《基于神经网络的110kV双电源线路阻抗继电器.docx》由会员分享，可在线阅读，更多相关《基于神经网络的110kV双电源线路阻抗继电器.docx（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于神经网络的110kV双电源线路阻抗继电器hesp导语：110kV输电线路双电源供电，对于进步供电可靠性和系统稳定性，都有很大的好处。据统计，在所有的线路故障中，70%80%都是单相接地故障。1引言110kV输电线路双电源供电，对于进步供电可靠性和系统稳定性，都有很大的好处。据统计，在所有的线路故障中，70%80%都是单相接地故障。当被保护线路两端均有电源时，此时过渡电阻的影响会对测量阻抗产生一个呈现容性阻抗或者感性阻抗的偏移分量，造成保护范围的扩大或者缩小。该偏移分量除与线路的固有特征参数有关外，还与线路两端等效电源的电势夹角有关1，2，3。利用BP神经网络构成阻抗继电器，使间隔保护能自适
2、应于系统和故障条件的变化而可靠地动作，是一个值得探究的方面4，5。本文用故障后三相电压、电流的基波幅值以及它们的相位差来构成继电器故障选相子神经网络的输入，实现对单相接地故障相别的断定。再根据故障相别断定的结果，以故障相的电压、电流基波幅值及它们的相位差和零序电压、零序电流，线路两端系统电源的电势夹角作为继电器故障定位及测距子神经网络的输入，实现对故障的准确定位和测距。用EMTP对一给定的电力网络进展暂态仿真，结果证实本文提出的设想具有一定的可行性。2基于神经网络的单相接地阻抗继电器2.1基于神经网络的单相接地阻抗继电器的构成本文提出的设想并不进展测量阻抗的计算，只是利用神经网络从系统各种参数
3、的组合形式来识别故障状态。考虑到本文提出的设想选用故障时的电压和电流以及它们之间的相位差作为输入，而且能输出故障点至保护安装处的间隔，因此仍沿用常规间隔保护中阻抗继电器的讲法。基于神经网络的单相接地阻抗继电器由故障选相子网络NN1和故障定位与故障测距子网络NN2两局部构成，其构造如图1所示。故障选相子网络NN1img=348,199zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/11-3.jpg/imgimg=348,198zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/11-1.jpg/img本文所采用的
4、神经网络模型为多层前向神经元网络，采用变学习率和加动量项法的改良BP法。网络中每一层的传递函数选用对数sigmoid函数。神经网络隐含层数目和每一隐含层神经元数目的选择对神经网络的成功训练和推广性能是至关重要的。通过大量的试验，确定故障选相子网络第一、第二隐含层神经元数目均为42，故障定位、测距子网络第一、第二隐含层神经元数目均为36，试验中发现，选择两个隐含层使得神经网络的训练易于进展，其推广性也非常好。2.2基于神经网络的单相接地阻抗继电器的理想输出特性故障选相的理想输出特性为：t1t2、t3为故障相时输出1，非故障相时输出0。当0t1t2、t30.5时，为非故障相；当0.5t1t2、t3
5、1时，为故障相。故障定位，其整定范围设计为保护线路全长的90%。当0a10.5时，为区外或者反方向故障，当0.5a11时，为区内故障。故障测距，当0a20.09时，为反方向故障；当0.09a20.79时，故障间隔为lBCa20.09/0.70km；当0.79a21.00时，故障间隔为lBClCDa20.79/0.70km。故障定位和故障测距的理想输出特性如图2所示。img=376,275zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/12-1.jpg/img注：故障点位置x，指故障点F至保护安装处B之间的间隔占线路全长的百分数。当30x0时线路全长指
6、AB线路；当0x100时线路全长指BC线路；当100x130时线路全长指CD线路。b3基于神经网络的单相接地阻抗继电器的训练与检验/b本文故障样本来自图3所示系统单相接地故障EMTP仿真，采样频率为1kHz，用全波傅氏算法计算故障特征量。共作出训练样本1440个，测试样本两组第一组840个，第二组360个。在用神经网络进展训练前，先对样本的原始数据进展归一化处理，以便于神经网络的训练。参照文献4，取保护安装处出现最严重的故障电流值为电流的基准值，取额定电压作为电压的基准值，相位差除以圆周率。电势夹角为5度时取为0，为5度时取为1，介于5度和5度之间时线性对应取值，如为2.5度时取为0.25，为
7、3.5度时取为0.85。3.1故障选相子网络NN1的训练与测试故障选相子网络对于训练样本实际输出与理想输出之间的误差特性如图4a所示，对于第一组测试样本实际输出与理想输出之间的误差特性如图4b所示，对于第二组测试样本的实际输出与理想输出之间的误差特性如图4c所示。img=393,135zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/12-2.jpg/img从图4中可以看出，由于故障相与非故障相的电压、电流幅值和相位差之间存在明显的差异，对于1440个训练样本和1200个测试样本，该神经网络继电器故障选相的正确动作率100%，且动作性能良好。3.2故障
