外文翻译原文 (2)

编号：

毕业设计外文翻译

（译文）

院 （系）： 机电工程学院 专 业： 机械设计制造及其自动化 学生姓名： 学 号：

指导教师单位： 机电工程学院 姓 名： 职 称：

题目类型：理论研究 实验研究 工程设计 工程技术研究 软件开发

2013年3月18日

桂林电子科技大学毕业设计（论文）报告用纸 第 1 页 共 17 页

调试人工神经网络来区分励磁涌流和内部故障

摘要--经过调试的前馈神经网络（FFNN）区分电力变压器励磁涌流和故障电流。所用

的调试算法是反向传播，假定最初的S型传递函数为网络处理单元（“神经元”）。那么网络进行训练单位的传递函数改为硬限幅器的阈值等于在调试中的S形偏差。本文展示一个FFNN可被视为一种替代方法，使数字继电器在浪涌和故障电流之间实现判别。

关键词： 浪涌电流，变压器保护，数字式继电器，神经网络。 1、简介

任何电源变压器保护方案，都要考虑到励磁涌流的影响，因为这种效应可能导致继电器的误操作 [1]。避免由于浪涌电流跳闸两个经典的方法是：1）实施保护装置中的延迟， 2）根据所测量的电流的谐波含量,抑制或阻断继电器动作。第一个解决方案已被用于初级过电流保护和在差分格式中。然而，这是不理想的，因为延迟内部故障跳闸时间存在潜在危险。第二个解决方案是基于浪涌电流的第二次高次谐波分量明显地大于典型的故障电流[2]，在此基础上检测到第二（有时第五次）谐波，提出并实现了模拟和数字两种差动继电器，并取得良好的效果[3,4,5,6,7]。在最近的论文[8]报道，在某些情况下，高次谐波产生变压器的内部故障期间，如果测得的过电流是一个浪涌或内部故障，那么所述的第二或第五谐波检测是不充分的指标。

该论文中，在提出的方法的基础上使用一个主相电压作为控制信号。也有隐式励磁涌流的变压器保护方法[9,10]和提出其他一些有效的方法检测浪涌[11,12]。

本文中所描述的是在检测方法的基础上确认其波形，更确切地说，在鉴别其波浪形是故障波形还是浪涌电流。可以以不同的方式来完成这种调试，最常用的方法之一，使用信号的谐波分析，而有些则是基于使用神经网络。这里阐述的是在演示实验中，一个前馈神经网络作为一种替代方法，用来区分浪涌电力变压器中的磁化电流和内部故障的网络和它的调试过程中。适于在数字式保护继电器实现该目标。

2、网络的特点

2.1 概述

一个前馈神经网络的一般结构在图1中示出。这个网络的最重要的特征是：1）用层的分组处理单元。

桂林电子科技大学毕业设计（论文）报告用纸 第 2 页 共 17 页

图1 一般的FFNN架构

2）处理器互连isorganized的所有输入到一个层来专门在之前的一些层（所使用的特定FFNN没有跳过层的连接）的输出。基本方程定义这种FFNN方式计算其输出给定的输入向量列于附录1。 FFNN调试过程包括确定的权重W（“）和单位的施力B（M），以便在给定的方式，使网络响应。在这项工作中所使用的调试方法是众所周知的反向传播算法[13，14,15,16]。使用反向传播的调试过程中，附录2给出了一个基本的描述和定义的调试矩阵。 2.2 输入 - 输出

使用的FFNN执行部分被约束在当前分类问题中，也有一部分是由现有的数字继电器系统组成。以下标准在此基础上，可以说：1）数字继电器基于其操作的样品测得的量（电流，在这种情况下）。采样率和数据窗口的变化取决于这种应用。对于这种特殊情况，使用一个周期的长度窗口，似乎是合乎逻辑的，因为NN能识别到它的波形。

