66
р
е
л
е
й
н
а
я
з
а
щ
и
т
а
и
а
в
т
о
м
а
т
и
к
а
релейная защита и автоматика
Анализ возможности
применения рекуррентных
нейронных сетей
для определения уставки
срабатывания защит
дальнего резервирования
УДК
621.311:621.316.925
Ахмедова
О
.
О
.,
старший
преподаватель
кафедры
«
Электроснабжение
промышленных
предприятий
»
Камышинского
технологического
института
(
филиала
)
ФГБОУ
ВО
«
ВолГТУ
»
Сошинов
А
.
Г
.,
к
.
т
.
н
.,
доцент
,
заместитель
директора
института
по
учебной
работе
,
заведующий
кафедрой
«
Электроснабжение
промышленных
предприятий
»
Камышинского
технологического
института
(
филиала
)
ФГБОУ
ВО
«
ВолГТУ
»
Атрашенко
О
.
С
.,
старший
преподаватель
кафедры
«
Электроснабжение
промышленных
предприятий
»
Камышинского
технологического
института
(
филиала
)
ФГБОУ
ВО
«
ВолГТУ
»
Ключевые
слова
:
релейная
защита
,
уставки
срабатывания
,
параметры
воздушной
линии
электропередачи
,
рекуррентные
нейронные
сети
Надежность
функционирования
воздушных
линий
электропере
-
дачи
во
многом
зависит
от
точно
подобранных
уставок
срабатыва
-
ния
систем
релейной
защиты
.
Параметры
линий
электропередачи
меняются
в
течение
года
,
и
устройства
релейной
защиты
должны
изменять
уставки
согласно
реальным
показателям
воздушных
линий
.
По
мнению
авторов
,
применение
рекуррентных
нейронных
сетей
в
системах
релейной
защиты
открывает
широкие
перспек
-
тивы
для
адаптации
уставок
срабатывания
.
Это
позволит
повы
-
шать
чувствительность
защит
дальнего
резервирования
и
делать
краткосрочные
прогнозы
по
изменению
тока
,
проходящего
по
воз
-
душной
линии
электропередачи
в
рабочем
и
аварийном
режимах
.
О
ценка
надежности
электроэнергетиче
-
ских
систем
показывает
,
что
их
самым
слабым
элементом
являются
воздушные
линии
электропередачи
(
ВЛЭП
)
из
-
за
их
значительной
протяженности
и
измененения
па
-
раметров
в
процессе
эксплуатации
.
Причинами
повреждения
ВЛЭП
являются
перекрытия
изо
-
ляции
вследствие
возникновения
электрической
дуги
,
которая
может
поддерживаться
рабочим
напряжением
после
атмосферного
перенапряже
-
ния
.
Короткие
замыкания
также
образуют
дуго
-
вой
разряд
.
Значительное
влияние
на
параметры
ВЛЭП
оказывает
изменение
температуры
окружа
-
ющей
среды
.
При
понижении
температуры
возду
-
ха
(
в
зимний
и
осенний
периоды
)
увеличивается
механическое
напряжение
провода
(
вследствие
сокрашения
его
длины
)
и
увеличивается
допу
-
стимый
ток
,
проходящий
по
проводу
,
и
темпера
-
тура
провода
.
При
повышении
температуры
воз
-
духа
(
летний
и
весенний
периоды
)
наблюдаются
противоположные
эффекты
.
Удлинение
провода
приводит
к
изменению
габарита
линии
электропе
-
редачи
,
а
стрела
провеса
нарушает
изоляционные
растояния
.
Проходящий
по
проводу
ток
нагревает
его
сильнее
из
-
за
слабого
охлаждения
воздухом
.
При
гололедообразонании
и
значительных
ветро
-
вых
нагрузках
появляются
дополнительные
меха
-
нические
напряжения
в
опорах
,
проводах
и
гро
-
зозащитных
тросах
ВЛЭП
,
способные
вывести
из
строя
промежуточные
опоры
.
Для
повышения
на
-
дежности
электроснабжения
необходимо
опера
-
67
тивно
отслеживать
все
выше
перечисленые
внешние
факторы
и
корректировать
уставки
срабатывания
ре
-
лейной
защиты
,
исходя
из
величины
реального
тока
,
проходящего
по
ВЛЭП
.
Особенно
остро
данная
про
-
блема
стоит
при
определении
места
повреждения
в
распределительных
сетях
большой
протяженности
.
