Название компании
ОЦЕНКА ВОЗМОЖНОСТИ ВНЕДРЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МИКРОПРОЦЕССОРНУЮ РЕЛЕЙНУЮ ЗАЩИТУ
УДК 621.316.925.1
Основин Д.И., ассистент, кафедры «Электроснабжение транспорта» Уральский государственный университет путей сообщения, Россия, г. Екатеринбург
Крупенин С.С., канд. технических наук, доцент кафедры «Техносферная безопасность» Уральский государственный университет путей сообщения, Россия, г. Екатеринбург
Учитывая постоянный рост потребления электроэнергии, внешние политические вызовы и импортозамещение российской экономики в условиях сильнейшего санкционного давления развитие и надежная работа современной энергосистемы является наиважнейшим фактором экономической и политической безопасности страны. Одним из главных способов развития энергосистемы является внедрения цифровых решений и технологий. Одним из важнейших элементов в единой энергосистеме является релейная защита, обеспечивающая ликвидацию аварийных и ненормальных режимов тем самым обеспечивая надежную и устойчивую работу энергосистемы. В статье представлен анализ возможностей внедрения технологий искусственного интеллекта в микропроцессорную релейную защиту. Рассмотрены работы зарубежных авторов по данной тематике.
Ключевые слова: нейросети, нейросетевое моделирование, цифровизация, микропроцессорная релейная защита, персептрон, генетический алгоритм, искусственный интеллект, машинное обучение.
Given the constant growth in electricity consumption, external political challenges and import substitution of the Russian economy under the strongest sanctions pressure, the development and reliable operation of a modern energy system is the most important factor in the economic and political security of the country. One of the main ways to develop the energy system is the introduction of digital solutions and technologies. One of the most important elements in a unified power system is relay protection, which ensures the elimination of emergency and abnormal modes, thereby ensuring reliable and stable operation of the power system. The article presents an analysis of the possibilities of introducing artificial intelligence technologies into microprocessor relay protection. The works of foreign authors on this topic are considered.
Keywords: neural networks, neural network modeling, digitalization, microprocessor relay protection, perceptron, genetic algorithm, artificial intelligence, machine learning.
В соответствии с Энергетической стратегией Российской Федерации на период до 2035 года, утвержденной распоряжением Правительства Российской Федерации от 01.06.2021 г. № 1447-р формируется задача динамичного и опережающего развития топливно-энергетического комплекса. Реализация данной задачи требует стимулирование разработки и внедрения цифровых технологий в отраслях топливно-энергетического комплекса. Внедрение цифровых технологий, позволит российскому ТЭК и далее сохранять роль гаранта глобальной и национальной энергетической безопасности. Одним из условий для преобразования энергетической инфраструктуры Российской Федерации является цифровизация электроэнергетической отрасли.
Во исполнение указов Президента Российской Федерации Путина В.В. от 09.05.2017 № 203 «О Стратегии развития информационного общества в Российской Федерации на 2017 - 2030 годы» и от 07.05.2018 № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года», в которых определены национальные цели и стратегические задачи развития Российской Федерации на период до 2030 года, а также распоряжения Правительства Российской Федерации от 28.07.2017 № 1632р, утверждающего программу «Цифровая экономика Российской Федерации» указанные цели и задачи являются важным посылом для внедрения интеллектуальных систем защиты базирующихся на компьютерных технологиях.
Цифровая трансформация затронула крупнейшие электроэнергетические компании отрасли. Для понимания процессов происходящих в электроэнергетической отрасли рассмотрим стратеги цифрового перехода основных игроков данной отрасли.
Одна из наибольших электросетевых компаний мира, оператор электрических сетей в России - ПАО «Россети» реализует национальный проект «Разработка и внедрение цифровых электрических подстанций и электрической части станций на вновь строящихся и реконструируемых объектах электроэнергетики Российской Федерации». Целью проекта является массовое внедрение инновационных высокоэффективных продуктов в энергетическую отрасль – цифровых подстанций и станций, в том числе с применением инновационных принципов построения систем защиты и автоматики. В рамках данной программы организован процесс модернизации устройств и комплексов РЗА.
