PatentDe  


Dokumentenidentifikation DE4323432C2 11.09.1997
Titel Spannungs- und Blindleistungsregler für ein Stromsystem auf der Basis neuronaler Netzwerke
Anmelder Mitsubishi Denki K.K., Tokio/Tokyo, JP
Erfinder Kojima, Yasuhiro, Amagasaki, Hyogo, JP;
Izui, Yoshio, Amagasaki, Hyogo, JP;
Goda, Tadahiro, Kobe, Hyogo, JP;
Kyomoto, Sumie, Kobe, Hyogo, JP
Vertreter Popp, E., Dipl.-Ing.Dipl.-Wirtsch.-Ing.Dr.rer.pol.; Sajda, W., Dipl.-Phys., 80538 München; Reinländer, C., Dipl.-Ing. Dr.-Ing., 07549 Gera; Bohnenberger, J., Dipl.-Ing.Dr.phil.nat., 80538 München; Bolte, E., Dipl.-Ing.; Möller, F., Dipl.-Ing., Pat.-Anwälte, 28209 Bremen
DE-Anmeldedatum 13.07.1993
DE-Aktenzeichen 4323432
Offenlegungstag 20.01.1994
Veröffentlichungstag der Patenterteilung 11.09.1997
Veröffentlichungstag im Patentblatt 11.09.1997
IPC-Hauptklasse G05F 1/70
IPC-Nebenklasse G05B 13/02   G05B 17/02   H02J 3/18   

Beschreibung[de]

Die Erfindung geht aus von einem Spannungs- und Blindleistungsregler für ein Stromsystem auf der Basis neuronaler Netzwerke, wie er durch die nicht vorveröffentlichte europäische Patentanmeldung EP 05 195 01 A2 bekannt geworden ist. Bei einem Stromsystemspannungs- und Blindleistungsregler soll unter Verwendung des Lernalgorithmus ein Regelobjekt in optimaler Weise geregelt werden, dessen Merkmale schwierig zu indentifizieren sind.

Die Ablaufdiagramme in Fig. 1(a) und 1(b) veranschaulichen den Ablauf von Lernalgorithmen, die bei einem herkömmlichen Neztwerk eingesetzt werden, wie es beispielsweise in einem Aufsatz von R. J. Williams u. a. mit dem Titel "A Lerning Algorithm for Continually Running Fully Recurrent Neural Networks" beschrieben ist, erschienen in "Neural Computation", Bd. 1, Nr. 2, 1989.

Nachfolgend wird der Ablauf des Lernalgorihtmus beschrieben. Wie Fig. 1(a) zeigt, beginnt der Lernalgorithmus mit dem Schritt ST1, bei dem von dem neuronalen Netzwerk für bestimmte Eingangsinformationen zu erzeugende Ausgangsinformaationen dk(t) als Sollwerte dk(t) gesetzt werden, wobei diese Eingangsinformationen dem neuronalen Netwerk zugeführt werden und wobei k die Nummer eines neuronalen Elements ist, das Bestandteil des neuronalen Netzwerks ist.

Anschließend wird zu einem Schritt ST2 weitergeschaltet, in dem Abweichungen ek(t) festgestellt werden, nämlich Unterschiede zwischen den Sollwerten dk(t) und den Ist-Ausgangswerten yk(t), die von dem neuronalen Netwerk tatsächlich dann erzeugt werden, wenn dem neuronalen Netzwerk bestimmte Eingangsinformationen zugeführt werden.

Anschließend wird mit einem Schritt ST3 fortgefahren, um den Wert einer Bewertungsfunktion J(t) entsprechend Gleichung (1) zu finden, die die Bewertungsfunktion J(t) als Summe der Quadratwerte der Abweichungen ek(t) folgendermaßen zum Ausdruck bringt:



Danach wird mit einem Schritt ST4 weitergearbeitet, in dem der Wert der Bewertungsfunktion J(t) mit einem vorgegebenen Wert ε verglichen wird, der im voraus gesetzt wurde. Wird im Schritt ST4 festgestellt, daß der Wert der Bewertungsfunktion kleiner ist als der vorgegebene Wert ε, wird der Lernvorgang beendet. Wenn dagegen im Schritt ST4 festgestellt wird, daß der Wert der Bewertungsfunktion J(t) größer als der vorgegebene Wert ε ist, so wird zu den Schritten ST5 und ST6 weitergeschaltet, um die Gewichtungen der Verbindungen zwischen den neuronalen Elementen i (bzw. den Verbindungskoeffizienten wij) zwischen den neuronalen Elementen i und den Eingängen j) entsprechend der nachstehenden Gleichung (2) zu verändern:

wij(t) = Wij(t) + Δwij(t) (2)

wobei Δwij(t) zeitabhängige Korrekturgrößen für die Verbindungskoeffizienten wij sind. Die zeitabhängigen Korrekturgrößen Δwij(t) findet man bei Anwendung des Verfahrens mit dem steilsten Absinken gemäß Fig. 1(b) und 8(a) entsprechend den nachfolgenden Gleichungen:



wobei:

f eine Übertragungsfunktion der neuronalen Elemente ist,

Pkij eine durch Gleichung (4) ausgedrückte Hilfsfunktion ist, die zur Vereinfachung der Gleichungen herangezogen wird,

Zk die den neuronalen Elemente zugeführten Eingangsinformationen repräsentiert, und

Sk eine Summe der gewichteten Eingangsinformationen ist.

Die Gewichtungen der Verbindungen werden so modifiziert, daß der Wert der Bewertungsfunktion J(t) kleiner als der vorgegebene Wert ε wird.

Anschließend erfolgt die Rückkehr zum Schritt ST2 und der Berechnungsschritt ST3, der Vergleichsschritt ST4 und die Veränderungsschritte ST5 und ST6 werden nochmals durchlaufen. Diese Schleife wird so oft wiederholt, bis der Wert der Bewertungsfunktion J(t) kleiner als der vorgegebene Wert ε wird; erst dann ist der Lernvorgang beendet.

