DE4323432A1

DE4323432A1 - Lernalgorithmus für neuronale Netzwerke sowie damit arbeitender Stromsystemspannungs- und Blindleistungsregler

Info

Publication number: DE4323432A1
Application number: DE4323432A
Authority: DE
Inventors: Yasuhiro Kojima; Yoshio Izui; Tadahiro Goda; Sumie Kyomoto
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1992-07-15
Filing date: 1993-07-13
Publication date: 1994-01-20
Anticipated expiration: 2013-07-14
Also published as: CH690638A5; JPH0635888A; CH690637A5; DE4323432C2

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 d_k(t) als Sollwerte d_k(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 e_k(t) festgestellt werden, nämlich Unter schiede zwischen den Sollwerten d_k(t) und den Ist-Ausgangs werten y_k(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 e_k(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 w_ÿ) zwischen den neuronalen Elementen i und den Eingängen j) entsprechend der nachstehenden Gleichung (2) zu verändern:

w_ÿ (t) = W_ÿ (t) + Δw_ÿ (t) (2)

wobei Δw_ÿ (t) zeitabhängige Korrekturgrößen für die Verbin dungskoeffizienten w_ÿ sind. Die zeitabhängigen Korrekturgrö ßen Δw_ÿ (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,
P^k _ÿ eine durch Gleichung (4) ausgedrückte Hilfs funktion ist, die zur Vereinfachung der Glei chungen herangezogen wird,
Z_k die den neuronalen Elementen zugeführten Ein gangsinformationen repräsentiert, und
S_k 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.

Erstes Ausführungsbeispiel

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.

Δe_k (t) = e_k (t) - e_k (t-1) (9)

Durch Vergleich der Gleichungen (1) bis (7) ergibt sich, daß diese sich insofern voneinander unterscheiden, daß die Qua dratwerte {Δe_k(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 w_ÿ 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 Δw_ÿ 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 Δw_ÿ:

wobei:
f eine Übertragungsfunktion der neuronalen Ele mente ist,
P^k _ÿ eine durch Gleichung (11) ausgedrückte Hilfs funktion ist, die zur Vereinfachung der Glei chungen herangezogen wird,
Z_k die den neuronalen Elementen zugeführten Ein gangsinformationen repräsentiert, und
S_k 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.

Zweites Ausführungsbeispiel

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 w_ÿ(t). Genauer gesagt werden bei dem ersten Ausführungs beispiel Korrekturwerte Δw_ÿ(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 Δw_ÿ(t) in den Arbeitsschrit ten ST5 und ST6 gemäß dem Ablaufdiagramm aus Fig. 1(a) zur Korrektur der Gewichtungen der Verbindungen w_ÿ(t) herangezo gen. Bei diesem Ausführungsbeispiel dagegen werden die Kor rekturwerte Δw_ÿ(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 Δw_ÿ(t) werden dann zur Korrektur der Gewichtungen der Verbindungen w_ÿ(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 w_ÿ(n+1) und der Bewertungsfunktion H(α) jeweils durch die folgenden Gleichungen (14) bzw. (15) definiert werden:

W_ÿ (n+1) = W_ÿ (n) + αΔw_ÿ (14)

H (α) = J (w_ÿ : w_ÿ + αΔw_ÿ (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 α_e nach der folgenden Gleichung (16):

4. Wenn H(α_e) < H(b), setze α_e 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 Δw_ÿ(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.

Viertes Ausführungsbeispiel

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

1. Lernalgorithmus für ein neuronales Netzwerk, dadurch gekennzeichnet, daß von dem neuronalen Netzwerk für bestimmte Eingangsinfor mationen zu erzeugende Ausgangsinformationen als Sollwerte (d_k(t)) gesetzt werden,
daß Abweichungen (e_k(t)) zwischen den Ausgangsinformationen (y_k(t)) des neuronalen Netzwerks und den Sollwerten (d_k(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 (e_k(t)) und den Quadratwerten der Veränderungen der Abweichungen berechnet wird, und
daß abschließend die Gewichtungen der Verbindungen (w_i,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 (d_k(t)) gesetzt werden, daß Abweichungen (e_k(t)) zwischen den Ausgangsinformationen (y_k(t)) des neuronalen Netzwerks und den Sollwerten (d_k(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 (e_k(t)) berechnet wird, und
daß abschließend die Gewichtungen der Verbindungen (w_i,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.

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.