專利名稱：一種基于人工神經(jīng)網(wǎng)絡(luò)模型的智能化母線保護(hù)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種電力系統(tǒng)母線保護(hù)方法，特別是涉及一種基于人工神經(jīng)網(wǎng)絡(luò)模型的智能化母線保護(hù)方法。
背景技術(shù)：
現(xiàn)有技術(shù)中的母線保護(hù)方法，通常分為差動(dòng)原理和方向原理母線保護(hù)；在母線保護(hù)結(jié)構(gòu)類型上，通常又分為集中式母線保護(hù)和分布式母線保護(hù)兩大類。經(jīng)文獻(xiàn)對比分析，現(xiàn)有的母線保護(hù)方法對母線的不同運(yùn)行情況，如運(yùn)行方式改變、電流互感器(TA)特性差異、TA接線方式改變等，在實(shí)際運(yùn)用過程中普遍存在適應(yīng)能力較差、需要技術(shù)人員現(xiàn)場參數(shù)整定和相關(guān)設(shè)備調(diào)試等缺陷。
發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于人工神經(jīng)網(wǎng)絡(luò)模型的智能化母線保護(hù)方法，它可以有效地解決母線保護(hù)對母線的不同運(yùn)行情況(包括運(yùn)行方式改變、電流互感器(TA)特性差異、TA接線方式改變等)適應(yīng)能力差、需要技術(shù)人員現(xiàn)場參數(shù)整定和相關(guān)設(shè)備調(diào)試等問題。
本發(fā)明的目的可以通過以下技術(shù)方案實(shí)現(xiàn)，即一種基于人工神經(jīng)網(wǎng)絡(luò)模型的智能化母線保護(hù)方法，它由以下技術(shù)方案構(gòu)成
從母線上各回路電流互感器二次線圈來的電流模擬信號(hào)iAn(iBn，iCn)接入各回路的低通濾波電路11，經(jīng)低通濾波電路11處理后的電流模擬信號(hào)送入鎖頻鎖相采樣模塊12，從鎖頻鎖相采樣模塊12中輸出的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)用于故障啟動(dòng)模塊2和母線保護(hù)ANN模型訓(xùn)練模塊3或母線保護(hù)ANN模型故障判斷模塊4。故障啟動(dòng)模塊2由自適應(yīng)故障預(yù)啟動(dòng)模塊21和故障啟動(dòng)確定模塊22組成；從鎖頻鎖相采樣模塊12出來的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)接入自適應(yīng)故障預(yù)啟動(dòng)模塊21的自適應(yīng)正弦濾波器51，自適應(yīng)正弦濾波器51由一個(gè)與電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)相同頻率的正弦信號(hào)逼近電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)構(gòu)成，電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)與濾波器正弦信號(hào)之間的誤差e由自適應(yīng)正弦濾波器51輸出，并將誤差e與誤差定值eset1進(jìn)行比較，若e＞eset1，且誤差和∑|e(j)|大于誤差定值eset2，則輸出故障預(yù)啟動(dòng)信號(hào)，反之則輸出故障未啟動(dòng)信號(hào)。輸出故障預(yù)啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊12輸出的電流數(shù)字信號(hào)j’An(i’Bn，i’Cn)接入故障啟動(dòng)確定模塊22的正弦逼近處理器52，正弦逼近處理器52由一個(gè)與電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)相同頻率的正弦信號(hào)在一個(gè)時(shí)域區(qū)間逼近電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)構(gòu)成，逼近后的正弦信號(hào)A(t)、B(t)是時(shí)間函數(shù)，A(t)、B(t)時(shí)間函數(shù)由正弦逼近處理器52輸出，計(jì)算im(t)=A2(t)+B2(t)]]>可獲得電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)的瞬時(shí)幅值im，若瞬時(shí)幅值im的增量im(t+Δt)-im(t)大于電流定值iset1，且瞬時(shí)幅值im(t+Δt)大于電流定值iset2，則輸出故障啟動(dòng)信號(hào)。
