|
电力系统继电保护是一门综合性的学科，在继电保护技术发展到数字化的今天，各种新原理和新技术在数字保护中得到了广泛的应用。人工神经网络具有自学习及自适应能力，将人工神经网络应用到继电保护领域成为研究的热点，如果将神经网络技术应用到实时控制领域，如继电保护等方面由于它要求比较高的可靠性，发电机出租所以在具体推向实际应用的时候具有一定的难度，其中的困难主要反映在神经网络的范化能力不够，即训练出来的网络不能保证100%的可靠性但是，从国内外学者发表的论文来看，还是涌现出了大量的研究成果，如用人工神经网络实现距离保护，故障分类，故障定位等，并且己经取得了比较好的效果；将神经网络应用于发电机的保护，比较少见，如提出了基于差动原理的发电机定子绕组保护，它采用了两个神经网络，第一个用来做故障检测，检测发电机是处于正常、外部故障还是内部故障状态；另外一个神经网络用来做故障选相。输入神经网络的为发电机机端和中性点和转子绕组的电流的连续5个采样值提出了将计算出来的动作电流和制动电流的采样值作为神经网络的输入，并利用基因算法来缩短网络的训练时间，取得了较好的效果。
由不同原理实现的发电机差动保护，发电机出租在电力系统故障的时候表现行为是千差万别的，特别是在电力系统发生短路性故障，系统处于暂态和CT饱和流为/d=IZv+Irl，制动电流为时，更是如此；即使相同的原理如比率制动式发电机差动保护，如果采用不同的数字滤波器和不同的算法，由于算法对谐波和直流分量的抑制效果不一样，其在故障的时候表现的行为也不一样，这就是电力系统保护从理论上应100%正确动作，但是实际上正确动作率不高的原因由于继电保护对保护装置的基本要求就是可靠性，随着电力系统装机容量的不断大，对装置的可靠性要求也越来越高；因为电力系统运行情况千变万化，现有的经验不可能涵盖一切可能发生的故障，而人工神经网络是基于对以往经验学习基础上的自学习及自适应原理，所以使电力系统的运行人员往往都不敢将其投入到实际系统中去运营，并且将人工神经网络技术应用到保护中去后整定方式也和以往的经验不一样，不能通过训练一个任意结构的神经网络就完成了保护的整定过程，如何保证训练后的该网络一定是可靠的呢，因此将神经网络应用到实际保护中的关键问题是如何保证可靠性，本文基于以上问题，提出了一种基于常规保护原理的人工神经网络差动保护方案，将常规的比率差动保护原理和人工神经网络原理充分的结合，彻底解决了现场人员对神经网络可靠性的担1忧因为该保护是基于传统的差动保护原理的，所以经过训练后的网络从可靠性上来讲不会比传统的保护差，并且容易从工程上得到实现2单神经元比率制动特性的实现和分析2.1比率制动特性的差保护及单神经元的实现原理比率制动特性的原理是传统保护原理在数字保护上的改进，它的动作电流不是固定不变的，它随着外部短路电流的大而大，所以能够保证外部短路时保护不误动，同时对内部短路又具有较高的灵敏度它的动作特性如所示。
率制动区和速断区，当制动电流小于拐点电流Ig时动作电流为一个常数Iq启动电流；发电机出租当制动电流大于拐点电流的时候，动作电流随制动电流的长而沿着一条直线长；当动作电流大于差动速断电流时，反应了故障情况严重，保护将无时延地动作出口。其动作方程如下：以流向发电机的方向为电流的正方向，差动电其中发电机中性点的二次CT电流为In，机端的二次CT电流为IT，曲线的拐点电流I，曲线的启动电流Iq，曲线的斜率Ks以流入发电机为的电流正方向由以上动作方程可以分析得到，该方程实际上实现了一个模式分类器的功能，将/d和（/z-/g）组成的二维平面空间分成两类：即动作区和不动作区。因为人工神经网络在模式识别方面具有很强的能力，所以以上分类特性曲线完全可以由一个单神经元组成的感知器来实现在实际的保护整定中一般都是根据保护运行的经验，来决定该比率制动曲线的斜率Ks，在将人工神经网络技术引入差动保护后，以往整定的经验也将继续发挥作用，如可以根据经验Ks值，作为该单神经元的权系数的初始值。本实例实现并训练了一个由单神经元实现的分类器，获得差动特性的比率制动部分。
根据发电机差动保护的整定原则，需要整定差动保护的曲线拐点电流/g，曲线的启动电流/q本次试验通过常规差动保护的整定原则先将/g/q两个参数固定，将动作电流和神经元的连接权值固定设置为常数1，此时该单神经元的参数就只剩下比率制动部分的曲线斜率Ks，再根据人工神经网络的训练方法来寻找比率制动曲线的最佳斜率Ks，由所示可以看出，该感知器的输出方程就是差动保护的比率制动部分的方程。更进一步的研究还应该是/g和/q也通过人工神经网络的训练过程来获取，并且网络采用多层结构，传递函数为非线性特性，以此获得由于CT等二次回路设备误差产生的不平衡电流特性曲线的最佳逼近，得到非线性的制动性能具有比率制动特性的单神经元根据实际收集到的现场数据和仿真的数据来构成训练样本，并通过一定学习算法来训练该单神经元网络，使网络的权值Ks收敛到一个合适的值由现场测量的数据和仿真的数据可以得到很多个Ig）（记为知）及输出的动作信号作为目标组成的样本对，由这些样本对组成了该单神经元网络的样本空间。
2.2基于常规保护原理的感知器差动保护训练由可以看出，神经元的输入加权和为：传递函数/取为阶跃函数，神经元的输出值为：定义单神经元的误差函数为：其中N为样本数目；k代表某一个样本。
由上式可以看出，当样本集确定以后，该单神经元网络的误差仅仅为比率制动系数的函数神经网络训练的过程就是通过样本的学习，调整权值系数Ks使得误差平方和函数达到最小。
根据感知器网络的学习规则可以得到：发电机出租给定初始Ks值，可以根据常规保护的整定经验将初始Ks取为Q5；输出t（导师信号，如果内部故障，t= 1，如果外部故障或正常情况，t=0）；（5）计算神经元的实际输出；（8）修正Ks的值5）转到2）直到Ks对一切样本均稳定不变为止3单神经网络的训练和仿真3.1学习样本的获取以三峡机组为例，构造一个实际的发电机变压器系统，参数如下所示。
实际的发电机变压器组构成图分别模拟发电机的内部各种相间短路故障，以及外部不同短路电抗的相间短路故障故障电流经过二次CT传变后，得到中性点侧和机端的电流，然后计算得制动电流和动作电流的数据值样本中同时还应该包括发电机正常运行时的电流数据；考虑到实际的运行经验，还应该把实际工程中用来整定差动保护的数据作为样本放到样本集合中去；更进一步的还应把该发电机的历次的故障录波的电流数据加入到样本集合中去。
（1）外部相间短路的仿真在利用Matlab软件仿真外部相间短路故障的时候，考虑到CT变比的离散性，变比设置大小可大致相等，但略微有一点差别，这样就可以模拟二次回路的稳态不平衡过程；考虑到暂态不平衡电流，设置CT的时间常数可以略微不一样，这样就可以模拟二次回路暂态不平衡过程；同时考虑到短路电流过大时CT会饱和，CT采用两段折线特性的磁化特性来模拟CT的饱和。
（2）内部匝间短路故障数据的获取内部短路故障数据由东南大学编制 | 