Fig. 2 zeigt schematisch die Auslegung eines herkömmlichen Stromsystemspannungs- und Blindleistungsreglers (EP 05 19 501 A2). Mit dem Bezugszeichen 1 ist in dieser Figur ein zu regelndes Stromsystem angegeben. Das Bezugszeichen 2 gibt einen Neuronalsystem-Simulator an, der auch als Neuronalnetzwerk-Stromsystemsimulator bezeichnet wird. Bei dem Neuronalsystem-Simulator 2 handelt es sich um ein neuronales Netzwerk, das einen ersten Lernschritt vollständig im voraus durchlaufen hat, so daß seine Beziehungen zwischen den Eingangs- und Ausgangswerten an die Beziehungen des Stromsystems 1 angepaßt sind, das als Regelobjekt dient. Das Bezugszeichen 3 gibt einen Spannungs- und Blindleistungsregler an, welcher die Aufwärts- und Abwärtsbewegungen eines Abgriffs regelt, den ein Transformator mit Stufenschalten entsprechend der Größe einer anliegenden Last entsprechend einem in Fig. 4 dargestellten Muster der Regelungsebenen verwendet bzw. einen Kondensator bzw. eine Nebenschlußdrossel entsprechend ein- oder ausschaltet. Der Spannungs- und Blindleistungsregler 3 wird hier auch als VQ- Regler bezeichnet. Das Bezugszeichen 4 gibt ein Neuronalnetzwerk-System zur Spannungs- und Blindleistungsregelung an, d. h. ein neuronales Netzwerk, das im voraus einen ersten Lernschritt vollständig so durchlaufen hat, daß die Beziehungen in seinen Eingangs- und Ausgangswerten denen des VQ-Reglers 3 angepaßt sind. Das Neuronalnetzwerk-System 4 ist auch als Neuronalnetzwerk-Regler zur Spannungs- und Blindleistungsregelung bekannt.

Fig. 3 zeigt eine typische Konstellation des Neuronalsystem- Simulators 2 und des Neuronalnetzwerk-Systems 4 in einem zweiten Lernschritt. Im zweiten Lernschritt werden die Eingänge und Ausgänge des Neuronalnetzwerk-Systems 4 entsprechend dieser Darstellung mit den Eingängen und Ausgängen des Neurosystem-Simulators 2 gekoppelt. Im zweiten Lernschritt wird das neuronale Netzwerk des Neuronalnetzwerk-Systems 4 angewiesen, einen Lernvorgang in der Weise zu durchlaufen, daß die Ausgänge des Neuronalsystem-Simulators 2 den Eingängen des Neuronalnetzwerk-Systems 4 angepaßt werden.

Nachfolgend wird nun das Arbeitsprinzip des Stromsystemspannungs- und Blindleistungsreglers erläutert.

Zunächst durchläuft das neuronale Netzwerk des Neurosystem- Simulators 2 im voraus die ersten Lernschritte vollständig, so daß die Beziehungen zwischen seinen Eingangs- und Ausgängen denen des Stromsystems 1 und des neuronalen Netzwerks des Neuro-VQC-Systems 4 in der Weise angepaßt sind, daß die Beziehungen zwischen seinen Eingangs- und Ausgangswerten denen des VQ-Reglers 3 an jedem Punkt auf der Zeitachse angepaßt sind. In den ersten Lernschritten sind das Neuronalsystem 2 und das Neuronalnetzwerk-System 4 so aufgebaut, daß ihre Charakteristika denen des Stromsystems 1 bzw. des VQ-Reglers 3 äquivalent sind.

Die Eingangs- und Ausgangsinformationen des Stromsystems 1, z. B. die Position des Abgriffs in der Vertikalen und Informationen über den Ein-/Aus-Zustand des Leistungsverdichters Sc, die im ersten Lernschritt erhalten wurden, sind nicht nur für das eigene Stromsystem 1 relevant, sondern beinhalten auch Daten, die aus Stromanlagen erhalten wurden, die sich an anderen Standorten befinden, wobei diese Daten u. a. über verdrahtete Verbindungskabel oder dergleichen übermittelt werden.

Anschließend läuft die zweite Lernphase ab, indem die Eingänge und Ausgänge des Neuronalnetzwerk-Systems 4 mit den Eingängen und Ausgängen des Neuronalsystem-Simulators 2 gemäß der Darstellung gekoppelt werden. Wie bereits erläutert, wird das neuronale Netzwerk des Neuronalnetzwerk-Systems 4 angewiesen, den zweiten Lernschritt zu durchlaufen, damit die Ausgänge des Neuronalsystem-Simulators 2 an die Eingänge des Neuronalnetzwerk-Systems 4 angepaßt werden.

Schließlich läuft der eigentliche Regelungsvorgang auf der Grundlage der Ergebnisse aus dem ersten und zweiten Lernschritt ab, wobei das Neuronalnetzwerk-System 4 das Stromsystem 1 regelt.

Der Lernalgorithmus des herkömmlichen neuronalen Netzwerks wird in der vorstehend erläuterten Weise ausgeführt. Dementsprechend können sich bei einem Lernprozeß, bei dem dynamische Charakteristika eines Regelobjekts oder eines Reglers gelernt werden, die Sollwerte abrupt ändern. In diesem Fall ergeben sich u. a. infolge des Umstands Probleme, daß das vollständige Durchlaufen des Lernvorgangs eine lange Zeit in Anspruch nimmt. Der Grund hierfür liegt bei dem herkömmlichen Lernalgorithmus darin, daß sich die Gewichtungen der Verbindungen zwischen neuronalen Elementen verändern, wenn nur Abweichungen zwischen den Ausgangswerten des neuronalen Netzwerks und den Sollwerten berücksichtigt werden.

Darüber hinaus weist ein herkömmlicher Stromsystemspannungs- und Blindleistungsregler einen Aufbau auf, wie er vorstehend beschrieben wurde. Bei solchem Aufbau müssen somit zum Durchlaufen eines ersten Lernschritts die Eingangs- und Ausgangsinformationen von Stromanlagen, die sich an anderen Standorten befinden, über verdrahtete Kabel oder dergleichen an die eigene Stromanlage übermittelt werden. Infolgedessen treten unweigerlich u. a. insofern Probleme auf, als die Verlegung der Kabel und dergleichen mühsam ist und es lange dauert, bis das neuronale Netzwerk einen Lernvorgang durchlaufen hat, um nur einige wenig zu nennen.

