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

Anordnung und verfahren für die bestimmung der betriebszustände eines elektrischen energieversorgungsnetzes Download PDF

Info

Publication number
WO1996037028A1
WO1996037028A1 PCT/EP1996/002005 EP9602005W WO9637028A1 WO 1996037028 A1 WO1996037028 A1 WO 1996037028A1 EP 9602005 W EP9602005 W EP 9602005W WO 9637028 A1 WO9637028 A1 WO 9637028A1
Authority
WO
WIPO (PCT)
Prior art keywords
neuron
network
neurons
synaptic
weight
Prior art date
Application number
PCT/EP1996/002005
Other languages
English (en)
French (fr)
Inventor
Gerhard DÖDING
Original Assignee
Aeg Atlas Schutz- Und Leittechnik Gmbh
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aeg Atlas Schutz- Und Leittechnik Gmbh filed Critical Aeg Atlas Schutz- Und Leittechnik Gmbh
Priority to EP96914197A priority Critical patent/EP0826259A1/de
Publication of WO1996037028A1 publication Critical patent/WO1996037028A1/de

Links

Classifications

    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology

Definitions

  • the invention relates to an arrangement for determining the operating states of an electrical energy network with which electrical energy 10 is transported, distributed and made available to consumers, and to a method for exercising with the arrangement.
  • the operating states of an electrical power supply network are u. a. found in switching operations requirements to before executing the
  • the current operating state of the switchgear is formed in each case from the current position signal signals of the switchgear and a basic set of topological elements with which all possible operating states of switchgear assemblies can be specified.
  • the current operating state is saved by means of stored switching error protection interlocking rules
  • the release or blocking of the switching action request command is determined from the dominant states of the areas by comparison with switching error protection locking rules (DE 38 12 072 C3).
  • the calculation time for the electrical potential distribution of the networks depends on the network size and the degree of meshing of the respective network.
  • a procedural algorithmic method for calculating the Potential distribution used. Starting from formative network elements such as generators and feeders, viable routes through the network were searched along closed switches. The objects that can be reached from a formative network element along the walkable path then show the same thing
  • An arrangement for determining the operating states of an electrical energy network is known, with which energy is transported, distributed and made available to consumers 20, in which a neural network is used.
  • State variables of the energy network are entered into a state memory to which the neural network is connected, which carries out stability calculations for the energy network at high speed (JP 07-107 667 A. IN: Patent Abstract of Japan, CD-ROM).
  • Hopfield network recurrent neural network
  • the invention is based on the problem of developing an arrangement and a method for carrying out the arrangement for determining the operating states of an electrical energy network, with which the potential distribution can be quickly obtained even with large energy networks.
  • the problem is solved for the arrangement according to the invention in that a number of neural networks with the same structure, which depend on the number of defining electrical properties of the nodes of a network, is provided, which each have neurons for the network nodes, each corresponding to the Connections between the network nodes are synaptically connected to one another in such a way that, in the case of connections running over two-pole systems, the synaptic weights are set to zero or one in accordance with the respective position of the two-pole system from the outside in the network, so that the scalar products of the weight vector and input vector of the neurons each have a threshold value of one are compared, that depending on the result greater or equal or less than one the neurons each generate a one or a zero and that the weights of the outputs of the neurons corresponding to one another in the individual neural networks are superimposed as a function of the priority of the defining properties become.
  • each network node is replaced by a binary neuron.
  • the paths between the nodes are set up in accordance with the network topology as synaptic connections that are bidirectional.
  • the connections between the network nodes often run
  • the bipoles are simulated by synaptic weights, where an open two-pole corresponds to weight zero and a closed two-pole corresponds to weight one.
  • the energy network is therefore a recurrent neural network with a symmetrical weight matrix
  • Formative network nodes can be simulated by formative neurons that output the value one.
  • weight vectors of one are provided in the neural networks instead of characteristic neurons and weight vectors of zero instead of non-characteristic neurons.