图2.1 PERMISSIVE的涌流检测

桂林电子科技大学毕业设计（论文）报告用纸 第 3 页 共 17 页

图2.2 抑制涌流检测操作

图2 使用两种可能的实现的浪涌检测功能的保护继电器的简化框图

2）如在图2中所示，识别浪涌的功能是附件，即，假定它具有不同功能的数字继电器，来实现电源变压器的保护（例如，初级过流或差分原理），浪涌检测可以被用作用于中继的许可操作，或抑制继电器动作。这样的组合的方式是独立的，这两个函数（浪涌检测和保护），可能会使用相同的采样率。每个周期12个样本（720赫兹），被选为样本，在不同的数字继电器设计的采样率。

3）事实上上述界限的问题作为设计FFNN之一，给定的变压器电流的样本的序列，它可以区分两个波形问题。一个好的方法允许有一个确定的网络，如果输入电流是或不是一个浪涌，这意味着神经网络的输出端的数目（在输出层中的单位数）NN必须是1，必要的指示“真”，“假”或“1”，“0”，如在3.2节中。在这种情况下，它被选择网络的输出为0时，所施加的电流是一个的浪涌电流，输出为1时，它不是一个浪涌。 2.3 基本架构

图3中所示的功能块用于实现上节中所述的目标。这种网络有时也被称为时间延迟神经网络[16]，最近已在另一个电力系统中应用[18]。前馈网络也应用到高阻抗故障检测，成效显著[19,20]。注意，图3中给出的方案是相当于图1的方案，如果输入xk是kth等于输入x（t）的样本，换言之，网络将接收每个窗口中的12个样品的每一个采样周期，而且必须是这12个样本（即一个周期），这意味着必须确定为12的输入的数量。在4.1节中描述的方法是层（完全定义在这一点上，是唯一的层，输出层）的数目和在每一层上的单元的数目是由启发式过程确定的。

桂林电子科技大学毕业设计（论文）报告用纸 第 4 页 共 17 页

图3 延时网络

3、培养策略研究

3.1 调试实例

由于网络上有区分两种信号，为此目的准备了两套例子：励磁涌流情况下和故障情况下。

浪涌情况下，在实验室中，50 VA，120~240V，对网络进行调试，采取随机的小功率变压器通电，得到可允许范围内的浪涌电流的形状（6例采样速率为浪涌信号，测得周期每60赫兹的最初84个样本，然后重新取样（7倍的速率），以获得所需一个周期的12个样本。图4示出的一些调试浪涌信号。

故障的情况下，由计算机生成的，其中一些使用电磁瞬态程序[23]，其他的故障的信号由简单的故障信号（一个RL电路的响应），第三组故障类似第二，第三和第五次谐波组成。

桂林电子科技大学毕业设计（论文）报告用纸 第 5 页 共 17 页

图4 四个浪涌实例

浪涌由两种特殊情况下的零电流（指示变压器断电）和负载电流（与变压器的负载电流等于一个简单的正弦波）组合在一起。对于每一个情况下，在每个周期的12个样品采样信号（与窗口长度等于一个周期）和样品的总量是有限的，有大约100个窗口（即每个情形下，1.67秒）。 3.2 数据窗口和培训矩阵

网络进行调试，当产生一个0的输出时，所提出的信号是一个的浪涌电流，一个零电流或满负载条件下用这样的方式构建的调试矩阵;其他情况下1输出（作者不否定该方法可以用来做所有的保护功能，这将需要更多的研究来证明这一点）。

载体PJ建立在以下的情况下，这些向量的定义（见附录2）。假设信号的第一个特征是由序列：

ii1,i2,ik,i112 （1）

这意味着，一个序列有112个样本。第一矢量p 1的元素对应于第12个样品的i，矢量的p2的条目是来自i2到I13的12个样品，等等，直到完成第100列的矩阵P的例子中定义EQN。 （A-11）和（A-13）。重复同样的过程，每个信号，直到具有936列（实施例中，定义的数目）的示例矩阵。这个矩阵，使得构建的第一600例子是对应于浪涌的例子（所需输出= O），和其他336例子对应于故障（所需输出=1）。由于FFNN只有一个输出，矩阵D成为水平的936个元素的向量， 600条目是“0”，其他336均为1。在实践中，使用的是0.1的目标性，这意味着调试产生的反应为0.9或更大，0.1或更少代表其他类的网络。这是必要的，因为非线性的偏差函数的性质是这样的，它不能假设0.0或1.0的精确值

