DE4323432A1 - Lernalgorithmus für neuronale Netzwerke sowie damit arbeitender Stromsystemspannungs- und Blindleistungsregler - Google Patents
Lernalgorithmus für neuronale Netzwerke sowie damit arbeitender Stromsystemspannungs- und BlindleistungsreglerInfo
- Publication number
- DE4323432A1 DE4323432A1 DE4323432A DE4323432A DE4323432A1 DE 4323432 A1 DE4323432 A1 DE 4323432A1 DE 4323432 A DE4323432 A DE 4323432A DE 4323432 A DE4323432 A DE 4323432A DE 4323432 A1 DE4323432 A1 DE 4323432A1
- Authority
- DE
- Germany
- Prior art keywords
- neural network
- voltage
- input
- output information
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Description
Die Erfindung bezieht sich auf einen Lernalgorithmus für ein
neuronales Netzwerk, und insbesondere auf einen Lernalgorith
mus, mit dem das neuronale Netzwerk u. a. zum schnellen Lernen
der Beziehungen zwischen den Eingangs- und Ausgangsinforma
tionen eines Stromsystems arbeitet, sowie auf einen Stromsy
stemspannungs- und Blindleistungsregler, der unter Verwendung
des Lernalgorithmus ein Regelobjekt in optimaler Weise re
gelt, dessen Merkmale schwierig zu identifizieren sind.
Die Ablaufdiagramme in Fig. 1(a) und 1(b) veranschaulichen
den Ablauf von Lernalgorithmen, die bei einem herkömmlichen
Netzwerk eingesetzt werden, wie es beispielsweise in einem
Aufsatz von R.J. Williams u. a. mit dem Titel "A Learning Al
gorithm for Continually Running Fully Recurrent Neural Net
works" beschrieben ist, erschienen in "Neural Computation",
Bd. 1, Nr. 2, 1989.
Nachfolgend wird der Ablauf des Lernalgorithmus beschrieben.
Wie Fig. 1(a) zeigt beginnt der Lernalgorithmus mit dem
Schritt ST1, bei dem als von dem neuronalen Netzwerk für be
stimmte Eingangsinformationen zu erzeugende Ausgangsinforma
tionen dk(t) als Sollwerte dk(t) gesetzt werden, wobei diese
Eingangsinformationen dem neuronalen Netzwerk zugeführt wer
den 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 Unter
schiede zwischen den Sollwerten dk(t) und den Ist-Ausgangs
werten yk(t), die von dem neuronalen Netzwerk 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 Qua
dratwerte 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 zu vergleichen, der im voraus gesetzt wurde. Wird in
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 vorgege
bene Wert ε ist, so wird zu den Schritten ST5 und ST6 weiter
geschaltet, um die Gewichtungen der Verbindungen zwischen den
neuronalen Elementen i (bzw. den Verbindungskoeffizienten
wÿ) zwischen den neuronalen Elementen i und den Eingängen j)
entsprechend der nachstehenden Gleichung (2) zu verändern:
wÿ (t) = Wÿ (t) + Δwÿ (t) (2)
wobei Δwÿ (t) zeitabhängige Korrekturgrößen für die Verbin
dungskoeffizienten wÿ sind. Die zeitabhängigen Korrekturgrö
ßen Δwÿ (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 Ele mente ist,
Pk ÿ eine durch Gleichung (4) ausgedrückte Hilfs funktion ist, die zur Vereinfachung der Glei chungen herangezogen wird,
Zk die den neuronalen Elementen zugeführten Ein gangsinformationen repräsentiert, und
Sk eine Summe der gewichteten Eingangsinforma tionen ist.
f eine Übertragungsfunktion der neuronalen Ele mente ist,
Pk ÿ eine durch Gleichung (4) ausgedrückte Hilfs funktion ist, die zur Vereinfachung der Glei chungen herangezogen wird,
Zk die den neuronalen Elementen zugeführten Ein gangsinformationen repräsentiert, und
Sk eine Summe der gewichteten Eingangsinforma tionen ist.
Die Gewichtungen der Verbindungen werden so modifiziert, daß
der Wert der Bewertungsfunktion J(t) kleiner als der vorgege
bene Wert ε wird.
Anschließend erfolgt die Rückkehr zum Schritt ST2 und der Be
rechnungsschritt ST3, der Vergleichsschritt ST4 und die Ver
änderungsschritte ST5 und ST6 werden nochmals durchlaufen.
Diese Schleife wird so oft wiederholt, bis der Wert der Be
wertungsfunktion 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. Mit dem Be
zugszeichen 1 ist in dieser Figur ein zu regelndes Stromsy
stem angegeben. Das Bezugszeichen 2 gibt einen Neuronalsy
stem-Simulator an, der auch als Neuronalnetzwerk-Stromsystem
simulator bezeichnet wird. Bei dem Neuronalsystem-Simulator 2
handelt es sich um ein neuronales Netzwerk, daß 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 ein Spannungs-
und Blindleistungsregler an, welcher die Aufwärts- und Ab
wärtsbewegungen eines Abgriffs regelt, den ein Transformator
mit Stufenschalter 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 Neuronalnetz
werk-System zur Spannungs- und Blindleistungsregelung an,
d. h. ein neuronales Netzwerk, das im voraus einen ersten
Lernschritt vollständig so durchlaufen hat, daß die Beziehun
gen in seinen Eingangs- und Ausgangswerten denen des VQ-Reg
lers 3 angepaßt sind. Das Neuronalnetzwerk-System 4 ist auch
als Neuronalnetzwerk-Regler zur Spannungs- und Blindlei
stungsregelung 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 Ein
gänge und Ausgänge des Neuronalnetzwerk-Systems 4 entspre
chend 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 Eingän
gen des Neuronalnetzwerk-Systems 4 angepaßt werden.
Nachfolgend wird nun das Arbeitsprinzip des Stromsystemspan
nungs- 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 Ausgän
gen denen des Stromsystems 1 und des neuronalen Netzwerks des
Neuro-VQC-Systems 4 in der Weise angepaßt sind, daß die Be
ziehungen 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 Neuro-VQC-System 4 so aufgebaut, daß ihre Charakteri
stika denen des Stromsystems 1 bzw. des VQ-Reglers 3 äquiva
lent sind.