8、定位与故障测距子网络NN2的训练与测试3.2.1故障定位与故障测距子网络对于训练样本的输出特性对已经训练好的神经网络，作出神经网络在3种系统工况电势夹角分别为5、0、5度和8种过渡电阻下构成的1440个训练样本的动作特性图5a、b、c，来反映神经网络的训练效果。从图5a、b、c中可以看出，神经网络继电器对于训练样本的故障定位和故障测距输出特性非常接近理想的动作特性，讲明该神经网络通过对样本的学习，已正确区分了训练样本，获得了理想输出特性。从训练样本的动作特性图中还可以看出，在各种系统工况和过渡电阻情况下，该神经网络继电器对于反向故障及区外故障均能可靠不动作，对于本线故障其保护范围可达本线全长的
9、90%，即可获得设计保护范围又能知足选择性要求。img=325,336zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/12-3.jpg/img3.2.2故障定位和故障测距子网络对第一组测试样本的检验结果根据不同于训练样本的2种系统工况电势夹角分别为2.5、2.5度和7种过渡电阻Rg分别为2.5、7.5、15、27.5、42.5、60、85在和训练样本一样故障点位置见图2作出第二组测试样本共840个，来测试神经网络的推广性能。图6a、b为故障定位和测距子网络的对于第一组测试样本的测试结果。img=310,255zszl.cepee/cepee_kjlw
10、_pic/files/wx/jdq/2002-1/13-1.jpg/imgimg=310,258zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/13-2.jpg/imgimg=310,252zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/13-3.jpg/img图6故障定位与测距子网络对于第一组测试样本的输出特从图6a、b中可以看出，在和训练样本一样的故障点位置排列上，尽管测试样本是在不同于训练样本的系统工况和过渡电阻情况下作出的，但神经网络继电器对于测试样本的故障定位和故障测距输出特性仍然接近理想的动作特
11、性，讲明该神经网络具有良好的推广性能。从测试样本的动作特性图中可以看出，在各种不同于训练样本的系统工况和过渡电阻情况下，该神经网络继电器对于反向故障及区外故障均能可靠不动作，对于本线故障其保护范围可达本线全长的90%左右，具有良好的选择性与方向性。img=365,261zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/13-4.jpg/imgimg=365,381zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/13-5.jpg/imgimg=329,129zszl.cepee/cepee_kjlw_pic/f
12、iles/wx/jdq/2002-1/14-1.jpg/imgimg=329,253zszl.cepee/cepee_kjlw_pic/files/wx/jdq/2002-1/14-2.jpg/img3.2.3故障定位和故障测距子网络对第二组测试样本的检验结果根据不同于训练样本和第一组测试样本的4种系统工况电势夹角分别为3.5、1.5、1.5、3.5度、5种过渡电阻Rg分别为0.5、25、45、65、90和故障点位置作出的第二组测试样本共360个。其中，160#样本为反方向故障，61300#样本为区内故障，301360#样本为区外故障。图7为故障定位和测距子网络对于第二组测试样本的测试结果。从
13、图7中可以看出，该神经网络式继电器能自适应于系统工况和过渡电阻的变化，具有良好的方向性和动作性能，对反方向故障03处、保护装置近处故障03处、保护范围末端故障85、88处、区外故障101处等各种故障的定位准确率为100%，其保护范围可达本线路全长的88%。测距输出的误差在0.1之间，亦即线路全长的15%以内。4分析及结论训练好的神经网络阻抗继电器不仅能自适应于0100过渡电阻的变化，而且也自适应于系统工况的变化两端系统电势夹角在5度到5度之间变化。其中，故障选相的准确率为100%，故障定位的保护范围能达线路全长的88%，且方向性和选择性良好。此外，该神经网络式阻抗继电器还具有一定的故障测距功能
14、。b参考文献/b1葛耀中.新型继电保护与故障测距原理与技术M.西安：西安交通大学出版社，1996.2RockefellerKL,WagnerCL,LindersJL.AdaptiveTransmissionRelayingConceptsForImprovePerformance.IEEETransactiononPowerDelivery,1988,34:1446-1458.3XiaYQ,LiKK,DavidAK.AdaptiveRelaySettingForStandaloneDigitalDistanceProtectionIEEETransactiononPowerDelivery,1994,91:480-491.4段玉倩，贺家李.基于人工神经网络的间隔保护.中国电机工程学报，1999，195：67-70.5王晓茹，钱清泉，伍思涛.基于神经网络的自适应间隔保护研究.电力系统自动化，1998，2212：27-30.0