WO1996037028A1

WO1996037028A1 - Anordnung und verfahren für die bestimmung der betriebszustände eines elektrischen energieversorgungsnetzes

Info

Publication number: WO1996037028A1
Application number: PCT/EP1996/002005
Authority: WO
Inventors: Gerhard DÖDING
Original assignee: Aeg Atlas Schutz- Und Leittechnik Gmbh
Priority date: 1995-05-17
Filing date: 1996-05-10
Publication date: 1996-11-21
Also published as: DE19518030C1; EP0826259A1

Abstract

Die Erfindung bezieht sich auf eine Anordnung und ein Verfahren für die Bestimmung der Betriebszustände eines elektrischen Energienetzes, mit dem elektrische Energie transportiert, verteilt und Verbrauchern verfügbar gemacht wird. Es ist eine von der Anzahl prägender elektrischer Eigenschaften der Knoten eines Netzes abhängige Anzahl von neuronalen Netzen mit gleichem Aufbau vorgesehen, die für die Netzknoten jeweils Neuronen aufweisen, die jeweils entsprechend den Verbindungen zwischen den Netzknoten synaptisch derart miteinander verbunden sind, daß bei über Zweipole verlaufenden Verbindungen die synaptischen Gewichte entsprechend den jeweiligen Stellungen der Zweipole von außen im Netz auf null oder eins eingestellt werden. Die Skalarprodukte aus Gewichtsvektor und Inputvektor der Neuronen werden jeweils mit einem Schwellwert von eins verglichen, und in Abhängigkeit vom Vergleichsergebnis größer oder gleich oder kleiner eins erzeugen die Neuronen jeweils eine eins oder null. Die Gewichte der Ausgänge der einander in den einzelnen neuronalen Netzen entsprechenden Neuronen werden in Abhängigkeit von der Priorität der prägenden Eigenschaften einander überlagert.

Description

Anordnung und Verfahren für die Bestimmung der Betriebszustände eines elektrischen Energieversorgungsnetzes

Die Erfindung bezieht sich auf eine Anordnung für die Bestimmung der Betriebszustände eines elektrischen Energienetzes, mit dem elektrische Energie 10 transportiert, verteilt und Verbrauchern verfügbar gemacht wird, und auf ein Verfahren zur Ausübung mit der Anordnung.

Die Betriebszustände eines elektrischen Energieversorgungsnetzes werden u. a. bei Schalthandlungsanforderungen festgestellt, um vor der Ausführung der

15 Schalthandlung anhand des jeweiligen Netzzustands zu prüfen, ob aus sicherheitstechnischen oder anderen Gründen die gewünschte Schalthandlung zulässig ist. Bekannt ist z. B. ein Verfahren zum schaltfehlergeschützten Betätigen der Schaltgeräte einer Schaltanlage, bei dem der topologische Aufbau der Schaltanlage und vom topologischen Aufbau unabhängige Schaltfehlerschutz-

20. Verriegelungsregein verarbeitet werden. Aus den aktuellen Stellungsmeldesignalen der Schaltgeräte und einem Basissatz von topologischen Elementen, mit denen alle möglichen Betriebszustände beliebig aufgebauter Schaltanlagen angebbar sind, wird jeweils der aktuelle Betriebszustand der Schaltanlage gebildet. Der aktuelle Betriebszustand wird mittels gespeicherter Schaltfehlerschutz-Verriegelungsregeln

25 zur Freigabe oder Blockierung von Schalthandlungs-Anforderungsbefehlen verarbeitet, indem ausgehend von Anfangs- und Endknoten und dem Typ der Schaltgeräte Baumentwicklungen durchgeführt werden, mit denen unter Einbeziehung des Zustands der Schaltgeräte galvanisch verbundene Netzbereiche festgestellt werden, für die dominante Zustände nach folgender Priorität ermittelt

30. werden: Spannung, Last, Erde, isolierter Knoten bzw. Undefiniertes Gebiet. Aus den dominanten Zuständen der Gebiete wird durch Vergleich mit Schaltfeh lerschutz- Verriegelungsregein die Freigabe oder Blockierung des Schalthandlungs- Anforderungsbefehls bestimmt (DE 38 12 072 C3).

35 Die Berechnungszeit für die elektrische Potentialverteilung der Netze hängt von der Netzgröße und dem Vermaschungsgrad des jeweiligen Netzes ab. Auf der Grundlage der datenmäßigen Beschreibung eines elektrischen Netzes wurde bisher auch ein prozedurales algorithmisches Verfahren zur Berechnung der Potentialverteilung verwendet. Ausgehend von prägenden Netzelementen wir Generatoren und Einspeisungen wurden entlang geschlossener Schalter gangbare Wege durch das Netz gesucht. Die von einem prägenden Netzelement aus erreichbaren Objekten entlang des gangbaren Weges weisen dann dasselbe

5 Potential auf wie das prägende Element. Bei sehr großen Netzen, die z.B. ca. 100.000 oder mehr Betriebsmittel aufweisen können, ist das Verfahre nicht mehr in der Lage, die Potentialverteilung in Echzeit zur Verfügung zu stellen. Eine Parallelberechnung ist nur mit hohem Aufwand durchzuführen. Eine Rechenzeitverkürzung ist nur durch Auswahl von Spezialfällen, z.B. Teilnetzen und

10. Ersatznetzen, möglich, die mit komplizierten programmtechnischen

Sonderbehandlungen berechnet werden müssen. Das Verfahren arbeitet im wesentlichen inkrementell, d.h. nach jeder einzelnen Schalterstellungsänderung ist eine erneute Wegsuche durchzuführen. Dies bedeutet, daß in einem Störfall, bei dem sich viele Schalterstellungen ändern, ein hoher Rechenaufwand notwendig ist,

15 bevor das endgültige Ergebnis vorliegt. Weiterhin ist eine zeitaufwendige Initialisierungsphase, bedingt durch das inkrementelle Verhalten, erforderlich.