Это
связано
с
тем
,
что
в
конце
протяженной
линии
электропередачи
ток
повреждения
соизмерим
с
ра
-
бочим
током
и
резервная
релейная
защита
может
оказаться
нечувствительной
.
Данная
задача
явля
-
ется
трудно
выполнимой
вследствие
отсутсвия
еди
-
ной
интеллектуальной
системы
,
которая
могла
бы
не
только
провести
анализ
данных
,
поступающих
от
дат
-
чиков
и
метеорологических
постов
,
установленых
на
линии
,
но
и
составить
прогноз
изменения
параметров
ВЛЭП
,
исходя
из
полученных
данных
.
ПРОГНОЗИРОВАНИЕ
ВРЕМЕННЫХ
РЯДОВ
РЕКУРРЕНТНЫМИ
НЕЙРОННЫМИ
СЕТЯМИ
На
сегодняшний
день
с
задачами
анализа
больших
массивов
данных
и
построением
трендов
изменений
справляются
нейронные
сети
со
множеством
иерар
-
хических
структур
.
Нейронная
сеть
представляет
собой
совокупность
нейронов
,
соединенных
друг
с
другом
определенным
образом
и
образующих
структуру
конкретной
сети
.
Каждый
нейрон
принимает
сигналы
,
комбинирует
их
,
согласно
заложенному
правилу
,
вычисляет
выход
-
ной
сигнал
и
передает
его
следующим
элементам
нейронной
сети
.
Принцип
построения
нейронной
сети
основан
на
так
называемом
принципе
«
черного
ящика
»,
в
кото
-
ром
при
подаче
входных
сигналов
после
определен
-
ных
операций
будет
выведен
выходной
сигнал
.
Если
в
нейронную
сеть
подавать
данные
о
внеш
-
них
факторах
(
температура
,
влажность
воздуха
,
ско
-
рость
и
направление
ветра
,
сопротивление
грунта
,
сила
тока
,
напряжение
и
др
.),
то
на
основании
полу
-
ченных
данных
сеть
сможет
сделать
вывод
о
реаль
-
ных
погонных
параметрах
линии
электропередачи
.
Кроме
того
,
нейронная
сеть
сможет
учитывать
изме
-
нение
параметров
ВЛЭП
по
всей
трассе
линии
,
так
как
климатические
датчики
установлены
на
разных
ее
участках
.
Если
эти
данные
будут
передаваться
не
на
пульт
диспетчера
,
а
сначала
анализировать
-
ся
нейронной
сетью
,
то
эффективность
управления
будет
гораздо
выше
вследствие
уменьшения
коли
-
чества
ошибок
,
связанных
с
«
человеческим
факто
-
ром
»,
и
получения
целостностной
картины
измене
-
ния
параметров
.
Для
решения
данной
задачи
проведен
анализ
возможности
применения
рекуррентных
сетей
в
про
-
гнозировании
.
Сегодня
прогнозирование
временных
рядов
осуществляется
сетями
прямого
прогнози
-
рования
при
помощи
многослойных
персептронов
с
прямым
распространением
сигнала
и
обратным
распространением
ошибки
.
При
этом
результат
яв
-
ляется
не
всегда
удовлетворительным
,
особенно
при
сильной
«
зашумленности
»
исходных
данных
.
Для
снижения
степени
ошибки
можно
использовать
сети
прямого
распространения
,
но
в
данных
сетях
значи
-
тельно
увеличивается
время
обучения
и
усложняется
структура
нейронной
сети
.
Применение
рекуррент
-
ной
сети
Элмана
(
рисунок
1)
позволяет
производить
прогнозирование
даже
значительно
«
зашумленных
»
временных
рядов
за
счет
использования
не
только
трех
слоев
(
входного
,
скрытого
и
выходного
),
но
и
до
-
полнительных
«
контекстных
»
элеменов
.
Основная
задача
этих
элементов
—
нивелировать
ошибку
и
уменьшать
шум
временного
ряда
.
При
ра
-
боте
рекуррентной
нейронной
сети
обратная
связь
,
имеющая
определенный
фиксированный
вес
,
идет
от
скрытого
слоя
к
«
контекстным
»
элементам
,
кото
-
рые
сохраняют
информацию
о
предыдущем
слое
.
Входной
сигнал
на
временных
отрезках
распростра
-
няется
по
нейронной
сети
в
прямом
направлении
с
применением
обучения
[1–3].
