (k −1) + c ) , i = 1,2,3,ii iii1i1i2iгде {ai1, ai2, bi1, ci} — параметры вывода.Слой 5. Неадаптивный узел этого слоя представляет собой сумматор∑ wi zi .(21)Z = O15 = ∑ wi zi =w∑ iНастройка коэффициентов NARX–модели осуществлялась на объединенной выборке 5 переходных процессов, возникших при приблизительно одинаковых начальных условиях.
В выборку вошли переходныепроцессы, зарегистрированные в процессе эксплуатации:• форсировка возбуждения при КЗ с успешным АПВ;• форсировка возбуждения при КЗ с неуспешным АПВ;• синхронные качания;• процесс включения генератора в сеть;• расфорсировка возбуждения.Рассматриваемые выборки переходных процессов имели размер от1200 до 10000 точек, что при частоте дискретизации АЦП микропроцессорного регистратора 2кГц соответствует длительности рассматриваемыхпереходных процессов 0.6 — 5с. Время обучения модели с использованиемкомпьютера РIII-450 МГц с операционной системой Windows XP Professional и установленной вычислительной системой MATLAB 6.1.0.450 Release 12.1 составляет 2–3 минуты.Исходя из технических характеристик систем возбуждения турбогенераторов ТВВ-1000 и проведенных вычислительных экспериментов с использованием гибридного обучающего алгоритма, определены параметрыфункций принадлежности посылок {σi, mi, li, ni}, табл.
9 и вывода {ai1, ai2,bi1, ci}:Z1 = 0.832*Ud (k − 1) − 9.159 ∗ IE(k − 1)+ 1.377 ∗ If (k − 1) − 129.6;Z2 = 0.75*Ud (k − 1) − 15.99 ∗ IE(k − 1)+ 0.452 ∗ If (k − 1) + 128.7;(22)Z3 = 0.798*Ud (k − 1) − 4.06 ∗ IE(k − 1)+0.46 ∗ If (k − 1) − 36.86.1251Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»Таблица 9.ТермПараметрUd(k–1), BIE(k–1), kАif(k–1), ALmi = Ud0 —300, li =Ud0mi = IE0 —1, li = IE0mi = if0 — 100, li = if0Nσ i = 100, li = Ud0σ i = 2.6, li = IE0σ i = 60, li = if0Hli = Ud0, ni = Ud0+300li = IE0, ni = IE0+1li = if0, ni = if0 +100Максимальная среднеквадратичная ошибка при обучении в соответствии с (1) составила 2.4 В. Для верификации модели на ее вход были поданы выборки 13 других зарегистрированных переходных процессов, неиспользующихся при ее обучении (КЗ, синхронные качания, расфорсировка возбуждения, форсировка возбуждения).
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