Bekannt ist eine Anordnung für die Bestimmung der Betriebszustände eines elektrischen Energienetzes, mit dem Energie transportiert, verteilt und Verbrauchern 20. verfügbar gemacht wird, bei der ein neuronales Netz benutzt wird. Die

Zustandsgrößen des Energienetzes werden in einen Zustandsspeicher eingegeben, an den das neuronale Netz angeschlossen ist, das Stabilitätsberechnungen für das Energienetz mit hoher Geschwindigkeit durchführt (JP 07-107 667 A. IN: Patent Abstract of Japan, CD-ROM).

25

Schließlich ist es bekannt, für die Optimierung der Lastverteilung eines elektrischen Energienetzes als Simulationsmodell ein Hopfield-Netz (rekurrentes neuronales Netz) zu verwenden (JP 02-136 034 A. Offenlegeungsschrift und Abstract).

30. Der Erfindung liegt das Problem zugrunde, für die Bestimmung der Betriebszustände eines elektrischen Energienetzes eine Anordnung und ein Verfahren zur Durchführung mit der Anordnung zu entwickeln, mit denen auch bei großen Energienetzen die Potentialverteilung schnell erhalten werden kann.

35 Das Problem wird für die Anordnung erfindungsgemäß dadurch gelöst, daß eine von der Anzahl prägender elektrischer Eigenschaften der Knoten eines Netzes abhängige Anzahl von neuronalen Netzen mit gleichem Aufbau vorgesehen ist, die für die Netzknoten jeweils Neuronen aufweisen, die jeweils entsprechend den Verbindungen zwischen den Netzknoten synaptisch derart miteinander verbunden sind, daß bei über Zweipole verlaufenden Verbindungen die synaptischen Gewichte entsprechend der jeweiligen Stellung der Zweipole von außen im Netz auf null oder eins eingestellt werden, daß die Skalarprodukte aus Gewichtsvektor und Inputvektor der Neuronen jeweils mit einem Schwellwert von eins verglichen werden, daß in Abhängigkeit vom Ergebnis größer oder gleich oder kleiner eins die Neuronen jeweils eine eins oder eine null erzeugen und daß die Gewichte der Ausgänge der einander in den einzelnen neuronalen Netzen entsprechenden Neuronen in Ab¬ hängigkeit von der Priorität der prägenden Eigenschaften überlagert werden.

10.

Bei der vorstehend beschriebenen Anordnung wird jeder Netzknoten durch ein binäres Neuron ersetzt. Die Wege zwischen den Knoten werden in Übereinstimmung mit der Netztopologie als synaptische Verbindungen aufgebaut, die bidirektional sind. Vielfach verlaufen die Verbindungen zwischen den Netzknoten

15 über Zweipole, bei denen es sich um Leistungsschalter, Trennschalter oder

Transformatoren handeln kann. Die Zweipole werden durch synaptische Gewichte nachgebildet, wobei einem geöffneten Zweipol das Gewicht null und einem geschlossenen Zweipol das Gewicht eins entspricht. Das Energienetz wird also durch ein rekurrentes neuronales Netz mit symmetrischer Gewichtsmatrix

20. nachgebildet. Die synaptischen Gewichte werden entsprechend dem jeweiligen

Netzzustand eingestellt. Daher ist keine Trainingsphase für die neuronalen Netze er¬ forderlich. Diese symmetrischen Hopfield-Netze lösen das Problem der Ei- genschaftspropagation. Feuert ein Neuron, so hat der entsprechende Knoten die betrachtete Eigenschaft, sonst nicht. Als rückgekoppeltes Netz konvergiert es iteratv

25 gegen die richtige Lösung.

Prägende Netzknoten können durch prägende Neuronen nachgebildet werden, die den Wert eins ausgeben.

30. Bei einer bevorzugten Ausführungsform sind anstelle von prägenden Neuronen in den neuronalen Netzen Gewichtsvektoren von eins und anstelle von nicht prägenden Neuronen Gewichtsvektoren von null vorgesehen.

Es ist zweckmäßig, wenn die neuronalen Netze anstelle von Randneuronen jeweils 35 Zusatzneuronen aufweisen, die über ein der Kopplung des Randneurons entsprechendes synaptisches Gewicht an das im neuronalen Netz dem Randneuron benachbarte Neuron vorwärts gekoppelt sind, das über ein der Kopplung des Randneurons entsprechendes synaptisches Gewicht an ein nachgeschaltetes Neuron vorwärts angekoppelt ist, mit dem der Zustand des Randneurons ausgegeben wird. Durch die vorstehend beschriebenen Maßnahmen wird jeweils ein neuronales Netz mit weniger Rekurrenz geschaffen. Unter Randneuron ist hierbei ein Neuron zu verstehen, das nur eine bidirektionale Verbindung zu einem 5 Nachbarneuron hat.