桂林电子科技大学毕业设计（论文）报告用纸 第 6 页 共 17 页

3.3 训练过程

调试矩阵P和D的定义，反向传播算法就应用于问题中。 MATLAB神经网络工具箱是应用于[24]此目的的。Trainbp功能是采用Sigmoid函数和学习率在0.01和0.1之间可变。容许误差（总和的时代中的平方误差）为0.1，它是必要的，目前在200和60万次之间，这取决于网络的大小（单位的数目）和学习速率的训练矩阵。

4、提高网络

4.1 网络测试和修剪

正如在第2.2节中提到的，它是希望将网络应用在数字继电器实现。这意味着速度和精度之间的折衷。正如众所周知的，FFNN分类时间（所需的时间，以产生一个输出，给出一个输入）依赖于在网络中的单元的数目，所以它是非常重要的，具有最低的单位数，但在不危及的质量的情况下分类。图5示出了用于此目的的架构的测试。

图5 测试架构

训练过程中，第一次尝试，如在图5a所示的一个3层的（2 - 隐藏），12+2+1 FFNN。另一组实施例（用于训练比设定的不同），这给了成功测试的结果。其结果为了达到这

桂林电子科技大学毕业设计（论文）报告用纸 第 7 页 共 17 页

个网络的误差范围，只有约200时代是必要的，鼓励作者尝试更小的网络。事实上，在修剪网络的过程中，图5所示，调试硬件架构，直到出现不允许的结果为2 - 层（1隐藏），4+1 FFNN图5f。从不允许的结果看，作者的认为，通过停止训练来达到降低错误的目的几乎是不可能的。 4.2 硬限幅器单元

一旦网络与s形单元调试得到了良好的效果（见图6a），那么单位转换函数改为硬限幅器（见附录1）。这种变化提高了神经网络的计算速度，因为它比S形单元（见方程（A-6）和（A-7））需要更少的计算时间来实现硬限幅器（单位阶跃）。事实上，一个硬限制器是相当于一个IF语句。在这变化中存在隐性风险，在某些情况下的近似S形的单元阶跃可能产生不允许的错误。通过硬限幅器，得到一个单元的输出，通过比较单元的输入：

(m)(m)hwikxkk1Lm （2）

得到本机的偏置量b。

5、结果

图6和图7显示的结果后得到的与合理的测试的例子（即实施例中是不同的从用于调试的测试网络，但具有相同的形式）。

图6 不同的测试结果.

两个测试矩阵（类似于矩阵P）的形成：在矩阵的结束时，只有涌流情况下，含有励磁涌流的实例和用于训练的故障实例加上人工创造的浪涌信号是不同的，。这最后一

桂林电子科技大学毕业设计（论文）报告用纸 第 8 页 共 17 页

组的例子可以被认为是恶意的，因为错误的例子是一组从一个类似于励磁涌流波形获得的例子混合，它是由一个数学方程构成的。

事实上，励磁涌流为6 + 2 + 1网络的分类的正确率为100%，故障和人工涌流的例子97.1%是正确的，励磁涌流的例子为6 + 1网络的分类正确率99.6%，对于故障和人工涌流实例94.6%是正确的。这个百分比是通过实例计算实例（每个样品的测量时间），这并不意味着网络出现故障。使用该算法，如果继电器的误操作，可避免继电器立即输出，采用积分器交替，浪涌检测。该方案已经应用在模拟和数字继电器，以确保正确的操作。

表1显示了一些与网络相关的重要的数据，如图5所示。网络被归类为好或差的性能（性能好意味着网络可以对错误的目标和测试作充分回应）。从表中的说明，该网络具有良好的性能，最小的单元数是2层6+1图5e中所示的网络。这意味着，，考虑的偏差固定（可以被预先加载在系统的存储器中），一个数字继电器执行（12样本每个周期），将具有能够78的标量乘法，71和7比较，以便识别的浪涌电流（IF语句）。因此，继电器应该能够执行所有这些操作和保护功能在一个周期的十二分之一内，也就是1.4毫秒。这对于以现代微处理器为基础的系统是合理的。