  • the neural networks each have 35 additional neurons instead of edge neurons, which are coupled via a synaptic weight corresponding to the coupling of the edge neuron to the neuron adjacent to the edge neuron in the neural network, which is coupled via a synaptic weight corresponding to the coupling of the edge neuron a downstream one Neuron is coupled forward, with which the state of the edge neuron is output.
  • the measures described above each create a neural network with less recurrence.
  • the edge neuron is to be understood here as a neuron that has only a bidirectional connection to a neighboring neuron.
  • an additional neuron is attached to each of the neighboring ones within the network structure via a weight corresponding to the synaptic coupling of the transfer neuron
  • Non-synaptically coupled neurons of the neural network are coupled forward, the neighboring neurons being connected to one another by a bidirectional synaptic coupling in accordance with a weight calculated by an auxiliary neuron, which is determined by the synaptic weights of the transfer neuron, and the neighboring neurons being connected one of the synaptic
  • Transfer neuron is to be understood here as a neuron that has two bidirectional, synaptic connections to neighboring neurons. The recurrent network therefore no longer contains the transfer neurons or the transfer neurons. It is important to
  • the replacement of some of the transfemeurons means a substantial reduction in the time required to determine the network status.
  • the overall network is expanded by two additional neurons, the subnetworks upstream and downstream of the respective rest of the recurrent network being linear.
  • an additional neuron is preferably coupled forwards via a weight corresponding to the synaptic coupling of the transfer neuron to one of the neighboring neurons, which are bidirectionally coupled to one another by a synaptic weight calculated by an auxiliary neuron,
  • the auxiliary neuron which is calculated by the auxiliary neuron as a function of the weight of the synaptic neurons and the weight between the two neighboring neurons, the neighboring neurons each being coupled to a downstream neuron via synaptic weights which correspond to the synaptic weights of the transfer neuron, the indicates the state of the transfer neuron.
  • the bidirectional couplings of one or more transfer neurons can be replaced by the partial networks and auxiliary networks, which are linear, which results in a reduction in the time required for determining the state of the networks. If there are neurons in the respective neural network that are connected to neighboring neurons via more than two synaptic connections, then each synaptic connection to a neighboring neuron is replaced in the manner described in connection with 5 transfer neurons. Neurons that are connected to neighboring neurons by means of more than two connections are referred to as distribution neurons.
  • the result is a feedforward linear network that is structured in three subnetworks, namely an upstream network, an auxiliary weight network that calculates additional synaptic weights from known weights of the recurrent network, and from a downstream network on whose neurons the result of the energy network is available.
  • the transformed neural network is completely determined from the topology of the electrical network.
  • the weights are specified or result from the two-pole positions, which are generated by messages and determine the setting of the weights.
  • the network does not need a training phase, it shows no initialization behavior and does not work incrementally. It does not require recursiveness and determines the propagation of a 20th defining property in an optimally short time. The result is exact at all times.
  • Improvements in the calculation of the potential distribution of the energy network can also be achieved with an incompletely transformed neural network. Such improvements can be achieved by e.g. B. only the 25 edge neurons or transfer neurons or distribution neurons can be replaced in whole or in part in the manner described above.
  • a method for carrying out one of the arrangements described above is that the synaptic weights are set to the binary 30th states of the bipoles and that the states of the energy network are determined from the states of the neurons with assignment of physical quantities. Depending on the type of network and the degree of transformation, the states of the energy network can only be determined on the downstream neurons.
  • the neural networks described above can be designed as hardware networks or in software. In the case of hardware networks, the result is available more quickly in the event of one or more changes in the state of the bipoles.
  • the invention is described below with reference to an embodiment shown in a drawing, from which further details, features and advantages result.
  • FIG. 1 shows a circuit diagram of an electrical power supply network
  • FIG. 2 shows the energy supply network shown in FIG. 1 by means of a node-path graph; 10.
  • Fig. 3 shows a binary, feedback neural network as a model for the
  • Energy supply network 4a, b show a diagram to illustrate the transformation of bidirectionally connected edge neurons of the network into a feedforward
  • Network structure 15 Fig. 5a, b is a diagram to illustrate the transformation of bidirectionally coupled with uncoupled neighboring neurons
