Визначення місць пошкоджень на лініях електропередачі високої напруги з використанням штучних нейронних мереж

Размещено на http://www.allbest.ru/

Національна академія наук України

Інститут електродинаміки

УДК 621.316:681.3

Спеціальність 05.14.02 "Електричні станції, мережі і системи"

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Визначення місць пошкоджень на лініях електропередачі високої напруги з використанням штучних нейронних мереж

Блінов Ігор Вікторович

Київ - 2008

Дисертацією є рукопис.

Роботу виконано у відділі моделювання електроенергетичних об'єктів і систем Інституту електродинаміки НАН України, м. Київ.

Науковий керівник - доктор технічних наук, професор, академік НАН України Кириленко Олександр Васильович, завідувач відділу моделювання електроенергетичних об'єктів і систем Інституту електродинаміки НАН України.

Офіційні опоненти:

- доктор технічних наук, професор Яндульський Олександр Станіславович, декан факультету електроенергетики і автоматики Національного технічного університету України "КПІ";

- кандидат технічних наук, с.н.с. Борукаєв Зелімхан Харитонович, завідувач відділу Інформаційного забезпечення задач математичного та електронного моделювання Інституту проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України, м. Київ

Захист дисертації відбудеться " 17 " лютого 2009 р. об 11 годині на засіданні спеціалізованої вченої ради Д 26.187.03 в Інституті електродинаміки НАН України за адресою: 03680, Київ - 57, проспект Перемоги, 56, тел. 456-91-15.

З дисертацією можна ознайомитися в бібліотеці Інституту електродинаміки НАН України за вищевказаною адресою.

Автореферат розіслано " 12 " січня 2009 р.

Вчений секретар спеціалізованої вченої ради О.В. Бібік

Анотації

Блінов І.В. Визначення місць пошкоджень на лініях електропередачі високої напруги з використанням штучних нейронних мереж. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.14.02 - електричні станції, мережі і системи. - Інститут електродинаміки НАН України, Київ, 2009.

У дисертаційній роботі розв'язано актуальну науково-технічну задачу визначення місць пошкоджень (ВМП) на лініях електропередачі (ЛЕП) високої напруги при вимірюванні параметрів аварійного режиму (ПАР) з одного боку ЛЕП із застосуванням штучних нейронних мереж (ШНМ). Актуальність цієї задачі полягає в тому, що на точність засобів ВМП ЛЕП, які використовуються на практиці електроенергетичних систем, впливає як точність вимірювання ПАР, так і те, що з однієї чи з двох боків ЛЕП проводиться вимірювання (значення перехідного опору істотно впливає на точність ВМП ЛЕП, але не визначається при однобічному вимірюванні ПАР). Запропоновано та розроблено метод визначення виду КЗ на ЛЕП при вимірюванні ПАР з одного боку ЛЕП з використанням ансамблю імовірнісних нейронних мереж; удосконалено метод розв'язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП з використанням ШНМ шляхом функціонального поєднання багатошарових персептронів та імовірнісних нейронних мереж, встановлено вимоги до підготовки таких ШНМ. Практична реалізація запропонованих методів дає змогу гарантувати правильність визначення виду КЗ та підвищити точність визначення місця КЗ порівняно з існуючими методами ВМП ЛЕП.

Ключові слова: визначення місця пошкодження, коротке замикання, лінія електропередачі, штучні нейронні мережі.

Блинов И.В. Определение мест повреждений на линиях электропередачи высокого напряжения с использованием искусственных нейронных сетей. - Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.14.02 - электрические станции, сети и системы. - Институт электродинамики НАН Украины, Киев, 2009.

В диссертационной работе решена актуальная научно-техническая задача определения мест повреждений (ОМП) на линиях электропередачи (ЛЭП) высокого напряжения при измерении параметров аварийного режима (ПАР) с одной стороны ЛЭП с использованием искусственных нейронных сетей. Актуальность этой задачи состоит в том, что на точность ОМП ЛЭП, которые используются на практике электроэнергетических систем (речь идет о технических и программных средствах ОМП, которые основаны на измерении (регистрации) параметров аварийного режима (ПАР) с одной и двух сторон ЛЭП), влияет как точность измерения ПАР, так и то, что с одной или двух сторон ЛЭП осуществляется измерение (значение переходного сопротивления оказывает существенное влияние на точность ОМП ЛЭП, но не определяется при одностороннем измерении ПАР). Все это, а также стремление использовать всю доступную информацию как априорную, так и текущую делает актуальным разработку новых более точных методов решения задачи ОМП ЛЭП, которые способны к адаптации и обучению, например, методов с использованием элементов искусственного интеллекта, в частности, искусственных нейронных сетей (ИНС).

Анализ методов и средств решения задачи ОМП ЛЭП показал целесообразность использования ИНС, прежде всего, для решения задачи ОМП ЛЭП при измерении ПАР с одной стороны ЛЭП, поскольку задача ОМП ЛЭП при измерении ПАР с двух сторон ЛЭП решается достаточно эффективно многими методами, в том числе с использованием ИНС.

Учитывая особенности подготовки и использования ИНС различного типа, а также на основании экспериментальных исследований определены типы ИНС, которые целесообразно использовать для решения задачи ОМП ЛЭП, обоснован выбор ИНС для эффективного решения задачи определения вида и места КЗ на ЛЭП при измерении ПАР с одной стороны ЛЭП, впервые установлены требования к подготовке таких ИНС, определены программный инструментарий расчета аварийных режимов и токов КЗ в электроэнергетических системах для формирования выборок данных при обучении ИНС и инструментарий подготовки ИНС.

Разработан метод определения места КЗ на ЛЭП с применением многослойного персептрона, что позволило, в отличие от существующих методов решения задачи ОМП ЛЭП, обеспечить необходимую точность ОМП ЛЭП, учитывая как изменение переходного сопротивления в месте КЗ в диапазоне реально возможных значений, так и влияние погрешности измерения ПАР на точность определения места КЗ на ЛЭП. Результаты работы многослойного персептрона показали, что для изменения кратности (К_І) значения действующего тока КЗ по отношению к действующему значению доаварийного тока ЛЭП в диапазоне от 1,5 до 40 и изменению переходного сопротивления в диапазоне реально возможных значений для всех видов КЗ на ЛЭП высокого напряжения (220ч330 кВ) погрешность определения места КЗ находится на уровне 5 %, а для диапазона изменения значения переходного сопротивления от 0 до 30 Ом и К_І = 1,4ч40 - на уровне 1,5 %.