图7 不同条件下的测试结果

桂林电子科技大学毕业设计（论文）报告用纸 第 9 页 共 17 页

6、讨论

6.1 质量泛化

质量泛化是任何神经网络应用中的关键点。在这种情况下出现信号的问题。浪涌实施例中，训练和测试实施例中，这两个套方法测定变压器是相同种类的。这可能会产生不确定的结果，是不切实际的，因为它带有浪涌上测量的特定的变压器，其中该网络是将要施加的例子对网络进行调试。然而，如前所述，网络响应时，人为制造的浪涌信号了，实验表明神经网络推广了基于励磁涌流的形状，超过对变压器的设计。作为一个初步的调试不需要如此特殊，在这里提出用具有相似特征的励磁涌流的继电保护变压器调试神经网络的变压器的方法。

应该指出的是表示外部故障的事件中得到的差动电流的信号，当一个电流互感器的饱和后，就不使用。这样的例子可以包含在“非浪涌”的情况下，因为没有理由不能调试网络。作者们认为，在这种情况下的电流波形接近浪涌情况下的。

由于没有考虑相邻变压器通电的影响，但是没有理由说，网络训练来不考虑这种效果。当然，这意味着在实例集的增加，会影响调整的时间。这个问题和其他细节，如果采用变采样率，需要提供一个成熟的算法。 6.2 时间的考虑

所提出的方法识别励磁涌流的必要的时间会比保护算法本身（例如在一个数字微分lrelay计算电流的大小基于全周期傅里叶算法）长。这可能是神经网络方法的一个薄弱环节，但随着现代微处理器的速度，它不是一个大问题。速度更快的硬件，使得算法的数字继电器的设计更加注重安全方面，而不是最小化的算法步骤数。在最终的实际应用，运行时间将由硬件确定（输出电路，和其他组成部分）。

桂林电子科技大学毕业设计（论文）报告用纸 第 10 页 共 17 页

6.3 物理意义的权重

一个基于实验调试的神经网络系统的设计有关的问题是网络参数的物理意义的缺乏（权重和偏差）。神经网络的研究似乎是一个很好的例子。作者试图找到一个关系，FFNN参数和数字滤波器系数的方程之间的相似性。（2）数字滤波方程。方程作为等式的数字滤波器的频率响应。（2）已经（或继续）研究但没有模式已被发现。

7、结论

实验已经表明，一个前馈神经网络可以用来区分在电力变压器的励磁涌流和故障电流。可以使用s形的调试神经网络，然后执行硬限幅器单元提高网络的计算速度

在实际应用中所提出的方法是依赖于以下内容：

1。概括：涌流和故障实例的质量必须具有代表性，继电器将被安装的变压器和系统。

2。微处理器系统的速度，用于实现继电器。

尽管目前的神经网络来实现一些保护继电器的功能是可能的应用研究的问题，这项工作充分体现了神经网络的应用中，可以考虑。今后的工作将有助于找到物理意义的权重和适用性的方法。

致谢

作者要感谢他们的部分资金支持，LASPAU FUNDAYACU - CHO，玻利瓦尔大学和施韦泽工程实验室。也感谢理查德·贝克博士对他的帮助下在电源的浪涌测量实验室，和软件公司Toolworks的提供了一个早期版本的MATLAB神经网络工具箱。