Рис
. 1.
Рекуррентная
сеть
Элмана
№
4 (73) 2022
68
РЕЛЕЙНАЯ ЗАЩИТА
И АВТОМАТИКА
напряжением
35
кВ
и
ниже
применяют
максимальную
токовую
защиту
,
которая
может
оказаться
нечувстви
-
тельной
при
большой
протяженности
ВЛЭП
или
зна
-
чительной
подключенной
нагрузке
.
Система
релей
-
ной
защиты
,
установленная
на
трансформаторной
подстанции
,
не
всегда
способна
отключить
короткое
замыкание
в
конце
защищаемого
участка
из
-
за
ма
-
лой
величины
тока
,
дошедшего
до
измерительно
-
го
органа
[4, 5].
Для
увеличения
параметра
чувствительности
за
-
щиты
дальнего
резервирования
предлагается
применение
ре
-
курренктых
нейронных
сетей
.
На
значение
тока
,
проходящего
по
ВЛЭП
,
влияют
внешние
факторы
,
такие
как
температура
и
влаж
-
ность
воздуха
,
скорость
ветра
,
сезон
,
влажность
грунта
,
обра
-
зование
стенки
гололеда
на
про
-
водах
,
величина
тока
в
рабочем
режиме
и
т
.
д
.
На
рисунке
2
представлен
гра
-
фик
изменения
удельного
сопро
-
тивления
грунта
в
течение
года
на
разной
глубине
.
Из
графиков
следует
,
что
при
незначительной
увлажненности
земли
(
порядка
15–20%)
резко
из
-
меняется
сопротивление
почвы
,
следовательно
,
данное
сезонное
изменение
будет
влиять
на
реак
-
тивное
сопротивление
ВЛЭП
(
ри
-
сунок
3).
Сезонные
колебания
темпе
-
ратуры
воздуха
и
скорости
ветра
влияют
на
отвод
тепла
с
прово
-
да
воздушной
линии
электропе
-
редачи
.
При
незначительной
то
-
ковой
нагрузке
в
летний
период
активное
сопротивление
провода
увеличивается
из
-
за
прогревания
воздушных
масс
вокруг
ВЛЭП
.
Под
действием
сильных
по
-
рывов
ветра
,
несмотря
на
боль
-
шой
ток
,
проходящий
по
прово
-
ду
,
происходит
отвод
тепла
,
и
на
величину
активного
сопротивле
-
ния
провода
преимущественное
влияние
оказывает
охлаждение
ветром
(
рисунок
4) [6].
Емкостная
проводимость
воз
-
душной
линии
электропередачи
,
в
основном
,
подвержена
измене
-
ниям
в
осенний
и
зимний
перио
-
ды
,
вследствие
повышения
влаж
-
ности
воздуха
между
проводами
ВЛЭП
,
между
фазами
и
поверх
-
ностью
земли
.
Она
также
зависит
от
толщины
стенки
гололеда
(
ри
-
сунок
5).
Авторами
произведен
расчет
полного
сопротивления
провода
Рис
. 2.
График
изменения
удельного
сопротивления
грунта
в
течение
года
:
1 —
на
глубине
0,7
м
; 2 —
на
глубине
2,5
м
Рис
. 3.
Зависимости
реактивного
сопротивления
провода
при
различных
сопротивлениях
грунта
от
сезонных
колебаний
влажности
и
температуры
по
месяцам
Рис
. 4.
Зависимости
температуры
провода
воздушной
линии
электропере
-
дачи
от
температуры
окружающей
среды
при
средней
скорости
ветра
(
υ
= 2
м
/
сек
)
АНАЛИЗ
ФАКТОРОВ
,
ВЛИЯЮЩИХ
НА
ПРОГНОЗ
ИЗМЕНЕНИЯ
ТОКА
,
ПРОХОДЯЩЕГО
ПО
ВОЗДУШНОЙ
ЛИНИИ
ЭЛЕКТРОПЕРЕДАЧИ
Резервная
система
релейной
защиты
на
воздушных
линиях
электропередачи
является
максимальной
,
так
как
срабатывает
при
повышении
контролируемо
-
го
параметра
.
