外文翻译--调试人工神经网络来区分励磁涌流和内部故障(编辑修改稿)

外文翻译--调试人工神经网络来区分励磁涌流和内部故障(编辑修改稿)内容摘要：

Relays and Protection Systems,” IEEE Tutorial Course Text, Publication No. 88EH02691PWR, 1988. [18] Mori, H., Itou, K., Uematsu, H., Tsuzuki, S. “An Artificial NeuralNet Based Method for Predicting Power System Voltage Harmonics,” IEEE Trans. on Power Delivery, Vol. 7, No 1, Jan. 1992, pp. 402 409. [19] Ebron, S., Lubkeman, D. and White, M. “A Neural Network Approach to the Detection of Incipient Faults on Power Distribution Feeders.” IEEE Transactions on Power Delivery, Vol. 5, No 2, April 1990. [20] Sultan, A., Swift, G., Fedirchuk, D. “Detectionof HighImpedance Arcing Faults Using a MultiLayer Perceptron”. IEEE PES Winter Meeting, NY, Jan, 1992. Paper No 92 WM 2071 PWRD. [21] Stigant, S. A. and Franklin, A. C. The J @ P Transformer Book. John Wiley amp。 Sons, NY, 1973. [22] Becia, W. METER: A Data Acquisition €4 Control System for the Power System Laboratory, M. SC. Thesis, Washington State University, 1992. [23] Wall, R. W., PCEMTP User’s Manual, Power Products ucts Inc., July 18, 1989. [24] Demuth, H. and Beale M. Neural Network Toolbox User’s BIOGRAPHIES Guide, J ~ . 1,992 作者简介 Luis G. Pamp。 ez (M)生于 1957 年， 帕斯夸谷，委内瑞拉。 1979 年 从玻利瓦尔大学获工程师学位 ， 1982 年 从委内瑞拉中央大学 获得 硕士学位。 1983 年参与 玻利瓦尔大学 的 能量转换和传递系 实验 ，此后在这 里 终身 工作。 1986 年 和 1989 年 之间 ，担任主席。 佩雷斯先生 主要研究 电力系统保护、高压变电站的设计研究领域，自 1983 年 以来，先后在委内瑞拉参加了有关这些领域 的 1979 多个项目。 1991 年 1 月取得 华盛顿州立大学电子工程和计算机科学学院的博士学位。 Alfred J. Flechsig (SM)生于 1935 年， 塔科马，华盛顿 ， 1959 年在于 华盛顿州立大学电气工程系 工作。 在 1957年和 1959年分别获得了 华盛顿州立大学 的学士和 和硕士学位 ，在 1970 年他 获得 路易斯安那州立大学电子工程博士 学位。 他的兴趣主要是电力系统的教学与研究。 他的研究包括房屋系统，电力系统，继电保护，节能住宅和太阳能热优化分析。 他是一名注册专业工程师， 担任 华盛顿州和路易斯安那州和华盛顿州立大学电子工程与计算机 科学学院教授。 Jack L. Meador (M)在 1956 年 10 月出生在得克萨斯州阿马里洛 ，在 1979 年， 1981年， 1987 年分别获得 华盛顿州立大学电子工程学士，硕士和博士学位。 而他作为一个计算机系统的经理和一个独立的顾问工作。 他目前是华盛顿州立大学电子工程与计算机科学学院助理教授 ， 他 从事 神经网络和 VLSI 设计 的 研究。 目前 ， 他的 researchinterestsinclude脉冲编码的神经网络理论与实施和神经网络应用到混合 signalintegrated 电路测试。 他是IEEE 电路与系统学会神经系统和应 用程序的技术委员会的现任主席，也是国际神经网络学会和 ACM的成员。 Zoran ObradoviC (M)在 1985年获得了信息与计算机科学学院 的 应用数学理学学士，于 1987 年 获得 数学与计算机科学学士学位， 1991 年 获得 Pennsylvania State 大学计算机科学学士学位。 他是 Boris Kidric 研究所 “ 的 系统程序员， 1984 年至 1986 年，是贝尔格莱德的塞尔维亚科学和艺术学院 的 研究的科学家。 目前，他是华盛顿州立大学电子工程与计算机科学学院助理教授。 他的研究兴趣包括神经网络，并行处理，机器学习 ，模式识别，算法设计与分析。 讨论 , （ 纽芬兰省纪念大学，圣约翰， NF，加拿大 ）：首先 祝贺作者，在变压器 中 使用前馈神经网络来区分浪涌电流和故障电流。 我们有一些对本文提出的意见和问题。 1 在故障情况下得到了变压器通电的浪涌，的例子是通过模拟获得的。 