ПАО «РусГидро» — крупнейшая российская гидрогенерирующая компания, являющаяся основным оператором большинства гидроэлектростанций страны, сформировала новую стратегию развития компании в условиях глобального энергетического перехода, суть которого состоит в изменении энергетической системы – формирования цифровой энергетики будущего.
Основной задачей данного направления является повышение эффективности и надежности работы оборудования.
АО «Концерн Росэнергоатом» — Электроэнергетический дивизион Государственной корпорации по атомной энергии «Росатом», является эксплуатирующей организацией атомных станций России.
Единая цифровая стратегия Росатома была принята в конце 2018 года. В рамках данной стратегии были приняты решения по внедрению проектов цифровизации.
Холдинг «Российские железные дороги» ОАО «РЖД» активно развивается в области цифровой трансформации. Цифровизация РЖД затронула все общекорпоративные задачи компании, идет целенаправленное изменение способов организации работы. В статье [1] описывается комплексное внедрение инноваций на железнодорожном транспорте России.
Так как деятельность РЖД является системообразующей и социально значимой для страны поэтому цифровизация в данной отрасли является очень важным фактором. Цифровизация направлена не только на оказание услуг, но и на техническую составляющею работы компании. Активно развиваются цифровые модели, цифровые двойники. В статье [2] рассматривается исследования надежности системы контактной сети железных дорог как фактора экономического развития региона. Экономическое развитие регионов страны зависит от надежной и правильной работы железной дороги.
Цифровая трансформация призвана обеспечить российскую экономику современными технологическими решениями. Активное внедрение цифровых технологий позволит во много раз сократить время ответа на актуальные вызовы экономики. Поставленные перед российской электроэнергетикой задачи могут быть эффективно реализованы эволюционным путем с значительным применением прорывных технологий, инновационных решений, в том числе благодаря полному переходу к цифровым сетям и подстанциям.
Электроэнергетические устройства такие как (генераторы, трансформаторы, линии электропередач, высоковольтные выключатели, разъединители и т.д.) являются составляющими большой, единой энергетической системы, связанной одновременностью процессов производства и потребления. Надежная и эффективная защита электроэнергетического оборудования является основным фактором бесперебойного электроснабжения потребителей.
При эксплуатации электрооборудования возникают опасные режимы работы (короткие замыкания), которые могут привести к повреждениям и выводу из строя оборудования. При коротких замыканиях, во много раз, по сравнению с нормальным режимом работы увеличиваются токи, при этом значительно понижается напряжение. Ток короткого замыкания вызывает значительные повреждения оборудования благодаря динамическому и тепловому эффекту. Короткие замыкания приводят к отклонению параметров напряжения, тока и частоты от допустимых значений, тем самым нарушая нормальную работу потребителей и энергосистемы.
Для уменьшения последствий коротких замыканий необходимо незамедлительно выявлять и отключать места повреждения.
Выявление коротких замыканий и отключение поврежденных элементов производят крайне быстро, в течение долей секунды. Такое быстродействие может быть обеспечено только средствами автоматики.
В связи с этим возникла необходимость создания и применения автоматических устройств, защищающих оборудование от токов короткого замыкания. В качестве устройств выявления и защиты оборудования от токов короткого замыкания является релейная защита.
Релейная защита (далее - РЗ) осуществляет постоянный непрерывный контроль за состоянием всех элементов оборудования и реагирует на возникновение повреждений и ненормальных режимов. При возникновении повреждений РЗ должна выявить поврежденный участок и отключить его от источника питания, воздействуя на силовые выключатели, предназначенные для размыкания токов короткого замыкания.
Релейная защита является основным видом электрической автоматики, без которой невозможна нормальная работа энергосистем.
Релейная защита и автоматика использует три элементные базы:
электромеханическая;
полупроводниковая;
микропроцессорная.