Die Eingangs- und Ausgangsinformationen des Stromsystems 1,
z. B. die Position des Abgriffs in der Vertikalen und Informa
tionen 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 an
deren Standorten befinden, wobei diese Daten u. a. über ver
drahtete Verbindungskabel oder dergleichen übermittelt wer
den.
Anschließend wird 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 ange
wiesen, 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 Lern
schritt ab, wobei das Neuronalnetzwerk-System 4 das Stromsy
stem 1 regelt.
Der Lernalgorithmus des herkömmlichen neuronalen Netzwerks
wird in der vorstehend erläuterten Weise ausgeführt. Dement
sprechend können sich bei einem Lernprozeß, bei dem dynami
sche 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 Verbin
dungen zwischen neuronalen Elementen verändern, wenn nur Ab
weichungen zwischen den Ausgangswerten des neuronalen Netz
werks 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 Durch
laufen eines ersten Lernschritts die Eingangs- und Ausgangs
informationen von Stromanlagen, die sich an anderen Standor
ten 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 wenige zu nennen.
Der Erfindung liegt angesichts der vorstehenden Ausführungen
die Aufgabe zugrunde, einen Lernalgorithmus für ein neurona
les Netzwerk zu entwickeln, mit dem es möglich ist, den Lern
vorgang auch dann rasch vollständig zu durchlaufen, wenn sich
Sollwerte abrupt verändern. Des weiteren soll erfindungsgemäß
ein Stromsystemspannungs- und Blindleistungsregler geschaffen
werden, mit dem sich für Lernzwecke Eingangs- und Ausgangsin
formationen von andernorts installierten Stromanlagen auch
ohne Verlegung von Kabeln oder dergleichen erhalten lassen.
Eine weitere Aufgabe der Erfindung besteht darin, einen
Stromsystemspannungs- und Blindleistungsregler zu schaffen,
der die Charakteristika eines darin vorgesehenen Neuronal
netzwerk-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 Stromsy
stems verändern.
Entsprechend einem ersten erfindungsgemäßen Aspekt werden
diese Teilaufgaben mit einem Lernalgorithmus für ein neurona
les Netzwerk dadurch gelöst, daß Abweichungen zwischen den
Ausgangsinformationen des neuronalen Netzwerks und den Soll
werten als erstes festgestellt werden, wenn die Eingangsin
formationen dem neuronalen Netzwerk zugeführt werden, daß an
schließend eine Summe aus den Quadratwerten der Abweichungen
und den Quadratwerten der Veränderungen der Abweichungen be
rechnet wird, und daß die Gewichtungen der Verbindungen zwi
schen neuronalen Elementen des neuronalen Netzwerks in der
Richtung verändert werden, daß die Summe nur dann vermindert
wird, wenn festgestellt wird, daß sie größer als ein vorgege
bener Wert ist.
Gemäß einem zweiten erfindungsgemäßen Aspekt ist ein Lernal
gorithmus für ein neuronales Netzwerk vorgesehen, bei welchem
Abweichungen zwischen den Ausgangsinformationen des neurona
len Netzwerks und den Sollwerten als erstes festgestellt wer
den, wenn die Eingangsinformationen dem neuronalen Netzwerk
zugeführt werden, anschließend eine Summe aus den Quadratwer
ten der Abweichungen berechnet wird, und abschließend die Ge
wichtungen der Verbindungen zwischen neuronalen Elementen
des neuronalen Netzwerks in der Richtung verändert werden,
daß beispielsweise unter Einsatz einer Suchtechnik erster
Ordnung die Summe nur dann vermindert wird, wenn festgestellt
wird, daß sie größer als ein vorgegebener Wert ist.
Entsprechend dem dritten erfindungsgemäßen Aspekt ist ein
Stromsystemspannungs- und Blindleistungsregler vorgesehen,
bei welchem ein Neuronalnetzwerk-Regler für die Spannung und
die Blindleistung vorgesehen ist, bei welchem ein Neuronal
netzwerk-Simulator zur Simulation eines Stromsystems ein neu
ronales Netzwerk aufweist, das im voraus einen Lernvorgang
zum Lernen der Beziehungen zwischen den Eingangs- und Aus
gangsinformationen anderer Stromsysteme als dem eigenen an
hand 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.
Gemäß dem vierten Aspekt der Erfindung ist ein Stromsystem
spannungs- und Blindleistungsregler vorgesehen, der eine Um
lern-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; ferner einen Neuronal
netzwerk-Regler zum Regeln der Spannung und der Blindlei
stung, welcher für Lernzwecke vorgesehen ist; und einen Neu
ronalnetzwerk-Simulator zur Simulation des Stromsystems, der
ebenfalls für Lernzwecke vorgesehen ist sowie zum Lernen neu
er Beziehungen zwischen den Eingangs- und Ausgangsinformatio
nen des Stromsystems und zum Abspeichern der Ergebnisse des
Lernvorgangs jeweils in dem Spannungs- und Blindleistungsreg
ler 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 Ausgangsinfor
mationen des Stromsystems festgestellt wird.
Da, wie vorstehend ausgeführt, bei dem entsprechend dem er
sten erfindungsgemäßen Aspekt vorgesehenen Lernalgorithmus
Abweichungen zwischen den Ausgangswerten des neuronalen Netz
werks und den Sollwerten als erstes festgestellt werden, an
schließend eine Summe aus den Quadratwerten der Abweichungen
und den Quadratwerten der Veränderungen der Abweichungen be
rechnet wird, woraufhin Gewichtungen der Verbindungen zwi
schen neuronalen Elementen des neuronalen Netzwerks abschlie
ßend in der Richtung verändert werden, daß die Summe nur dann
vermindert wird, wenn festgestellt wird, daß diese Summe grö
ßer als ein vorgegebener Wert ist, so läßt sich die Anzahl
der iterativen Schritte, die bei dem Lernprozeß erforderlich
sind, verringern.
Da außerdem bei dem entsprechend dem zweiten erfindungsgemä
ßen Aspekt vorgesehenen Lernalgorithmus für ein neuronales
Netzwerk Abweichungen zwischen den Ausgangsinformationen des
neuronalen Netzwerks und den Sollwerten als erstes festge
stellt werden, anschließend eine Summe aus den Quadratwerten
der Abweichungen berechnet wird, und abschließend die Gewich
tungen der Verbindungen zwischen neuronalen Elementen des
neuronalen Netzwerks in der Richtung verändert werden, dar
unter Einsatz einer Suchtechnik erster Ordnung die Summe nur
dann vermindert wird, wenn festgestellt wird, daß sie größer
als ein vorgegebener Wert ist, so lädt sich die Anzahl der
iterativen Schritte, die bei dem Lernprozeß erforderlich
sind, verringern.
