Использование технологии нейронных сетей для решения задач диагностики

Интеллектуальные системы на основе искусственных нейронных сетей (ИНС) позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления.

Подобно биологической нейронной системе ИНС является вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Модели ИНС в некоторой степени воспроизводят "организационные" принципы, свойственные мозгу человека.

n s = ∑ xi wi. i = 1

По аналогии с биологическим нейроном искусственный нейрон также имеет синапсы, ячейку нейрона и аксон. Аксон - выходная связь нейрона, с которой сигнал поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом w_i, который по физическому смыслу эквивалентен электрической проводимости. В ячейке нейрона суммируются все входы, что определяет текущее состояние нейрона.

Текущее состояние нейрона определяется, как взвешенная сумма его входов:

Выход нейрона есть функция его состояния Y = f (s).

Нелинейная функция f называется активационной и может иметь различный вид. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид (т.е. функция S -образного вида): f (x) = 1 / (1 + e ^{– σx} ).

ИНС может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами. По архитектуре связей ИНС могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями. Очевидно, что процесс функционирования ИНС, то есть сущность действий, которые она способна выполнять, зависит от величин синаптических связей, поэтому, задавшись определенной структурой ИНС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех весовых коэффициентов. Этот этап называется обучением ИНС, и от того, насколько качественно он будет выполнен, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения кроме параметра качества подбора весов важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью и их приходится выбирать на основе компромисса.

Наиболее распространенным алгоритмом обучения является алгоритм обратного распространения ошибки. Суть алгоритма - распространение сигналов ошибки от выходов ИНС к ее входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки ИНС является величина: E (w) = (1 / 2) ∑(y_jp ^{( N )} - d_jp)², где y_jp ^{( N )}– реальное выходное состояние нейрона j выходного слоя N нейронной сети при подаче на ее входы p -го образа; d_jp – идеальное (желаемое) выходное состояние этого нейрона. Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам. Минимизация ведется методом градиентного спуска, что означает подстройку весовых коэффициентов следующим образом:

Δ w_ij ^{( n )} = - η∂E / ∂w_ij. Здесь w_ij – весовой коэффициент синаптической связи, соединяющей i -ый нейрон слоя n -1 с j -ым нейроном слоя n, η – коэффициент скорости обучения, 0< h <1.

Следует иметь в виду, что для успешного решения реальных задач необходимо определить ряд характеристик, включая модель сети, ее размер, функцию активации, параметры обучения и набор обучающих примеров. В настоящее время метод ИНС активно используется для решения следующих энергетических и электротехнических задач: предсказание нагрузки; прогнозирование температуры окружающей среды с целью прогнозирования нагрузки; управление потоками электроэнергии в сетях; обеспечение максимальной мощности; регулирование напряжения; диагностика энергосистем с целью определения неисправностей; оптимизация размещения датчиков для контроля безопасности энергосистем; мониторинг безопасности энергосистем; обеспечение защиты трансформаторов; обеспечение устойчивости, оценка динамического состояния и диагностика генераторов; диагностика и мониторинг нагрева трансформаторов и др.