Впервые предложен метод определения вида КЗ на ЛЭП с использованием как одной вероятностной нейронной сети, так и ансамбля вероятностных нейронных сетей при получении ПАР с одной стороны ЛЭП, что в отличие от существующих методов определения вида КЗ с использованием ИНС позволило:

- в случае использования ансамбля вероятностных нейронных сетей гарантировать правильность определения вида КЗ на ЛЭП независимо от значения переходного сопротивления в месте КЗ и наличия гипотетических погрешностей при получении ПАР, в качестве которых используются действующие значения токов и напряжений фаз в режиме КЗ. При погрешностях измерения ПАР до 5 %, ансамбль вероятностных нейронных сетей практически безошибочно определяет вид любого КЗ на ЛЭП;

- в случае использования одной вероятностной нейронной сети определять вид КЗ на ЛЭП при получении в качестве ПАР, в отличие от ансамбля вероятностных нейронных сетей, только действующих значений токов КЗ, при этом правильность определения вида КЗ на ЛЭП обеспечивается при диапазоне изменения значения переходного сопротивления в месте КЗ от 0 до 30 Ом.

Разработан алгоритм автоматизации определения оптимальной архитектуры ИНС, которая используется для определения вида КЗ на ЛЭП, проверена работоспособность разработанного алгоритма.

Предложено функционально объединить вероятностные нейронные сети и многослойные персептроны в едином ансамбле ИНС для эффективного решения задачи комплексного ОМП ЛЭП при измерении ПАР с одной стороны ЛЭП.

Обоснованность научных положений, выводов и рекомендаций, приведенных в диссертационной работе, подтверждается анализом полученных результатов, сравнительными расчетами. Работоспособность предложенных методик и разработанных алгоритмов проверена на контрольных примерах с эталонными расчетными и реальными исходными данными.

Теоретические и практические результаты диссертационной работы использованы в учебном процессе электротехнического факультета Донецкого национального технического университета. Дальнейшее использование полученных результатов диссертационной работы предусмотрено путем их внедрения в опытную эксплуатацию ОАО "Донецкобленерго".

Ключевые слова: определение мест повреждений, линия электропередачи, короткое замыкания, искусственные нейронные сети.

Blinov I.V. Fault location in high voltage transmission lines using artificial neural networks. - Manuscript.

The dissertation for candidate degree on the specialty 05.14.02 - Electrical power plants, networks and systems. - Institute of Electrodynamics National Academy of Sciences of Ukraine, Kyiv, 2009.

This dissertation deals with the application of arti?cial neural networks (ANNs) to fault detection and location in high voltage (HV) transmission lines using terminal line data. During the last decade a number of fault location algorithms using two-terminal line data have been developed. However, two-terminal data are not widely available. From a practical viewpoint, it is desirable for equipment to use only one-terminal data. The single - end methods of fault location in HV transmission lines is subject to errors when the fault resistance is high and the line is fed from both ends, and when parallel circuits exist over only parts of the length of the faulty line. For fault classification and phase selection is proposed to use probabilistic neural network. Use of probabilistic neural network has allowed to correctly classification of high voltage transmission lines faults, even at strong distortion of the terminal line data and occurrence of fault resistance in a wide range. The technique of fault location in high voltage transmission lines using multi-layer perceptron is advanced. In comparison with existing methods, it has allowed to consider influence of fault resistance in wider range and also to consider influence of distortion of the terminal line data on accuracy of fault location. The proposed ANN's fault detector and locator were trained using various sets of data available from a selected power network model and simulating different fault scenarios and different power system data. The ANN's are best suited to the fault classification and location in high voltage transmission lines and give effective results.

Keywords: fault location, transmission lines, artificial neural networks, one-terminal data.

Загальна характеристика роботи

Актуальність теми. Вихід з роботи ліній електропередач (ЛЕП), як правило, призводить до знеструмлення споживачів та зниження надійності електропостачання. Тому однією з найважливіших є задача швидкого і точного визначення місця пошкодження (ВМП) ЛЕП, розв'язання якої дає значний економічний ефект, обумовлений скороченням перерв у електропостачанні, зменшенням транспортних витрат на обхід ЛЕП, мінімізацією загального часу організації ремонтно-відновлюваних робіт. Задача ВМП ЛЕП має особливе значення для об'єднаної електроенергетичної системи (ОЕС) України, зважаючи на фізичну та моральну застарілість електроенергетичного обладнання, зокрема і ЛЕП, та для проблеми, пов'язаної із запланованою паралельною роботою ОЕС України з електроенергетичним об'єднанням Західної Європи (UCTE). Передбачене "Енергетичною стратегією України на період до 2030 року" додаткове збільшення встановлених потужностей на атомних електростанціях та, як наслідок, можливе перевищення пропускної спроможності ЛЕП може призводити до збільшення випадків пошкодження ЛЕП. Сьогодні найбільше застосування в практиці електроенергетичних систем (ЕЕС) знайшли технічні й програмні засоби ВМП, що базуються на вимірюванні параметрів аварійного режиму (ПАР) з одного та двох боків ЛЕП. При цьому під ВМП найчастіше розуміється визначення виду та місця короткого замикання (КЗ) на ЛЕП. На точність ВМП ЛЕП впливає як точність вимірювання ПАР, так і те, що з одного чи двох боків ЛЕП проводиться вимірювання (значення перехідного опору суттєво впливає на точність ВМП ЛЕП, але не визначається при однобічному вимірюванні ПАР). Все це, а також прагнення використовувати всю доступну інформацію як апріорну, так і поточну, робить актуальним розробку нових більш точних методів розв'язання задачі ВМП ЛЕП, які здатні до адаптації та навчання, наприклад, методів з використанням елементів штучного інтелекту, зокрема, і штучних нейронних мереж (ШНМ).

Зв'язок роботи з науковими програмами, планами, темами. Теоретичні дослідження і практичні розробки за темою дисертаційної роботи здійснювалися в процесі виконання планів науково-дослідних робіт Інституту електродинаміки НАН України: шифр теми: "Діамант-2" (№ ДР 0107U002701), 2007 - 2011 рр., де здобувачем розроблено методики розв'язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП; шифр теми: "Ренесанс" (№ДР 0108U001112), 2008 - 2012 рр., де здобувачем виконано аналіз існуючих методів та вимог до засобів визначення місць пошкоджень ліній електричних мереж з метою швидкого відновлення електропостачання споживачів, знеструмлених у результаті аварії в електричних мережах; тема НДР: "Створення методів та засобів для зменшення часу недопостачання електричної енергії шляхом підвищення ефективності управління електричними мережами" (№ ДР 0105U008753), 2007 - 2009 рр., де здобувачем розв'язані задачі ідентифікації аварійної ситуації і пошуку місця КЗ на лініях електричних мереж.