Основным направлением развития релейной защиты стала микропроцессорная элементная база.
Повсеместное внедрение и развитие микропроцессорной релейной защиты обусловлено значительными преимуществами по сравнению с предшествующими элементными базами.
Преимущества заключаются в следующем:
снижение массы и габаритов устройств;
уменьшение числа используемых элементов;
повышение аппаратной надежности;
возможность сокращения или вывода в аутсорсинг обслуживающего персонала;
повышенное удобство и простота при эксплуатации и обслуживании;
повышение чувствительности, селективности, быстродействия защит;
регистрация параметров, процессов и событий, с возможностью их анализа;
сбор, передача и хранение информации от терминалов релейной защиты.
Микропроцессорная релейная защита использует отличные алгоритмы от применяемых в электромеханических и электронных защитах.
Микропроцессорная защита получает входную информацию (аналоговую, дискретную, цифровую).
Выходной информацией является (дискретная, цифровая, сообщения, выводимые на дисплей терминала).
Основные структурные элементы микропроцессорной защиты:
аналоговые входы;
элементы цифровой обработки;
дискретные входы;
дискретные выходы;
функциональная клавиатура управления;
дисплей;
интерфейс обслуживания;
системный интерфейс;
функциональный интерфейс.
Внедрение микропроцессорной релейной защиты не смогло однозначно решить основные проблемы защит прошлых поколений такие как:
человеческий фактор;
адаптивность релейной защиты к изменяющимся параметрам сети;
усовершенствование логики работы устройств РЗА
надежность электроснабжения;
повышение чувствительности защит;
нелинейные искажения сигнала;
прогнозирование аварий;
эффективность.
Мир движется в сторону автоматизации и роботизации труда, усложнения и всеобщего применения инновационных, высокотехнологичных продуктов.
Микропроцессорная защита является технологически сложной продукцией, при эксплуатации которой, крайне важно обладать необходимыми умениями и навыками. Зачастую персонал обслуживающий и эксплуатирующий данную защиту не обладает необходимыми компетенциями.
На основании проводимых статистических анализов [3] установлено, что значительное количество всех отказов и функциональных сбоев устройств РЗА в России является результатом неправильных, ошибочных действий оперативного или обслуживающего персонала.
В России с целью уменьшения количества отказов защит в результате неправильных действий персонала проводят повышение квалификации и дополнительное обучение специалистов РЗА.
В западных странах аналогичные проблемы решены недопуском персонала к обслуживанию релейной защиты и автоматики. Все действия по настройке и проверке терминалов выполняют представители фирм-изготовителей.
Что позволило компаниям эксплуатирующим данное оборудование оптимизировать расходы путем отказа от большей части персонала РЗА, от закупок дорогостоящего оборудования по проверке устройств РЗА, от затрат связанных с обслуживанием данного оборудования.
Целью внедрения искусственных интеллектуальных систем является полная оптимизация работы релейной защиты, исключение самого слабого фактора данной системы – человека. Переход к искусственному интеллекту признан достичь следующих результатов:
адаптивность релейной защиты к постоянно изменяющимся параметрам;
экономия средств путем сокращения персонала и затрат на техническое обслуживание;
сократить количество неправильных действий защит за счет сокращения доли влияния человеческого фактора при эксплуатации и техническом обслуживании;
увеличение технического совершенствования, надежности электроснабжения;
внедрение новых высокочувствительных РЗ для функционирования РЗ в SmartGrid и энергорайонах с распределенной генерацией;
интеллектуальная система оптимального управления режимами сети с учетом затрат и ущербов;
значительно увеличить чувствительность защиты за счет адаптации уставок защиты к реконфигурациям электросети, изменению ее нагрузок и режимов, наличию распределенной генерации.
Интеллектуальные системы релейной защиты должны обеспечивать:
поведение близко к рациональному поведению человека;
система должна находить решения даже в тех случаях, когда у нее нет заранее подготовленного алгоритма для текущей и набора параметров;
cистема должна обеспечивать достижение целей;
потребитель должен задавать цели, а не алгоритмы их достижения.