  • Transfer neurons of the neural network acc. 3 shows a feedforward network structure; 6a, b show a diagram to clarify the transformation of bidirectionally 20th coupled neighboring neurons
  • Transfer neurons of the neural network acc. 3 shows a feedforward network structure
  • Fig. 9 is a schematic representation of two network nodes through one
  • FIG. 10 shows a neural network constructed from several subnetworks.
  • FIG. 1 shows an example of an electrical power supply network which has an infeed 1 in the form of a generator which is arranged in series with a transformer 2 and a circuit breaker 3.
  • a busbar 4 is connected to the circuit breaker 3, from which two branches, not designated 35, emanate which have circuit breakers 5, 6.
  • the circuit breakers 5, 6 are connected together on their ends facing away from the busbar 4 to a circuit breaker 7.
  • Circuit breakers 5, 6 each have a further circuit breaker 8, 9 arranged.
  • the circuit breakers 8, 9 are each followed by consumers 10, 11.
  • An electrical power supply network such as.
  • Bipoles are resources that can change the potential profile, e.g. B. transformers, circuit breakers, disconnectors, earth electrodes, etc.
  • Nodes are the respective edge poles of the two-pole system and the connections between the two-pole system, for. B. lines and busbars. Nodes are loaded with potential. There are formative ones
  • nodes that bring a specific property "grounded”, “loaded”, “supplied” etc. into the network obtain the properties described above in that they are connected to distinctive nodes via a two-pole circuit that is closed. The properties mentioned above are distributed over the closed bipoles to the nodes of the network and thus determine the
  • the energy supply network shown in Fig. 1 can be represented schematically in the form of a node-path graph.
  • the node K0 corresponds to the infeed 1 and is connected to the node K1 via a path WO, which corresponds to the transformer 2
  • the node K1 symbolizes the connecting line between the transformer 2 and the circuit breaker 3.
  • the route W1 corresponds to the circuit breaker 3.
  • the busbar 4 is symbolized by the node K2.
  • the two circuit breakers 5, 6 are each arranged the paths W2, W3, which end in the node K3, K4, which are the lines between each
  • circuit breakers 5, 8 or 6, 9 are connected to one another by way W4.
  • the nodes K3, K4 are each connected through the paths W5, W6, which each symbolize one of the circuit breakers 8, 9, to the nodes K5, K6, to which the consumers 10, 11 correspond.
  • One way Wx e.g. B. one of the ways WO to W6, always acts bidirectionally between the two
  • the path Wx is feasible if the corresponding dipole transfers the property of a node connected to it to the other. Otherwise it is not feasible.
  • the 10th binary network is formed in the following manner, which was explained in connection with FIG. 2.
  • Each of the nodes K0 to K6 is replaced by a binary neuron NO to N6.
  • Each path between two nodes is established as a synaptic connection.
  • the paths G0 to G6 correspond to the paths WO to W6.
  • Formative nodes are simulated by formative neurons 1.
  • FIG. 3 A corresponding neural network is shown in FIG. 3, the circles symbolizing neurons, the rectangles, synaptic weights and the oval surfaces constant inputs.
  • Each path between two nodes is set up as a synaptic connection, which is labeled GO to G6 in FIG. 3. Because of the 20th bidirectionality of the paths, this results in a recurrent neural network with a symmetrical weight matrix.
  • each binary neuron forms the dot product of the weight vector and the input vector and compares it with the 30th threshold value "1". If the dot product is greater than or equal to this threshold, the neuron fires, ie outputs a "1", otherwise a "0".
  • Each defining neuron (equivalent to a defining node) of the property under consideration always fires, ie has an additional synaptic connection with weight "1" to a constant input "1".
  • the Hopfield network is transformed into a feedforward neural network in the manner described below:
  • All the neurons in the network are subjected to a transformation process in the order from the smallest number of connections to the largest number of connections, which successively reduces the recurrent network and generates a feedforward network. The process ends when the recurrent network is reduced to zero.
  • the neuron can either be formative or non-formative. If the neuron is formative, it always fires and can therefore be removed from the recurrent network without any effects. A non-formative neuron never fires and can therefore also be removed from the recurrent network.
  • the neural network is converted. This conversion is explained in more detail with reference to FIGS. 4a and 4b.
  • the neuron designated N x a so-called edge neuron, has only a bidirectional connection with the weight G x to a neighboring neuron N n , which is connected in any way to the recurrent remaining part of the network N r .
  • the original neuron N x is gem. Fig. 4b replaced by an additional neuron n x , which is coupled forward via the same weight G x to the only neighboring neuron N n 35.
