人工神經網路(AartificialNeuralNetwork，下簡稱ANN)是模擬生物神經元的結構而提出的一種資訊處理方法。早在1943年，已由心理學家lloch和數學家s提出神經元數學模型，後被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由於它具有本質的非線形特徵、並行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型演算法(BP演算法，BackPropagation)，它的網路結構及演算法直觀、簡單，在工業領域中應用較多。
經訓練的ANN適用於利用分析振動資料對機器進行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網路補償和魯棒控制綜合方法的應用(其魯棒控制利用了變結構控制或滑動模控制)，在實時工業控制執行程式中較為有效［3］。人工神經網路(ANN)和模糊邏輯(FuzzyLogic)的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP演算法學習正常執行例子調整內部權值來準確求解［4］。
因此，對於電力系統這個存在著大量非線性的複雜大系統來講，ANN理論在電力系統中的.應用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟執行及電力系統控制等方面［5］。
本文介紹了一種基於人工神經網路(ANN)理論的保護原理。
1 人工神經網路理論概述
BP演算法是一種監控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調整網路路徑的權值，以使下一次在相同的輸入下，網路的輸出接近於希望值。圖1是人工神經Ui的結構模型，圖中Ui為神經元內部狀態，Qi為門檻值，Yi為輸出訊號，Xi(i=1,2,…，n)為神經元接收訊號。該模型可表示為：
式中 Wji——連線權值。
BP演算法的神經網路圖形如圖2所示，設網路的輸入模組為p，令其作用下網路輸出單元j的輸出為Opj。如果輸出的希望值是Tpj，則其誤差為Dpj=Tpj－Opj。若輸入模組的第i個單元輸入為Ipi，則就輸入模組p而言，輸入接點I與輸出接點j之間的權值變化量為：
ΔWpji=zDpjIpi
式中，z是某一個常數。當反覆迭代該式時，便可使實際值收斂於目標值［6］。其中隱含層既有輸入網線，又有輸出網線，每一個箭頭都有一定的權值。
在神經網路投運前，就應用大量的資料，包括正常執行的、不正常執行的，作為其訓練內容，以一定的輸入和期望的輸出通過BP演算法去不斷修改網路的權值。在投運後，還可根據現場的特定情況進行現場學習，以擴充ANN記憶體知識量。從演算法原理看，並行處理能力和非線性功能是BP演算法的一大優點。
2 神經網路型繼電保護
神經網路理論的保護裝置，可判別更復雜的模式，其因果關係是更復雜的、非線性的、模糊的、動態的和非平穩隨機的。它是神經網路(ANN)與專家系統(ES)融為一體的神經網路專家系統，其中，ANN是數值的、聯想的、自組織的、仿生的方式，ES是認知的和啟發式的。
如圖3所示，裝置可直接取線路及其周邊的模擬量、數字量，經模式特徵變換輸入給神經網路，根據以前學習過的訓練材料，對資料進行推理、分析評價、輸出。專家系統對執行過程控制和訓練，按最優方式收集資料或由分析過程再收集控制，對輸出結果進行評估，判別其正確性、一致性，作出最終判決，經變換輸出，去執行機構。即使是新型保護，也會存在著某些功能模組不正確動作的可能，這時可以過後人為干預擴充套件專家系統資料庫或由專家系統作出判別，作為訓練樣本訓練ANN的這部分功能模組，改變其某些網線的權值，以使下次相同情況下減少不正確動作的可能。