Der Erfindung liegt angesichts der vorstehenden Ausführungen die Aufgabe zugrunde, einen Spannungs- und Blindleistungsregler zu schaffen, mit dem sich für Lernzwecke Eingangs- und Ausgangsinformationen von andernorts installierten Stromanlagen auch ohne Verlegung von Kabeln oder dergleichen erhalten lassen.

Es soll daher ein Spannungs- und Blindleistungsregler geschaffen werden, der die Charakteristika eines darin vorgesehenen Neuronalnetzwerk-Reglers für Spannung und Blindleistung auf optimale Werte der Charakteristika eines damit geregelten Stromsystems ohne Unterbrechung der Regelung des Stromsystems auch dann einstellen kann, wenn sich die Charakteristika des Stromsystems verändern.

Lösungen der Aufgabe sind in den nebengeordneten Ansprüchen 1 und 2 angegeben.

Da bei dem gemäß dem ersten erfindungsgemäßen Aspekt vorgesehenen Spannungs- und Blindleistungsregler das Neuronalnetzwerk des Neuronalnetzwerk-Simulators zur Simulation eines Stromsystems im Rahmen eines Vorgangs, bei dem die Beziehungen zwischen den Eingangs- und Ausgangsinformationen von Stromsystemen erlernt werden, im voraus einen Lernvorgang zum Lernen der Beziehungen zwischen den Eingangs- und Ausgangsinformationen anderer Stromsysteme als dem eigenen anhand geschätzter Daten auf der Grundlage der Blindleistung auf der Primärseite eines Transformators sowie zum Lernen der Beziehungen zwischen den Eingangs- und Ausgangsinformationen des eigenen Stromsystems durchläuft, ist es nicht erforderlich Kabel zu verlegen oder ähnliche Maßnahmen zu treffen.

Da des weiteren der gemäß dem zweiten erfindungsgemäßen Aspekt vorgesehene Spannungs- und Blindleistungsregler eine Umlern-Beurteilungseinrichtung aufweist, mittels welcher die Regelung des Stromsystems von dem Neuronalnetzwerk-Regler für die Spannung und die Blindleistung auf den Spannungs- und Blindleistungsregler umschaltbar ist und bei welchem der für Lernzwecke vorgesehene Neuronalnetzwerk-Regler zum Regeln der Spannung und der Blindleistung und der ebenfalls für Lernzwecke vorgesehene Neuronalnetzwerk-Simulator zur Simulation des Stromsystems beide neue Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems lernen und die Ergebnisse des Lernvorgangs jeweils in dem Neuronalnetzwerkspannungs- und Blindleistungsregler bzw. dem Neuronalnetzwerk-Simulator zur Simulation des Stromsystems in dem Fall speichern, daß eine Abweichung zwischen den Beziehungen in den Eingangs- und Ausgangsinformationen des Neuronalnetzwerk-Simulators zum Simulieren des Stromsystems und den Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems festgestellt wird, lassen sich die Charakteristika des Neuronalnetzwerk-Reglers für die Spannung und die Blindleistung ohne Unterbrechung der Regelung des Stromsystems auch dann auf Werte einstellen, die für die Charakteristika des Stromsystems optimal sind, wenn sich die Charakteristika des Stromsystems verändern.

Die erfindungsgemäßen Merkmale ergeben sich deutlicher aus der nachfolgenden ausführlichen Beschreibung unter Bezugnahme auf die begefügte Zeichnung. Dabei zeigen:

Fig. 1(a) ein Ablaufdiagramm eines Lernalgorithmus, wie er bei einem herkömmlichen neuronalen Netzwerk eingesetzt wird;

Fig. 1(b) ein Ablaufdiagramm, das einen Schritt ST5 aus dem Ablaufdiagramm gemäß Fig. 1(a) in detaillierterer Form zeigt;

Fig. 2 eine schematisierte Darstellung der Auslegung des herkömmlichen Stromsystemspannungs- und Blindleistungsreglers;

Fig. 3 eine typische Auslegung eines Neurosystem-Simulators 2 und eines Neuronalnetzwerk-Systems 4 in einem zweiten Lernschritt;

Fig. 4 eine schematische Darstellung zur Veranschaulichung des Prinzips eines Betriebsalgorithmus eines Spannungs- und Blindleistungsreglers;

Fig. 5(a) ein Ablaufdiagramm eines Lernalgorithmus, der bei einem neuronalen Netzwerk eingesetzt wird;

Fig. 5(b) ein Ablaufdiagramm, das einen Schritt ST5 aus dem Ablaufdiagramm gemäß Fig. 5(a) in detaillierterer Form zeigt;

Fig. 6 eine schematische Darstellung zur Veranschaulichung des Prinzips einer Bewertungsfunktion;

Fig. 7 ein Ablaufdiagramm eines Lernalgorithmus, wie er zur Veränderung der Gewichtung der Verbindungen zwischen neuronalen Elementen eingesetzt wird;

Fig. 8 eine schematische Darstellung zur Veranschaulichung des Prinzips des Verfahrens mit dem steilsten Absinken und der einer Technik des optimalen Gradienten;

Fig. 9 eine schematisierte Darstellung der Auslegung eines Stromsystemspannungs- und Blindleistungsreglers gemäß einem ersten erfindungsgemäßen Aspekt;

Fig. 10 eine typische Konfigurierung eines Neurosystem-Simulators 5 und eines Neuronalnetzwerk-Systems 4 in einem zweiten Lernschritt;

Fig. 11 einen schematischen Plan mit der Darstellung einer Stromversorgung 1;

Fig. 12 eine Graphik zur Veranschaulichung der geschätzten Daten der Beziehungen zwischen den Eingangs- und Ausgangswerten einer an anderer Stelle installierten Stromanlage;

Fig. 13 eine Graphik zur Erläuterung des Prozesses der Abschätzung einer Abgriffsbetätigung, die von einem an anderer Stelle installierten Stromsystems ausgeführt wird;

Fig. 14 eine Schemazeichnung zur Darstellung der Auslegung eines gemäß einem zweiten Aspekt der Erfindung vorgesehenen Stromsystemspannungs- und Blindleistungsreglers;

Fig. 15 eine graphische Darstellung zur Veranschaulichung typischer Veränderungen im Stromverbrauch;

Fig. 16 eine Graphik zur Veranschaulichung eines Teils der Lerndaten;

Fig. 17 eine graphische Darstellung zur Veranschaulichung der Extrapolierung eines vorhandenen Lernmusters;

Fig. 18 eine graphische Darstellung der typischen Veränderungen in den Charakteristika des Systems; und

Fig. 19 eine schematische Planzeichnung der Auslegung eines neuronalen Netzwerk von dem Typus, der als neuronales Kettenschaltungsnetz bekannt ist.