Da außerdem bei dem gemäß dem dritten erfindungsgemäßen As
pekt vorgesehenen Stromsystemspannungs- und Blindleistungs
regler das Neuronalnetzwerk des Neuronalnetzwerk-Simulators
zur Simulation eines Stromsystems im Rahmen eines Vorgangs,
bei dem die Beziehungen zwischen den Eingangs- und Ausgangs
informationen von Stromsystemen erlernt werden, im voraus ei
nen Lernvorgang zum Lernen der Beziehungen zwischen den Ein
gangs- und Ausgangsinformationen anderer Stromsysteme als dem
eigenen anhand geschätzter Daten auf der Grundlage der Blind
leistung auf der Primärseite eines Transformators sowie zum
Lernen der Beziehungen zwischen den Eingangs- und Ausgangsin
formationen des eigenen Stromsystems durchläuft, ist es nicht
erforderlich Kabel zu verlegen oder ähnliche Maßnahmen zu
treffen.
Da des weiteren der gemäß dem vierten erfindungsgemäßen As
pekt vorgesehene Stromsystemspannungs- und Blindleistungsreg
ler eine Umlern-Beurteilungseinrichtung aufweist, mittels
welcher die Regelung des Stromsystems von dem Neuronalnetz
werk-Regler für die Spannung und die Blindleistung auf den
Spannungs- und Blindleistungsregler umschaltbar ist und bei
welchem der für Lernzwecke vorgesehene Neuronalnetzwerk-Reg
ler zum Regeln der Spannung und der Blindleistung und der
ebenfalls für Lernzwecke vorgesehene Neuronalnetzwerk-Simula
tor zur Simulation des Stromsystems beide neue Beziehungen
zwischen den Eingangs- und Ausgangsinformationen des Stromsy
stems lernen und die Ergebnisse des Lernvorgangs jeweils in
dem Neuronalnetzwerkspannungs- und Blindleistungsregler bzw.
dem Neuronalnetzwerk-Simulator zur Simulation des Stromsy
stems 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 Ausgangsinfor
mationen 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 Cha
rakteristika des Stromsystems optimal sind, wenn sich die
Charakteristika des Stromsystems verändern.
Diese und weitere Aufgaben und erfindungsgemäßen Merkmale der
vorliegenden Erfindung ergeben sich deutlicher aus der nach
folgenden ausführlichen Beschreibung unter Bezugnahme auf die
beigefügte Zeichnung, wobei jedoch ausdrücklich betont wird,
daß diese Zeichnungen nur rein illustrativen Zwecken dienen
und keinerlei einschränkende Definition des Umfangs der vor
liegenden Erfindung darstellen. Dabei zeigen:
Fig. 1(a) ein Ablaufdiagramm eines Lernalgorithmus, wie er
bei einem herkömmlichen neuronalen Netzwerk einge
setzt 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 Blindlei
stungsreglers;
Fig. 3 eine typische Auslegung eines Neurosystem-Simula
tors 2 und eines Neuro-VQC-Systems 4 in einem
zweiten Lernschritt;
Fig. 4 eine schematische Darstellung zur Veranschauli
chung des Prinzips eines Betriebsalgorithmus eines
Spannungs- und Blindleistungsreglers;
Fig. 5(a) ein Ablaufdiagramm eines Lernalgorithmus, der bei
einem neuronalen Netzwerk eingesetzt wird, das in
einem Ausführungsbeispiel gemäß einem ersten er
findungsgemäßen Aspekt vorgesehen ist;
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 Veranschauli
chung des Prinzips einer Bewertungsfunktion;
Fig. 7 ein Ablaufdiagramm eines Lernalgorithmus, wie er
zur Veränderung der Gewichtung der Verbindungen
zwischen neuronalen Elementen eingesetzt wird, die
in einem neuronalen Netzwerk verwendet werden, das
in einem Ausführungsbeispiel gemäß einem zweiten
erfindungsgemäßen Aspekt vorgesehen ist;
Fig. 8 eine schematische Darstellung zur Veranschauli
chung des Prinzips des Verfahrens mit dem steil
sten Absinken und der einer Technik des optimalen
Gradienten;
Fig. 9 eine schematisierte Darstellung der Auslegung ei
nes eines Stromsystemspannungs- und Blindlei
stungsreglers gemäß einem dritten erfindungsgemä
ßen Aspekt;
Fig. 10 eine typische Konfigurierung eines Neurosystem-Si
mulators 5 und eines Neuro-VQC-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 installier
ten Stromanlage;
Fig. 13 eine Graphik zur Erläuterung des Prozesses der Ab
schätzung einer Abgriffsbetätigung, die von einem
an anderer Stelle installierten Stromsystem ausge
führt wird;
Fig. 14 eine Schemazeichnung zur Darstellung der Auslegung
eines gemäß einem vierten Aspekt der Erfindung
vorgesehenen Stromsystemspannungs- und Blindlei
stungsreglers;
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 Verände
rungen in den Charakteristika des Systems; und
Fig. 19 eine schematische Planzeichnung der Auslegung ei
nes neuronalen Netzwerks von dem Typus, der als
neuronales Kettenschaltungsnetz bekannt ist.
Im folgenden werden nun bevorzugte Ausführungsbeispiele der
Erfindung anhand der beiliegenden Zeichnung im einzelnen be
schrieben. Um unnötige Wiederholungen zu vermeiden, entfällt
hier die Beschreibung der üblichen Systembestandteile.
Unter Bezugnahme auf die beiliegenden Schemazeichnungen wird
nachfolgend nun ein erstes Ausführungsbeispiel der Erfindung
beschrieben.
Fig. 5(a) zeigt das Ablaufdiagramm eines Lernalgorithmus, wie
er bei einem neuronalen Netzwerk eingesetzt wird, das in ei
nem Ausführungsbeispiel gemäß einem ersten erfindungsgemäßen
Aspekt vorgesehen ist, 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 wer
den, jeweils derselbe bzw. ein äquivalenter Teil angegeben.