故障啟動(dòng)模塊2輸出故障未啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊12輸出的各個(gè)電流數(shù)字信號(hào)i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入母線保護(hù)ANN模型6，母線保護(hù)ANN模型6的輸出值y與母線保護(hù)ANN模型6的期望值之差為母線保護(hù)ANN模型6的輸出誤差e，調(diào)節(jié)母線保護(hù)ANN模型6的權(quán)系數(shù)w1、w2…、wM和u11、u12、…、u1M、u21、u22、…、u2M、…、u1M、uN1、uN2、…、uNM，使母線保護(hù)ANN模型6的輸出誤差平方e2最小，從而進(jìn)入校驗(yàn)ANN靈敏度模塊7；將訓(xùn)練后的母線保護(hù)ANN模型6的任一輸入設(shè)置為最小靈敏電流輸入值i’min，其余母線保護(hù)ANN模型6的輸入設(shè)置為0，計(jì)算訓(xùn)練后的母線保護(hù)ANN模型6的輸出值y，將輸出值y的|y|與輸出定值yset進(jìn)行比較，若|y|＞yset，則母線保護(hù)ANN模型6訓(xùn)練完畢，反之模型廢棄。
故障啟動(dòng)模塊2輸出故障預(yù)啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊12輸出的各個(gè)電流數(shù)字信號(hào)i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入訓(xùn)練后的母線保護(hù)ANN模型6，母線保護(hù)ANN模型6的輸出|y|與輸出定值yset進(jìn)行比較，若|y|＞yset，則有母線故障出現(xiàn)，并進(jìn)入母線內(nèi)部外部故障判斷；若ANN模型故障判斷時(shí)間td小于故障預(yù)啟動(dòng)時(shí)間tp加抗飽和時(shí)間tst，則判斷為母線內(nèi)部故障，反之則判斷為母線外部故障；判斷為母線內(nèi)部故障后，等待故障啟動(dòng)模塊2輸出故障啟動(dòng)信號(hào)，并開啟母線保護(hù)的出口。
本方法優(yōu)點(diǎn)本方法采用正常運(yùn)行采樣數(shù)據(jù)訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)(ANN)模型來智能化地實(shí)現(xiàn)對電力系統(tǒng)母線故障的識(shí)別和判斷，在提高母線保護(hù)性能的同時(shí)，盡量減少人為因素對母線保護(hù)的影響，減輕保護(hù)工作者的勞動(dòng)強(qiáng)度和心理負(fù)擔(dān)。
圖1基于ANN模型智能化母線保護(hù)的方法框圖；圖2故障啟動(dòng)方法；圖3自適應(yīng)故障預(yù)啟動(dòng)方法；圖4自適應(yīng)正弦濾波器結(jié)構(gòu)；圖5故障啟動(dòng)確定方法；圖6正弦逼近處理方法；圖7母線保護(hù)ANN模型訓(xùn)練方法；圖8母線保護(hù)ANN模型結(jié)構(gòu)；圖9校驗(yàn)ANN靈敏度方法；圖10母線保護(hù)ANN模型故障判斷方法；圖11基于ANN模型智能化母線保護(hù)的結(jié)構(gòu)框圖；具體實(shí)施方案以下詳細(xì)說明本發(fā)明的具體實(shí)施方案1、從母線上各回路電流互感器二次線圈來的電流模擬信號(hào)iAn(iBn，iCn)接入各回路的低通濾波電路11，經(jīng)低通濾波電路11處理后的電流模擬信號(hào)送入鎖頻鎖相采樣模塊12，從鎖頻鎖相采樣模塊12中輸出的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)用于故障啟動(dòng)模塊2和母線保護(hù)ANN模型訓(xùn)練模塊3或母線保護(hù)ANN模型故障判斷模塊4。
2、故障啟動(dòng)模塊2由自適應(yīng)故障預(yù)啟動(dòng)模塊21和故障啟動(dòng)確定模塊22組成。
1)、在自適應(yīng)故障預(yù)啟動(dòng)模塊21中，從鎖頻鎖相采樣模塊12出來的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)接入自適應(yīng)故障預(yù)啟動(dòng)模塊21的自適應(yīng)正弦濾波器51，自適應(yīng)正弦濾波器51由一個(gè)與電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)相同頻率的正弦信號(hào)逼近電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)構(gòu)成。
自適應(yīng)正弦濾波器51的數(shù)學(xué)表達(dá)是y(t)＝cos(ω t)+Bsin(ωt)e(t)＝y(tǒng)(t)-i(t)為了調(diào)節(jié)修正參數(shù)A和B，進(jìn)行下列修正算法A′＝A-μe(t)cos(ωt)B′＝B-μe(t)sin(ωt)式中A′、B′是自適應(yīng)正弦濾波器51參數(shù)的修正值，μ(μ＞0)是算法收斂因子。