В
качестве
резервной
защиты
на
ВЛЭП
69
марки
АС
-240
и
построен
график
зависимости
полного
погонного
сопротивления
провода
от
темпе
-
ратуры
окружающей
среды
с
уче
-
том
конечной
проводимости
грун
-
та
(
рисунок
6):
Z
0пр
= √
R
пр
2
+ (
X
L
–
X
C
)
2
=
(
R
020
1 +
α
(
t
пр
–
20
°) +
10
–4
π
2
f
)
2
+
8463 1
+
2,9
∙
10
–3
f
lg
–
2
r
√
f
γ
2
π
fC
экв
(1)
,
где
Z
0
пр
—
полное
погонное
сопро
-
тивление
провода
;
X
L
,
X
C
—
по
-
гонное
индуктивное
и
емкостное
сопротивления
провода
соответ
-
ственно
;
R
020
—
погонное
активное
сопротивление
провода
при
тем
-
пературе
20°
С
;
—
температур
-
ный
коэффициент
электрического
сопротивления
;
t
пр
—
температура
провода
;
f
—
частота
;
r
—
радиус
провода
;
—
удельная
проводи
-
мость
грунта
;
C
экв
—
эквивалент
-
ная
емкость
воздушной
линии
электропередачи
.
Полное
погонное
сопротивле
-
ние
воздушной
линии
электро
-
передачи
увеличивается
прямо
пропорционально
росту
темпе
-
ратуры
.
При
этом
учитывается
изменение
удельной
проводимо
-
сти
грунта
.
На
1
км
трассы
изме
-
нение
составляет
от
0,155
Ом
до
0,18
Ом
при
рекомендуемом
табличном
значении
,
равном
0,12
Ом
.
Изменение
силы
тока
,
проходящего
по
воздушной
линии
электропередачи
,
будет
полно
-
стью
отражать
изменение
полного
сопротивления
линии
.
Следовательно
,
при
отстройке
защиты
даль
-
него
резервирования
без
учета
изменения
полного
сопротивления
линии
защита
может
срабатывать
не
-
корректно
.
АНАЛИЗ
ЭТАПОВ
РАБОТЫ
РЕКУРРЕНТНОЙ
НЕЙРОННОЙ
СЕТИ
LSTM
Применение
нейронных
сетей
для
определения
дей
-
ствительного
полного
сопротивления
линии
и
тока
,
проходящего
по
ней
,
позволит
корректно
выставить
уставки
срабатывания
релейной
защиты
.
Связь
меж
-
ду
элементами
рекуррентной
нейронной
сети
обра
-
зуется
посредством
направленной
последовательно
-
сти
,
за
счет
которой
можно
обрабатывать
полученную
информацию
во
времени
.
Кроме
того
,
данный
вид
нейронных
сетей
способен
применять
информацию
,
которую
получил
ранее
для
решения
существующей
задачи
,
и
работать
с
«
зашумленными
»
сигналами
.
Так
как
ВЛЭП
имеют
значительную
протяженность
,
то
параметры
линии
на
разных
участках
могут
быть
различными
вследствие
изменения
рельефа
мест
-
ности
и
климатических
условий
региона
.
Установка
датчиков
информации
на
ВЛЭП
на
всем
протяжении
трассы
позволит
получать
параметры
линии
,
анали
-
зировать
их
нейронной
сетью
и
давать
прогнозы
по
изменению
величины
тока
.
При
отказе
любого
дат
-
чика
,
установленного
на
ВЛЭП
,
сеть
сможет
нивели
-
ровать
возникший
«
шум
»
за
счет
применения
в
ее
структуре
«
контекстных
»
элементов
.
Рекуррентная
нейронная
сеть
LSTM (
рекуррент
-
ная
нейронная
сеть
с
долгой
краткосрочной
памя
-
тью
)
имеет
клеточное
состояние
,
которое
пред
-
ставляется
горизонтальной
линией
,
проходящей
в
одном
направлении
,
по
которой
информация
с
датчиков
может
проходить
без
каких
-
либо
изме
-
нений
.
Кроме
того
,
данный
вид
сети
позволяет
до
-
бавлять
либо
удалять
информацию
из
клеточного
состояния
за
счет
применения
вентилей
,
состав
-
ленных
из
сигмоидного
слоя
нейронной
сети
и
опе
-
раций
поточечного
умножения
[7–11].
На
вентиль
подаются
сигналы
между
нулем
и
единицей
из
сиг
-
моидного
слоя
,
обозначая
степень
пропускания
.