Nachfolgend wird nun der Betriebsablauf für die beiden Ab
laufdiagramme 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 Schrit
te unterscheiden sich voneinander dadurch, daß die Gleichun
gen zur Berechnung der Bewertungsfunktion J(t) unterschied
lich sind. Die in Schritt ST11 verwendete Formal 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.
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 Qua
dratwerte {Δek(t)}2 der Veränderungen in den Abweichungen
auf der rechten Seite in Gleichung (7) addiert werden.
Auf diese Weise werden bei der Veränderung der Gewichtungen
der Verbindungen zwischen den neuronalen Elementen bzw. der
Koeffizienten der Verbindungen wÿ zwischen den neuronalen
Elementen i und den Eingängen j in den Schritten ST5 und ST6
die Veränderungen in den Abweichungen berücksichtigt. Dement
sprechend lassen sich Aufschlüsse darüber erhalten, ob die
Veränderungen in den Abweichungen, die auf die modifizierten
Gewichtungen der Verbindungen zurückzuführen sind, in auf
steigender oder absteigender Richtung erfolgen. Somit lassen
sich entsprechende Größen für den Korrekturwert Δwÿ ermit
teln. Infolgedessen kann der Lernalgorithmus in kürzerer Zeit
bis zum vollständigen Durchlaufen des Lernvorgangs ausgeführt
werden, als dies bei dem herkömmlichen Algorithmus möglich
ist.
Die nachfolgenden Gleichungen (10) bis (13) ergeben die kor
rekten Korrekturgrößen Δwÿ:
wobei:
f eine Übertragungsfunktion der neuronalen Ele mente ist,
Pk ÿ eine durch Gleichung (11) ausgedrückte Hilfs funktion ist, die zur Vereinfachung der Glei chungen herangezogen wird,
Zk die den neuronalen Elementen zugeführten Ein gangsinformationen repräsentiert, und
Sk eine Summe der gewichteten Eingangsinforma tionen ist.
f eine Übertragungsfunktion der neuronalen Ele mente ist,
Pk ÿ eine durch Gleichung (11) ausgedrückte Hilfs funktion ist, die zur Vereinfachung der Glei chungen herangezogen wird,
Zk die den neuronalen Elementen zugeführten Ein gangsinformationen repräsentiert, und
Sk eine Summe der gewichteten Eingangsinforma tionen ist.
Es wird darauf hingewiesen, daß in dem Fall, daß bei einer
Bewertungsfunktion J(t) Veränderungen in den Abweichungen be
rücksichtigt werden, wobei γ mit einem ganzzahligen Wert ein
gesetzt ist, die zum vollständigen Durchlaufen des Lernvor
gangs 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 ande
ren Bedingungen gleich sind.
Fig. 7 zeigt das Ablaufdiagramm eines Lernalgorithmus, wie er
zur Veränderung der Gewichtung der Verbindungen zwischen neu
ronalen Elementen eingesetzt wird, die in einem neuronalen
Netzwerk verwendet werden, das bei einem Ausführungsbeispiel
gemäß einem zweiten erfindungsgemäßen Aspekt vorgesehen ist.
Nachfolgend wird nun der Betriebsablauf bei diesem Lernalgo
rithmus erläutert.
Der Unterschied zwischen diesem Ausführungsbeispiel und dem
zuvor erläuterten besteht in dem Algorithmus zur Veränderung
der Gewichtungen der Verbindungen zwischen neuronalen Elemen
ten wÿ(t). Genauer gesagt werden bei dem ersten Ausführungs
beispiel Korrekturwerte Δwÿ(t) entsprechend dem Ablaufdia
gramm nach Fig. 1(b) unter Heranziehung des Verfahrens mit
dem steilsten Absinken gemäß Fig. 8(a) ermittelt. Anschlie
ßend werden die Korrekturwerte Δwÿ(t) in den Arbeitsschrit
ten ST5 und ST6 gemäß dem Ablaufdiagramm aus Fig. 1(a) zur
Korrektur der Gewichtungen der Verbindungen wÿ(t) herangezo
gen. Bei diesem Ausführungsbeispiel dagegen werden die Kor
rekturwerte Δwÿ(t) gemäß einem in Fig. 7 dargestellten Ab
lauf unter Heranziehung einer Suchtechnik erster Ordnung,
beispielsweise der Technik des optimalen Gradienten gemäß
Fig. 8(b), gefunden, die auch als Interpolationstechnik zwei
ter Ordnung bekannt ist. Die Korrekturwerte Δwÿ(t) werden
dann zur Korrektur der Gewichtungen der Verbindungen wÿ(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 Ausführungsbeispiel wird mit dieser Technik
gearbeitet, um den Wert von α zu ermitteln, der auf der rech
ten Seite in Gleichung (3) steht und die Bewertungsfunktion
J(t) optimiert.
Unter Bezugnahme auf Fig. 7 wird nachfolgend der Lernalgo
rithmus erläutert.
1. Wenn H(1) < H(0) soll H(α) durch Verändern des Wertes von
α unter Einsetzen einer Reihe von Zahlen gefunden werden, be
ginnend mit 1/2, 1/4 . . . usf. bis H(α) < H(0). Dann soll fol
gendes gesetzt werden: a = 0, b E α, und c = 2α.
Dabei ist zu beachten, daß die modifizierten Koeffizienten
für die Verbindungen zwischen neuronalen Elementen wÿ(n+1)
und der Bewertungsfunktion H(α) jeweils durch die folgenden
Gleichungen (14) bzw. (15) definiert werden:
Wÿ (n+1) = Wÿ (n) + αΔwÿ (14)
H (α) = J (wÿ : wÿ + αΔwÿ (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 so
lange weiter erhöht werden, bis H(α) größer als der unmittel
bar vorhergehende Wert von H(α) wird. Halte dann die Werte
von a, b und c fest, bei denen H(c), der Stromwert H(α), grö
ßer 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 a
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
Δwÿ(t) und zur Modifizierung der Gewichtung der Verbindun
gen zwischen neuronalen Elementen eingesetzt.
Bei dem vorstehend erläuterten Lernalgorithmus läßt sich die
zur Durchführung des Lernvorgangs erforderliche Zeit gegen
über der bei dem herkömmlichen Verfahren mit dem steilsten
Absinken benötigten Zeit auf 1/3 verkürzen.