Bei einer weiteren bevorzugten Ausführungsform ist anstelle eines Transferneurons jeweils ein Zusatzneuron über ein der synaptischen Kopplung des Transferneurons entsprechendes Gewicht an je eines der benachbarten, im Rahmen der Netzstruktur

10. nicht synaptisch gekoppelten Neuronen des neuronalen Netzes vorwärts gekoppelt, wobei die benachbarten Neuronen untereinander durch eine bidirektionale synaptische Kopplung entsprechend einem von einem Hilfsneuron berechneten Ge¬ wicht verbunden sind, das von den synaptischen Gewichten des Transferneurons bestimmt wird, und wobei die benachbarten Neuronen über je ein der synaptischen

15 Kopplung des Transferneurons entsprechendes Gewicht an ein nachgeschaltetes Neuron vorwärts gekoppelt sind, das den Zustand des Transferneurons ausgibt. Unter Transferneuron ist hierbei ein Neuron zu verstehen, das zwei bidirektionale, synaptische Verbindungen zu Nachbarneuronen hat. Das rekurrente Netz enthält also nicht mehr das Transferneuron bzw. die Transferneuronen. Hierbei ist zu be-

20. rücksichtigen, daß bereits der Ersatz eines Teils der Transfemeuronen eine wesentliche Reduzierung der für die Bestimmung des Netzzustands notwendigen Zeit bedeutet. Das Gesamtnetz ist bei der vorstehend beschriebenen Ausführungsform um zwei zusätzliche Neuronen erweitert, wobei die dem jeweiligen Rest des rekurrenten Netzes vor- und nachgelagerten Teilnetze linear sind.

25

Vorzugsweise ist anstelle eines Transferneurons jeweils ein Zusatzneuron über ein der synaptischen Kopplung des Transferneurons entsprechendes Gewicht an je eines der benachbarten Neuronen vorwärts gekoppelt, die miteinander bidirektional durch ein von einem Hilfsneuron berechnetes synaptisches Gewicht gekoppelt sind,

30. das von dem Hilfsneuron in Abhängigkeit vom Gewicht der synaptischen Neuronen und vom Gewicht zwischen den beiden benachbarten Neuronen berechnet wird, wobei die benachbarten Neuronen je über synaptische Gewichte, die den synaptischen Gewichten des Transferneurons entsprechen, an ein nachgeschaltetes Neuron vorwärts gekoppelt sind, das den Zustand des Transferneurons angibt. Auch

35 bei dieser Ausführungsform sind die bidirektionalen Kopplungen eines oder mehrerer Transferneuronen durch die Teiinetze und Hilfsnetze ersetzbar, die linear sind, wodurch sich eine Verkürzung der für die Zustandsbestimmung der Netze notwendigen Zeit ergibt. Sind im jeweiligen neuronalen Netz Neuronen vorhanden, die über mehr als zwei synaptische Verbindungen mit Nachbarneuronen verbunden sind, dann wird jede synaptische Verbindung zu einem Nachbarneuron auf die in Verbindung mit 5 Transferneuronen beschriebene Art ersetzt. Neuronen, die mittels mehr als zwei Verbindungen zu benachbarten Neuronen gekoppelt sind, werden als Verteilneuronen bezeichnet.

Werden die oben beschriebenen Transformationen vollständig ausgeführt, dann 10. ergibt sich ein vorwärtsgekoppeltes lineares Netz, das in drei Teilnetze strukturiert ist, nämlich ein vorgelagertes Netz, ein Hilfsgewichtsnetz, das zusätzliche synaptische Gewichte aus bekannten Gewichten des rekurrenten Netzes berechnet, und aus einem nachgelagerten Netz, an dessen Neuronen das Ergebnis des Energienetzes verfügbar ist. Das transformierte neuronale Netz ist vollständig 15 bestimmt aus der Topologie des elektrischen Netzes. Die Gewichte sind vorgegeben oder ergeben sich aus den Zweipolstellungen, die durch Meldungen erzeugt werden und die Einstellung der Gewichte bestimmen. Das Netz benötigt keine Trainingsphase, es zeigt kein Initialisierungsverhalten und arbeitet nicht inkrementell. Es kommt ohne Rekursivität aus und ermittelt die Propagation einer 20. prägenden Eigenschaft in optimal kurzer Zeit. Das Ergebnis ist jederzeit exakt.

Verbesserungen in der Berechnung der Potentialverteilung des Energienetzes lassen sich auch bereits mit einem nicht vollständig transformierten neuronalen Netz erreichen. Solche Verbesserungen können erreicht werden, indem z. B. nur die 25 Randneuronen oder Transferneuronen oder Verteil neuronen ganz oder teilweise auf die oben beschriebene Art ersetzt werden.

Ein Verfahren zur Durchführung mit einer der oben beschriebenen Anordnungen besteht erfindungsgemäß darin, daß die synaptischen Gewichte auf die binären 30. Zustände der Zweipole eingestellt werden und daß die Zustände des Energienetzes aus den Zuständen der Neuronen unter Zuordnung von physikalischen Größen bestimmt werden. Je nach der Art des Netzes und dem Transformationsgrad können die Zustände des Energienetzes auch nur an den nachgeschalteten Neuronen festgestellt werden.

35

Die oben beschriebenen neuronalen Netze können als Hardware-Netze oder in Software ausgebildet sein. Bei Hardware-Netzen steht das Ergebnis bei einem oder mehreren Zustandsänderungen der Zweipole schneller zur Verfügung. Die Erfindung wird im folgenden anhand eines in einer Zeichnung dargestellten Ausführungsbeispiels näher beschrieben, aus dem sich weitere Einzelheiten, Merkmale und Vorteile ergeben.