Перспективным путем развития микропроцессорной релейной защиты является разработка и совершенствование алгоритмов работы логики. Развитие релейной защиты может происходить в двух направлениях:
1) Количественное – учет большего числа измеряемых параметров, таких как ток, напряжение, сопротивление.
2) Качественное – разработки принципиально новых алгоритмов работы логики.
Перспективным является внедрение алгоритмов на базе искусственного интеллекта (нейронных сетей) [4] (далее - ИИ), элементов нечеткой логики, машинного обучения, генетических алгоритмов, базы знаний и механизмов логического вывода, мультиагентных систем.
Рассмотрим возможности применения различных технологий искусственного интеллекта в работе микропроцессорной релейной защиты.
Нечёткая логика – это раздел математики, которая является обобщением классической логики и теории множеств, описывающих функцию принадлежности элемента ко множеству и принимающей любые значения в интервале от 0 до 1. Применение нечёткой логики в алгоритмах работы РЗА позволяет функционировать защитам в условиях отсутствия точных данных.
Недостатками применения нечетких множеств являются:
1) Отсутствие единого метода определения уставок срабатывания, вследствие отсутствия методики конструирования нечетких систем.
2) Не применима к задачам с большим диапазоном мощностей электроэнергетического оборудования.
Генетический алгоритм – это алгоритм поиска, последовательного подбора, искомых параметров используя механизмы, напоминающие биологическую эволюцию для решения задач оптимизации.
В статье [5] рассматривается использование генетического алгоритма для оптимизации селективности. Данный метод позволил улучшить селективность и быстродействие. Главное преимущество генетических алгоритмов заключается в отсутствии необходимости использования информации о поведении электроэнергетической системы, генетические алгоритмы не проводят анализ причинно-следственных связей, а выстраивают целевую функцию, тем самым повышается устойчивость к недостаточности данных.
К недостаткам можно отнести:
1) Высокая вероятность неоптимального решения;
2) Необходимость наличия специалиста, для формулирования задачи, определения критерия отбора;
3) Низкое быстродействие, в следствии высокой ресурсоёмкость.
Искусственная нейронная сеть (далее - ИНС) – это математическая модель, раздел искусственного интеллекта, построенная по принципу работы биологических нейронных сетей. Пример искусственной нейронной сети представлен на рисунке 1.
Составные элементы нейронных сетей:
1) Нейроны – функциональные единицы, которые получают информацию, производят математические вычисления и передают обработанную информацию. Нейроны подразделяются на:
а) Входные нейроны – принимают информацию и передают ее на первый скрытый слой;
б) Скрытые нейроны – суммируют информацию от вышестоящих нейронов и производят вычисление;
в) Выходные нейроны – выводят результат.
2) Синапсы – выполняют роль передачи информации между нейронами.
Передаваемая информация от одного нейрона к другому изменяется благодаря особому параметру, называемому весом синапсиса.
Рис. 1. Пример искусственной нейронной сети
Искусственные нейронные сети обладают значительными возможностями и глубоким потенциалом. ИНС позволяют обрабатывать информацию параллельно, а не последовательно, что значительно ускоряет процесс обработки информации.
Главной особенностью ИНС является обучаемость, во время которой происходит настройка связей между нейронами. ИНС применяются для распознавания образов, в прогнозировании, в экономике и во многих других областях. В РЗА обучаемость ИНС позволит ей самостоятельно определять уставки срабатывания за счёт примеров аварийных режимов, в отличие от традиционной релейной защиты, где уставки рассчитываются и задаются. Также ИНС способна адаптироваться, то есть учитывать изменения нормальных параметров режима работы системы, например, при отключении части нагрузки. А за счет способности к прогнозированию, РЗА на базе ИНС может уменьшать либо полностью убирать выдержку времени ещё до возникновения КЗ. Недостатками ИНС является:
1) Отсутствие стандартной методики определения уставки срабатывания защиты;
2) Не всегда получается точное решение.