На
первом
этапе
(
рисунок
7)
сигмоидный
слой
(«
забы
-
вающий
вентиль
»)
определяет
,
какую
информацию
необходимо
выбрать
из
клеточного
состояния
.
Он
получает
на
вход
данные
h
t
–1
и
x
t
и
подает
на
выход
значения
между
0
до
1.
Единица
означает
«
сохрани
это
полностью
»,
в
то
время
как
ноль
означает
«
из
-
бавься
от
этого
полностью
» [12].
Рис
. 5.
Зависимость
емкостной
проводимости
от
относительной
диэлек
-
трической
проницаемости
мокрого
снега
Рис
. 6.
Зависимости
изменения
полного
погонного
сопротивления
провода
марки
АС
-240
от
температуры
окружающей
среды
с
учетом
конечной
про
-
водимости
грунта
№
4 (73) 2022
70
РЕЛЕЙНАЯ ЗАЩИТА
И АВТОМАТИКА
На
втором
этапе
(
рисунок
8)
определяется
новая
информация
,
которую
необходимо
поместить
в
кле
-
точное
состояние
. «
Входной
вентиль
»
сигмоидного
слоя
определяет
данные
,
которые
нужно
изменить
,
потом
слой
гиперболического
тангенса
опреде
-
ляет
вектор
претендентов
на
новые
значения
t
,
который
может
быть
добавлен
к
клеточному
со
-
стоянию
.
На
следующем
шаге
эти
две
части
соеди
-
няются
,
чтобы
создать
обновление
для
клеточного
состояния
.
Затем
заменяется
информация
в
старом
клеточ
-
ном
состоянии
t
–1
(
рисунок
9)
на
новое
клеточное
состояние
t
.
Производится
умножение
старого
клеточного
состояния
на
f
t
[9, 12].
На
заключительном
этапе
принимается
реше
-
ние
о
результате
,
который
необходимо
отправить
на
выход
сигмоидного
вентиля
(
рисунок
10).
Оно
основывается
на
решении
сигмоидного
слоя
о
том
,
какая
часть
клеточного
состояния
будет
отправле
-
на
на
выход
сигмоидного
вентиля
.
Затем
,
чтобы
уместить
значения
в
промежуток
от
−
1
до
1,
клеточное
состояние
пропускается
через
гиперболический
тангенс
и
умножается
на
выход
сигмоидного
вентиля
.
Таким
образом
,
на
выход
сигмоидного
вентиля
отправляются
только
те
части
клеточного
состоя
-
ния
,
которые
необходимо
отправить
.
ВЫВОДЫ
В
статье
рассмотрена
возможность
применения
ре
-
куррентных
нейронных
сетей
для
решения
задач
прогнозирования
тока
,
проходящего
по
линии
элек
-
тропередачи
в
рабочем
и
аварийном
режимах
,
на
ос
-
нове
данных
,
полученых
от
установленных
на
линии
датчиков
.
Параметры
линии
электропередачи
меняются
с
изменением
сезона
,
так
как
зависят
от
внешних
климатических
факторов
.
Алгоритмы
срабатыва
-
ния
релейной
защиты
дальнего
резервирования
не
учитывают
изменения
параметров
ВЛЭП
.
В
ре
-
зультате
резервная
защита
,
применяемая
на
воз
-
душных
линиях
электропередачи
35
кВ
и
ниже
,
не
всегда
верно
функционирует
и
во
многих
случаях
является
нечувствительной
к
удаленным
коротким
замыканиям
.
Разбиение
трассы
на
участки
с
установкой
дат
-
чиков
контроля
внешних
факторов
и
передачи
этой
информации
в
рекуррентную
нейронную
сеть
позволит
определять
погонные
параметры
воз
-
душной
линии
электропередачи
,
учитывая
все
из
-
менения
,
происходящие
на
ВЛЭП
большой
протя
-
женности
.
Функция
прогнозирования
позволит
заранее
определять
ток
,
проходящий
по
ВЛЭП
,
и
отстраи
-
вать
защиту
дальнего
резервирования
на
основе
реальных
показателей
,
что
предоставит
системе
релейной
защиты
возможность
отключать
лю
-
бые
повреждения
,
происходящие
на
защищаемом
участке
.
Использование
«
контекстных
»
элементов
нейронной
сети
также
позволит
уменьшить
«
по
-
мехи
сигнала
»
и
тем
самым
снизить
вероятность
ошибки
прогнозирования
.