Im folgenden werden nun bevorzugte Ausführungsbeispiele der Erfindung anhand der beiligenden Zeichnung im einzelnen beschrieben. Um unnötige Wiederholungen zu vermeiden, entfällt hier die Beschreibung der üblichen Systembestandteile.

Fig. 5(a) zeigt das Ablaufdiagramm eines ersten Lernalgorithmus, wie er bei einem neuronalen Netzwerk eingesetzt wird, während Fig. 5(b) ein Ablaufdiagramm ist, das einen Schritt ST5 aus dem Ablaufdiagramm gemäß Fig. 5(a) in detaillierterer Form zeigt. Bei dieser Figur wird mit den gleichen Bezeichnungen, wie sie in Fig. 1 verwendet werden, jeweils derselbe bzw. ein äquivalenter Teil angegeben.

Nachfolgend wird nun der Betriebsablauf für die beiden Ablaufdiagramme erläutert.

Ein Vergleich des Ablaufdiagramms gemäß Fig. 5(a) mit dem Diagramm gemäß Fig. 1(a) zeigt einen Unterschied bei Schritt ST11 in Fig. 1(a) und Schritt ST3 in Fig. 5(a). Beide Schritte unterscheiden sich voneinander dadurch, daß die Gleichungen zur Berechnung der Bewertungsfunktion J(t) unterschiedlich sind. Die in Schritt ST11 verwendete Formel wird durch die nachfolgenden Gleichungen (7) bis (9) wiedergegeben:



wobei:

γ eine Konstante größer als Null ist, und

T(t) eine Menge neuronaler Elemente ist, für welche Sollwerte vorhanden sind.

Δek(t) = ek(t) - ek(t-1) (9)

Durch Vergleich der Gleichungen (1) bis (7) ergibt sich, daß diese sich insofern voneinander unterscheiden, daß die Quadratwerte {Δek(t)}² der Veränderungen in den Abweichungen auf der rechten Seite in Gleichung (7) addiert werden.

Auf diese Weise werden bei der Veränderng der Gewichtungen der Verbindungen zwischen den neuronalen Elementen bzw. der Koeffizienten der Verbindungen wij zwischen den neuronalen Elementen i und den Eingängen j in den Schritten ST5 und ST6 die Veränderungen in den Abweichungen berücksichtigt. Dementsprechend lassen sich Aufschlüsse darüber erhalten, ob die Veränderungen in den Abweichungen, die auf die modifizierten Gewichtungen der Verbindungen zurückzuführen sind, in aufsteigender oder absteigender Richtung erfolgen. Somit lassen sich entsprechende Größen für den Korrekturwert Δwij ermitteln. Infolgedessen kann der Lernalgorithmus in kürzerer Zeit bis zum vollständigen Durchlaufen des Lernvorgangs ausgeführt werden, als dies beim dem herkömmlichen Algorithmus möglich ist.

Die nachfolgenden Gleichungen (10) bis (13) ergeben die korrekten Korrekturgrößen Δwij:



wobei:

f eine Übertragungfunktion der neuronalen Elemente ist,

Pkij eine durch Gleichung (11) ausgedrückte Hilfsfunktion ist, die zur Vereinfachung der Gleichungen herangezogen wird,

Zk die den neuronalen Elementen zugeführten Eingangsinformationen repräsentiert, und

Sk eine Summe der gewichteten Eingangsinformationen ist.

Es wird darauf hingewiesen, daß in dem Fall, daß bei einer Bewertungsfunktion J(t) Veränderungen in den Abweichungen berücksichtig werden, wobei γ mit einem ganzzahligen Wert eingesetzt ist, die zum vollständigen Durchlaufen des Lernvorgansg erforderliche Zeit auf ein Viertel der Zeit verkürzt wird, die bei einer Bewertungsfunktion J(t) benötigt wird, bei der durch Einsetzen des Werts Null für γ Veränderungen in den Abweichungen nicht berücksichtigt werden, wenn alle anderen Bedingungen gleich sind.

Fig. 7 zeigt das Ablaufdiagramm eines zweiten Lernalgorithmus, wie er zur Veränderung der Gewichtung der Verbindungen zwischen neuronalen Elementen eingesetzt wird, die in einem neuronalen Netzwerk verwendet werden.

Nachfolgend wird nun der Betriebsablauf bei diesem Lernalgorithmus erläutert.

Der Unterschied zwischen diesem Beispiel und dem zuvor erläuterten besteht in dem Algorithmus zur Veränderung der Gewichtungen der Verbindungen zwischen neuronalen Elementen wij(t). Genauer gesagt werden bei dem zuvor erläuterten Beispiel Korrekturwerte Δwij(t) entsprechend dem Ablaufdiagramm nach Fig. 1(b) unter Heranziehung des Verfahrens mit dem steilsten Absinken gemäß Fig. 8(a) ermittelt. Anschließend werden die Korrekturwerte Δwij(t) in den Arbeitsschritten ST5 und ST6 gemäß dem Ablaufdiagramm aus Fig. 1(a) zur Korrektur der Gewichtungen der Verbindungen wij(t) herangezogen. Bei diesem Beispiel dagegen werden die Korrekturwerte Δwij(t) gemäß einem in Fig. 7 dargestellten Ablauf unter Heranziehung einer Suchtechnik erster Ordnung, beispielsweise der Technik des optimalen Gradienten gemäß Fig. 8(b), gefunden, die auch als Interpolationstechnik zweiter Ordnung bekannt ist. Die Korrekturwerte Δwij(t) werden dann zur Korrektur der Gewichtungen der Verbindungen wij(t) eingesetzt.