  • the result of the recurrent residual network is also forward-fed via the same weight G x to a downstream neuron N x .
  • the states are on the neuron N x ' of the original neuron N x available.
  • the solution properties are retained, the computing time is reduced by reducing the recurrent network.
  • the first case is described below with reference to FIGS. 5a and 5b. It is a 10th neuron Ny, a so-called transfer neuron, connected via the two bidirectional synaptic connections with the weights G a and G D to a neighboring neuron Na and N D.
  • the two neighboring neurons N a , N D are connected to the recurrent residual network N r 'in a manner not shown in detail.
  • the original neuron Ny is replaced by an additional neuron ny, which is coupled forward to the two neighboring neurons N a , Nb via the same weights G a and Gb.
  • the two neighboring neurons N a and Nb which belong to the recurrent residual network N r , are also forwarded to a neuron Ny 'via the same weights G a and G D
  • the auxiliary neuron calculates the weight Gy on the basis of the weights G a and G D , which are each evaluated in half.
  • the states of the original neuron Ny can be tapped at the neuron Ny '.
  • FIGS. 6a, b which also have direct synaptic connections with one another.
  • a neuron labeled N 2 , a so-called transfer neuron according to 6 a , 35 is connected bidirectionally via synaptic weights G a ', Gb' to neighboring neurons N a ⁇ Nb ', which are connected directly to one another bidirectionally and synaptically according to the weight G a b.
  • the connection of the postbameurons N a ', N ⁇ with the recurrent residual network N r is retained in the corresponding manner.
  • the original neuron N z is replaced by an additional neuron n z , which is coupled forward to the two neighboring neurons N a ', N' via the same weights G a 'and Gb'.
  • the entire network was expanded by two additional neurons n z and H z .
  • the upstream and downstream subnetworks and the auxiliary network are linear.
  • the auxiliary neuron H z calculates the synaptic weight G z from the synaptic weights G a b, which is multiplied by one, and from the weights G a ⁇ Gb ', which are each multiplied by 1/2.
  • a transformation is performed based on the transformation of two synaptic connections described above. Every 20th synaptic connection to a neighboring neuron is treated or transformed separately, i.e. H. z. B. performed three transformations for three connections.
  • a forward-coupled binary neural network is obtained which is structured into the following three subnetworks: 1. An auxiliary weight network which calculates additional synaptic weights from known weights. 30. 2. An upstream network.
  • This transformed network is completely determined from the topology of the electrical network.
  • Such a neural network is shown in FIG. 7 and designated 12.
  • the weights of the network 12 are calculated or result from the two-pole positions, which determine the weights of the synaptic inputs of neurons as inputs.
  • the inputs are generally designated 13 in FIG. 7.
  • the outputs, generally designated 14 in FIG. 7, are made available by the neurons of the downstream network and represent the current potentials of the network nodes.
  • the neural network 14 does not require a training phase, it shows no initialization behavior and does not work incrementally. It does not require any recursiveness and determines the propagation of a defining property in an optimally short time. The result is exact at all times.
  • the neural network 14 can be implemented in hardware or software. The achievable advantages are mentioned again below:
  • the solution method (neural network) can be parallelized.
  • the neural network determines the result non-incrementally. In the event of faults, many switch position changes can be collected and then processed together.
  • the neural network determines results in real time even for very large electrical networks.
  • the neural network can be quasi "arbitrarily” accelerated on special neural hardware.
  • FIG. 8 shows a topological network node 15, which can have a number of properties, which are designated EO, E1, E2, E3 ... En.
  • the properties EO to E3 are also described above. These properties are e.g. B. in two ways 16, 17 with the
  • Network nodes 15 are connected, spread.
  • FIG. 9 shows two nodes 18, 19 which are connected by a path 20 which can have the various defining properties E0 to En.
  • the potential of an electrical network node depends on its connection to a formative network node.
  • This electrical network node then has the properties 5 - potential 20 kV, fed by generator 1 (property E2)
  • a yes / no statement is then to be determined for each network node and each property, which is carried out with the aid of binary neurons.
  • the electrical network is modeled by N neural networks, which independently determine yes / no statements for each node for each electrical property.
  • N is the number of different properties.
  • Such a neural network 21 is shown in FIG. 10. The independently determined results of the N binary neurons representing a node are then