C
t
–1
h
t
h
t
i
t
x
t
C
t
o
t
h
t
–1
f
t
C
̃
t
tanh
i
t
=
(
W
i
· [
h
t
–1
,
x
t
] +
b
i
)
C
̃
t
=
tanh
(
W
C
· [
h
t
–1
,
x
t
] +
b
C
)
tanh
Рис
. 8.
Второй
этап
работы
рекуррентной
нейронной
сети
C
t
–1
h
t
h
t
i
t
x
t
C
t
o
t
h
t
–1
f
t
C
̃
t
tanh
C
t
=
f
t
·
C
t
–1
+
i
t
·
C
̃
t
tanh
Рис
. 9.
Третий
этап
работы
рекуррентной
нейронной
сети
Ot
=
(
Wo
[
h
t
–1
,
x
t
] +
b
o
)
h
t
=
O
t
·
tanh
(
C
t
)
C
t
–1
h
t
h
t
i
t
x
t
C
t
o
t
h
t
–1
f
t
C
̃
t
tanh
tanh
Рис
. 10.
Четвертый
этап
работы
рекуррентной
ней
-
ронной
сети
f
t
=
(
W
f
· [
h
t
–1
,
xt
] +
b
f
)
C
t
–1
h
t
h
t
i
t
x
t
C
t
o
t
h
t
–1
f
t
C
̃
t
tanh
tanh
Рис
. 7.
Первый
этап
работы
рекуррентной
нейронной
сети
71
ЛИТЕРАТУРА
1.
Шумилова
Г
.
П
.,
Готман
Н
.
Э
.,
Стар
-
цева
Т
.
Б
.
Прогнозирование
нагрузки
ЭЭС
на
базе
новых
информацион
-
ных
технологий
/
Манов
Н
.
А
.,
Чукре
-
ев
Ю
.
Я
.,
Успенский
М
.
И
.
и
др
.
Но
-
вые
информационные
технологии
в
задачах
оперативного
управления
электроэнергетическими
система
-
ми
.
Екатеринбург
:
ИСЭиЭПС
Коми
НЦ
УрО
РАН
, 2002.
С
. 127–156.
2.
Хайкин
С
.
Нейронные
сети
:
пол
-
ный
курс
. 2-
е
изд
.
М
.:
Издатель
-
ский
дом
«
Вильямс
», 2016. 1104
с
.
3.
Ямпольский
С
.
М
.,
Хилюк
Ф
.
М
.,
Ли
-
сичкин
В
.
А
.
Проблемы
научно
-
тех
-
нического
прогнозирования
.
М
.:
Экономика
, 1969. 189 c.
4.
Басс
Э
.
И
.,
Дорогунцев
В
.
Г
.
Релей
-
ная
защита
электроэнергетиче
-
ских
систем
.
Уч
.
пособие
.
Под
ред
.
А
.
Ф
.
Дьякова
.
М
.:
Издательство
МЭИ
, 2002. 296
с
.
5.
Гуревич
В
.
И
.
Микропроцессорные
реле
защиты
.
Устройство
,
пробле
-
мы
,
перспективы
.
М
.:
Инфра
-
Ин
-
женерия
, 2011. 336
с
.
6. Akhmedova O., Soshinov A., Gazizov F.,
Ilyashenko S. Development of an in-
telligent system for distance relay pro-
tection with adaptive algorithms for
determining the operation setpoints.
Energies, 2021, vol. 14, iss. 4, no. 973.
7.
Бэнн
Д
.
В
.,
Фармер
Е
.
Д
.
Сравни
-
тельные
модели
прогнозирования
электрической
нагрузки
.
М
.:
Энер
-
гоатомиздат
, 1987. 200
с
.
8.
Каллан
Р
.
Основные
концепции
нейронных
сетей
.
М
.:
Издатель
-
ский
дом
«
Вильямс
», 2003. 288
с
.
9.
Крюков
А
.
В
.,
Раевский
Н
.
В
.,
Яков
-
лев
Д
.
А
.
Прогнозирование
электро
-
потребления
с
применением
аппа
-
рата
нейронных
сетей
/
Материа
-
лы
Международной
конференции
29–31
марта
2004
года
.
Иркутск
:
ИрГУПС
, 2004.
10.
Курбацкий
В
.
Г
.,
Томин
Н
.
В
.
