摘 要 根据现代控制技术的人工神经网络理论提出了一种保护原理构成方案，并分析了原理实现的可行性和技术难点。 人工神经网络(Aartificial Neural Network，下简称ANN)是模拟生物神经元的结构而提出的一种信息处理方法。
早在1943年，已由心理学家Warren S.Mcculloch和数学家Walth H.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。
其中研究得最为成熟的是误差的反传模型算法(BP算法，Back Propagation)，它的网络结构及算法直观、简单，在工业领域中应用较多。 经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。
非线形神经网络补偿和鲁棒控制综合方法的应用(其鲁棒控制利用了变结构控制或滑动模控制)，在实时工业控制执行程序中较为有效［3］。人工神经网络(ANN)和模糊逻辑(Fuzzy Logic)的综合，实现了电动机故障检测的启发式推理。
对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。 因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。
本文介绍了一种基于人工神经网络(ANN)理论的保护原理。1 人工神经网络理论概述 BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。
图1是人工神经Ui的结构模型，图中Ui为神经元内部状态，Qi为门槛值，Yi为输出信号，Xi(i=1，2，…，n)为神经元接收信号。该模型可表示为：式中 Wji——连接权值。
BP算法的神经网络图形如图2所示，设网络的输入模块为p，令其作用下网络输出单元j的输出为Opj。如果输出的希望值是Tpj，则其误差为Dpj=Tpj－Opj。
若输入模块的第i个单元输入为Ipi，则就输入模块p而言，输入接点I与输出接点j之间的权值变化量为：ΔWpji=zDpjIpi 式中，z是某一个常数。当反复迭代该式时，便可使实际值收敛于目标值［6］。
其中隐含层既有输入网线，又有输出网线，每一个箭头都有一定的权值。 在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。
在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线性功能是BP算法的一大优点。
2 神经网络型继电保护 神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络(ANN)与专家系统(ES)融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。
如图3所示，装置可直接取线路及其周边的模拟量、数字量，经模式特征变换输入给神经网络，根据以前学习过的训练材料，对数据进行推理、分析评价、输出。专家系统对运行过程控制和训练，按最优方式收集数据或由分析过程再收集控制，对输出结果进行评估，判别其正确性、一致性，作出最终判决，经变换输出，去执行机构。
即使是新型保护，也会存在着某些功能模块不正确动作的可能，这时可以过后人为干预扩展专家系统数据库或由专家系统作出判