5

Es zeigen:

Fig. 1 ein Schaltbild eines elektrischen Energieversorgungsnetzes;

Fig. 2 eine Darstellung des in Fig. 1 gezeigten Energieversorgungsnetzes durch einen Knoten-Weg-Graphen; 10. Fig. 3 ein binäres, rückgekoppeltes neuronales Netz als Modell für das

Energieversorgungsnetz; Fig. 4a, b ein Schema zur Verdeutlichung der Transformation von bidirektional verbundenen Randneuronen des Netzes in eine vorwärtsgekoppelte

Netzstruktur; 15 Fig. 5a, b ein Schema zur Verdeutlichung der Transformation von bidirektional mit nicht gekoppelten Nachbarneuronen gekoppelten

Transferneuronen des neuronalen Netzes gem. Fig. 3 in eine vorwärtsgekoppelte Netzstruktur; Fig. 6a, b ein Schema zur Verdeutlichung der Transformation von bidirektional 20. miteinander gekoppelten Nachbarneuronen gekoppelten

Transferneuronen des neuronalen Netzes gem. Fig. 3 in eine vorwärtsgekoppelte Netzstruktur;

Fig. 7 ein neuronales Netz im Schema;

Fig. 8 einen Netzknoten symbolisch, der eine Reihe von prägenden 25 Eigenschaften aufweisen kann, die über Wege andere Netzknoten beeinflussen;

Fig. 9 eine schematische Darstellung von zwei Netzknoten, die durch einen

Weg miteinander verbunden sind und

Fig. 10 ein aus mehreren Teilnetzen aufgebautes neuronales Netz.

30.

Die Fig. 1 zeigt beispielhaft ein elektrisches Energieversorgungsnetz, das eine Einspeisung 1 in Form eines Generators aufweist, der in Reihe mit einem Transformator 2 und einem Leistungsschalter 3 angeordnet ist. An den Leistungsschalter 3 ist eine Sammelschiene 4 angeschlossen, von der zwei nicht 35 näher bezeichnete Abzweige ausgehen, die Leistungsschalter 5, 6 aufweisen. Die Leistungsschalter 5, 6 sind auf ihren, der Sammelschiene 4 abgewandten Enden gemeinsam an einen Leistungsschalter 7 angeschlossen. In Reihe mit jedem Leistungsschalter 5, 6 ist jeweils ein weiterer Leistungsschalter 8, 9 angeordnet. Den Leistungsschaltern 8, 9 sind jeweils Verbraucher 10, 11 nachgeschaltet.

Ein elektrisches Energieversorgungsnetz, wie es z. B. in Fig. 1 dargestellt ist, wird 5 durch die Elemente Knoten und Zweipoie modelliert. Zweipole sind Betriebsmittel, die den Potentialverlauf verändern können, z. B. Transformatoren, Leistungsschalter, Trenner, Erder usw. Knoten sind die jeweiligen Randpole der Zweipole und die Verbindungen zwischen den Zweipolen, z. B. Leitungen und Sammelschienen. Knoten sind von Potentialen beaufschlagt. Es gibt prägende

10. Knoten, die eine spezifische Eigenschaft "geerdet", "belastet", "versorgt" usw. in das Netz einbringen. Andere Knoten erhalten die vorstehend beschriebenen Eigenschaf¬ ten dadurch, daß sie über einen Zweipol, der geschlossen ist, mit prägenden Knoten verbunden sind. Die oben erwähnten Eigenschaften verteilen sich über die ge¬ schlossenen Zweipole auf die Knoten des Netzes und bestimmen damit die

15 Potentiale an den verschiedenen Stellen des Netzes.

Das in Fig. 1 dargestellte Energieversorgungsnetz läßt sich in Form eines Knoten- Weg-Graphen schematisch darstellen. Der Knoten K0 entspricht der Einspeisung 1 und ist über einen Weg WO, der dem Transformator 2 entspricht, mit dem Knoten K1

20. verbunden. Der Knoten K1 symbolisiert die Verbindungsleitung zwischen dem Transformator 2 und dem Leistungsschalter 3. Der Weg W1 entspricht dem Leistungsschalter 3. Die Sammelschiene 4 ist durch den Knoten K2 symbolisiert. Den beiden Leistungsschaltern 5, 6 sind jeweils die Wege W2, W3 angeordnet, die im Knoten K3, K4 enden, bei denen es sich um die Leitungen jeweils zwischen den

25 Leistungsschaltern 5, 8 bzw. 6, 9 handelt. Diese Leitungen sind gemäß Fig. 2 durch den Weg W4 miteinander verbunden. Die Knoten K3, K4 sind je durch die Wege W5, W6, die jeweils einen der Leistungsschalter 8, 9 symbolisieren, mit den Knoten K5, K6 verbunden, denen die Verbraucher 10, 11 entsprechhen. Ein Weg Wx, z. B. einer der Wege WO bis W6, wirkt immer bidirektional zwischen den zwei

30. benachbarten Knoten. Der Weg Wx ist gangbar, wenn der entsprechende Zweipol die Eigenschaft eines daran angeschlossenen Knotens auf den anderen überträgt. Sonst ist er nicht gangbar.