Прогно
-
зирование
электрической
нагрузки
с
использованием
искусственных
нейронных
сетей
//
Электрика
,
2006,
№
7.
С
. 26–32.
11.
Политов
Е
.
А
.,
Воронов
И
.
В
.,
Еф
-
ременко
В
.
М
.
Выбор
модели
для
долгосрочного
прогнозирования
электропотребления
промышлен
-
ного
предприятия
//
Вестник
КузГТУ
,
2006,
№
6-1(57).
С
. 71–73.
12.
Гафаров
Ф
.
М
.,
Галимянов
А
.
Ф
.
Ис
-
кусственные
нейронные
сети
и
при
-
ложения
.
Учеб
.
пособие
.
Казань
:
Изд
-
во
Казан
.
ун
-
та
, 2018. 121
с
.
REFERENCES
1. Shumilova G.P., Gotman N.E.,
Startseva T.B. Advanced IT-based
power system load forecasting /
Manov N.A., Chukreev Yu.Ya., Us-
penskiy M.I. and others. Advanced
IT in online power system control.
Ekaterinburg: IESPN KomiSC, 2002,
pp. 127-156. (In Russian)
2. Khaikin S. Neural networks: com-
plete course. Edition 2, Moscow, Wil-
liams Publ., 2016. 1104 p. (In Rus-
sian)
3. Yampol'skiy S.M., Khilyuk F.M., Li-
sichkin V.A. Challenges of scienti
fi
c-
technical forecasting. Moscow, Eko-
nomika Publ., 1969. 189 p. (In Rus-
sian)
4. Bass E.I., Doroguntsev V.G. Re-
lay protection of power systems.
Study guide. Edited by A.F. D'yakov.
Moscow, MPEI Publ., 2002. 296 p.
(In Russian)
5. Gurevich V.I. Microprocessor-based
protection relays. Design, dif
fi
culties,
prospects. Moscow,
Infra-Inzheneri-
ya
[Infra Engineering], 2011. 336 p.
(In Russian)
6. Akhmedova O., Soshinov A., Gazi-
zov F., Ilyashenko S. Development
of an intelligent system for distance
relay protection with adaptive algo-
rithms for determining the operation
setpoints. Energies, 2021, vol. 14,
iss. 4, no. 973.
7. Benn D.V., Farmer E.D. Compara-
tive models of electrical load fore-
cast. Moscow, Energoatomizdat
Publ., 1987. 200 p. (In Russian)
8. Kallan R. Basic concepts of neural
networks. Moscow, Williams Publ.,
2003. 288 p. (In Russian)
9. Kryukov A.V., Rayevskiy N.V., Yakov-
lev D.A. Demand forecasting
with the help of neural networks /
Materialy Mezhdunarodnoy konfer-
entsii 29-31 marta 2004 goda
[Proc.
of International conference, March,
29-31, 2004]. Irkutsk, Irkutsk State
Transport University (IrGUPS), 2004.
(In Russian)
10. Kurbatskiy V.G., Tomin N.V. Demand
forecasting with the help of arti
fi
cial
neural networks //
Elektrika
[Elec-
trics], 2006, no. 7, pp. 26-32. (In Rus-
sian)
11. Politov E.A., Voronov I.V., Efremen-
ko V.M. Selection of the model for
long-term forecast of industrial enter-
prise demand //
Vestnik KuzGTU
[Bul-
letin of KuzSTU], 2006, no. 6-1(57),
pp. 71-73. (In Russian)
12. Gafarov F.M., Galimyanov A.F. Ar-
ti
fi
cial neural networks and applica-
tions. Study guide, Kazan, Kazan
State University Publ., 2018. 121 p.
(In Russian)
№
4 (73) 2022
Оригинал статьи: Анализ возможности применения рекуррентных нейронных сетей для определения уставки срабатывания защит дальнего резервирования
Надежность функционирования воздушных линий электропередачи во многом зависит от точно подобранных уставок срабатывания систем релейной защиты. Параметры линий электропередачи меняются в течение года, и устройства релейной защиты должны изменять уставки согласно реальным показателям воздушных линий. По мнению авторов, применение рекуррентных нейронных сетей в системах релейной защиты открывает широкие перспективы для адаптации уставок срабатывания. Это позволит повышать чувствительность защит дальнего резервирования и делать краткосрочные прогнозы по изменению тока, проходящего по воздушной линии электропередачи в рабочем и аварийном режимах.