故障信号的频谱分析是有益的 ， 目前尚不清楚是否有显着的谐波分量。 2 作者认为 在 获得 调试 数据的情况下，实验室变压器故障，应用故障， 可以 用合适的变压器 作 后备保护。 权重和偏 差 的值的可能会是不同的的，如果从试验变压器中同时获得的浪 涌和故障的所有的 调试 样例。 3正如作者所指出的，计算要求的 FFNN 实现 数据 是非常大的，即使是单相变压器。 这是能够实现在一个单一的数字信号处理板〔 A〕，由于权重的范围广泛 ， 三相变压器的主要保护功能是非常显 著 的，所 以 提出的方法 ， 需要一个用于精确的数学协处理器 ， 采样间隔计算。 4 FFNN（图 5e）的建议的体系结构需要一个数据窗口的周期的一半。 如果输入到网络中的一些基本信号样本和一些故障的信号样本，在故障发生的瞬间，或随后内部故障的突入的情况下，可以依赖于神经网络。 我们赞扬作者提出的首次应用人工神经网络的数字式 继电器。 参考 ； [A] , , , A StandAlone Digital Protective Relay for Power Transformers, IEEE Transactions on Power Delivery, Vol. 6, No. 1, January 1991, pp. 85 95. L. G. PQrez, A. J. Flechsig, J. L. Meador, 2. Obradovid (School of Electrical Engineering and Computer Science, W. S. U., Pullman, WA) 作者感谢 读 者 对 本文兴趣并提出宝贵意见。 这些意见将 写在 他们讨论 中。 1 在 故障实例的基础上 采用 计算机模拟的故障实例的瞬时值进行适当缩减 ， 使用获得的浪涌变压器单元库 做 例子。 在某些情况下，得到一个简单的 RL 电路的响应 ， 二次谐波分量的故障实例 40%。 这样做是有意向的训练网络，这是能够区分故障电流具有很高的二次谐波分量和励磁涌流。 2 读 者是正确的，他们说结果的权重和偏 差 ，他们 能得到的故障 调试 的例子是不同的。 然而我们认为 这是 可能，我们认为这个初步的结果的计算机模拟故障的例子足以 说明 ，该方法工作 是 安全。 我们相信，在一个实际的实施培训必须使用相结合的实地测量和计算机生成的故障实例。 3在这一点上 ， 我们与 读 者 意见一样。 然而，我们预计，随着硬件 DSP 应用目前的发展速度和准确性，完整的变压器保护可以成功的实现要求，包括浪涌检测。 4图 5所示 ,所有架构测试一 个 周期的数据窗口和十二个样品窗口的采样率。 这 只有包含处理单元（神经元）显示层（对应于输入层没有在图 5 所示）。 如图 1 所示 ， 小缺圆代表处理单 元。 一个更完整的表示，如图 1 图 5E 网络所示。 Figure C1. Detailed scheme of the work shown in Figure 5e Manuscript received March 29, 1993 IEEE Transactions on Power Delivery, , No1, January 1994 TRAINING AN ARTIFICIAL NEURAL NETWORK TO DISCRIMINATE BETWEEN MAGNETIZING INRUSH AND INTERNAL FAULTS LUIS G. PEREZ ALFRED J. FLECHSIG JACK L. MEADOR ZORAN OBRADOVIC Member, IEEE Senior Member, IEEE Member, IEEE Member, IEEE School of Electrical Engineering and Computer Science Washington State University Abstract — A feed forward neural work (FFNN) has been trained to discriminate between power transformer magizing inrush and fault currents. The training algorithm used was backpropagation, assuming initially a sigmoid transfer function for the work’s processing units (“neurons”). Once the work was trained the units’ transfer function was changed to hard limiters with thresholds equal to the biases obtained for the sigmoids during training. The offline experimental results presented in this paper show that a FFNN may be considered as an alternative method to make the discrimination between inrush and fault currents in a digital relay implementation. Keywords — Inrush Current, Power Transformer Protection, Digital Relays, Neural Networks.。