電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)與濾波器正弦信號(hào)之間的誤差e由自適應(yīng)正弦濾波器51輸出，并將誤差e與誤差定值eset1進(jìn)行比較，若e＞eset1，且誤差和∑|e(j)|大于誤差定值eset2，則輸出故障預(yù)啟動(dòng)信號(hào)，反之則輸出故障未啟動(dòng)信號(hào)。
2)、輸出故障預(yù)啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊12輸出的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)接入故障啟動(dòng)確定模塊22的正弦逼近處理器52，正弦逼近處理器52由一個(gè)與電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)相同頻率的正弦信號(hào)在一個(gè)時(shí)域區(qū)間逼近電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)構(gòu)成。
在正弦逼近處理器52中的數(shù)學(xué)表達(dá)是，A(t)＝A0+A1t+A2t2+N+ANtNB(t)＝B0+B1t+B2t2+N+BNtN記性能函數(shù)J=Σi=1Ie(ti)2=Σi=1I(u(ti)-y(ti))2,]]>Wk=[A0kNANkB0kNBNk]T,]]>N為多項(xiàng)式函數(shù)的階數(shù)，I為一個(gè)區(qū)段里的計(jì)算點(diǎn)數(shù)，k為逼近計(jì)算次數(shù)。
正弦逼近處理器52的修正算法為Wk+1=Wk-μ∂J∂Wk]]>μ(μ＞0)是算法收斂因子。
逼近后的正弦信號(hào)A(t)、B(t)是時(shí)間函數(shù)，A(t)、B(t)時(shí)間函數(shù)由正弦逼近處理器52輸出，計(jì)算im(t)=A2(t)+B2(t)]]>可獲得電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)的瞬時(shí)幅值im，若瞬時(shí)幅值im的增量im(t+Δt)-im(t)大于電流定值iset1，且瞬時(shí)幅值im(t+Δt)大于電流定值iset2，則輸出故障啟動(dòng)信號(hào)。
3、故障啟動(dòng)模塊2輸出故障未啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊12輸出的各個(gè)電流數(shù)字信號(hào)i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入母線保護(hù)ANN模型6，母線保護(hù)ANN模型6的輸出值y與母線保護(hù)ANN模型6的期望值(為0)之差為母線保護(hù)ANN模型6的輸出誤差e，ANN模型6的輸出值y的數(shù)學(xué)表達(dá)是y=aΣm=1Mwmxm=aΣm=1Mwm(bΣn=1Nunmi^n)]]>e＝y(tǒng)-0ANN的權(quán)系數(shù)修正算法wM′＝wm-μδyxmμ＞0，δy＝ay，a是輸出線性函數(shù)的斜率；unm′=unm-βδmi^n]]>β＞0，δm＝bδywm，b是xm層線性函數(shù)的斜率。
調(diào)節(jié)母線保護(hù)ANN模型6的權(quán)系數(shù)w1、w2…、wM和u11、u12、…、u1M、u21、u22、…、u2M、…、u1M、uN1、uN2、…、uNM，使母線保護(hù)ANN模型6的輸出誤差平方e2最小，從而進(jìn)入校驗(yàn)ANN靈敏度模塊7；將訓(xùn)練后的母線保護(hù)ANN模型6的任一輸入設(shè)置為最小靈敏電流輸入值i’min，其余母線保護(hù)ANN模型6的輸入設(shè)置為0，計(jì)算訓(xùn)練后的母線保護(hù)ANN模型6的輸出值y，將輸出值y的|y|與輸出定值yset進(jìn)行比較，若|y|＞yset，則母線保護(hù)ANN模型6訓(xùn)練完畢，反之模型廢棄。
4、故障啟動(dòng)模塊2輸出故障預(yù)啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊12輸出的各個(gè)電流數(shù)字信號(hào)i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入訓(xùn)練后的母線保護(hù)ANN模型6，母線保護(hù)ANN模型6的輸出|y|與輸出定值yset進(jìn)行比較，若|y|＞yset，則有母線故障出現(xiàn)，并進(jìn)入母線內(nèi)部外部故障判斷；若ANN模型故障判斷時(shí)間td小于故障預(yù)啟動(dòng)時(shí)間tp加抗飽和時(shí)間tst，則判斷為母線內(nèi)部故障，反之則判斷為母線外部故障；判斷為母線內(nèi)部故障后，等待故障啟動(dòng)模塊2輸出故障啟動(dòng)信號(hào)，并開啟母線保護(hù)的跳閘信號(hào)控制出口。