Сравнив возможности применения различных технологий искусственного интеллекта в работе микропроцессорной релейной защиты установлено, что наиболее подходящим для релейной защиты является искусственные нейронные сети.
Искусственный интеллект на сегодняшний день являются одним из самых популярнейших направлений развития информационных технологий.
Хотя зарождение и развитие этого направления появилось задолго до появления компьютеров.
Развитие искусственного интеллекта, имеет продолжительную историю, поскольку человечество всегда волновал вопрос – как происходят процессы познания и мышления.
Впервые вопросы связанные с процессами познания и мышления начали исследовать философы.
Философия сформировала основные наиболее важные положения рациональной части, но для их представления необходимы фундаментальные знания в области математике.
Исследования в области математики столетиями формировали знания об искусственном интеллекте. Разделы математики такие как логика, арифметика и вероятность оказали значительное влияние на развитие искусственного интеллекта.
Значительный вклад в развитие и становление теории нейронных сетей (1943-1958) внесли следующие исследователи:
Мак-Каллок и Питц в 1943 году опубликовали статью «Логическое исчисление идей, относящихся к нервной активности», благодаря которой было введено понятие нейронных сетей как вычислительных машин. Статья содержала описание математической модели искусственного нейрона;
Канадский биолог Дональд Хебб в 1949 году сформировал первое правило обучения искусственных нейронов;
Фрэнк Розенблатт в 1957 году впервые предложил архитектуру искусственной нейронной сети, названную персептрон, в качестве модели для обучения с учителем.
Теория нейронных сетей активно развивалась до момента опубликования работы Марвина Минского и Сеймура Пейперта в 1969 году, в которой математическая модель нейронной сети подверглась критике. Научное развитие в области нейросетевого моделирования было приостановлено на целых два десятилетия.
Начиная с середины 80-х годов двадцатого века направление «искусственные нейронные сети» получило второе рождение. Благодаря появлению эффективных методов обучения многослойных сетей. Опубликованная работа Джоном Хопфилдом в 1982-1986 годах по рекуррентным многослойным сетям, позволила решать задачи по восстановлению зашумленной информации.
В настоящее время лаборатории ведущих университетов мира и многих известных компаний разрабатывают нейрокомпьютеры, нейроэмуляторы, нейроплаты, нейрочипы.
Возможности применения нейронных сетей в устройствах релейной защиты была сформулирована и представлена в статье [6] в 1995 году. Данная статья рассмотрела алгоритм защиты однофазного силового трансформатора на основе нейронной сети. Входной сигнал нейронной сети представлял собой четырехмерный вектор, полученный с помощью высокочастотного анализа дифференциального тока. Первичный и вторичный ток измерялись с помощью трансформаторов тока, насыщение которых учитывалось. Набор обучающих примеров генерировался с помощью программы электромагнитных переходных процессов. Алгоритм, основанный на нейронной сети, сравнивался с обычным дифференциальным алгоритмом. Установлено, что он более эффективен, особенно в случае насыщения трансформаторов тока.
Тем самым была рассмотрена возможность реализации дифференциальной защиты силового трансформатора на основе нейронных сетей. Дифференциальная защита трансформатора является основной быстродействующей защитой от коротких замыканий в обмотках трансформатора и на его выводах.
В статье [7] представленной на «14 Международной конференции и выставки по распределению электроэнергии» Бирмингем, Великобритания. Были представлены достижения и результаты внедрения нейросетевых технологий в дифференциальной защите силового трансформатора.
Разработана нейронная сеть для дифференциальной защиты трансформатора реализованная на базе микропроцессорного комплекса Sepam 2000.
Нейронная сеть компактна по размеру и полностью создается программным обеспечением защиты. Данная сеть не требует никаких специальных компонентов. Защита использует заводскую аппаратную архитектуру.