Die Technik des optimalen Gradienten zeichnet sich dadurch aus, daß der Lernvorgang mit weniger iterativen Schritten zur Ermittlung einer Sollfunktion abgewickelt werden kann. Bei dem vorliegenden Beispiel wird mit dieser Technik gearbeitet, um den Wert von α zu ermitteln, der auf der rechten Seite in Gleichung (3) steht und die Bewertungsfunktion J(t) optimiert.

Unter Bezugnahme auf Fig. 7 wird nachfolgend der zweite Lernalgorithmus erläutert:

  • 1. Wenn H(1) > H(0) soll H(α) durch Verändern des Wertes von α unter Einsetzen einer Reihe von Zahlen gefunden werden, beginnend mit 1/2, 1/4 . . . usf. bis H(α) < H(0). Dann soll folgendes eingesetzt werden: a = 0, b E α, und c = 2α.

    Dabei ist zu beachten, daß die modifizierten Koeffizienten für die Verbindung zwischen neuronalen Elementen wij(n+1) und der Bewertungfunktion H(α) jeweils durch die folgenden Gleichungen (14) bzw. (15) definiert werden:

    Wij(n+1) = Wij(n) + αΔwij (14)

    H(α) = J(wij : wij + αΔwij (15)

  • 2. Wenn H(1) > H(0) finde a, b und c, die die Beziehung H(b) < H(c) erfüllen. Mit anderen Worten soll der Wert von α solange weiter erhöht werden, bis H(α) größer als der unmittelbar vorhergehende Wert von H(α) wird. Halte dann die Werte von a, b und c fest, bei denen H(c), der Stromwert H(α), größer ist als H(b), der unmittelbar vorangegangene Wert von H(α).
  • 3. Berechne αe nach der folgenden Gleichung (16):



  • 4. Wenn H(αe) < H(b), setze αe als gefundenes Optimum für α ein. Ansonsten setze b als gefundenes Optimum für α ein.


Der auf die vorstehend erläuterte Weise ermittelte Wert von α wird in Gleichung (3) zur Berechnung der Korrekturgrößen Δwij(t) und zur Modifizierung der Gewichtung der Verbindungen zwischen neuronalen Elementen eingesetzt.

Bei dem vorstehend erläuterten zweiten Lernalgorithmus läßt sich die zur Durchführung des Lernvorgangs erforderliche Zeit gegenüber der bei dem herkömmlichen Verfahren mit dem steilsten Absinken benötigten Zeit auf 1/3 verkürzen.

Fig. 9 zeigt schematisch die Auslegung eines Stromsystemspannungs- und Blindleistungsreglers gemäß einem ersten Aspekt der Erfindung. In dieser Zeichnung werden zur Angabe gleicher oder äquivalenter Systemteile, die hier nicht beschrieben werden, die gleichen Bezeichnungen verwendet wie zuvor.

Mit dem Bezugszeichen 5 ist in dieser Figur ein Neuronalnetzwerk-Simulator angegeben, der auch als Neuronalnetzwerk-Simulator zum Simulieren des Stromsystems bekannt ist und der die Beziehungen zwischen den Eingangs- und Ausgangswerten eines anderen Stromsystems als seinem eigenen anhand von geschätzten Daten auf der Grundlage der Blindleistung Q1 auf der Primärseite eines Transformators und den Beziehungen in den Eingangs- und Ausgangsinformationen (einem Leistungsverdichter Sc) seines eigenen Stromsystems während eines Lernvorgangs abschätzt, bei dem die Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems 1 im voraus gelernt werden.

Zunächst wird nachfolgend das Grundprinzip des Betriebsablaufs dieses Stromsystemspannungs- und Blindleistungsreglers erläutert.

Wenn der Neuronalnetzwerk-Simulator 5 im voraus die Beziehungen zwischen den Eingangs- und Ausgangswerten des Stromsystems 1 lernt, lassen sich ohne Schwierigkeiten Informationen über sein eigenes Stromsystem erhalten, z. B. Daten über die Primärspannung V&sub1; und die Sekundärspannung V&sub2; des Transformators, die tatsächliche Schaltleistung P&sub1; und P&sub2; auf der Primär- und der Sekundärseite des Transformators, die primärseitige und sekundärseitige Blindleistung Q&sub1; und Q&sub2; des Transformators, ein belastetes Stufenschaltersystem (Abgriff) und den Leistungsverdichter (Sc), da diese Informationen lokal verfügbare Daten sind, wie Fig. 11 zeigt. Bei diesem Stromsystemspannungs- und Blindleistungsregler werden diese Informationen herangezogen, um die Beziehungne in den Eingangs- und Ausgangswerten eines an anderer Stelle installierten Stromsystems (bzw. des Leistungsverdichters Sc dieses anderen Stromsystems, das nachfolgend einfach als Fremdsystem bezeichnet wird) abzuschätzen, um so die mühsame Verdrahtung, Verlegung von Kabeln und ähnliche Maßnahmen zu vermeiden.

Dieses System wird nun in detaillierterer Form erläutert: die primärseitige Blindleistung Q&sub1; des Transformators im eigenen Stromsystem, die für den Regler lokal abrufbar ist, spiegelt u. a. den Betrieb aller Stromsysteme, einschließlich der eigenen Anlage, wider. Dementsprechend schlagen sich in der Differenz zwischen der primärseitigen Blindleistung Q&sub1; des Transformators und dem Wert des Leistungsverdichters Sc der eigenen Stromanlage auch Schwankungen in der Blindleistung der anderen Stromsysteme als dem eigenen nieder.

Für die Faktoren der Schwankungen in der Blindleistung der anderen Stromsysteme als dem eigenen gilt die Beziehung Q&sub1; + Sc.