Fig. 9 zeigt schematisch die Auslegung eines Stromsystemspan
nungs- und Blindleistungsreglers, wie er gemäß einem dritten
Ausführungsbeispiel vorgesehen ist. In dieser Zeichnung wer
den 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 Neuronalnetz
werk-Simulator angegeben, der auch als Neuronalnetzwerk-Simu
lator zum Simulieren des Stromsystems bekannt ist und der die
Beziehungen zwischen den Eingangs- und Ausgangswerten eines
anderen Stromsystems als seinem eigenen anhand von geschätz
ten Daten auf der Grundlage der Blindleistung Q1 auf der Pri
märseite eines Transformators und den Beziehungen in den Ein
gangs- 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 Betriebsab
laufs dieses Stromsystemspannungs- und Blindleistungsreglers
erläutert.
Wenn der Neuronalnetzwerk-Simulator 5 im voraus die Beziehun
gen zwischen den Eingangs- und Ausgangswerten des Stromsy
stems 1 lernt, lassen sich ohne Schwierigkeiten Informationen
über sein eigenes Stromsystem erhalten, z. B. Daten über die
Primärspannung V1 und die Sekundärspannung V2 des Transforma
tors, die tatsächliche Schaltleistung P1 und P2 auf der Pri
mär- und der Sekundärseite des Transformators, die primärsei
tige und sekundärseitige Blindleistung Q1 und Q2 des Trans
formators, ein belastetes Stufenschaltersystem (Abgriff) und
den Leistungsverdichter (Sc), da diese Informationen lokal
verfügbare Daten sind, wie Fig. 11 zeigt. Bei diesem Stromsy
stemspannungs- und Blindleistungsregler werden diese Informa
tionen herangezogen, um die Beziehungen in den Eingangs- und
Ausgangswerten eines an anderer Stelle installierten Stromsy
stems (bzw. des Leistungsverdichters Sc dieses anderen Strom
systems, 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 Q1 des Transformators im eigenen
Stromsystem, die für den Regler lokal abrufbar ist, spiegelt
u. a. den Betrieb aller Stromsysteme, einschließlich der eige
nen Anlage, wider. Dementsprechend schlagen sich in der Dif
ferenz zwischen der primärseitigen Blindleistung Q1 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 Q1 +
Sc.
Mit anderen Worten wird durch die Einbeziehung eines Lei
stungsverdichters in der eigenen Stromanlage die primärseiti
ge Blindleistung Q1 des Transformators durch die Blindlei
stung bei Einbeziehung des Leistungsverdichters Sc verrin
gert. Durch Ausschaltung gleichbleibender Elemente, die bei
spielsweise den Schwankungen der von der Last verbrauchten
Blindleistung entsprechen, läßt sich der andere Leistungsver
dichter für den Regelbetrieb der anderen Stromsysteme als dem
eigenen erhalten. Dabei ist zu beachten, daß unter dem Be
griff "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) ange
schlossen ist, wird das Fremdsystem zur Regelung anderer
Stromanlagen als der eigenen auf Null gesetzt. Dementspre
chend 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 Gra
phik, die den Vorgang des Abschätzens einer Abgriffsbetäti
gung erläutert, die von einem an anderer Stelle installierten
Stromsystem aus erfolgt. In dieser Figur sind Punkte aufge
tragen, welche die wertmäßigen Beziehungen zwischen der Pri
märspannung V1 und der Sekundärspannung V2 des Transformators
zu unterschiedlichen Zeitpunkten angeben. Gemäß dieser Dar
stellung 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 erstge
nannten Unstetigkeiten sind auf den Leistungsverstärker Sc
des eigenen Stromsystems oder auf den anderen Leistungsver
stärker Sc des Fremdstromsystems zurückzuführen, während die
zweitgenannten Unstetigkeiten durch die Ansteuerung des Ab
griffs am 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 Stromsystemspan
nungs- und Blindleistungsreglers gemäß einem vierten Aspekt
der Erfindung. Das in dieser Figur ausgewiesene Bezugszeichen
11 gibt eine Umlern-Beurteilungseinrichtung an, die bei die
sem 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 ei
nen für Lernzwecke vorgesehener Neuronalnetzwerk-Regler VQC
12 und einen ebenfalls Lernzwecken dienender Neuronalnetz
werk-Simulator 13 aufweist, der außerdem dazu dient, neue Be
ziehungen zwischen den Eingangs- und Ausgangsinformationen
des Stromsystems 1 zu lernen und die Ergebnisse des Lernvor
gangs in dem Neuronalnetzwerk-Regler 4 und einem Neuronalsy
stem-Simulator 2 in dem Fall abspeichert, daß eine Abweichung
zwischen den Beziehungen in den Eingangs- und Ausgangsinfor
mationen des Neuronalsystem-Simulators 2 und der Beziehungen
zwischen den Eingangs- und Ausgangsinformationen des Stromsy
stems 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 Betriebsweise erläu
tert.
Wenn der Stromsystemspannungs- und Blindleistungsregler in
der Praxis in Betrieb genommen wird, durchlaufen als erstes
der Neuronalsystem-Simulator 2 und der Neuronalnetzwerk-Reg
ler 4 einen Lernvorgang im Stromsystem und dann werden die
Betriebsdaten des Stromsystems 1 als Eingangs- und Ausgangs
informationen 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 darge
stellt, Informationen wie beispielsweise die Primärspannung
V1 und die Sekundärspannung V2 des Transformators, die tat
sächliche primärseitige und sekundärseitige Schaltleistung P1
und P2 sowie die Blindleistung Q1 und Q2 auf der Primärseite
und der Sekundärseite des Transformators erfaßt. Die über ei
nen 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 Strom
systems 1 können jedoch während des Lernintervalls von den
tatsächlichen Charakteristika abweichen. Deshalb führt die
Umlern-Beurteilungseinrichtung 11 die Ausgangsdaten des Neu
ronalsystem-Simulators 2 und des Stromsystems 1 als Eingangs
daten 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 gehal
ten, schaltet die Umlern-Beurteilungseinrichtung 11 zeitwei
lig die Regelung des Stromsystems 1 von dem Neuronalnetzwerk-
Regler 4 auf den Spannungs- und Blindleistungsregler 3 um
schaltet, da die erfaßte Abweichung ein Hinweis darauf ist,
daß das neuronale Netzwerk des Reglers 4 nicht auf einen op
timalen 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-Beurtei
lungseinrichtung 11 den zu Lernzwecken vorgesehenen Neurona
lysystem-Simulator 13 und auch den ebenfalls zu Lernzwecken
vorgesehenen Neuronalnetzwerk-Regler 12 auf, auf der Grundla
ge der neuesten Informationen einen Umlernvorgang zu durch
laufen.