附录1

本附录的主要目的是作为一个指南文件中使用的符号和术语。参照图1，输入到一个给定的单位，在层被定义为[15,16]：

hi(m)wiXm （A-1）

T(m)(m)wikxkk1Lm

其中

X(m)X1X2XLm(m)(m)(m) （A-2）

T(m)X(m)是矢量，其元素xk是输入单位m层，即，输入矢量m层，

桂林电子科技大学毕业设计（论文）报告用纸 第 11 页 共 17 页

wi(m)wi1wi2wiLm(m)(m)(m)T （A-3）

(m)W是矢量，其元素代Wik表与输入为xk的连接权重从单元i到层m，Lm是该层的

输入的数目，和上标表示矩阵或向量换位

(m)(m)W矢量w可被组合在一个单一的矩阵

i如下所示：

W(m)W(m)1(m)W２(m)W３　　　　　　(m)WLmTTTT

（A-４）

单元i的输出的第m层上被定义为：

（m）vfi(hibi) （A-5） i其中，f()是一个非线性函数，bi是单位偏差。根据不同的应用，此功能可采取不同的形式。在这项工作中，只有两个这种形式使用，S形函数，其定义为：

f(hb)11e(hb)/2 （A-6）

和硬限幅器功能（单位阶跃，或Heaviside函数）ustep：

f(hb)ustep(hb) （A-7）

见图（A-1）这两个函数的图形描述。

桂林电子科技大学毕业设计（论文）报告用纸 第 12 页 共 17 页

图A-1 硬限幅器的功能

这些方程可以被分组在一个矩阵方程如下：

V(m)f(W(m)X(m)b(m)) （A-8）

其中

X(m1)V(m) （A-9）

(m)(1)(0)VXVX网络的输入。 矢量是m层单元的输出。在本文中，

f()是一个非线性矢量的功能，与在eqns中定义的元素。 （A-6）和（A-7）;

b(m)b1b2bLm(m)(m)(m) （A-10）

T它是一个矢量，它包含m层单位的偏差。

因此，一个M-1层妮输入FFNN具有式（A-8）在m= M的评估，即，存在一个输出矢量V(M)和各自输入矢量x的输出。

附录2

基本上，反向传播由一组实施例Pj（j1,2,....,ne）的演示，和所需的输出dj。对于每个j更新的权重和偏差，根据一个规则（反向传播[13，14,15，161），这是最小的平方距离之间的预测值与所期望的产出。实施例和所需的输出可以被分组在两个矩阵，P和D（调试矩阵），如下所示：

PPPn1　P2　　e （A-11）

桂林电子科技大学毕业设计（论文）报告用纸 第 13 页 共 17 页

Dd1　d2　　dne （A-12）

或者，在扩展符号

P１1　P１2　　P１neP２1　P２2　　P２neP　　　　　　　　　　　　　　　　　　　　　　　　Pni1　Pni2　　Pnine d１1　d１2　　d１ned　　d２1　d２2２neD　　　　　　　　　　　　　　　　　　　　　　　　d　ni1dni2　　dnine其中，是输入，输出和实施例中，分别的数目。

A-13）

（A-14）

（ 桂林电子科技大学毕业设计（论文）报告用纸 第 14 页 共 17 页

参考文献：

[1] IEEE Std. ~37.91-1985. IEEE Guide f o r Protective Relay Applications to Power Transformers.

[2] Sonnemann, W. K., Wagner, C. L., Rockefeller, G. D., \"Magnetizing Inrush Phenomena in Transformer Banks,\" AIEETransactions, Vol. rr, part. 111, pp 884-892. 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., “ Harmonic-Current-Restrained Relays for Transformer Differential Protection,” AIEE Transactions, Vol. 60, 1941, pp. 377-382.

[6] Sharp, R. L., Glassburn, W. E., “A Transformer Differential Relay with Second Harmonic Restraint,” AIEE Transactions ,Vol. 77, Dec. 1958, pp. 913-918.

[7] Phadke, A. and Thorp, J. Computer Relaying for Power Systems, John Wiley & Sons, NY, 1988.

[8] Liu, P., Malik, 0. P., Chen, D., Hope, G. and Guo, Y. “Improved Operation of Differential Protection of Power Transformers for Internal Faults”. IEEE PES Winter Meeting, NY, Jan. 1992. Paper No 92WM206-3 PWRD.

[9] Phadke, A. and Thorp J. “A New Computer Based, Flux Restrained, Current Differential Relay for Power Transformer Protection,” IEEE Transactions in Power Apparatus and Systems ,Vol. PAS-102, NO 11, NOV. 1983, pp 3624-3629.