Verschiedene Zweipole verhalten sich gegenüber den verschiedenen Ei- 35 genschaften, die durch prägende Knoten in das elektrische Netz gelangen, sehr unterschiedlich. So überträgt z. B. ein Transformator die Eigenschaft "belastet", nicht aber die Eigenschaft "geerdet" gleichermaßen. Das elektrische Netz wird deshalb so oft nachgebildet, wie es unterschiedliche prägende Knoteneigenschaften gibt. Für die einzelnen prägenden Eigenschaften reduziert sich die Berechnung der Potentialverteilung im Netz auf eine Ja/Nein- Aussage für jede Eigenschaft an jedem Knoten. Der resultierende Potentialverlauf im 5 Netz wird durch Überlagerung der verschiedenen Ja/Nein-Aussagen unter

Beachtung von Dominanzkriterien bestimmt, die für die prägenden Eigenschaften vorgegeben werden. Für jede prägende Eigenschaft wird das elektrische Netz durch ein neuronales Netz nachgebildet.

Im folgenden wird das elektrische Netz für nur eine Eigenschaft betrachtet. Das 10. binäre Netz wird auf folgende, im Zusammenhang mit der Fig. 2 erklärte, Weise gebildet. Jeder der Knoten K0 bis K6 wird durch ein binäres Neuron NO bis N6 ersetzt. Jeder Weg zwischen zwei Knoten wird als synaptische Verbindung aufge¬ baut. Den Wegen WO bis W6 entsprechen die Verbindungen G0 bis G6. Prägende Knoten werden durch prägende Neuronen 1 nachgebildet.

15

In Fig. 3 ist ein entsprechendes neuronales Netz dargestellt, wobei die Kreise Neuronen, die Rechtecke, synaptische Gewichte und die ovalen Flächen konstante Eingaben symbolisieren. Jeder Weg zwischen zwei Knoten wird als synaptische Verbindung aufgebaut, die in Fig. 3 mit GO bis G6 bezeichnet sind. Wegen der 20. Bidirektionalität der Wege ergibt sich hierdurch ein rekurrentes neuronales Netz mit symmetrischer Gewichtsmatrix. Die aktuellen Werte der synaptischen Gewichte entsprechen den Stellungen der Weg-Zweipole, wobei folgende Zuordnung besteht: Weg nicht gangbar <=> Zweipol geöffnet <=> Gewicht = 0 Weg gangbar <=> Zweipol geschlossen <=> Gewicht = 1.

25

Da die synaptischen Gewichte den jeweiligen Zweipolstellungen entsprechen, entfällt eine Trainingsphase, das neuronale Netz ist also durch diese Konstruktion ideal auf das zugrundeliegende elektrische Netz vortrainiert. Jedes binäre Neuron bildet das Skalarprodukt aus Gewichtsvektor und Inputvektor und vergleicht es mit 30. dem Schwellwert "1 ". Ist das Skalarprodukt größer oder gleich dieser Schwelle, so feuert das Neuron, gibt also eine "1" aus, ansonsten eine "0". Jedes prägende Neu¬ ron (Äquivalent eines prägenden Knotens) der zu betrachtenden Eigenschaft feuert grundsätzlich immer, besitzt also eine zusätzliche synaptische Verbindung mit Gewicht "1 " zu einem konstanten Input "1 ".

35

Dieses symmetrische implizit vortrainierte Hopfield-Netz löst das Problem der Eigenschaftspropagation. Feuert ein Neuron, so hat der entsprechende Knoten die betrachtete Eigenschaft, sonst nicht. Wegen der Rekurrenz ergeben sich folgende Eigenschaften: Als rückgekoppeltes Netz konvergiert es iterativ gegen die richtige Lösung, wofür bei großen elektrischen Netzen eine gewisse Zeitspanne benötigt wird, d. h. die Berechnungszeit ist abhängig vom Vermaschungsgrad des elektrischen Netzes.

5

Das Hopfield-Netz wird erfindungsgemäß auf die im folgenden beschriebene Art in ein vorwärtsgekoppeltes neuronales Netz transformiert:

Zuerst werden die Neuronen des Hopfield-Netzes nach der Anzahl bidirektionaler synaptischer Verbindungen zu Nachbarneuronen klassifiziert. 10. Anzahl = 0 => isoliertes Neuron.

Anzahl = 1 => Randneuron.

Anzahl = 2 => Transferneuron.

Anzahl > = 3 => Verteilneuron.

Alle Neuronen des Netzes werden in der Reihenfolge von kleinster Ver- 15 bindungsanzahl bis größter Verbindungsanzahl einem Transformationsverfahren unterworfen, das das rekurrente Netz sukszessive reduziert und ein vorwärtsgekoppeltes Netz erzeugt. Das Verfahren endet, wenn das rekurrente Netz auf null reduziert ist.

20. Wenn die Anzahl synaptischer Verbindungen eines Neurons zu Nachbarneuronen null ist, kann das Neuron entweder prägend oder nicht prägend sein. Ist das Neuron prägend, so feuert es immer und kann daher aus dem rekurrenten Netz rückwirkungsfrei entfernt werden. Ein nicht prägendes Neuron feuert nie und kann daher ebenfalls aus dem rekurrenten Netz entfernt werden.

25

Wenn die Anzahl bidirektionaler synaptischer Verbindungen eines Neurons zu Nachbarneuronen eins ist, wird eine Umwandlung des neuronalen Netzes durchgeführt. Diese Umwandlung wird anhand der Fig. 4a und 4b näher erläutert. Das mit N_x-bezeichnete Neuron, ein sog. Randneuron, hat nur eine bidirektionale 30. Verbindung mit dem Gewicht G_x zu einem Nachbarneuron N_n, das auf beliebige Weise mit dem rekurrenten restlichen Teil des Netzes N_r verbunden ist.