Auf diese Aufforderung seitens der Umlern-Beurteilungsein
richtung 11 hin reagieren der Neuronalsystem-Simulator 13 und
der Neuronalnetzwerk-Regler 12 damit, daß sie einen Umlern
prozeß absolvieren. Bei Ende dieses Umlernvorgangs kopieren
sowohl der zu Lernzwecken vorgesehene Neuronalsystem-Simula
tor 13 und der ebenfalls Lernzwecken dienende Neuronalnetz
werk-Regler 12 die jeweiligen Ergebnisse in den Neuronalsy
stem-Simulator 12 und den Neuronalnetzwerk-Regler 4. Ab
schließend läuft eine Reihe von Verarbeitungsgängen im Umlern
prozeß 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 gemäß dem ersten erfin
dungsgemäßen Aspekt vorgesehenen Lernalgorithmus für ein neu
ronales Netzwerk als erstes Abweichungen zwischen den Aus
gangswerten des neuronalen Netzwerks und den Sollwerten er
mittelt werden, anschließend eine Summe der Quadratwerte der
Abweichungen und der Quadratwerte der Veränderungen in den
Abweichungen berechnet wird, und Gewichtungen der Verbindun
gen zwischen neuronalen Elementen des neuronalen Netzwerks
abschließend in einer Richtung verändert werden, daß die Sum
me 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 Lernalgorithmus für ein neuronales Netz
werk gemäß dem zweiten Aspekt der Erfindung als erstes Abwei
chungen zwischen den Ausgangswerten des neuronalen Netzwerks
und den Sollwerten ermittelt werden, dann die Summe der Qua
dratwerte der Abweichungen berechnet wird, und abschließend
Gewichtungen der Verbindungen zwischen neuronalen Elementen
des neuronalen Netzwerks unter Einsatz einer Suchtechnik er
ster Ordnung in einer Richtung verändert werden, daß die Sum
me nur dann vermindert wird, wenn festgestellt wurde, daß sie
größer als ein vorgegebener Wert ist, bringt dieser Lernalgo
rithmus 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 einem dritten Aspekt der Erfin
dung vorgesehenen Stromsystemspannungs- und Blindleistungs
regler 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 Ein
gangs- und Ausgangsinformationen anderer Stromsysteme als dem
eigenen lernt und ebenso die Beziehungen zwischen den Ein
gangs- und Ausgangsinformationen des eigenen Stromsystems,
und zwar in einem Lernvorgang zum Lernen der Beziehungen zwi
schen 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 kön
nen.
Da der gemäß dem vierten Aspekt der Erfindung vorgesehene
Stromsystemspannungs- und Blindleistungsregler eine Umlern-
Beurteilungseinrichtung aufweist, mittels welcher die Rege
lung 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 vor
gesehene Neuronalnetzwerk-Simulator zur Simulation des Strom
systems sowie zum Lernen neuer Beziehungen zwischen den Ein
gangs- und Ausgangsinformationen des Stromsystems und zum Ab
speichern der Ergebnisse des Lernvorgangs jeweils in dem Neu
ronalnetzwerk-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-Si
mulators zum Simulieren des Stromsystems und den Beziehungen
zwischen den Eingangs- und Ausgangsinformationen des Stromsy
stems festgestellt wird, bringt der Stromsystemspannungs- und
Blindleistungsregler den Effekt mit sich, daß die Charakteri
stika des Neuronalnetzwerk-Reglers für Spannung und Blindlei
stung ohne Unterbrechung des Regelbetriebs des Stromsystems
auch dann auf Werte eingeregelt werden können, die dem Opti
mum der Betriebskennwerte des Stromsystems entsprechen, wenn
sich die Charakteristika des Stromsystems verändern.
Claims (4)
1. Lernalgorithmus für ein neuronales Netzwerk,
dadurch gekennzeichnet,
daß von dem neuronalen Netzwerk für bestimmte Eingangsinfor
mationen zu erzeugende Ausgangsinformationen als Sollwerte
(dk(t)) gesetzt werden,
daß Abweichungen (ek(t)) zwischen den Ausgangsinformationen (yk(t)) des neuronalen Netzwerks und den Sollwerten (dk(t)) als erstes festgestellt werden, wenn die Eingangsinformatio nen dem neuronalen Netzwerk zugeführt werden,
daß anschließend eine Summe (I(t)) aus den Quadratwerten der Abweichungen (ek(t)) und den Quadratwerten der Veränderungen der Abweichungen berechnet wird, und
daß abschließend die Gewichtungen der Verbindungen (wi,j) zwischen neuronalen Elementen (i, j) des neuronalen Netzwerks in der Richtung verändert werden (ST5, ST6), daß die Summe nur dann vermindert wird, wenn festgestellt wird, daß sie größer als ein vorgegebener Wert ist.
daß Abweichungen (ek(t)) zwischen den Ausgangsinformationen (yk(t)) des neuronalen Netzwerks und den Sollwerten (dk(t)) als erstes festgestellt werden, wenn die Eingangsinformatio nen dem neuronalen Netzwerk zugeführt werden,
daß anschließend eine Summe (I(t)) aus den Quadratwerten der Abweichungen (ek(t)) und den Quadratwerten der Veränderungen der Abweichungen berechnet wird, und
daß abschließend die Gewichtungen der Verbindungen (wi,j) zwischen neuronalen Elementen (i, j) des neuronalen Netzwerks in der Richtung verändert werden (ST5, ST6), daß die Summe nur dann vermindert wird, wenn festgestellt wird, daß sie größer als ein vorgegebener Wert ist.