[lo] Schweitzer, E.O., Larson, R.R. and Flechsig A.J. “An Efficient Inrush Detection Algorithm for Digital Computer Relay Protection of Transformers,” IEEE PES Summer Meeting, Mexico City, Paper No 77 510-1, July 1977.

[ll] Sidhu T. S. and Sachdev M. S. “On Line Identificationof Magnetizing Inrush and Internal Faults in Three-phase Transformers” IEEE PES Winter Meeting, NY, Jan. 1992. Paper No 92WM205- 5PWRD.

[12] Sidhu, T. S., Sachdev, M., Wood, H. C., Nagpal, M., “Design, Implementation and Testing of a Microprocessor Based High-speed Relay for Detecting Transformer Winding Faults,” IEEE Transactions on Power Delivery, Vol. 7, NO 1, Jan. 1992, pp. 108-1 17.

[13] Rumelhart, D.E., Hinton, G.E., and Williams, R., “Learning Internal Representations by Error Propagation”, in D. Rumelhart and J. McClelland (Eds.), Parallel DistTibuted Processing, (pp. 318-362). Cambridge, MA: MIT Press, 1986.

[14] Werbos, P. J., Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences, Doctoral Dissertation, Applied Math, Harvard University, Nov. 1974.

[15] Widrow, B., Lehr, M. A., “30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation,” Proceedings of the IEEE, Vol. 78, NO. 9, Sept. 1990, pp. 1415-1442.

[16] Hertz, J., Krogh, A., Palmer, R., Introduction to the Theory of Neural Computation, Addison-Wesley, 1991.

[17] Sachdev, M. S. (Co-ordinator), “Microprocessor Relays and Protection Systems,” IEEE Tutorial Course Text, Publication No. 88EH0269-1-PWR, 1988.

[18] Mori, H., Itou, K., Uematsu, H., Tsuzuki, S. “An Artificial Neural-Net 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 Multi-Layer

桂林电子科技大学毕业设计（论文）报告用纸 第 15 页 共 17 页 Perceptron”. IEEE PES Winter Meeting, NY, Jan, 1992. Paper No 92 WM 207-1 PWRD.

[21] Stigant, S. A. and Franklin, A. C. The J @ P Transformer Book. John Wiley & Sons, NY, 1973.

[22] Becia, W. W.PC METER: A Data Acquisition €4 Control System for the Power System Laboratory, M. SC. Thesis, Washington State University, 1992.

[23] Wall, R. W., PC-EMTP 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

作者简介

Luis G. P&ez (M)生于1957年，帕斯夸谷，委内瑞拉。1979年从玻利瓦尔大学获工程师学位，1982年从委内瑞拉中央大学获得硕士学位。1983年参与玻利瓦尔大学的能量转换和传递系实验，此后在这里终身工作。1986年和1989年之间，担任主席。佩雷斯先生主要研究电力系统保护、高压变电站的设计研究领域，自1983年以来，先后在委内瑞拉参加了有关这些领域的1979多个项目。1991年1月取得华盛顿州立大学电子工程和计算机科学学院的博士学位。

Alfred J. Flechsig (SM)生于1935年，塔科马，华盛顿，1959年在于华盛顿州立大学电气工程系工作。在1957年和1959年分别获得了华盛顿州立大学的学士和和硕士学位，在1970年他获得路易斯安那州立大学电子工程博士学位。他的兴趣主要是电力系统的教学与研究。他的研究包括房屋系统，电力系统，继电保护，节能住宅和太阳能热优化分析。他是一名注册专业工程师，担任华盛顿州和路易斯安那州和华盛顿州立大学电子工程与计算机科学学院教授。