本發(fā)明的上述方法可以采用以下的結(jié)構(gòu)實(shí)現(xiàn)從母線上各回路電流互感器二次線圈來的電流模擬信號(hào)i’An(i’Bn，i’Cn)接入各回路的低通濾波電路11，經(jīng)低通濾波電路11處理后的電流模擬信號(hào)送入鎖頻鎖相采樣模塊12，從鎖頻鎖相采樣模塊12中輸出的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)送到DSP處理器8和DSP處理器9，由DSP處理器9DSP處理器8實(shí)現(xiàn)故障啟動(dòng)模塊2，DSP處理器9實(shí)現(xiàn)母線保護(hù)ANN模型訓(xùn)練模塊3和母線保護(hù)ANN模型故障判斷模塊4。
母線上各回路都有一個(gè)DSP處理器8，各DSP處理器8和中心DSP處理器9構(gòu)成一個(gè)分布式的母線保護(hù)。所述DSP處理器8和DSP處理器9可采用型號(hào)為TMS320LF2812的數(shù)字信號(hào)處理器。
根據(jù)上述方法實(shí)施方案，即可實(shí)現(xiàn)本發(fā)明。
權(quán)利要求
1.一種基于人工神經(jīng)網(wǎng)絡(luò)模型的智能化母線保護(hù)方法，其特征在于該方法采用電力系統(tǒng)正常運(yùn)行的母線上各回路的電流同步采樣數(shù)據(jù)，實(shí)時(shí)練訓(xùn)母線保護(hù)的人工神經(jīng)網(wǎng)絡(luò)(ANN)模型(6)，并校驗(yàn)ANN模型的靈敏度，以此訓(xùn)練校驗(yàn)后的ANN模型(6)來識(shí)別和判斷母線故障；該方法包括以下步驟1)從母線上各回路電流互感器二次線圈來的電流模擬信號(hào)iAn(iBn，iCn)接入各回路的低通濾波電路(11)，經(jīng)低通濾波電路(11)處理后的電流模擬信號(hào)送入鎖頻鎖相采樣模塊(12)，從鎖頻鎖相采樣模塊(12)中輸出的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)用于故障啟動(dòng)模塊(2)和母線保護(hù)ANN模型訓(xùn)練模塊(3)或母線保護(hù)ANN模型故障判斷模塊4；2)故障啟動(dòng)模塊(2)由自適應(yīng)故障預(yù)啟動(dòng)模塊(21)和故障啟動(dòng)確定模塊(22)組成；從鎖頻鎖相采樣模塊(12)出來的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)接入自適應(yīng)故障預(yù)啟動(dòng)模塊(21)的自適應(yīng)正弦濾波器(51)，自適應(yīng)正弦濾波器(51)由一個(gè)與電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)相同頻率的正弦信號(hào)逼近電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)構(gòu)成，電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)與濾波器正弦信號(hào)之間的誤差e由自適應(yīng)正弦濾波器(51)輸出，并將誤差e與誤差定值eset1進(jìn)行比較，若e＞eset1，且誤差和∑|e(j)|大于誤差定值eset2，則輸出故障預(yù)啟動(dòng)信號(hào)，反之則輸出故障未啟動(dòng)信號(hào)；3)輸出故障預(yù)啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊(12)輸出的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)接入故障啟動(dòng)確定模塊(22)的正弦逼近處理器(52)，正弦逼近處理器(52)由一個(gè)與電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)相同頻率的正弦信號(hào)在一個(gè)時(shí)域區(qū)間逼近電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)構(gòu)成，逼近后的正弦信號(hào)A(t)、B(t)是時(shí)間函數(shù)，A(t)、B(t)時(shí)間函數(shù)由正弦逼近處理器(52)輸出，計(jì)算im(t)=A2(t)+B2(t)]]>可獲得電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