Автор висловлює щиру подяку за надані консультації під час виконання дисертаційної роботи академіку НАН України Кириленку О.В., д.т.н., проф. Буткевичу О.Ф., пров. інж. Зозулі А.М., к.т.н., с.н.с. Павловському В.В., к.т.н., с.н.с. Рибіній О.Б., к.т.н., с.н.с. Крилову В.О., м.н.с. Парусу Є.В.

Мета і завдання дослідження. Метою дисертаційної роботи є розробка та перевірка працездатності нових методів визначення виду та місця КЗ на ЛЕП із застосуванням штучних нейронних мереж при використанні вимірювань параметрів аварійного режиму з одного боку ЛЕП, враховуючи як появу перехідного опору в місці КЗ, що може змінюватися у діапазоні реально можливих значень, так і гіпотетичне викривлення вхідної інформації.

Реалізація поставленої мети містить у собі розв'язання таких задач:

- розробку та перевірку працездатності методів та практичних методик розв'язання задачі визначення виду та місця КЗ на ЛЕП високої напруги при вимірюванні ПАР з одного боку ЛЕП з використанням ШНМ;

- обґрунтування вибору типів ШНМ, які можуть бути ефективно використані для розв'язання задачі ВМП ЛЕП високої напруги при вимірюванні ПАР з одного боку ЛЕП;

- визначення вимог до формування навчальних і тестових вибірок даних, а також вимог до налаштування ШНМ для забезпечення ефективної підготовки ШНМ при розв'язанні задачі ВМП ЛЕП;

- визначення програмного інструментарію розрахунків струмів КЗ та підготовки ШНМ, розробку відповідних моделей обраних ШНМ;

- розробку алгоритмів автоматизованого визначення оптимальної архітектури ШНМ, що використовуються для розв'язання задачі ВМП ЛЕП;

- розробку функціональної структури ансамблю ШНМ для розв'язання комплексної задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП.

Об'єкт дослідження - локальні об'єкти ЕЕС, зокрема ЛЕП високої напруги.

Предмет дослідження - методи та засоби розв'язання задачі визначення виду та місця КЗ на ЛЕП із застосуванням ШНМ при вимірюванні ПАР з одного боку ЛЕП.

Методи дослідження - методи теорії штучних нейронних мереж, які використовуються при виборі та підготовці ШНМ для розв'язання задачі ВМП ЛЕП, методи математичного моделювання для розрахунку аварійних режимів роботи ЛЕП, положення теоретичних основ релейного захисту, елементи теорії ланцюгів, методи планування і статистичних випробувань.

Наукова новизна одержаних результатів:

1. Вперше запропоновано метод визначення виду КЗ на ЛЕП з використанням як однієї імовірнісної нейронної мережі (ІНМ), так і ансамблю ІНМ при одержанні ПАР з одного боку ЛЕП, що на відміну від існуючих методів визначення виду КЗ з використанням ШНМ дозволило:

- у разі використання ансамблю ІНМ гарантувати правильність визначення виду КЗ на ЛЕП незалежно від значення перехідного опору в місці КЗ та наявності гіпотетичних похибок при одержанні ПАР, в якості яких використовуються діючі значення струмів та напруг фаз у режимі КЗ;

- у разі використання однієї ІНМ визначати вид КЗ на ЛЕП при одержанні в якості ПАР, на відміну від ансамблю ІНМ, тільки діючих значень струмів КЗ. При цьому правильність визначення виду КЗ забезпечується для ЛЕП при діапазоні зміни значення перехідного опору в місці КЗ від 0 до 30 Ом.

2. Удосконалено метод розв'язання задачі ВМП ЛЕП високої напруги при вимірюванні ПАР з одного боку ЛЕП з використанням штучних нейронних мереж шляхом функціонального поєднання багатошарових персептронів та імовірнісних штучних нейронних мереж в єдиному ансамблі ШНМ, що дозволило врахувати як зміну перехідного опору в місці КЗ у діапазоні реально можливих значень, так і вплив похибки вимірювання ПАР на точність ВМП ЛЕП. На відміну від існуючих методів розв'язання задачі ВМП ЛЕП, зазначене удосконалення забезпечило необхідну точність ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП.

3. Визначено типи ШНМ, які доцільно використовувати для розв'язання задачі ВМП ЛЕП, обґрунтовано вибір ШНМ для ефективного розв'язання задачі визначення виду та місця КЗ на ЛЕП при вимірюванні ПАР з одного боку ЛЕП, вперше встановлено вимоги до підготовки таких ШНМ.

Практичне значення одержаних результатів. Практична цінність результатів дисертаційної роботи полягає в наступному:

- на підставі отриманих теоретичних результатів у дисертаційній роботі розроблено практичні методики визначення виду й місця КЗ на ЛЕП високої напруги при вимірюванні ПАР з одного боку ЛЕП із застосуванням ШНМ, перевірено роботоздатність розроблених методик;

- розроблено функціональну структуру ансамблю ШНМ для розв'язання комплексної задачі ВМП ЛЕП з застосуванням ІНМ та багатошарових персептронів, що дало змогу врахувати вплив як перехідного опору в місці КЗ у діапазоні реально можливих значень, так і похибку вимірювання ПАР на точність ВМП ЛЕП з використанням ШНМ, підвищити ефективність підготовки обґрунтовано обраних ШНМ;

- визначено вимоги до створення моделей ЛЕП та підготовки даних для навчання та тестування ШНМ, обґрунтовано доцільність використання обраного спеціалізованого програмного інструментарію розрахунку аварійних режимів і струмів КЗ в ЕЕС;

- визначено типи ШНМ, які можуть бути ефективно використані для розв'язання задачі ВМП ЛЕП та програмний інструментарій для адаптації моделей обґрунтовано обраних ШНМ до умов задачі ВМП ЛЕП;

- розроблено алгоритм автоматизації визначення оптимальної архітектури ШНМ, використання якого зменшує час та підвищує ефективність підготовки ШНМ для розв'язання задачі ВМП ЛЕП, перевірено роботоздатність розробленого алгоритму;

- результати дисертаційної роботи впроваджено в навчальний процес електротехнічного факультету Донецького національного технічного університету. Подальше використання теоретичних і практичних результатів дисертаційної роботи передбачено шляхом впровадження запропонованих рішень у дослідну експлуатацію ВАТ "Донецькобленерго".