Согласно полученным экспериментальным данным защита, реализованная на нейронной сети надежно, не срабатывает при внешнем коротком замыкании и при пусковом режиме силового трансформатора. Внедрение нейронных сетей не уменьшило селективность срабатывания дифференциальной защиты.
В результате анализа возможности внедрения нейронных сетей были выявлены следующие сложности, ограничивающие и затрудняющие повсеместное внедрение.
Особое внимание было уделено обучению нейронных сетей. Эффективность защиты зависит от репрезентативности базы обучения. Нейронная сеть не может экстраполировать. Поэтому список сетевых явлений, подлежащих рассмотрению, должен быть как можно более полным и учитывать как тривиальные, так и экстремальные случаи.
Ввиду разнообразия трансформаторов, подлежащих защите (мощность, связь, магнитные и электрические характеристики), множества возможных сетевых явлений (неисправность внутренней зоны, внешняя неисправность, заранее установленная неисправность, неисправность с источником в первичной и/или вторичной сети, неисправности с насыщенными или ненасыщенными трансформаторами тока и т.д.), трудно получить хорошо сбалансированную базу обучения разумного размера. Такая разработка стала возможной благодаря длительному, подробному предварительному исследованию и использованию эффективных инструментов моделирования. [8]
Таким образом, использование искусственного интеллекта приведет к рождению нового поколения цифровых систем защиты.
В работе [9] рассматривается возможность применения дифференциальной защиты силового трансформатора на базе вероятностной нейронной сети, которая способна отличить бросок тока намагничивания от внутреннего повреждения силового трансформатора. Режим работы трансформатора определяется с помощью отношения напряжения к частоте и амплитуды дифференциального тока.
Для использования в реальном времени в работе предлагается использовать вероятностную нейронную сеть, так как она обобщает поступающие данные без повторения процесса обучения, что позволяет уменьшить время обучения по сравнению с методом обратного распространения ошибки.
В статье [10] рассматривается дифференциальная защита для трансформатора с использованием ускоренной сверточной нейронной сети (СНС). Главным преимуществом СНС является объединение части входных параметров в одно значение, что увеличивает скорость работы, точность, а также эффективность использования оборудования. Проверка данной защиты проводилась на моделируемой системе с напряжением 230 кВ при различных режимы работы сети. По результатам опытов выявлено, что защита на базе ускоренной СНС более надёжна, а также значительно быстрее, чем обычная СНС.
Данный метод, может быть, применён к различным системам независимо от параметров этих систем.
Недостатки метода заключаются в требовании большого набора данных, для обучения нейронной сети.
В работе [11] рассматривается дифференциальная защита трансформатора с использованием двух отдельных параллельно-скрытых многоуровневых ИНС, которые в совокупности называются генеративно-состязательной ИНС. Одна ИНС используется для обнаружения неисправностей, а другая - в качестве классификатора неисправностей. Обе ИНС обучены с помощью метода обратного распространения ошибки и генетического алгоритма. ИНС, обученная с помощью генетического алгоритма, быстро функционирует, даёт более точные результаты, чем ИНС, обученная с помощью алгоритма обратного распространения ошибки.
Благодаря использованию параллельно соединенных скрытых слоев уменьшилось количество весов и изменений, которые необходимо оптимизировать во время обучения, что позволяет сократить общее время обучения ИНС. Недостатком данного метода является сложность построения ИНС.
Выводы: Проанализирована возможность внедрения технологий искусственного интеллекта в микропроцессорную релейную защиту. Рассмотрены основные достоинства и недостатки различных технологий искусственного интеллекта, на основании анализа сделаны выводы о возможности внедрения нейронных сетей в логику работы релейной защиты [12].
Искусственные нейронные сети обладают значительными преимуществами перед алгоритмами на базе элементов нечеткой логики и генетических алгоритмов.