Das ursprüngliche Neuron N_x wird gem. Fig. 4b durch ein zusätzliches Neuron n_x ersetzt, welches über das gleiche Gewicht G_x an das einzige Nachbarneuron N_n 35 vorwärtsgekoppelt wird. Das Ergebnis des rekurrenten Restnetzes wird ebenfalls vorwärtsgekoppelt über das gleiche Gewicht G_x an ein nachgeschaltetes Neuron N_x weitergegeben. Es entsteht hierbei ein dem rekurrenten Restnetz vor- und nachgelagertes lineares binäres neuronales Netz. Am Neuron N_x' sind die Zustände des ursprünglichen Neurons N_x verfügbar. Dabei bleiben die Lösungseigenschaften erhalten, die Rechenzeit wird durch Reduktion des rekurrenten Netzes verkleinert.

Bei zwei synaptischen Verbindungen eines Neurons zu Nachbarneuronen sind zwei 5 Fälle zu unterscheiden. Im ersten Fall haben die Nachbarneuronen keine direkte synaptische Verbindung untereinander. Im zweiten Fall besteht eine direkte synaptische Verbindung zwischen den Nachbameuronen.

Der erste Fall wird im folgenden anhand der Fig. 5a und 5b beschrieben. Es sei ein 10. Neuron Ny, ein sog. Transferneuron, über die beiden bidirektionalen synaptischen Verbindungen mit den Gewichten G_a und G_D mit je einem Nachbarneuron Na und N_D verbunden. Die beiden Nachbarneuronen N_a, N_D sind mit dem rekurrenten Restnetz N_r' auf eine nicht näher dargestellte Weise verbunden.

15 Bei der Umwandlung wird, wie aus Fig. 5b hervorgeht, das ursprüngliche Neuron Ny durch ein zusätzliches Neuron ny ersetzt, welches über die gleichen Gewichte G_a und Gb an die beiden Nachbarneuronen N_a, Nb vorwärtsgekoppelt wird. Die beiden Nachbarneuronen N_a und Nb, die zu dem rekurrenten Restnetz N_r gehören, werden ebenfalls über die gleichen Gewichte G_a und G_D an ein Neuron Ny' vorwärtsge-

20. koppelt. Außerdem erhalten sie eine neue bidirektionale synaptische Verbindung untereinander, deren Gewicht durch ein Hilfsneuron Hy berechnet wird. Das rekurrente Restnetz enthält das Neuron N_y nicht mehr. Das Gesamtnetz wurde um zwei zusätzliche Neuronen ny und Hy erweitert. Die vor- und nachgelagerten Teilnetze sowie das Hilfsnetz sind linear.

25

Das Hilfsneuron berechnet anhand der Gewichte G_a und G_D, die je zur Hälfte bewertet werden, das Gewicht Gy. Am Neuron Ny' sind die Zustände des ursprünglichen Neurons Ny abgreifbar.

30. Anhand der Fig. 6a, b wird die Transformation von Neuronen mit zwei synaptischen Verbindungen zu Nachbarneuronen beschrieben, die ebenfalls untereinander direkte synaptische Verbindungen haben.

Ein mit N₂ bezeichnetes Neuron, ein sog. Transferneuron gem. Fig. 6_a, ist 35 bidirektional über synaptische Gewichte G_a', Gb' mit Nachbarneuronen N_a\ Nb' verbunden, die direkt miteinander bidirektional synaptisch entsprechend dem Gewicht G_ab verbunden sind. Die Verbindung der Nachbameuronen N_a', N^ mit dem rekurrenten Restnetz N_r" bleibt in der entsprechenden Art erhalten. Zur Transformation wird, gem. Fig. 6b, das ursprüngliche Neuron N_z durch ein zusätzliches Neuron n_z ersetzt, welches über die gleichen Gewichte G_a' und Gb' an die beiden Nachbarneuronen N_a', N ' vorwärtsgekoppelt wird. Die beiden

5 Nachbameuronen N_a' und Nb', die zu dem rekurrenten Restnetz N_r" gehören, werden ebenfalls über die gleichen Gewichte G_a' und Gb' an ein Neuron N_z' vorwärtsgekoppelt. Außerdem wird das bidirektionale Gewicht G_a zwischen Neuron N_a' und Nb' durch das Gewicht Gz ersetzt, welches durch ein Hilfsneuron H_z be¬ rechnet wird. Das rekurrente Restπetz enthält ds Neuron N_z nicht mehr. Das

10. Gesamtnetz wurde um zwei zusätzliche Neuronen n_z und H_z erweitert. Die vor- und nachgelagerten Teilnetze sowie das Hilfsnetz sind linear.

Das Hilfsneuron H_z berechnet das synaptische Gewicht G_z aus den synaptischen Gewichten G_ab, das mit eins multipliziert wird, und aus den Gewichten G_a\ Gb', die 15 je mit 1/2 multipliziert werden.

Falls ein Neuron mehr als zwei synaptische Verbindungen zu Nachbameuronen hat, wird eine Transformation jeweils auf der Grundlage der oben beschriebenen Transformation von zwei synaptischen Verbindungen ausgeführt. Dabei wird jede 20. synaptische Verbindung zu einem Nachbarneuron getrennt behandelt bzw. transformiert, d. h. es werden z. B. bei drei Verbindungen jeweils drei Transformationen durchgeführt.

