孟宇静
国网北京密云供电公司 北京 101500
摘要：电气工程自动化一直是现代工业发展的重要组成部分，亦是工业发展程度的重要显现，其在工业领域的广泛应用，不但降低了生产过程中的成本消耗，而且提升了电气系统的可靠性与稳定性。电气工程自动化生产中涉及到多项技术，其中神经网络算法即为其中一项较为有效的智能算法，对于电气工程自动化的发展起着一定的推动作用。文章就神经网络算法在电气工程自动化中的应用优势、应用措施进行了论述与分析。
关键词：神经网络算法；电气工程自动化；应用
引言：社会快速发展，各个行业对电力产品的需求在逐年递增，这对电力运行的稳定性与质量有了更高的要求。当前阶段我国电力系统的管理水平与运行水平相比于以往皆有着较大幅度的提升。自动化技术的发展亦是促进电力行业快速发展的核心动力之一，且融合了多方面的技术，对电力系统的稳定性与质量有着较大的影响。而神经网络算法是一种科学的逻辑推理算法，在电气自动化中有着较为广泛的应用，对于发挥其固有优势有着推动作用。
一、神经网络算法在电气工程自动化中的应用优势
1.不易被其他因素干扰
传统形式的电气工程应用的控制器是借助模型来实现的，但是在构建模型的过程中会受到外界各种因素的干扰，比如数值类型、参数变化等。而实现神经网络算法的有效利用，不需进行模型构建，也无需顾虑数值类型、参数变化，即能对控制器进行自动化管理，这极大程度提升了电气工程自动化程度，并间接提升了生产效率。
2.参数方便调节
机器学习关键因素为选取对应的特征，通常状况下在选取特征时需依赖相关管理人员对相应问题的经验与认知。而神经网络算法却可借助自主学习来进行事物特征的提取，且这一过程完全不需人为参与。在电气工程自动化进程中，会涉及到来自各方面的参数，但是根据“自动化”特征，明显人为参与程度越小越好，传统控制器难以实现全过程的自动化，其根本原因即为不能缺少人为参与。而以神经网络算法为基础的控制器，可借助自动学习，较为全面的了解与把握控制器的各项参数信息，并实现各种参数特征的自动提取，在不掺杂人为因素的条件下实现参数的快捷、方便调节，如此可实现电气工程各项参数的自动化调节与管理。
3.节约成本
电气工程自动化生产过程汇总，会涉及到来自各个方面的设备设施，比如线路、变压器、控制器等，在一般生产模式下，这些设备需安排专人进行定期维护、清理与保养等，这就给企业带来一定的成本压力。但是若不进行，会在后续的使用过程中出现一系列的问题，进而导致难以持续运行，从而给企业带来一定的经济损失。而神经网络算法的应用，可使得电气工程自动化进程不被其他因素所干扰，多数流程皆会按照自动化形式进行，对于人力、设备的要求不高，可起到节约后续成本的效果[1]。
4.降低误差机率
以神经网络算法为基础的电气工程自动化，在运行过程中很难收到其他因素干扰，再辅以本身的抗干扰能力，使得其设置的参数通常状况下不会发生明显的变化，无特殊情况发生时参数数值会长久保持不动，这种状况下基本不会发生理论数值与实际数值相差较大的状况，同理，误差机率亦会同比下降。
二、神经网络算法在电气工程自动化中应用
1.故障诊断
神经网络算法在电气工程自动化中故障诊断方面的应用，较多表现在轴承方面的故障诊断。部分研究者在传统形式的智能诊断系统中应用了振动信号峭度指标以及卷积神经网络算法实现对轴承的系列故障诊断。
诊断过程参考的参数参数包括：滚动状态信号、外圈状况、内圈状况、轴承正常状况等，将这些数据信心输送至卷积神经网络模型实现数据分类。其中仿真结果显示，通过卷积神经网络模型的系列应用，提升了轴承诊断99.5%的准确率，相比于传统形式的支持向量机，高出3.7%[2]。
也有部分研究人员为获取更加准确的感应电机转子断条故障，制定了一种神经网络故障诊断优化算法。该算法的首要步骤为通过电子电流来提取对应的故障特征，然后通过神经网络算法CPSO-BP完成故障识别。借助仿真结果表明以定子电流为基础的神经网络算法对比传统形式的神经网络算法，可进一步提升故障准确率。为将多电平逆变器中存在的故障诊断问题解决，有部分研究者借助深度神经网络算对逆变器进行故障诊断，该算法核心为逆变器相关故障数据的提取，然后通过堆栈自编码深度神经网络算法提取相应的故障诊断，最后再通过MATLAB软件仿真，结果显示通过此方式设计出的神经网络算法较大程度提升了逆变器本身的故障诊断准确程度。
针对BP神经网络算法实施变压器故障诊断时极易产生的局部最优难题，致使运行效率与诊断效率低的问题，部分研究人员提出将BP神经网络算法与自适应差分进化算法进行结合以用于故障诊断算法，根据其仿真结果显示该种方式与传统形式的BP神经网络算法比较能够更为精确的识别，且在运行效率方面有所提升[3]。
2.电气产品优化
神经网络算法实现电气产品优化，主要表现在：部分研究人员针对多参数变化、永磁同步电机非线性等原因导致的系统受到影响，制定了一种相对可行的自适应神经网络算法，其核心思想为通过RBF神经网络算法实现控制器参数的有效控制，如此可提升系统的精度以及鲁棒性。再借助MATLAB软件完成仿真，其结果显示设计出的算法有效提升了控制器本身的控制精度。
针对优化电气产品过程中出现的准确率低的现象，有研究人员提出以性能时变数据分析为基础的再设计模型方式，该方式应用的是无需进行监督学习的自编码神经网络算法，将其应用在电气产品的优化与设计中，可有效提升产品本身的精度。此外，有研究人员在探究传统PI控制时，发现其在动静控制性能差方面存在一定的问题，针对这种情况设计出了以神经网络算法为基础的PI控制方法，该种方法实现了PI控制与神经网络算法的有效结合，且其仿真结果表明在神经网络算法引入后，PI控制稳定性得到了较大幅度的提升[4]。
3.控制系统
神经网络算法在控制系统中的应用，主要表现在：有研究人员提出双电机同步驱动系统在运行时有同步误差出现，为解决该项问题，设计了一种以单神经元PID为基础的控制算法，其仿真结果显示设计的算法相比于传统形式的控制算法，可较大程度的提升对电机的同步控制精度，抗干扰能力亦有所提升。此外，有研究人员提出磨煤机在运行过程中有惯性大、随机干扰大的现象，针对这一问题，其认为可改进RBP网络神经算法，并将其用于磨机负荷控制，其仿真结果显示应用神经网络算法的过程中，磨机容易受到干扰的问题得以改善，稳定性得以提升。
结语：综述，文章细致论述了神经网络算法在电气工程自动化中的应用优势以及应用途径，并对相关研究人员的研究成果进行了归纳总结，表现出神经网络算法的固有优势。
参考文献：
[1]张学燕,高培金,刘勇.BP神经网络PID控制器在工业控制系统中的研究与仿真[J].自动化技术与应用,2018,(5):9-12.
[2]滕青芳.非线性与神经网络控制方法在控制系统中的应用[J].电气传动自动化,2017, 25(2):28-30.
[3]史春朝.BP神经网络算法的改进及其在PID控制中的应用研究[D].天津大学,2018,(2):11.
[4]王科平,张志刚,王福忠.一种基于神经网络的鲁棒型预测控制算法[J].自动化技术与应用,2018,25(12):15-17.