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

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 Nx-bezeichnete Neuron, ein sog. Randneuron, hat nur eine bidirektionale 30. Verbindung mit dem Gewicht Gx zu einem Nachbarneuron Nn, das auf beliebige Weise mit dem rekurrenten restlichen Teil des Netzes Nr verbunden ist.
Das ursprüngliche Neuron Nx wird gem. Fig. 4b durch ein zusätzliches Neuron nx ersetzt, welches über das gleiche Gewicht Gx an das einzige Nachbarneuron Nn 35 vorwärtsgekoppelt wird. Das Ergebnis des rekurrenten Restnetzes wird ebenfalls vorwärtsgekoppelt über das gleiche Gewicht Gx an ein nachgeschaltetes Neuron Nx weitergegeben. Es entsteht hierbei ein dem rekurrenten Restnetz vor- und nachgelagertes lineares binäres neuronales Netz. Am Neuron Nx' sind die Zustände des ursprünglichen Neurons Nx 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 Ga und GD mit je einem Nachbarneuron Na und ND verbunden. Die beiden Nachbarneuronen Na, ND sind mit dem rekurrenten Restnetz Nr' 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 Ga und Gb an die beiden Nachbarneuronen Na, Nb vorwärtsgekoppelt wird. Die beiden Nachbarneuronen Na und Nb, die zu dem rekurrenten Restnetz Nr gehören, werden ebenfalls über die gleichen Gewichte Ga und GD 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 Ny 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 Ga und GD, 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. 6a, ist 35 bidirektional über synaptische Gewichte Ga', Gb' mit Nachbarneuronen Na\ Nb' verbunden, die direkt miteinander bidirektional synaptisch entsprechend dem Gewicht Gab verbunden sind. Die Verbindung der Nachbameuronen Na', N^ mit dem rekurrenten Restnetz Nr" bleibt in der entsprechenden Art erhalten. Zur Transformation wird, gem. Fig. 6b, das ursprüngliche Neuron Nz durch ein zusätzliches Neuron nz ersetzt, welches über die gleichen Gewichte Ga' und Gb' an die beiden Nachbarneuronen Na', N ' vorwärtsgekoppelt wird. Die beiden
5 Nachbameuronen Na' und Nb', die zu dem rekurrenten Restnetz Nr" gehören, werden ebenfalls über die gleichen Gewichte Ga' und Gb' an ein Neuron Nz' vorwärtsgekoppelt. Außerdem wird das bidirektionale Gewicht Ga zwischen Neuron Na' und Nb' durch das Gewicht Gz ersetzt, welches durch ein Hilfsneuron Hz be¬ rechnet wird. Das rekurrente Restπetz enthält ds Neuron Nz nicht mehr. Das
10. Gesamtnetz wurde um zwei zusätzliche Neuronen nz und Hz erweitert. Die vor- und nachgelagerten Teilnetze sowie das Hilfsnetz sind linear.
Das Hilfsneuron Hz berechnet das synaptische Gewicht Gz aus den synaptischen Gewichten Gab, das mit eins multipliziert wird, und aus den Gewichten Ga\ 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 (nx) aufweisen, die über ein der Kopplung des jeweiligen Randneurons (Nx) entsprechendes synaptisches Gewicht (Gx) an das im
35 neuronalen Netz dem Randneuron (Nx) benachbarte Neuron (Nn) vorwärtsgekoppelt sind, das über ein der Kopplung des Randneurons (Nx) entsprechende synaptische Gewicht (Gx) an ein nachgeschaltetes Neuron (Nx ) vorwärtsgekoppelt ist, an dem der Zustand des Randneurons (Nx) 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 (Ga, Gb) an je eines der benachbarten, im Rahmen der Netzstruktur nicht direkt synaptisch bidirektional gekoppelten Neuronen (Na, Nb) vorwärts
10. gekoppelt ist, daß die benachbarten Neuronen (Na, Nb) untereinander durch eine bidirektionale synaptische Kopplung entsprechend einem von einem Hilfsneuron (Hy) berechneten Gewicht verbunden sind, das von den synaptischen Gewichten (Ga, Gb) des Transferneurons bestimmt wird, und daß die benachbarten Neuronen (Na, Nb) je über ein der synaptischen
15 Kopplung des Transferneurons (Ny) entsprechendes Gewicht (Ga, Gb) an ein nachgeschaltetes Neuron (Ny ) vorwärtsgekoppelt sind, das den Zustand des Transfemeurons (Ny) angibt.
5. Anordnung nach einem oder mehreren der vorhergehenden Ansprüche, 20. dadurch gekennzeichnet, daß anstelle eines Transfemeurons (Nz) jeweils ein Zusatzneuron (nz) über ein der synaptischen Kopplung des Transfe eurons (Nz) entsprechendes Gewicht (Ga\ Gb') an je eines der benachbarten Neuronen (Na\ Nb') vorwärts gekoppelt ist, die miteinander bidirektional durch ein von einem Hilfsneuron
25 (Hz) berechnetes synaptisches Gewicht (Gz) gekoppelt sind, das vom
Hilfsneuron (Hz) in Abhängigkeit vom Gewicht (Gab, Ga\ Gb') der synaptischen Kopplungen zwischen Transferneuron (Nz) und benachbarten Neuronen und dem Gewicht zwischen den beiden benachbarten Neuronen (Na\ Nb') berechnet wird, und daß die benachbarten Neuronen (Na\ Nb') je
30. über synaptische Gewichte (Ga\ Gb'), die den synaptischen Gewichten des
Transfemeurons (Nz) entsprechen, an ein nachgeschaltetes Neuron (Nz ) vorwärts gekoppelt sind, das den Zustand des Transfemeurons (Nz) 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.
PCT/EP1996/002005 1995-05-17 1996-05-10 Anordnung und verfahren für die bestimmung der betriebszustände eines elektrischen energieversorgungsnetzes WO1996037028A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP96914197A EP0826259A1 (de) 1995-05-17 1996-05-10 Anordnung und verfahren für die bestimmung der betriebszustände eines elektrischen energieversorgungsnetzes