Mit anderen Worten wird durch die Einbeziehung eines Leistungsverdichters in der eigenen Stromanlage die primärseitige Blindleistung Q&sub1; des Transformators durch die Blindleistung bei Einbeziehung des Leistungsverdichters Sc verringert. Durch Ausschaltung gleichbleibender Elemente, die beispielsweise den Schwankungen der von der Last verbrauchten Blindleistung entsprechen, läßt sich der andere Leistungsverdichter für den Regelbetrieb der anderen Stromsysteme als dem eigenen erhalten. Dabei ist zu beachten, daß unter dem Begriff "gleichbleibende Elemente" hier Elemente zu verstehen sind, die ein geringeres Maß an Schwankungen aufweisen. Unter realen Bedingungen werden die Elemente jedoch mittels eines Filters oder dergleichen eliminiert, da gleichbleibende Schwankungen, die u. a. durch die Leistungsaufnahme verursacht werden, tatsächlich vorhanden sind. Hierzu wird auf Fig. 12 verwiesen.

In einem zweiten Lernschritt, bei dem der Neuronalnetzwerk- Simulator 5 an einen Neuronalnetzwerk-Regler (VQC 4) angeschlossen ist, wird das Fremdsystem zur Regelung anderer Stromanlagen als der eigenen auf Null gesetzt. Dementsprechend kann der Neuronalnetzwerk-Simulator 5 nur die Wirkungen lernen, die ihm von seinem eigenen Stromsystem vorgegeben werden.

Im folgenden wird nun eine typische Technik zum Abschätzen der Ansteuerung eines Abgriffs bei einem an anderer Stelle installierten Stromsystem beschrieben. Fig. 13 ist eine Graphik, die den Vorgang des Abschätzens einer Abgriffsbetätigung erläutert, die von einem an anderer Stelle installierten Stromsystem aus erfolgt. In dieser Figur sind Punkte aufgetragen, welche die wertmäßigen Beziehungen zwischen der Primärspannung V&sub1; und der Sekundärspannung V&sub2; des Transformators zu unterschiedlichen Zeitpunkten angeben. Gemäß dieser Darstellung ergibt sich dabei eine Kurve, die an bestimmten Punkten nicht stetig ist, während die Steigungen der Kurve ebenfalls an einigen Punkten nicht stetig sind. Die erstgenannten Unstetigkeiten sind auf den Leistungsverstärker Sc des eigenen Stromsystems oder auf den anderen Leistungsverstärker Sc des Fremdstromsystems zurückzuführen, während die zweitgenannten Unstetigkeiten durch die Ansteuerung des Abgriffs an eigenen Stromsystem oder an einem Fremdstromsystem verursacht werden.

Informationen über die Betätigung des Abgriffs im eigenen Stromsystem sind abrufbar. Wenn somit der Abgriff am eigenen Stromsystem nicht angesteuert wird, können die zweitgenannten Unstetigkeiten herangezogen werden, um die Ansteuerung des Abgriffs in einem an anderer Stelle installierten Stromsystem abzuschätzen, wobei eine Betätigung des Abgriffs im eigenen Stromsystem angenommen wird.

Fig. 14 zeigt schematisch den Aufbau eines Stromsystemspannungs- und Blindleistungsreglers gemäß einem zweiten Aspekt der Erfindung. Das in dieser Figur ausgewiesene Bezugszeichen 11 gibt eine Umlern- Beurteilungseinrichtung an, die bei diesem Stromsystemspannungs- und Blindleistungsregler verwendet wird und mit deren Hilfe die Regelung eines Stromsystems 1 von einem Neuronalnetzwerk-Regler VQC 4 auf einen Spannungs- und Blindleistungsregler 3 umgeschaltet wird, und welches einen für Lernzwecke vorgesehener Neuronalnetzwerk-Regler VQC 12 und einen ebenfalls Lernzwecken dienender Neuronalnetzwerk-Simulator 13 aufweist, der außerdem dazu dient, neue Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems 1 zu lernen und die Ergebnisse des Lernvorgangs in dem Neuronalnetzwerk-Regler 4 und einem Neuronalsystem-Simulator 2 in dem Fall abgespeichert, daß eine Abweichung zwischen den Beziehungen in den Eingangs- und Ausgangsinformationen des Neuronalsystem-Simulators 2 und den Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems 1 festgestellt wird. Das Bezugszeichen 14 gibt eine Speichereinheit zum Abspeichern der Beziehungen zwischen den Eingangs- und Ausgangswerten des Stromsystems 1 an.

Nachfolgend wird nun die grundlegende Betriebweise erläutert.

Wenn der Stromsystemspannungs- und Blindleistungsregler in der Praxis in Betrie genommen wird, durchlaufen als erstes der Neuronalsystem-Simulator 2 und der Neuronalnetzwerk-Regler 4 einen Lernvorgang im Stromsystem und dann werden die Betriebsdaten des Stromsystems 1 als Eingangs- und Ausgangsinformationen eingegeben.

Fig. 15 zeigt ein Beispiel für Strombedarf. Tritt ein solcher Bedarf auf, so werden nacheinander mit einer Abtastfrequenz von 10 Sekunden im typischen Fall, wie in der Figur dargestellt, Informationen wie beispielsweise die Primärspannung V&sub1; und die Sekundärspannung V&sub2; des Transformators, die tatsächliche primärseitige und sekundärseitige Schaltleistung P&sub1; und P&sub2; sowie die Blindleistung Q&sub1; und Q&sub2; auf der Primärseite und der Sekundärseite des Transformators erfaßt. Die über einen definierten Zeitraum, der von mehreren Minuten bis zu mehreren Intervallen von je 10 Minuten reichen kann, erfaßten Informationen werden dann als Muster gelernt.

Anschließend regelt der Neuronalnetzwerk-Regler VQC 4 das Stromsystem 1, wobei die Ergebnisse dieses Lernvorgangs als Grundlage herangezogen werden. Die Charakteristika des Stromsystems 1 können jedoch während des Lernintervalls von den tatsächlichen Charakteristika abweichen. Deshalb führt die Umlern-Beurteilungseinrichtung 11 die Ausgangsdaten des Neuronalsystem-Simulators 2 und des Stromsystems 1 als Eingangsdaten zu, um eine Abweichung, d. h. eine Diskrepanz, zwischen den Ausgangsinformationen festzustellen.

Wird eine Abweichung festgestellt, so entscheidet die Umlern- Beurteilungseinrichtung 11, daß es erforderlich ist, daß der Neuronalsystem-Simulator 2 und der Neuronalnetzwerk-Regler 4 einen Umlernprozeß absolvieren.