Особистий внесок здобувача. Наукові положення, що ввійшли до дисертаційної роботи, отримані автором самостійно. У роботах, опублікованих у співавторстві, здобувачеві належать наступні результати: у [3] - ідея та розробка алгоритму автоматичного визначення оптимальної архітектури імовірнісної нейронної мережі при визначенні виду КЗ на ЛЕП; у [4] - визначення основних етапів підготовки ШНМ для розв'язання задачі ВМП ЛЕП; у [5] - аналіз існуючих алгоритмів, що можуть бути ефективно використані для навчання багатошарового персептрону при розв'язанні задачі визначення місця КЗ на ЛЕП, експериментальна перевірка ефективності застосування окремих алгоритмів; у [6] - визначення оптимальних навчальних і тестових вибірок даних, а також параметрів налаштування ШНМ, вибір програмного інструментарію для підготовки ШНМ при розв'язанні задачі ВМП ЛЕП; у [7] - ідея використання ансамблю імовірнісних нейронних мереж для розв'язання задачі визначення виду КЗ на ЛЕП; у [8] - ідея та розробка методик підготовки ШНМ для розв'язання задач визначення виду та місця КЗ на ЛЕП; у [9] - експериментальна перевірка запропонованого методу уточнення місця однофазного КЗ на ЛЕП.

Апробація результатів дисертації. Основні результати за темою дисертаційної роботи доповідались і обговорювались на міжнародних та всеукраїнських конференціях, наукових та науково-технічних семінарах: Проблеми сучасної електротехніки ПСЕ-2006 (Київ, Україна, 2006 р.) та ПСЕ-2008 (Київ, Україна, 2008 р.), Силова електроніка і енергоефективність СЕЕ - 2007 (с.м.т. Малий маяк, Україна, 2007 р.) та СЕЕ - 2008 (с. Малий маяк, Україна, 2008 р.), Енергетичні ринки: Інформаційні технології й системи вимірювань - 2008 (с. Курортне, Україна, 2008 р.), Керування режимами роботи об'єктів електричних систем КРЕС-2008 (м. Донецьк, Україна, 2008 р.).

Публікації. За результатами дисертаційної роботи опубліковано 9 статей у фахових наукових виданнях, з них 4 статті у періодичних наукових журналах, 5 - у збірниках.

Структура та обсяг дисертаційної роботи. Дисертаційна робота складається з переліку умовних позначень, вступу, чотирьох розділів, загальних висновків, додатків, списку використаних джерел. Повний обсяг роботи становить 176 сторінок, у тому числі 134 сторінки основного тексту, 42 рисунки, 23 таблиці, список використаних джерел із 135 найменувань та 5 додатків.

Основний зміст роботи

У вступі обґрунтовано актуальність теми дисертаційної роботи, сформульовано мету та задачі дослідження, відображено основні результати проведених у роботі досліджень, наведено основні положення, що відображають наукову новизну та практичну значимість одержаних результатів, наведено дані стосовно апробації результатів дисертаційної роботи та їх публікації у друкованих наукових виданнях.

У першому розділі проведено аналіз робіт стосовно методів і засобів ВМП ЛЕП високої напруги, зокрема, з використанням ШНМ. Показано, що серед низькочастотних дистанційних методів ВМП ЛЕП, найбільш важливою за значенням є група методів з використанням вимірювань ПАР. Методи ВМП з використанням вимірювань ПАР з двох боків ЛЕП досить ефективно використовуються на практиці, при цьому більшість методів з використанням вимірювань ПАР з одного боку ЛЕП втрачають точність при наявності перехідного опору в місці КЗ (R_П) і чутливі до викривлення вхідної інформації, що приходить до засобів ВМП ЛЕП.

За роки, що минули з моменту створення перших засобів ВМП, багато вчених проводили дослідження у цій сфері. Значний внесок у розвиток засобів і методів ВМП зробили: Стогній Б. С., Крилов В.О., Оробець Ю.М., Сопель М.Ф. Розенкноп М.П, Айзенфельд А.І, Казанський В.Е, Шалит Г.М, Малий О.С., Лямець Ю.Я., Аржанников Є. А, Попов В.А., Якимець І.В, Іванов І. А., Чухін А. М, Борознец Б.В., Johns A.T., Kezunovic M., Maun J.C. та багато інших вітчизняних та зарубіжних учених.

Протягом останніх 15 років спостерігається істотне підвищення інтересу до використання різних методів штучного інтелекту для розв'язання цілої низки електроенергетичних задач. Невід'ємною частиною цього процесу є застосування ШНМ для розв'язання задачі ВМП ЛЕП. З огляду на такі особливості ШНМ, як їх здатність до навчання та високі апроксимаційні здібності, треба зазначити, що доцільним є використання ШНМ, перш за все, для розв'язання задачі ВМП ЛЕП за умов отримання ПАР з одного боку ЛЕП, оскільки задача ВМП ЛЕП при вимірюванні ПАР з двох боків ЛЕП вирішується досить ефективно багатьма методами, у тому числі з використанням ШНМ.

Визначені найбільш поширені типи ШНМ, що можуть буди ефективно використані для розв'язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП. До таких типів належать: ШНМ з прямим поширенням сигналу та зворотним поширенням похибки, ШНМ радіально-базисного типу та ШНМ Кохонена. Наведені переваги та недоліки ШНМ різного типу при їх використанні для розв'язання поставленої задачі. Розглянуті підходи до визначення ПАР, що використовуються при підготовці вибірок даних для навчання та тестування ШНМ. До таких ПАР у загальному випадку відносяться складові або комбінації струмів і напруг промислової частоти окремих фаз ЛЕП або їх послідовностей.

Проведений аналіз показав, що підвищенню ефективності розв'язання задачі ВМП ЛЕП сприяє використання "ансамблів" (сукупностей) різних типів ШНМ (АШНМ), в яких одні ШНМ використовуються для визначення виду, а інші - місця КЗ на ЛЕП. При такому "розподілі функцій" ШНМ можна гарантовано забезпечити (не залежно від значення R_П) як визначення виду КЗ, так і потрібну точність визначення місця КЗ на ЛЕП. Зазначений "розподіл функцій" ШНМ дає змогу підвищити ефективність підготовки самих ШНМ.

Більшість публікацій щодо використання ШНМ для розв'язання задачі ВМП ЛЕП переважно не висвітлюють питання підготовки ШНМ. Це стосується як повноти використання реально доступної інформації, так і можливостей розпізнавання аварійної ситуації за різних параметрів і режимів роботи ЛЕП різних класів напруги. Лишаються не розкритими питання підготовки навчальної вибірки даних щодо кількості даних та їх "розподілу" при навчанні ШНМ. Недостатньо розглядаються питання визначення оптимальної архітектури ШНМ. Не висуваються вимоги до моделі ЛЕП і програмного інструментарію, що використовується при підготовці даних для навчання й тестування ШНМ. З огляду на зазначені недоліки, необхідним є формування ряду вимог до побудови вибірок даних для навчання та тестування ШНМ, а також загальної їх підготовки для розв'язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП.