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19518030A DE19518030C1 (de) 1995-05-17 1995-05-17 Anordnung und Verfahren für die Bestimmung der Betriebszustände eines elektrischen Energieversorgungsnetzes
DE19518030.5 1995-05-17

Publications (1)

Publication Number Publication Date
WO1996037028A1 true WO1996037028A1 (de) 1996-11-21

Family

ID=7762104

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP1996/002005 WO1996037028A1 (de) 1995-05-17 1996-05-10 Anordnung und verfahren für die bestimmung der betriebszustände eines elektrischen energieversorgungsnetzes

Country Status (3)

Country Link
EP (1) EP0826259A1 (de)
DE (1) DE19518030C1 (de)
WO (1) WO1996037028A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112666423A (zh) * 2020-12-03 2021-04-16 广州电力通信网络有限公司 一种用于电力通信网络的测试装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102946098B (zh) * 2012-10-23 2014-06-04 四川大学 基于网络拓扑聚类的电力系统主动解列方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1990010274A1 (en) * 1989-02-21 1990-09-07 Rijksuniversiteit Te Leiden Neuronal data processing network
EP0397912A1 (de) * 1989-05-19 1990-11-22 Siemens Aktiengesellschaft Verfahren und Netzwerkanordnung zur Gewinnung des Gradienten der Ausgangssignale eines gegebenen Netzwerkes zur Verarbeitung zeitdiskreter Signale bezüglich der Netzwerkparameter
DE4042139A1 (de) * 1989-12-29 1991-07-11 Ricoh Kk Neuron-einheit, neuronales netz und signalverarbeitungsverfahren
WO1993000864A1 (fr) * 1990-01-08 1993-01-21 Electricite De France (Service National) Procede de traitement de surfaces dentaires ou osteo-articulaires, dispositifs pour sa mise en ×uvre