Wird ein Durchlaufen dieses Umlernprozesses für nötig gehalten, schaltet die Umlern-Beurteilungseinrichtung 11 zeitweilig die Regelung des Stromsystems 1 von dem Neuronalnetzwerk- Regler 4 auf den Spannungs- und Blindleistungsregler 3 um, da die erfaßte Abweichung ein Hinweis darauf ist, daß das neuronale Netzwerk des Reglers 4 nicht auf einen optimalen Zustand eingestellt ist.

Da die jüngsten Informationen über die Beziehungen zwischen den Eingangs- und Ausgangswerten des Stromsystems 1 in der Speichereinheit 14 erfaßt sind, fordert die Umlern-Beurteilungseinrichtung 11 den zu Lernzwecken vorgesehenen Neuronalsystem-Simulator 13 und auch den ebenfalls zu Lernzwecken vorgesehenen Neuronalnetzwerk-Regler 12 auf, auf der Grundlage der neuesten Informationen einen Umlernvorgang zu durchlaufen.

Auf diese Aufforderung seitens der Umlern-Beurteilungseinrichtung 11 hin reagieren der Neuronalsystem-Simulator 13 und der Neuronalnetzwerk-Regler 12 damit, daß sie einen Umlernprozeß absolvieren. Bei Ende dieses Umlernvorgangs kopieren sowohl der zu Lernzwecken vorgesehene Neuronalsystem-Simulator 13 und der ebenfalls zu Lernzwecken dienende Neuronalnetzwerk-Regler 12 die jeweiligen Ergebnisse in den Neuronalsystem-Simulator 12 und den Neuronalnetzwerk-Regler 4. Abschließend läuft eine Reihe von Verarbeitungsgängen im Umlernprozeß ab, während die Regelung des Stromsystems 1 von dem Spannungs- und Blindleistungsregler 3 zum Neuronalnetzwerk- Regler 4 für Spannung und Blindleistung zurückgeschaltet wird.

Da, wie bereits ausgeführt, bei dem ersten Lernalgorithmus gemäß der Fig. 5(a) und (b) für ein neuronales Netzwerk als erstes Abweichungen zwischen den Ausgangswerten des neuronalen Netzwerks und den Sollwerten ermittelt werden, anschließend eine Summe der Quadratwerte der Abweichungen und der Quadratwerte der Veränderungen in den Abweichungen berechnet wird, und Gewichtungen der Verbindungen zwischen neuronalen Elementen des neuronalen Netzwerks abschließend in einer Richtung verändert werden, daß die Summe nur dann vermindert wird, wenn festgestellt wurde, daß sie größer als ein vorgegebener Wert ist, hat der Lernalgorithmus den Effekt, daß der Lernvorgang auch dann in kürzerer Zeit vollständig durchlaufen werden kann, wenn sich die Sollwerte abrupt verändern.

Da außerdem bei dem zweiten Lernalgorithmus für ein neuronales Netzwerk gemäß der Fig. 7 als erstes Abweichungen zwischen den Ausgangswerten des neuronalen Netzwerks und den Sollwerten ermittelt werden, dann die Summe der Quadratwerte der Abweichungen berechnet wird, und abschließend Gewichtungen der Verbindungen zwischen neuronalen Elementen des neuronalen Netzwerks unter Einsatz einer Suchtechnik erster Ordnung in einer Richtung verändert werden, daß die Summe nur dann vermindert wird, wenn festgestellt wurde, daß sie größer als ein vorgegebener Wert ist, bringt dieser Lernalgorithmus den Effekt mit sich, daß der Lernvorgang auch dann in kürzerer Zeit vollständig durchlaufen werden kann, wenn sich die Sollwerte abrupt verändern.

Da des weiteren bei dem gemäß dem ersten Aspekt der Erfindung vorgesehenen Stromsystemspannungs- und Blindleistungsregler das neuronale Netzwerk des Neuronalnetzwerk-Simulators zur Simulation des Stromsystems anhand geschätzter Daten auf der Grundlage der Blindleistung auf der Primärseite eines Transformators im voraus die Beziehungen zwischen den Eingangs- und Ausgangsinformationen anderer Stromsysteme als dem eigenen lernt und ebenso die Beziehungen zwischen den Eingangs- und Ausgangsinformationen des eigenen Stromsystems, und zwar in einem Lernvorgang zum Lernen der Beziehungen zwischen den Eingangs- und Ausgangswerten von Stromsystemen bringt der Stromsystemspannungs- und Blindleistungsregler den Effekt mit sich, daß sich Informationen über die Beziehungen zwischen den Eingangs- und Ausgangswerten von an anderer Stelle installierten Stromanlagen auch ohne die Verlegung von Kabeln oder ähnliche Maßnahmen erfaßt und gelernt werden können.

Da der gemäß dem zweiten Aspekt der Erfindung vorgesehene Stromsystemspannungs- und Blindleistungsregler eine Umlern- Beurteilungseinrichtung aufweist, mittels welcher die Regelung eines Stromsystems von dem Neuronalnetzwerk-Regler für die Spannung und die Blindleistung auf den Spannungs- und Blindleistungsregler umschaltbar ist und der für Lernzwecke vorgesehene Neuronalnetzwerk-Regler zum Regeln der Spannung und der Blindleistung sowie der ebenfalls für Lernzwecke vorgesehene Neuronalnetzwerk-Simulator zur Simulation des Stromsystems sowie zum Lernen neuer Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems und zum Abspeichern der Ergebgnisse des Lernvorgangs jeweils in dem Neuronalnetzwerk-Regler für Spannung und Blindleistung bzw. dem Neuronalnetzwerk-Simulator zur Simulation des Stromsystems in dem Fall, daß eine Abweichung zwischen den Beziehungen in den Eingangs- und Ausgangsinformationen des Neuronalnetzwerk-Simulators zum Simulieren des Stromsystems und den Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems festgestellt wird, bringt der Stromsystemspannungs- und Blindleistungsregler den Effekt mit sich, daß die Charakteristika des Neuronalnetzwerk-Reglers für Spannung und Blindleistung ohne Unterbrechung des Regelbetriebs des Stromsystems auch dann auf Werte eingeregelt werden können, die dem Optimum der Betriebskennwerte des Stromsystems entsprechen, wenn sich die Charakteristika des Stromsystems verändern.