Die oben beschriebenen Transformationen können, müssen aber nicht für jeweils 25 alle Rand-, Transfer- und Verteiineuronen durchgeführt werden. Bei einer vollständigen Transformation erhält man ein vorwärtsgekoppeltes binäres neuronales Netz, das in folgende drei Teilnetze strukturiert ist: 1. Ein Hilfsgewichtsnetz, das zusätzliche synaptische Ge¬ wichte aus bekannten Gewichten berechnet. 30. 2. Ein vorgelagertes Netz.

3. Ein nachgelagertes Netz, an dessen Neuronen das Gesamt¬ ergebnis abgenommen werden kann.

Dieses transformierte Netz ist vollständig bestimmt aus der Topologie des 35 elektrischen Netzes. Ein derartiges neuronales Netz ist in Fig. 7 dargestellt und mit 12 bezeichnet. Die Gewichte des Netzes 12 sind berechnet oder ergeben sich aus den Zweipolstellungen, die als Eingaben die Gewichte der synaptischen Eingänge von Neuronen bestimmen. Die Eingaben sind in Fig. 7 pauschal mit 13 bezeichnet. Die in Fig. 7 pauschal mit 14 bezeichneten Ausgänge werden von den Neuronen des nachgelagerten Netzes zur Verfügung gestellt und stellen die aktuellen Potentiale der Netzknoten dar.

5 Das neuronale Netz 14 benötigt keine Trainingsphase, es zeigt kein In¬ itialisierungsverhalten und arbeitet nicht inkrementell. Es kommt ohne jede Rekursivität aus und ermittelt die Propagation einer prägenden Eigenschaft in optimal kurzer Zeit. Das Ergebnis ist jederzeit exakt.

10. Das neuronale Netz 14 kann hardware- oder softwaremäßig realisiert werden. Die erzielbaren Vorteile sind im folgenden nochmals erwähnt:

- Die Berechnungszeit ist nahezu linear von der Netzgröße abhängig.

- Das Lösungsverfahren (neuronales Netz) ist paralleli- 15 sierbar.

- Das neuronale Netz ermittelt das Ergebnis nicht-inkremen- tell. In Störfällen können viele Schalterstellungsände¬ rungen gesammelt und dann gemeinsam bearbeitet werden.

- Die Initialisierungsphase entfällt.

20. - Das neuronale Netz ermittelt Ergebnisse in Echtzeit auch für sehr große elektrische Netze.

- Das neuronale Netz läßt sich auf spezieller neuronaler Hardware quasi "beliebig" beschleunigen.

25 Es wurde oben bereits erwähnt, daß das Netz so oft nachgebildet wird, wie es unterschiedliche prägende Eigenschaften gibt. Die Fig. 8 zeigt einen topologischen Netzknoten 15, der eine Reihe von Eigenschaften haben kann, die mit EO, E1 , E2, E3...En bezeichnet sind. Die Eigenschaften EO bis E3 werden oben ebenfalls bereits beschrieben. Diese Eigenschaften werden z. B. auf zwei Wegen 16, 17, die mit dem

30. Netzknoten 15 verbunden sind, weiterverbreitet.

In Fig. 9 sind zwei Knoten 18, 19 dargestellt, die über einen Weg 20 verbunden sind, der die verschiedenen prägenden Eigenschaften E0 bis En aufweisen kann. Das Potential eines elektrischen Netzknotens hängt von seiner Verbindung mit 35 einem prägenden Netzknoten ab.

So kann z. B. ein Netzknoten gleichzeitig mit einem

- prägenden Knoten: Einspeisung durch Generator 1 (20 kV) - prägenden Knoten: Einspeisung durch Generator 2 (20 kV)

- prägenden Knoten: Last verbunden sein.

Dieser elektrische Netzknoten weist dann die Eigenschaften 5 - Potential 20 kV, gespeist durch Generator 1 (Eigenschaft E2)

- Potential 20 kV, gespeist durch Generatur 2 (Eigenschaft E3)

- belastet (Eigenschaft E1 ) 10. auf.

Dies wird zu der Gesamtaussage:

- Sicher versorgte Last auf Potential 20 kV - kombiniert.

15

Die Tatsache, ob ein bestimmter Knoten mit einem prägenden Knoten einer bestimmten Eigenschaft verbunden oder nicht verbunden ist, ist unabhängig davon, ob auch noch Verbindungen zu anderen prägenden Knoten mit anderen Eigenschaften bestehen.

20.

Daher ist es möglich, die Verteilung aller Eigenschaften prägender Knoten im elektrischen Netz dadurch zu bestimmen, daß man die Verteilung jeder einzelnen Eigenschaft im Netz voneinander unabhängig bestimmt und dann in einer Gesamtaussage vereinigt, welche die Teilaussagen kombiniert und prioritätsmäßig 25 wichtet.

So ist dann für jeden Netzknoten und jede Eigenschaft eine Ja/Nein-Aussage zu ermitteln, die mit Hilfe binärer Neuronen durchgeführt wird.

30. Daher wird das elektrische Netz durch N neuronale Netze modelliert, die für jede elektrische Eigenschaft unabhängig voneinander Ja/Nein-Aussagen für jeden Knoten bestimmen. Hierbei ist N die Anzahl unterschiedlicher Eigenschaften. Ein derartiges neuronales Netz 21 ist in Fig. 10 dargestellt. Die unabhängig ermittelten Ergebnisse der einen Knoten repräsentierenden N binären Neuronen werden dann

35 zu einer Gesamtaussage zusammengefaßt, die, wie oben erwähnt, von der Priorität der Eigenschaften abhängt, die wiederum durch die physikalischen Gegebenheiten der jeweiligen Eigenschaft bestimmt ist. Die Priorität ist demnach vorgegeben.