2. Lernalgorithmus für ein neuronales Netzwerk,
dadurch gekennzeichnet,
daß von dem neuronalen Netzwerk für bestimmte Eingangsinfor
mationen zu erzeugende Ausgangsinformationen als Sollwerte
(dk(t)) gesetzt werden,
daß Abweichungen (ek(t)) zwischen den Ausgangsinformationen
(yk(t)) des neuronalen Netzwerks und den Sollwerten (dk(t))
als erstes festgestellt werden, wenn die Eingangsinformatio
nen dem neuronalen Netzwerk zugeführt werden,
daß anschließend eine Summe (I(t)) aus den Quadratwerten der Abweichungen (ek(t)) berechnet wird, und
daß abschließend die Gewichtungen der Verbindungen (wi,j) zwischen neuronalen Elementen (i, j) des neuronalen Netzwerks in der Richtung verändert werden (ST5, ST6), daß beispiels weise unter Einsatz einer Suchtechnik erster Ordnung die Sum me nur dann vermindert wird, wenn festgestellt wird, daß sie größer als ein vorgegebener Wert ist.
daß anschließend eine Summe (I(t)) aus den Quadratwerten der Abweichungen (ek(t)) berechnet wird, und
daß abschließend die Gewichtungen der Verbindungen (wi,j) zwischen neuronalen Elementen (i, j) des neuronalen Netzwerks in der Richtung verändert werden (ST5, ST6), daß beispiels weise unter Einsatz einer Suchtechnik erster Ordnung die Sum me nur dann vermindert wird, wenn festgestellt wird, daß sie größer als ein vorgegebener Wert ist.
3. Stromsystemspannungs- und Blindleistungsregler,
gekennzeichnet durch
einen Neuronalnetzwerk-Regler für die Spannung und die Blind leistung, welcher ein neuronales Netzwerk umfaßt, das im vor aus einen Lernvorgang vollständig durchläuft, der die Bezie hungen des Netzwerks zwischen den Eingangs- und Ausgangsinformationen den Beziehungen zwischen den Eingangs- und Aus gangsinformationen eines Spannungs- und Blindleistungsreglers anpaßt, sowie
einen Neuronalnetzwerk-Simulator (5) zur Simulation eines Stromsystems, welcher ein neuronales Netzwerk aufweist, das 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 da mit 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 Neuronalnetz werk-Regler für die Spannung und die Blindleistung Ergebnisse aus einem Umlernprozeß zum Regeln des Stromsystems (1) ver wendet, nachdem das Neuronalnetzwerk des Neuronalnetzwerk- Reglers für die Spannung und Blindleistung einen Umlernprozeß durchlaufen hat, um die Eingangsinformationen des Neuronal netzwerk-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 Stromsy stemen (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 (Leistungsverdich ter Sc) seines eigenen Stromsystems während des Lernvorgangs abzuschätzen, den das neuronale Netzwerk in dem Neuronalnetz werk-Simulator (5) zur Simulation eines Stromsystems durch läuft, um die Beziehungen zwischen den Eingangs- und Aus gangsinformationen des Stromsystems (1) zu lernen.
einen Neuronalnetzwerk-Regler für die Spannung und die Blind leistung, welcher ein neuronales Netzwerk umfaßt, das im vor aus einen Lernvorgang vollständig durchläuft, der die Bezie hungen des Netzwerks zwischen den Eingangs- und Ausgangsinformationen den Beziehungen zwischen den Eingangs- und Aus gangsinformationen eines Spannungs- und Blindleistungsreglers anpaßt, sowie
einen Neuronalnetzwerk-Simulator (5) zur Simulation eines Stromsystems, welcher ein neuronales Netzwerk aufweist, das 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 da mit 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 Neuronalnetz werk-Regler für die Spannung und die Blindleistung Ergebnisse aus einem Umlernprozeß zum Regeln des Stromsystems (1) ver wendet, nachdem das Neuronalnetzwerk des Neuronalnetzwerk- Reglers für die Spannung und Blindleistung einen Umlernprozeß durchlaufen hat, um die Eingangsinformationen des Neuronal netzwerk-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 Stromsy stemen (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 (Leistungsverdich ter Sc) seines eigenen Stromsystems während des Lernvorgangs abzuschätzen, den das neuronale Netzwerk in dem Neuronalnetz werk-Simulator (5) zur Simulation eines Stromsystems durch läuft, um die Beziehungen zwischen den Eingangs- und Aus gangsinformationen des Stromsystems (1) zu lernen.
4. Stromsystemspannungs- und Blindleistungsregler,
gekennzeichnet durch
einen Neuronalnetzwerk-Regler für die Spannung und die Blind leistung, welcher ein neuronales Netzwerk umfaßt, das im vor aus einen Lernvorgang vollständig durchläuft, der die Bezie hungen zwischen den Eingangs- und Ausgangsinformationen des Netzwerks den Beziehungen zwischen den Eingangs- und Aus gangsinformationen eines 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 Aus gangsinformationen (Leistungsverdichter Sc) eines damit gere gelten Stromsystems (1) anpaßt,
wobei die Eingangs- und Ausgangsinformationen des Neuronal netzwerk-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 Blind leistung Ergebnisse aus dem Umlernprozeß zum Regeln des Stromsystems (1) verwendet, nachdem das Netzwerk des Neuro nalnetzwerk-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 Um lern-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; fer ner einen Neuronalnetzwerk-Regler (VQC 12) zum Regeln der Spannung und der Blindleistung, welcher für Lernzwecke vorge sehen ist; und einen Neuronalnetzwerk-Simulator (13) zur Si mulation des Stromsystems, der ebenfalls für Lernzwecke vor gesehen 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 Neu ronalnetzwerk-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 Be ziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems (1) festgestellt wird.