Anspruch[de]
  1. 1. Spannungs- und Blindleistungsregler für ein Stromsystem auf der Basis neuronaler Netzwerke mit einem Regler für die Spannung und die Blindleistung, welcher ein neuronales Netzwerk umfaßt, das im voraus einen Lernvorgang vollständig durchläuft, der die Beziehungen des Netzwerks zwischen den Eingangs- und Ausgangsinformationen den Beziehungen zwischen den Eingangs- und Ausgangsinformationen eines herkömmlichen Spannungs- und Blindleistungsreglers anpaßt, sowie einen Neuronalnetzwerk-Simulator (5) zur Simulation des Stromsystems, welcher im voraus einen Lernvorgang vollständig durchläuft, der die Beziehungen des Neuronalnetzwerks zwischen den Eingangs- und Ausgangsinformationen den Beziehungen zwischen den Eingangs- und Ausgangsinformationen (Leistungsverdichter Sc) eines damit geregelten Stromsystems (1) anpaßt, wobei die Eingänge und Ausgänge des Neuronalnetzwerk- Reglers für die Spannung und die Blindleistung an die Eingänge und Ausgänge des Neuronalnetzwerk-Simulators (5) zur Simulation eines Stromsystems gekoppelt werden, und der Neuronalnetzwerk- Regler für die Spannung und die Blindleistung Ergebnisse aus einem Umlernprozeß zum Regeln des Stromsystems (1) verwendet, nachdem das Neuronalnetzwerk des Neuronalnetzwerk-Reglers für die Spannung und Blindleistung einen Umlernprozeß durchlaufen hat, um die Eingangsinformationen des Neuronalnetzwerk-Reglers für die Spannung und die Blindleistung den Ausgangsinformationen des Neuronalnetzwerk-Simulators (5) zur Simulation eines Stromsystems anzupassen, und wobei der Neuronalnetzwerk-Regler für die Spannung und die Blindleistung in der Lage ist, die Beziehungen zwischen den Eingangs- und Ausgangsinformationen bei anderen Stromsystemen (Sc) als seinem eigenen Stromsystem (Q1, Q2, V1, V2, P1, P2) anhand von Informationen über die Blindleistung (Q1) auf der Primärseite eines Transformators und der Beziehungen in den Eingangs- und Ausgangsinformationen (Leistungsverdichter Sc) seines eigenen Stromsystems während des Lernvorgangs abzuschätzen, den das neuronale Netzwerk in dem Neuronalnetzwerk-Simulator (5) zur Simulation eines Stromsystems durchläuft, um die Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems (1) zu erlernen.
  2. 2. Spannungs- und Blindleistungsregler für ein Stromsystem auf der Basis neuronaler Netzwerke und einem Regler für die Spannung und die Blindleistung, welcher ein neuronales Netzwerk umfaßt, das im voraus einen Lernvorgang vollständig durchläuft, der die Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Netzwerks den Beziehungen zwischen den Eingangs- und Ausgangsinformationen eines herkömmlichen Spannungs- und Blindleistungsreglers anpaßt, sowie einen Neuronalnetzwerk-Simulator (13) zur Simulation eines Stromsystems, welcher ein neuronales Netzwerk aufweist, das im voraus einen Lernvorgang vollständig durchläuft, der die Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Netzwerks den Beziehungen zwischen den Eingangs- und Ausgangsinformationen (Leistungsverdichter Sc) eines damit geregelten Stromsystems (1) anpaßt, wobei die Eingangs- und Ausgangsinformationen des Neuronalnetzwerk-Reglers für die Spannung und die Blindleistung an die Eingänge und Ausgänge des Neuronalnetzwerk-Simulators (13) zur Simulation eines Stromsystems gekoppelt werden, und der Neuronalnetzwerk-Regler für die Spannung und die Blindleistung Ergebnisse aus dem Umlernprozeß zum Regeln des Stromsystems (1) verwendet, nachdem das Netzwerk des Neuronalnetzwerk-Reglers einen Umlernprozeß durchlaufen hat, um die Eingangsinformationen des Neuronalnetzwerk-Reglers für die Spannung und die Blindleistung den Ausgangsinformationen des Neuronalnetzwerk-Simulators (13) zur Simulation eines Stromsystems anzupassen, und wobei der Spannungs- und Blindleistungsregler eine Umlern-Beurteilungseinrichtung (11) aufweist, mittels welcher die Regelung des Stromsystems (1) von dem Neuronalnetzwerk-Regler (VQC 4) für die Spannung und die Blindleistung auf den Spannungs- und Blindleistungsregler (3) umschaltbar ist; ferner einen Neuronalnetzwerk-Regler (VQC 12) zum Regeln der Spannung und der Blindleistung, welcher für Lernzwecke vorgesehen ist; und einen Neuronalnetzwerk-Simulator (13) zur Simulation des Stromsystems, der ebenfalls für Lernzwecke vorgesehen ist sowie zum Lernen neuer Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems (1) und zum Abspeichern der Ergebnisse des Lernvorgangs jeweils in dem Spannungs- und Blindleistungsregler (VQC 4) bzw. dem Neuronalnetzwerk-Simulator (13) zur Simulation des Stromsystems in dem Fall, daß eine Abweichung zwischen den Beziehungen in den Eingangs- und Ausgangsinformationen des Neuronalnetzwerk-Simulators (13) zum Simulieren des Stromsystems und den Beziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems (1) festgestellt wird.






IPC
A Täglicher Lebensbedarf
B Arbeitsverfahren; Transportieren
C Chemie; Hüttenwesen
D Textilien; Papier
E Bauwesen; Erdbohren; Bergbau
F Maschinenbau; Beleuchtung; Heizung; Waffen; Sprengen
G Physik
H Elektrotechnik

Anmelder
Datum

Patentrecherche

  Patente PDF

Copyright © 2008 Patent-De Alle Rechte vorbehalten. eMail: info@patent-de.com