)的瞬時(shí)幅值im，若瞬時(shí)幅值im的增量im(t+Δt)-im(t)大于電流定值iset1，且瞬時(shí)幅值im(t+Δt)大于電流定值iset2，則輸出故障啟動(dòng)信號(hào)；4)故障啟動(dòng)模塊(2)輸出故障未啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊(12)輸出的各個(gè)電流數(shù)字信號(hào)i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入母線保護(hù)ANN模型(6)，母線保護(hù)ANN模型(6)的輸出值y與母線保護(hù)ANN模型(6)的期望值之差為母線保護(hù)ANN模型(6)的輸出誤差e，調(diào)節(jié)母線保護(hù)ANN模型(6)的權(quán)系數(shù)w1、w2…、wM和u11、u12、…、u1M、u21、u2、…、u2M、…、u1M、uN1、uN2、…、uNM，使母線保護(hù)ANN模型(6)的輸出誤差平方e2最小，從而進(jìn)入校驗(yàn)ANN靈敏度模塊(7)；將訓(xùn)練后的母線保護(hù)ANN模型(6)的任一輸入設(shè)置為最小靈敏電流輸入值i’mm，其余母線保護(hù)ANN模型(6)的輸入設(shè)置為0，計(jì)算訓(xùn)練后的母線保護(hù)ANN模型(6)的輸出值y，將輸出值y的|y|與輸出定值yse1進(jìn)行比較，若|y|＞yset，則母線保護(hù)ANN模型6訓(xùn)練完畢，反之模型廢棄；5)故障啟動(dòng)模塊2輸出故障預(yù)啟動(dòng)信號(hào)后，從鎖頻鎖相采樣模塊(12)輸出的各個(gè)電流數(shù)字信號(hào)i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入訓(xùn)練后的母線保護(hù)ANN模型(6)，母線保護(hù)ANN模型(6)的輸出|y|與輸出定值yset進(jìn)行比較，若|y|＞yset，則有母線故障出現(xiàn)，并進(jìn)入母線內(nèi)部外部故障判斷；若ANN模型故障判斷時(shí)間td小于故障預(yù)啟動(dòng)時(shí)間tp加抗飽和時(shí)間tst，則判斷為母線內(nèi)部故障，反之則判斷為母線外部故障；判斷為母線內(nèi)部故障后，等待故障啟動(dòng)模塊2輸出故障啟動(dòng)信號(hào)，并開啟母線保護(hù)的跳閘信號(hào)控制出口。
2.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡(luò)模型的智能化母線保護(hù)方法，其特征在于該方法采用分布式結(jié)構(gòu)，從母線上各回路電流互感器二次線圈來的電流模擬信號(hào)iAn(iBn，iCn)接入各回路的低通濾波電路(11)，經(jīng)低通濾波電路(11)處理后的電流模擬信號(hào)送入鎖頻鎖相采樣模塊(12)，從鎖頻鎖相采樣模塊(12)中輸出的電流數(shù)字信號(hào)i’An(i’Bn，i’Cn)送到DSP處理器(8)和DSP處理器(9)，由DSP處理器(8)實(shí)現(xiàn)故障啟動(dòng)模塊2，DSP處理器(9)實(shí)現(xiàn)母線保護(hù)ANN模型訓(xùn)練模塊(3)和母線保護(hù)ANN模型故障判斷模塊(4)；母線上各回路都有一個(gè)DSP處理器(8)，各DSP處理器(8)和中心DSP處理器(9)構(gòu)成一個(gè)分布式的母線保護(hù)。
全文摘要
本發(fā)明涉及一種基于人工神經(jīng)網(wǎng)絡(luò)模型的智能化母線保護(hù)方法，該方法采用電力系統(tǒng)正常運(yùn)行的母線上各回路的電流同步采樣數(shù)據(jù)，實(shí)時(shí)訓(xùn)練母線保護(hù)的人工神經(jīng)網(wǎng)絡(luò)(ANN)模型6，并校驗(yàn)ANN模型的靈敏度，以此訓(xùn)練校驗(yàn)后的ANN模型6來識(shí)別和判斷母線故障。本方法由于采用正常運(yùn)行采樣數(shù)據(jù)訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)(ANN)模型來智能化地實(shí)現(xiàn)對電力系統(tǒng)母線故障的識(shí)別和判斷，在提高母線保護(hù)性能的同時(shí)，盡量減少人為因素對母線保護(hù)的影響，減輕保護(hù)工作者的勞動(dòng)強(qiáng)度和心理負(fù)擔(dān)。
文檔編號(hào)G05B13/00GK1988306SQ200610095218
公開日2007年6月27日 申請日期2006年11月18日 優(yōu)先權(quán)日2006年11月18日
發(fā)明者孫渝江, 羅建, 李亞軍, 高家志, 黃林, 曾清, 張繼紅, 龍小平 申請人:重慶市電力公司, 重慶大學(xué)