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3812072C3 (de) * 1988-04-12 1993-09-30 Licentia Gmbh Verfahren zum schaltfehlergeschützten Betätigen der Schaltgeräte einer Schaltanlage
JPH06106009B2 (ja) * 1988-11-16 1994-12-21 東京電力株式会社 ニューラルネットワークによる最適電力負荷配分システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1990010274A1 (en) * 1989-02-21 1990-09-07 Rijksuniversiteit Te Leiden Neuronal data processing network
EP0397912A1 (de) * 1989-05-19 1990-11-22 Siemens Aktiengesellschaft Verfahren und Netzwerkanordnung zur Gewinnung des Gradienten der Ausgangssignale eines gegebenen Netzwerkes zur Verarbeitung zeitdiskreter Signale bezüglich der Netzwerkparameter
DE4042139A1 (de) * 1989-12-29 1991-07-11 Ricoh Kk Neuron-einheit, neuronales netz und signalverarbeitungsverfahren
WO1993000864A1 (fr) * 1990-01-08 1993-01-21 Electricite De France (Service National) Procede de traitement de surfaces dentaires ou osteo-articulaires, dispositifs pour sa mise en ×uvre

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112666423A (zh) * 2020-12-03 2021-04-16 广州电力通信网络有限公司 一种用于电力通信网络的测试装置

Also Published As

Publication number Publication date
EP0826259A1 (de) 1998-03-04
DE19518030C1 (de) 1996-10-10

Similar Documents

Publication Publication Date Title
EP0224711B1 (de) Verfahren zum schaltfehlergeschützten Betätigen der Schaltgeräte einer Schaltanlage
DE4143073A1 (de) Mehrschichtiges neuronales netzwerk
DE4333259C1 (de) Verfahren zum Erzeugen eines die Richtung eines Kurzschlußstromes angebenden Richtungssignals
DE4333260C2 (de) Verfahren zum Erzeugen eines Anregesignals
EP3086428A1 (de) Verfahren und anordnung zur parametrierung von feldleitgeräten und/oder schutzgeräten einer schaltanordnung
DE1463137B2 (de) Distantrelais
DE19518030C1 (de) Anordnung und Verfahren für die Bestimmung der Betriebszustände eines elektrischen Energieversorgungsnetzes
WO2012103904A2 (de) Verfahren und vorrichtung zur bestimmung des lastflusses in einem energieversorgungsnetz
DE3812072C3 (de) Verfahren zum schaltfehlergeschützten Betätigen der Schaltgeräte einer Schaltanlage
WO1995009464A1 (de) Verfahren zum erzeugen von die art eines fehlers in einem zu überwachenden elektrischen energieversorgungsnetz kennzeichnenden signalen
EP4012864B1 (de) Schutzeinrichtung und verfahren zum überwachen eines elektrischen energieversorgungsnetzes
EP1069518B1 (de) Berechnung und visuelle Darstellung von Spannungszuständen auf einem elektrischen Schaltschema
DE102017110753A1 (de) Vorrichtung zum fehlertoleranten Betrieb eines technischen Systems
DE3344413C2 (de)
EP0166206A2 (de) Verfahren und Einrichtung zum schaltfehlergeschützten Betätigen einer aus mehreren Schaltfeldern bestehenden Schaltanlage in einem elektrischen Energieverteilungsnetz
EP3637572A1 (de) Verfahren zum betreiben eines elektrischen übertragungsnetzes
DE69606231T2 (de) Neuronales Diffusionsnetz zur Erzeugung von variablen Empfangsfeldern
DE4027919A1 (de) Verfahren und vorrichtung zum selektiven abtrennen von leitungsabschnitten in energieversorgungsnetzen
EP2197083A2 (de) Verfahren zur Modellierung einer Transformatoranordnung
EP1069517A1 (de) Visuelle Darstellung von Spannungszuständen auf einem elektrischen Schaltschema
EP4391267A1 (de) Verfahren zum beeinflussen eines elektrischen leistungsflusses
DE60307437T2 (de) Leistungsbehandlungschaltung für Raumfahrzeuge
DE1463137C (de) Distanzrelais
DE102020112244A1 (de) Schaltungsanordnung zum Verknüpfen von Netzen mit unterschiedlichen Nennspannungen über Gleichspannungswandler
DE112021008421T5 (de) Gleichstrom-schaltvorrichtung, steuervorrichtung für gleichstrom-schaltvorrichtung, steuerverfahren für gleichstrom-schaltvorrichtung und programm

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FI FR GB GR IE IT LU MC NL PT SE

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 1996914197

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 1996914197

Country of ref document: EP

WWW Wipo information: withdrawn in national office

Ref document number: 1996914197

Country of ref document: EP