Claims

Patentansprüche

1. Anordnung für die Bestimmung der Betriebszustände eines elektrischen 5 Energienetzes, mit dem elektrische Energie transportiert, verteilt und

Verbrauchern verfügbar gemacht wird, dadurch gekennzeichnet, daß eine von der Anzahl prägender elektrischer Eigenschaften der Knoten eines Netzes abhängige Anzahl von neuronalen Netzen mit gleichem Aufbau

10. vorgesehen ist, die für die Netzknoten jeweils Neuronen (NO, N1 , N2, N3, N4) aufweisen, die jeweils entsprechend den Verbindungen zwischen den Netzknoten synaptisch derart miteinander verbunden sind, daß bei über Zweipole verlaufenden Verbindungen die synaptischen Gewichte (G0, G1 , G2, G3, G4, G5, G6) entsprechend den jeweiligen Stellungen der Zweipole

15 von außen im Netz auf null oder eins eingestellt werden, daß die

Skalarprodukte aus Gewichtsvektor und Inputvektor der Neuronen (N0...N4) jeweils mit einem Schwellwert von eins verglichen werden, daß in Abhängigkeit vom Vergleichsergebnis größer oder gleich oder kleiner eins die Neuronen (NO...N4) jeweils eine eins oder null erzeugen und daß die

20. Gewichte der Ausgänge der einander in den einzelnen neuronalen Netzen entsprechenden Neuronen in Abhängigkeit von der Priorität der prägenden Eigenschaften einander überlagert werden.

2. Anordnung, insbesondere nach Anspruch 1 , 25 dadurch gekennzeichnet, daß anstelle von prägenden Netzknoten in den neuronalen Netzen Neuronen mit Gewichtsvektoren von eins und anstelle von nicht prägenden Netzknoten Neuronen mit Gewichtsvektoren von null vorgesehen sind.

30.

3. Anordnung nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die neuronalen Netze anstelle von Randneuronen jeweils Zu¬ satzneuronen (n_x) aufweisen, die über ein der Kopplung des jeweiligen Randneurons (N_x) entsprechendes synaptisches Gewicht (G_x) an das im

35 neuronalen Netz dem Randneuron (N_x) benachbarte Neuron (N_n) vorwärtsgekoppelt sind, das über ein der Kopplung des Randneurons (N_x) entsprechende synaptische Gewicht (G_x) an ein nachgeschaltetes Neuron (N_x ) vorwärtsgekoppelt ist, an dem der Zustand des Randneurons (N_x) verfügbar ist.

4. Anordnung nach einem oder mehreren der vorhergehenden Ansprüche, 5 dadurch gekennzeichnet, daß anstelle eines Transfemeurons (Ny) jeweils ein Zusatzneuron (ny) über ein der synaptischen Kopplung des Transferneurons (Ny) entsprechendes Gewicht (G_a, Gb) an je eines der benachbarten, im Rahmen der Netzstruktur nicht direkt synaptisch bidirektional gekoppelten Neuronen (N_a, Nb) vorwärts

10. gekoppelt ist, daß die benachbarten Neuronen (N_a, Nb) untereinander durch eine bidirektionale synaptische Kopplung entsprechend einem von einem Hilfsneuron (Hy) berechneten Gewicht verbunden sind, das von den synaptischen Gewichten (G_a, Gb) des Transferneurons bestimmt wird, und daß die benachbarten Neuronen (N_a, Nb) je über ein der synaptischen

15 Kopplung des Transferneurons (N_y) entsprechendes Gewicht (G_a, Gb) an ein nachgeschaltetes Neuron (Ny ) vorwärtsgekoppelt sind, das den Zustand des Transfemeurons (N_y) angibt.

5. Anordnung nach einem oder mehreren der vorhergehenden Ansprüche, 20. dadurch gekennzeichnet, daß anstelle eines Transfemeurons (N_z) jeweils ein Zusatzneuron (n_z) über ein der synaptischen Kopplung des Transfe eurons (N_z) entsprechendes Gewicht (G_a\ Gb') an je eines der benachbarten Neuronen (N_a\ Nb') vorwärts gekoppelt ist, die miteinander bidirektional durch ein von einem Hilfsneuron

25 (H_z) berechnetes synaptisches Gewicht (G_z) gekoppelt sind, das vom

Hilfsneuron (H_z) in Abhängigkeit vom Gewicht (G_ab, G_a\ Gb') der synaptischen Kopplungen zwischen Transferneuron (N_z) und benachbarten Neuronen und dem Gewicht zwischen den beiden benachbarten Neuronen (N_a\ Nb') berechnet wird, und daß die benachbarten Neuronen (N_a\ Nb') je

30. über synaptische Gewichte (G_a\ Gb'), die den synaptischen Gewichten des

Transfemeurons (N_z) entsprechen, an ein nachgeschaltetes Neuron (N_z ) vorwärts gekoppelt sind, das den Zustand des Transfemeurons (N_z) angibt.

6. Verfahren zur Bestimmung der Betriebszustände eines elektrischen 35 Energienetzes mit einer Vorrichtung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die synaptischen Gewichte entsprechend den binären Zuständen der Zweipole eingestellt werden und daß die Zustände des Energienetzes aus den Zuständen der Neuronen unter Zuordnung zu prägenden physikalischen Größen bestimmt werden.