gekennzeichnet durch
einen Neuronalnetzwerk-Regler für die Spannung und die Blind leistung, welcher ein neuronales Netzwerk umfaßt, das im vor aus einen Lernvorgang vollständig durchläuft, der die Bezie hungen zwischen den Eingangs- und Ausgangsinformationen des Netzwerks den Beziehungen zwischen den Eingangs- und Aus gangsinformationen eines 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 Aus gangsinformationen (Leistungsverdichter Sc) eines damit gere gelten Stromsystems (1) anpaßt,
wobei die Eingangs- und Ausgangsinformationen des Neuronal netzwerk-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 Blind leistung Ergebnisse aus dem Umlernprozeß zum Regeln des Stromsystems (1) verwendet, nachdem das Netzwerk des Neuro nalnetzwerk-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 Um lern-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; fer ner einen Neuronalnetzwerk-Regler (VQC 12) zum Regeln der Spannung und der Blindleistung, welcher für Lernzwecke vorge sehen ist; und einen Neuronalnetzwerk-Simulator (13) zur Si mulation des Stromsystems, der ebenfalls für Lernzwecke vor gesehen 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 Neu ronalnetzwerk-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 Be ziehungen zwischen den Eingangs- und Ausgangsinformationen des Stromsystems (1) festgestellt wird.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP4209535A JPH0635888A (ja) | 1992-07-15 | 1992-07-15 | 神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4323432A1 true DE4323432A1 (de) | 1994-01-20 |
DE4323432C2 DE4323432C2 (de) | 1997-09-11 |
Family
ID=16574413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4323432A Expired - Fee Related DE4323432C2 (de) | 1992-07-15 | 1993-07-13 | Spannungs- und Blindleistungsregler für ein Stromsystem auf der Basis neuronaler Netzwerke |
Country Status (3)
Country | Link |
---|---|
JP (1) | JPH0635888A (de) |
CH (2) | CH690637A5 (de) |
DE (1) | DE4323432C2 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149899A1 (de) * | 2012-04-02 | 2013-10-10 | Siemens Ag Österreich | Verfahren zur bestimmung von messstellen in niederspannungsnetzen und netzmanagementsubsystem zur durchführung des verfahrens. |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3006818B1 (fr) * | 2013-06-11 | 2016-11-04 | Electricite De France | Procede d'optimisation du positionnement de capteurs de tension dans un reseau de distribution hta |
US11144788B2 (en) | 2018-12-04 | 2021-10-12 | Here Global B.V. | Method and apparatus for providing a low-power perception architecture |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0474222A2 (de) * | 1990-09-04 | 1992-03-11 | Matsushita Electric Industrial Co., Ltd. | Lernmaschine mit hierarchischer Struktur ohne wechselseitige Verbindungen in gleichen Niveaus |
EP0519501A2 (de) * | 1991-06-20 | 1992-12-23 | Mitsubishi Denki Kabushiki Kaisha | Leistungssteuerungssystem mit Anwendung von Neuronalnetzwerken und einem Spannungs-/Blindleistungsregler |
-
1992
- 1992-07-15 JP JP4209535A patent/JPH0635888A/ja active Pending
-
1993
- 1993-07-13 DE DE4323432A patent/DE4323432C2/de not_active Expired - Fee Related
- 1993-07-14 CH CH02125/93A patent/CH690637A5/fr not_active IP Right Cessation
- 1993-07-14 CH CH00837/00A patent/CH690638A5/fr not_active IP Right Cessation
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0474222A2 (de) * | 1990-09-04 | 1992-03-11 | Matsushita Electric Industrial Co., Ltd. | Lernmaschine mit hierarchischer Struktur ohne wechselseitige Verbindungen in gleichen Niveaus |
EP0519501A2 (de) * | 1991-06-20 | 1992-12-23 | Mitsubishi Denki Kabushiki Kaisha | Leistungssteuerungssystem mit Anwendung von Neuronalnetzwerken und einem Spannungs-/Blindleistungsregler |
Non-Patent Citations (2)
Title |
---|
GB-Z.: YU, X-H., CHENG, S-X.: Training algorithms for backpropagation neural networks with optimal descent factor. In: Electronics Letters, Vol. 26, No. 20, Sept. 1990, S. 1698-1700 * |
US-Z.: IIGUNI, Youji, et al.: A Nonlinear Regu- lator Design in the Presence of System Uncertain- ties Using Multilayered Neural Networks. In: IEEE Transactions on Neural Networks, Vol. 2, No. 4, Juli 1991, S. 410-417 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149899A1 (de) * | 2012-04-02 | 2013-10-10 | Siemens Ag Österreich | Verfahren zur bestimmung von messstellen in niederspannungsnetzen und netzmanagementsubsystem zur durchführung des verfahrens. |
Also Published As
Publication number | Publication date |
---|---|
CH690638A5 (fr) | 2000-11-15 |
JPH0635888A (ja) | 1994-02-10 |
CH690637A5 (fr) | 2000-11-15 |
DE4323432C2 (de) | 1997-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102017011754B4 (de) | Maschinenlerneinrichtung zum Lernen eines Montagevorgangs und Komponentenmontagesystem | |
DE102007042440B3 (de) | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems | |
DE602005002839T2 (de) | Ablaufplanung von industriellen produktionsprozessen | |
DE10127788B4 (de) | Integrierte Optimalmodell-Vorhersagesteuerung in einem Prozeßsteuerungssystem | |
DE69823049T2 (de) | Modellfreie adaptive prozesssteuerung | |
DE102004058238B4 (de) | Adaptive, multivariable Prozesssteuerung, die Modellschaltung und Attribut-Interpolation nutzt | |
EP2135140B1 (de) | Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems | |
DE4338608B4 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE102018001571B4 (de) | Laserverarbeitungsgerät und Vorrichtung zum maschinellen Lernen | |
DE19531967C2 (de) | Verfahren zum Training eines neuronalen Netzes mit dem nicht deterministischen Verhalten eines technischen Systems | |
DE102016011525B4 (de) | Vorrichtung für maschinelles Lernen und Spulen-Produktionsvorrichtung | |
DE10341764A1 (de) | Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems | |
EP0663632B1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses | |
DE4416364A1 (de) | Verfahren und Regeleinrichtung zur Regelung eines Prozesses | |
DE19606480C2 (de) | Verfahren und Anordnung zur Adaption eines Fuzzy-Reglers | |
DE4240984B4 (de) | Steuerschaltung und Netzteil für Fernsehgeräte | |
WO1996001705A1 (de) | Verfahren zum walzen eines metallbandes | |
WO2011120552A1 (de) | Engineering-werkzeug und verfahren zur parametrierung eines modellbasierten prädiktivreglers | |
EP0520233B1 (de) | Einrichtung zur Identifikation einer Übertragungsstrecke | |
WO1998015882A1 (de) | Verfahren und einrichtung zur identifikation bzw. vorausberechnung von prozessparametern eines industriellen zeitvarianten prozesses | |
DE4323432C2 (de) | Spannungs- und Blindleistungsregler für ein Stromsystem auf der Basis neuronaler Netzwerke | |
DE3832789A1 (de) | Stoerungsfolgevorrichtung | |
WO2018091592A1 (de) | Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung | |
DE4319926C2 (de) | Verfahren zur Regelung eines kontinuierlichen Prozesses mit einer Optimier- und einer Regelphase | |
DE19624301B4 (de) | Lernverfahren für ein neuronales Netz |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8125 | Change of the main classification |
Ipc: G05F 1/70 |
|
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8320 | Willingness to grant licences declared (paragraph 23) | ||
8339 | Ceased/non-payment of the annual fee |