Jack L. Meador (M)在1956年10月出生在得克萨斯州阿马里洛，在1979年，1981年，1987年分别获得华盛顿州立大学电子工程学士，硕士和博士学位。而他作为一个计算机系统的经理和一个独立的顾问工作。他目前是华盛顿州立大学电子工程与计算机科学学院助理教授，他从事神经网络和VLSI设计的研究。目前，他的researchinterestsinclude脉冲编码的神经网络理论与实施和神经网络应用到混合signalintegrated电路测试。他是IEEE电路与系统学会神经系统和应用程序的技术委员会的现任主席，也是国际神经网络学会和ACM的成员。

Zoran ObradoviC (M)在1985年获得了信息与计算机科学学院的应用数学理学学士，于1987年获得数学与计算机科学学士学位，，1991年获得Pennsylvania State大学计算机科学学士学位。他是Boris Kidric研究所“的系统程序员，1984年至1986年，是贝尔格莱德的塞尔维亚科学和艺术学院的研究的科学家。目前，他是华盛顿州立大学电子工程与计算机科学学院助理教授。他的研究兴趣包括神经网络，并行处理，机器学习，模式识别，算法设计与分析。

桂林电子科技大学毕业设计（论文）报告用纸 第 16 页 共 17 页

讨论

M.A.Rahman, B.Jayasurya（纽芬兰省纪念大学，圣约翰，NF，加拿大）：首先祝贺作者，在变压器中使用前馈神经网络来区分浪涌电流和故障电流。我们有一些对本文提出的意见和问题。

1在故障情况下得到了变压器通电的浪涌，的例子是通过模拟获得的。故障信号的频谱分析是有益的，目前尚不清楚是否有显着的谐波分量。

2作者认为在获得调试数据的情况下，实验室变压器故障，应用故障，可以用合适的变压器作后备保护？权重和偏差的值的可能会是不同的的，如果从试验变压器中同时获得的浪涌和故障的所有的调试样例。

3正如作者所指出的，计算要求的FFNN实现数据是非常大的，即使是单相变压器。这是能够实现在一个单一的数字信号处理板〔A〕，由于权重的范围广泛，三相变压器的主要保护功能是非常显著的，所以提出的方法，需要一个用于精确的数学协处理器，采样间隔计算。

4 FFNN（图5e）的建议的体系结构需要一个数据窗口的周期的一半。如果输入到网络中的一些基本信号样本和一些故障的信号样本，在故障发生的瞬间，或随后内部故障的突入的情况下，可以依赖于神经网络？

我们赞扬作者提出的首次应用人工神经网络的数字式继电器。

参考；[A] I.Hermanto, Y.V.V.S.Murty, M.A.Rahman, \"A Stand-Alone Digital Protective Relay for Power

Transformers\

L. G. PQrez, A. J. Flechsig, J. L. Meador, 2. Obradovid (School of Electrical Engineering and Computer Science, W. S. U., Pullman, WA)

作者感谢读者对本文兴趣并提出宝贵意见。这些意见将写在他们讨论中。 1在故障实例的基础上采用计算机模拟的故障实例的瞬时值进行适当缩减，使用获得的浪涌变压器单元库做例子。在某些情况下，得到一个简单的RL电路的响应，二次谐波分量的故障实例40%。这样做是有意向的训练网络，这是能够区分故障电流具有很高的二次谐波分量和励磁涌流。

2读者是正确的，他们说结果的权重和偏差，他们能得到的故障调试的例子是不同的。然而我们认为这是可能，我们认为这个初步的结果的计算机模拟故障的例子足以说明，该方法工作是安全。我们相信，在一个实际的实施培训必须使用相结合的实地测量和计算机生成的故障实例。

3在这一点上，我们与读者意见一样。然而，我们预计，随着硬件DSP应用目前的发展速度和准确性，完整的变压器保护可以成功的实现要求，包括浪涌检测。

4图5所示,所有架构测试一个周期的数据窗口和十二个样品窗口的采样率。这只有包含处理单元（神经元）显示层（对应于输入层没有在图5所示）。如图1所示，小缺圆代表处理单元。一个更完整的表示，如图1图5E网络所示。

桂林电子科技大学毕业设计（论文）报告用纸 第 17 页 共 17 页

Figure C-1. Detailed scheme of the network shown in Figure 5e

Manuscript received March 29, 1993