Учитывая все вышеуказанные факты, считаю, что тема внедрения нейронных сетей для идентификации коротких замыканий в электроэнергетических сетях крайне перспективна, а также недостаточно изучена и освещена. Рассмотренные научные работы и статьи зарубежных авторов заявляют о возможности применения искусственного интеллекта на базе нейронных сетей в дифференциальной защите трансформатора. Тем самым рассмотрено применение только для конкретной защиты и оборудования. Необходимо исследовать возможности внедрения данных технологий для широкого круга защит и оборудования. Начинать изучения вопроса необходимо с реализации простейших защит таких как максимальная токовая защита, токовая отсечка и т.д.
Библиографический список
1. Ковалев, А.А. Комплексное внедрение инноваций на железнодорожном транспорте России / А. А. Ковалев, Ф. С. Несмелов, А. В. Микава [и др.] // Транспортное дело России. – 2013. – № 4. – С. 24-26. – EDN RDIYZR.
2. Ковалев, А.А. Исследование надежности системы контактной сети железных дорог как фактора экономического развития региона / А. А. Ковалев, А. М. Маслов, Н. А. Аксенов, А. Ю. Иванищев // Транспортное дело России. – 2016. – № 4. – С. 52-56. – EDN WTIWFX.
3. Приложение № 1 к протоколу Правления ОАО «Россети» от 22.06.2015 № 356пр «Концепция развития релейной защиты и автоматики электросетевого комплекса» – 8 с.
4. Сизых, В.Н. Автоматизация устройств микропроцессорной релейной защиты на основе использования нейросетевых технологий / В. Н. Сизых, А. В. Данеев, М. В. Востриков, К. В. Менакер // Известия Тульского государственного университета. Технические науки. – 2021. – № 11. – С. 324-337. – DOI 10.24412/2071-6168-2021-11-324-337. – EDN PDUDLU.
5. Koochaki, А. Optimal Overcurrent relays coordination using genetic algorithm. / Koochaki, A., Asadi, M. R., Mahmoodan, M., &Naghizadeh, R. A. // 2008 11th International Conference on Optimization of Electrical and Electronic Equipment. doi:10.1109/optim.2008.4602366
6. Bastard, P. «A neural network-based algorithm for power transformer differential protection» / Bastard P., Meunier M. and Regal H. // IEE Proc. Gener. Transm. Disfr-ib. Vol. 142 No. 4 ~UIV 1995 386-392
7. Bastard, P. Neural networks: A mature technique for protection relays / Bastard P., Martin E., Guillot M. // 1997 EE 14th International Conference and Exhibition on Electricity Distribution – С. 1.22.1-1.22.5
8. Крынов, В. М. Анализ использования искусственной нейронной сети для защиты силовых трансформаторов / В. М. Крынов, К. Р. Валиуллин // Университетский комплекс как региональный центр образования, науки и культуры : материалы Всероссийской научно-методической конференции (с международным участием), Оренбург, 25–27 января 2021 года. – Оренбург: Оренбургский государственный университет, 2021. – С. 2968-2973. – EDN LRAMWS.
9. Tripathy Neuro-fuzzy Technique for Power Transformer Protection. / Tripathy, Manoj & Maheshwari, R.P. & Verma, H. // Electric Power Components and Systems - ELECTR POWER COMPON SYST. 36. 299-316. 10.1080/15325000701603967.
10. Afrasiabi, S. Integration of accelerated deep neural network into power transformer differential protection / Afrasiabi S. et al. //IEEE Transactions on Industrial Informatics. – 2019. – Т. 16. – №. 2. – С. 865-876.
11. Vishwakarma, D. N. Application of genetic algorithm trained masterslave Neural Network for differential protection of power transformer / Vishwakarma D. N., Balaga H., Nath H. //2014 9th International Conference on Computer Engineering & Systems (ICCES). – IEEE, 2014. – С. 164-169
12. Основин, Д. И. Применение информационных признаков короткого замыкания в логике работы микропроцессорной релейной защиты / Д. И. Основин // Научно-техническое и экономическое сотрудничество стран АТР в XXI веке. – 2023. – Т. 2. – С. 39-45. – EDN ZNQOKP.