Результати аналізу та попередньо проведених досліджень показали доцільність застосування ШНМ для розв'язання задачі ВМП ЛЕП, оскільки це дає змогу враховувати зміну в широкому діапазоні значення R_П. Крім того, невисока чутливість ШНМ до викривлення вхідної інформації дає додаткову перевагу застосуванню ШНМ для розв'язання задачі ВМП ЛЕП.

У другому розділі наведено основні характеристики різних типів ШНМ, а також особливості їх вибору, підготовки та використання для розв'язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП.

Аналіз публікацій та проведені дослідження показали, що процес підготовки вибірок даних для навчання й тестування ШНМ має відбуватися з урахуванням наступних вимог. По-перше, дані в навчальній вибірці повинні бути розташовані "рівномірно", враховуючи особливості ШНМ як апроксиматорів, при цьому їхня "щільність" залежить від особливостей обраної ЛЕП і діапазону зміни ПАР. По-друге, кількість даних у навчальній вибірці не повинна призводити до ефекту "перенавчання" ШНМ (коли ШНМ не здатна розпізнавати значення, що не використовувались для її навчання). Особливість задачі ВМП ЛЕП не дозволяє підготувати належну навчальну вибірку, використовуючи тільки ретроспективну інформацію про режими КЗ на ЛЕП. Тому підготовка даних для навчання ШНМ вимагає попереднього створення адекватної моделі відповідної ЛЕП. Застосування засобів математичного моделювання необхідно для формування вибірок даних для підготовки ШНМ, які у загальному випадку повинні містити значення ПАР. При цьому зазначені ПАР повинні бути поставлені у відповідність до виду КЗ і відстані до місця КЗ на ЛЕП. Встановлено, що модель ЛЕП для розрахунків струмів і напруг у момент КЗ повинна враховувати велику кількість різних чинників. До таких чинників належать: параметри ЛЕП, зміна в широкому діапазоні R_П, різниця між векторами напруги вузлів приєднання ЛЕП, а також параметри режимів роботи ЛЕП, зокрема і ПАР.

Встановлено, що доцільно розділити задачу ВМП ЛЕП з використанням ШНМ на дві відносно самостійні задачі. До першої належить одержання за допомогою розрахунку аварійних режимів роботи ЛЕП значень ПАР, а до другої - використання отриманих ПАР при підготовці ШНМ для ВМП ЛЕП. Тому підготовку даних для навчання ШНМ було виконано за допомогою спеціалізованих програмних комплексів розрахунку аварійних режимів і струмів КЗ в ЕЕС, оскільки такий інструментарій дає змогу адекватно враховувати особливості ЛЕП при розрахунках аварійних режимів їх роботи.

Разом з тим важливу роль при розв'язанні задачі ВМП ЛЕП з використанням ШНМ відіграє попередня підготовка ШНМ, що потребує застосування програмного інструментарію для вибору, навчання, тестування та використання ШНМ. Результати досліджень свідчать, що при виборі та підготовці ШНМ для розв'язання задачі ВМП найбільш доцільно застосовувати універсальний програмний інструментарій підготовки ШНМ, який надає можливість редагування та модифікації ШНМ, об'єднання їх в ансамблі різного виду. Зазначений інструментарій підготовки ШНМ має забезпечувати можливість використання необхідних типів ШНМ, алгоритмів їх навчання та адаптації, дозволяти синтезувати коди підготовлених ШНМ з використанням алгоритмічної мови високого рівня. З урахуванням наведених вимог та на підставі аналізу відповідних програмних засобів встановлено, що достатньо обмежитись застосуванням програмного продукту Neural Network Toolbox, який забезпечує ефективну підготовку ШНМ.

Зважаючи на наведені особливості розв'язання задачі ВМП ЛЕП з використанням ШНМ, що потребує врахування багатьох різних чинників стосовно підготовки та використання ШНМ, під час виконання роботи визначені основні етапи розв'язання поставленої задачі. По-перше, підготовка загальної сукупності даних, яка розділяється на навчальні та тестові (контрольні) вибірки даних, що в загальному випадку повинні містити значення ПАР. По-друге, визначення типів ШНМ, що можуть бути ефективно застосовані для визначення виду та місця КЗ на ЛЕП, а також обґрунтований вибір алгоритму навчання, функцій активації нейронів, попередньої архітектури, до якої належить кількість шарів та нейронів у кожному шарі ШНМ. По-третє, проведення навчання ШНМ, враховуючи діапазон вхідних та вихідних значень активаційних функцій нейронів. По-четверте, проведення оцінки точності навчання та роботи ШНМ, використовуючи тестові (контрольні) вибірки даних. І зрештою, перевірка спроможності ШНМ до визначення виду чи місця КЗ на ЛЕП, використовуючи зафіксовані значення ПАР у режимі КЗ на ЛЕП, при необхідності (якщо точність не є задовільною) проведення коригування вибірок даних або архітектури ШНМ, проведення повторного навчання.

Проведений аналіз показав, що існуюче різноманіття типів ШНМ дає змогу використати певний стандартний тип ШНМ для розв'язання як задачі визначення виду, так і місця КЗ на ЛЕП. Проведені дослідження дозволили встановити, що при наявності вираженої локалізації даних у певних сферах простору (задача визначення виду КЗ) доцільно використовувати ШНМ радіально-базисного типу. Навпаки, при відсутності вираженої локалізації даних, а також в умовах відсутності достовірних відомостей про розподіл даних кращих результатів слід чекати від застосування багатошарових ШНМ з прямим поширенням сигналу та зворотним поширенням похибки.

З огляду на особливості підготовки та використання ШНМ різного типу, а також на підставі експериментальних досліджень встановлено, що для розв'язання задачі визначення виду КЗ на ЛЕП доцільно використовувати радіально-базисні ШНМ, зокрема імовірнісну нейронну мережу (ІНМ). З іншого боку, визначення місця КЗ на ЛЕП з використанням ШНМ вимагає розв'язання задачі апроксимації функції, яка ефективно розв'язується багатошаровим персептроном (БШП).

У третьому розділі розроблено метод розв'язання задачі визначення виду КЗ на ЛЕП з використанням ІНМ та перевірено його працездатність.

Встановлено доцільність використання ІНМ для визначення виду КЗ на ЛЕП при вимірюванні ПАР з одного боку ЛЕП. Така ШНМ належить до радіально-базисних ШНМ загального виду, але має деякі відмінності в архітектурі. Особливістю ІНМ є те, що вона досить швидко навчається (у порівнянні з іншими типами ШНМ) навіть при великих розмірах навчальної вибірки. Крім того, архітектура ІНМ уточнюється в процесі навчання, що є її перевагою у порівнянні з іншими типами ШНМ, оскільки зникає потреба вибору кількості шарів і нейронів у прихованому шарі ІНМ, що спрощує процес її підготовки для визначення виду КЗ на ЛЕП.

При виконанні експериментальної частини дисертаційної роботи для підготовки навчальних і тестових вибірок даних були використані апробовані програмні засоби розрахунку аварійних режимів ЕЕС. Значення R_П змінювалося в широкому діапазоні: 0ч75 Ом та 0ч150 Ом, а крок дискретизації по відстані до місця КЗ - у діапазоні від 1 до 5 км.

Параметром, що суттєво впливає на якість навчання й роботи ІНМ, є параметр згладжування активаційної функції нейронів (д) прихованого шару ІНМ. Вибір занадто малих значень д призводить до того, що ІНМ втрачає здатність до узагальнення, а при занадто великих відхиленнях ІНМ не буде враховувати особливості прикладів ПАР, що відповідають окремому виду КЗ у тестовій вибірці. Існуючі рекомендації з вибору величини такого параметра є досить загальними, тому параметр д зазвичай вибирається дослідним шляхом. Так, при визначенні виду КЗ на ЛЕП, його величина може теоретично знаходитися в широких межах, наприклад, 0,001ч10, хоча на практиці цей діапазон значно менший.

При зміні кількості елементів у навчальній вибірці необхідно переглядати значення параметра д, при цьому якість навчання може бути попередньо оцінено за допомогою представлення на вхід ІНМ всієї навчальної вибірки даних у якості тестової. Такий підхід дає змогу попередньо визначити якість навчання ІНМ, оскільки необхідною умовою правильної роботи ІНМ є, як мінімум, безпомилкове розпізнавання прикладів, що брали участь у її навчанні.

Треба зазначити, що при виборі оптимальної архітектури ІНМ спиратися тільки на величину помилки навчання недостатньо, тому що в цьому випадку не можна виявити виникнення "ефекту перенавчання" ІНМ, отже необхідним є порівняння поведінки декількох показників якості навчання та роботи ІНМ. Одним з таких показників якості навчання і роботи ІНМ при розпізнаванні виду КЗ на ЛЕП є помилка роботи ІНМ, що визначається при представленні на вхід навченої ІНМ даних з тестової вибірки. Якість роботи для ІНМ розраховується у відсотках правильно розпізнаних прикладів від загальної кількості поданих на вхід ІНМ прикладів ПАР з тестової вибірки. Висновок про оптимальну архітектуру ІНМ робиться на основі оцінювання помилок навчання й роботи ІНМ, які мають відповідати необхідному рівню, тобто в ідеальному випадку дорівнювати нулю.

Запропоновано та апробовано алгоритм автоматизації визначення оптимальної архітектури ІНМ, що використовується для розв'язанні задачі визначення виду КЗ на ЛЕП. Зазначений алгоритм базується на властивостях ІНМ і припускає можливість формування необхідних навчальних і тестових вибірок даних. Основною перевагою розробленого алгоритму є те, що в процесі визначення оптимальної архітектури ІНМ враховується як помилка навчання, так і помилка тестування, отже, розв'язується задача "пошуку компромісу" між помилкою навчання та роботи. У запропонованому алгоритмі проводиться адаптація параметрів ІНМ з метою зменшення помилки роботи ІНМ, що може досягатися як за допомогою зміни параметра д, так і при зміні розміру навчальної вибірки. Включено процедуру збільшення архітектури ІНМ.

Метод визначення виду КЗ на ЛЕП із застосуванням однієї ІНМ при вимірюванні ПАР з одного боку ЛЕП дає змогу визначати вид КЗ на ЛЕП при одержанні в якості ПАР тільки діючих значень струмів КЗ, при цьому правильність визначення виду КЗ забезпечується для ЛЕП при діапазоні зміни значення R_П від 0 до 30 Ом та значенні діючого струму КЗ (І_кз) відносно значення доаварійного струму ЛЕП (І_д.ав.) у діапазоні І_кз = (1,5ч15)·І_д.ав.

Для розширення можливого діапазону зміни R_П від 0 до 150 Ом та врахування наявності гіпотетичних похибок при отриманні ПАР запропоновано метод розв'язання задачі визначення виду КЗ на ЛЕП з використанням ансамблю ІНМ (АІНМ), до якого входять чотири ІНМ.

У запропонованому АІНМ перша ІНМ визначає характер КЗ, яке мало місце - одно -, дво - чи трифазне КЗ, при цьому така ІНМ не розрізняє - відбулося двофазне (К ^1,1) чи двофазне КЗ на землю (К ²), однак визначає пошкоджені фази. Перша ІНМ в якості ПАР використовує діючі значення струмів КЗ. Інші три ІНМ підготовлені для розпізнавання К ^1,1 і К ² для усіх випадків КЗ між фазами, використовуючи в якості ПАР діючі значення напруг фаз при КЗ на ЛЕП. Архитектура АІНМ, що застосовується для визначення виду КЗ на ЛЕП.

При дослідженні питань правильності визначення виду КЗ при використанні АІНМ встановлено, що застосування запропонованого методу при підготовці навчальної вибірки дає змогу збільшити крок дискретизації як по R_П, так і по відстані до місця КЗ при загальній, порівняно невеликій, кількості елементів навчальної вибірки. Це позитивно впливає на ефективність навчання ІНМ, не потребуючи збільшення часу на навчання ІНМ. У результаті завдяки використанню АІНМ було забезпечено безпомилкове визначення виду КЗ на ЛЕП для заданих діапазонів зміни R_П.

Таким чином, використання АІНМ для визначення виду КЗ на ЛЕП дає кращі результати у порівнянні з використанням тільки однієї ІНМ. На підставі аналізу результатів навчання й роботи ІНМ встановлено умови формування оптимальних навчальних і тестових вибірок даних, а також параметрів налаштування ІНМ.

Аналіз впливу похибки отримання ПАР на роботу ІНМ показав, що правильність визначення виду КЗ кожною з ІНМ, що входять до складу АІНМ, практично залишається незміною, навіть при досить сильному викривленні вхідних ПАР. Так, наприклад, при викривленні вхідної інформації на 10 %, помилка в роботі АІНМ виникає при розпізнаванні менш ніж у 0,5 % випадків, а при викривленні до 5 % АІНМ практично безпомилково визначає вид будь-якого КЗ на ЛЕП. Такі результати роботи АІНМ свідчать про переваги запропонованого методу визначення виду КЗ на ЛЕП в умовах наявності похибки отримання ПАР, що має місце як при вимірюваннях поточних значень ПАР, так і при підготовці розрахункових моделей ЛЕП для формування вибірок даних.

У четвертому розділі удосконалено метод визначення місця КЗ на ЛЕП з використанням багатошарового персептрону (БШП), розглянуто можливості функціонального поєднання БШП та АІНМ для забезпечення ефективного розв'язання задачі ВМП ЛЕП, перевірено роботоздатність методу. Для розв'язання задачі визначення місця КЗ на ЛЕП запропоновано та розроблено метод із використанням багатошарового персептрону (БШП), оскільки визначення місця КЗ на ЛЕП з використанням ШНМ вимагає вирішення задачі апроксимації функції, яка ефективно розв'язується БШП. Відмінність запропонованого методу від існуючих полягає в удосконаленні підготовки БШП з урахуванням похибки трансформаторів струму (ТС) та напруги (ТН), а також з урахуванням появи R_П, що може змінюватися в широкому діапазоні значень. Підготовку БШП для визначення місця КЗ слід виконувати окремо для кожного виду КЗ, який визначається з використанням ІНМ. Це дає змогу значно підвищити ефективність навчання БШП за рахунок того, що зменшується діапазон можливих рішень для БШП, спрощується процес визначення оптимальної архітектури та алгоритму навчання БШП. Запропоновано використовувати в якості ПАР діючі значення струмів і напруг кожної фази ЛЕП у режимі КЗ, оскільки в цьому випадку БШП краще навчається за рахунок більш "представницької" навчальної вибірки, у порівнянні з методами, що використовують аналіз форми струмів та напруг при КЗ.

У ході експериментально-дослідних робіт визначено оптимальні параметри навчання БШП та вимоги щодо підготовки відповідних навчальних і тестових вибірок даних. Аналіз показав доцільність використання алгоритму зворотного поширення похибки Левенберга-Маквардта.

Властиві алгоритму обмеження, такі як, наприклад, можливість його застосування для навчання БШП невеликого розміру з одним виходом, є цілком допустимими для розв'язання поставленої задачі. Проаналізовано та визначено функції активації нейронів БШП.

Результати досліджень показали, що при підготовці вибірок даних для навчання та тестування БШП, необхідно обирати крок дискретизації по R_П від 1,5 до 5 Ом, а крок дискретизації по відстані до місця КЗ у діапазоні від 3 до 10 км. Змінюючи ці показники, можна підготувати оптимальну вибірку даних для ЛЕП різної довжини та класу напруги. Для того щоб уникнути ефекту "перенавчання" БШП, необхідно встановлювати помилку навчання в діапазоні від 0,1 до 1 %. Оптимальна архітектура БШП визначається при порівнянні помилок роботи БШП (е) з різними архітектурами. Для урахування похибки ТС та ТН необхідно одночасно навчати БШП як на "точних" даних про ПАР, так і на викривлених. Оптимальна вибірка даних для навчання БШП також визначається шляхом порівняння помилок роботи БШП для різних навчальних вибірок. Тестова вибірка побічним чином бере участь у навчанні БШП, оскільки помилка роботи БШП може бути скоригована після тестування БШП. Тому необхідними є підготовка та використання контрольної вибірки.

Результати тестування БШП показали, що для зміни кратності (К_I) діючого струму КЗ (І_кз) по відношенню до І_д.ав ЛЕП у діапазоні К_I = 1,4ч40 та діапазоні зміни R_П = 0ч150 Ом для всіх видів КЗ на ЛЕП напругою 330 кВ середня відносна похибка роботи БШП у відсотках (Е) з урахуванням похибки ТС та ТН знаходиться на рівні 5 % (в окремих випадках при умовах КЗ на ЛЕП, що сильно відрізняються від середньостатистичних, похибка може сягати 10 %). Показана похибка роботи БШП для різних діапазонів зміни значення R_П та К_I (К_I1=1,4ч10, К_I2=1,4ч20, К_I3=1,4ч30, К_I4=1,4ч40). Для діапазону зміни R_П від 0ч30 Ом (найбільш імовірний діапазон зміни R_П) похибка визначення місця КЗ на ЛЕП з використанням БШП знаходиться на рівні 0,8 %, при цьому максимальна похибка не перевищує 3 % для всіх видів КЗ при діапазоні зміни кратності струму К_І = 1,4ч10. Випадки невірно визначених видів КЗ, а також максимальні відхилення при визначенні місця КЗ на ЛЕП стосуються переважно значень ПАР, що виходять за межі навчання ШНМ. Тому навчання ШНМ потрібно проводити із застосуванням максимально можливого діапазону ПАР для ЛЕП, що розглядається.

Ефективне розв'язання задачі комплексного ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП вимагає одночасного застосування сукупності наведених типів ШНМ. Тому в роботі запропоновано функціонально поєднати ІНМ та БШП в єдиному ансамблі ШНМ для ефективного розв'язання комплексної задачі ВМП ЛЕП. У такому ансамблі чотири ІНМ використовуються для визначення виду КЗ на ЛЕП та вибору відповідного БШП, який в свою чергу визначає місце КЗ на ЛЕП для відомого виду КЗ. аварійний електропередача нейронний персептрон

Практична реалізація запропонованих методів визначення виду та місця КЗ на ЛЕП високої напруги при вимірюванні ПАР з одного боку ЛЕП дала змогу (за рахунок властивостей ШНМ) гарантувати правильність визначення виду КЗ на ЛЕП та підвищити точність визначення місця КЗ, враховуючи як зміну перехідного опору у діапазоні реально можливих значень, так і вплив похибок при одержанні ПАР на ефективність роботи засобів ВМП з використанням ШНМ.

Висновки

У дисертаційній роботі розв'язано актуальну науково-технічну задачу визначення місць пошкоджень на лініях електропередачі високої напруги з використанням штучних нейронних мереж при вимірюванні параметрів аварійного режиму з одного боку лінії електропередачі, отримано наступні основні наукові та практичні результати:

1. Аналіз методів та засобів розв'язання задачі ВМП ЛЕП показав доцільність використання ШНМ, перш за все, для розв'язання задачі ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП (у цьому випадку на точність ВМП ЛЕП суттєво впливає значення перехідного опору, яке не визначається і може змінюватися у широкому діапазоні), оскільки задача ВМП ЛЕП при вимірюванні ПАР з двох боків ЛЕП вирішується досить ефективно багатьма методами, у тому числі з застосуванням ШНМ.

2. З огляду на особливості підготовки та використання ШНМ різного типу, а також на підставі експериментальних досліджень визначено типи ШНМ, які доцільно використовувати для розв'язання задачі ВМП ЛЕП, обґрунтовано вибір ШНМ для ефективного розв'язання задачі визначення виду та місця КЗ на ЛЕП при вимірюванні ПАР з одного боку ЛЕП, вперше встановлено вимоги до підготовки таких ШНМ, визначено програмний інструментарій розрахунку аварійних режимів і струмів КЗ в ЕЕС для формування вибірок даних при навчанні ШНМ та програмний інструментарій підготовки ШНМ.

3. Розроблено метод визначення місця КЗ на ЛЕП із застосуванням багатошарового персептрону, що дало змогу, на відміну від існуючих методів розв'язання задачі ВМП ЛЕП, забезпечити необхідну точність ВМП ЛЕП, враховуючи як зміну перехідного опору в місці КЗ у діапазоні реально можливих значень, так і вплив похибки вимірювання ПАР на точність визначення місця КЗ на ЛЕП. Результати роботи багатошарового персептрону показали, що для зміни кратності (К_І) значення діючого струму КЗ по відношенню до діючого значення доаварійного струму ЛЕП у діапазоні від 1,5 до 40 та зміні перехідного опору в діапазоні реально можливих значень для всіх видів КЗ на ЛЕП високої напруги (220ч330 кВ) похибка визначення місця КЗ знаходиться на рівні 5 %, а для діапазону зміни значення перехідного опору від 0 до 30 Ом і К_І = 1,4ч40 похибка визначення місця КЗ знаходиться на рівні 1,5 %.

4. Вперше запропоновано метод визначення виду КЗ на ЛЕП з використанням як однієї імовірнісної нейронної мережі, так і ансамблю імовірнісних нейронних мереж при одержанні ПАР з одного боку ЛЕП, що, на відміну від існуючих методів визначення виду КЗ з використанням ШНМ дало змогу:

- у разі використання ансамблю імовірнісних нейронних мереж гарантувати правильність визначення виду КЗ на ЛЕП незалежно від значення перехідного опору в місці КЗ та наявності гіпотетичних похибок при одержанні ПАР, в якості яких використовуються діючі значення струмів та напруг фаз у режимі КЗ. При похибках вимірювання ПАР до 5 %, ансамбль імовірнісних нейронних мереж практично безпомилково визначає вид будь-якого КЗ на ЛЕП;

- у разі використання однієї імовірнісної нейронної мережі визначати вид КЗ на ЛЕП при одержанні в якості ПАР, на відміну від ансамблю імовірнісних нейронних мереж, тільки діючих значень струмів КЗ, при цьому правильність визначення виду КЗ на ЛЕП забезпечується при діапазоні зміни значення перехідного опору в місці КЗ від 0 до 30 Ом.

5. Розроблено алгоритм автоматизації визначення оптимальної архітектури ШНМ, яка використовується для визначення виду КЗ на ЛЕП, перевірена працездатність розробленого алгоритму.

6. Визначено програмний інструментарій розрахунків струмів КЗ для формування вибірок даних для навчання та тестування ШНМ, а також програмний інструментарій підготовки ШНМ, розроблено відповідні моделі обґрунтовано обраних ШНМ.

7. Запропоновано функціонально поєднати імовірнісні нейронні мережі та багатошарові персептрони в єдиному ансамблі ШНМ для ефективного розв'язання задачі комплексного ВМП ЛЕП при вимірюванні ПАР з одного боку ЛЕП.

8. Теоретичні й практичні результати дисертаційної роботи використано в навчальному процесі електротехнічного факультету Донецького національного технічного університету. Подальше використання отриманих результатів у дисертаційній роботі передбачено шляхом впровадження запропонованих рішень у дослідну експлуатацію ВАТ "Донецькобленерго".

Основні публікації за темою дисертації

1. Блінов І.В. Визначення місця КЗ на ЛЕП з використанням багатошарового персептрону/ І.В. Блінов // Вісник НУ "Львівська політехніка". - 2007. - № 597. - С. 48 - 52.

2. Блинов И.В. Определение вида короткого замыкания на ЛЭП на основе искусственных нейронных сетей / И.В. Блинов // Техн. електродинаміка.- 2007. - Ч.5. - С. 49 - 52. (Тем. вип.: Силова електроніка та енергоефективність).

3. Блинов И.В. Определение оптимальной архитектуры искусственной нейронной сети для решения задачи определения вида КЗ на ЛЭП / И.В. Блинов, А.М. Зозуля // Техн. електродинаміка. - 2008. - Ч. 5. - С. 4 - 42. (Тем. вип.: Проблеми сучасної електротехніки).

4. Блинов И.В. Особенности решения задачи определения вида и места короткого замыкания на ЛЭП с использованием искусственных нейронных сетей / И.В. Блинов, А.М. Зозуля // Наук. праці ДонНТУ. - 2007. - Вип. 7 (128). - С. 238 - 241. (Серія: Електротехніка і енергетика).

5. Блинов И.В. Выбор алгоритма обучения искусственной нейронной сети для задачи определения места КЗ на ЛЭП / И.В. Блинов, Л.Н. Лукьяненко // Праці ІЕД НАНУ. - Вип. 18. - С. 42 - 46.

6. Буткевич О.Ф. Підготовка штучних нейронних мереж для визначення характеру та місця пошкодження ліній електропередачі / О.Ф. Буткевич, І.В. Блинов // Праці ІЕД НАНУ. - 2008. - Вип. 20 - С. 29.

7. Кириленко А.В. Определение мест повреждений на линиях электропередачи с использованием искусственных нейронных сетей. Определение вида короткого замыкания / А.В. Кириленко, А.Ф. Буткевич, И.В. Блинов // Техн. електродинаміка. - 2008. - Ч.2. - С. 76 - 79. (Тем. вип.: Силова електроніка та енергоефективність).

8. Кириленко О.В. Визначення місць пошкоджень на лініях електропередачі з використанням штучних нейронних мереж / О.В. Кириленко, І.В. Блінов // Наук. праці ДонНТУ. - 2008. - вип.8(140). - С. 9 - 12. (Серія: "Електротехніка і енергетика").

9. Павловский В.В. К вопросу уточнения определения места короткого замыкания на ЛЭП / В.В. Павловский, И.В. Блинов // Праці ІЕД НАНУ. - 2008. - Вип.19. - С. 34 - 36.