一种基于人工神经网络模型的智能化母线保护方法技术

本发明专利技术涉及一种基于人工神经网络模型的智能化母线保护方法，该方法采用电力系统正常运行的母线上各回路的电流同步采样数据，实时训练母线保护的人工神经网络（ＡＮＮ）模型６，并校验ＡＮＮ模型的灵敏度，以此训练校验后的ＡＮＮ模型６来识别和判断母线故障。本方法由于采用正常运行采样数据训练的人工神经网络（ＡＮＮ）模型来智能化地实现对电力系统母线故障的识别和判断，在提高母线保护性能的同时，尽量减少人为因素对母线保护的影响，减轻保护工作者的劳动强度和心理负担。

【技术实现步骤摘要】

本专利技术涉及一种电力系统母线保护方法，特别是涉及。
技术介绍
现有技术中的母线保护方法，通常分为差动原理和方向原理母线保护；在母线保护结构类型上，通常又分为集中式母线保护和分布式母线保护两大类。经文献对比分析，现有的母线保护方法对母线的不同运行情况，如运行方式改变、电流互感器(TA)特性差异、TA接线方式改变等，在实际运用过程中普遍存在适应能力较差、需要技术人员现场参数整定和相关设备调试等缺陷。
技术实现思路
本专利技术的目的是提供，它可以有效地解决母线保护对母线的不同运行情况(包括运行方式改变、电流互感器(TA)特性差异、TA接线方式改变等)适应能力差、需要技术人员现场参数整定和相关设备调试等问题。本专利技术的目的可以通过以下技术方案实现，即，它由以下技术方案构成 从母线上各回路电流互感器二次线圈来的电流模拟信号iAn(iBn，iCn)接入各回路的低通滤波电路11，经低通滤波电路11处理后的电流模拟信号送入锁频锁相采样模块12，从锁频锁相采样模块12中输出的电流数字信号i’An(i’Bn，i’Cn)用于故障启动模块2和母线保护ANN模型训练模块3或母线保护ANN模型故障判断模块4。故障启动模块2由自适应故障预启动模块21和故障启动确定模块22组成；从锁频锁相采样模块12出来的电流数字信号i’An(i’Bn，i’Cn)接入自适应故障预启动模块21的自适应正弦滤波器51，自适应正弦滤波器51由一个与电流数字信号i’An(i’Bn，i’Cn)相同频率的正弦信号逼近电流数字信号i’An(i’Bn，i’Cn)构成，电流数字信号i’An(i’Bn，i’Cn)与滤波器正弦信号之间的误差e由自适应正弦滤波器51输出，并将误差e与误差定值eset1进行比较，若e＞eset1，且误差和∑|e(j)|大于误差定值eset2，则输出故障预启动信号，反之则输出故障未启动信号。输出故障预启动信号后，从锁频锁相采样模块12输出的电流数字信号j’An(i’Bn，i’Cn)接入故障启动确定模块22的正弦逼近处理器52，正弦逼近处理器52由一个与电流数字信号i’An(i’Bn，i’Cn)相同频率的正弦信号在一个时域区间逼近电流数字信号i’An(i’Bn，i’Cn)构成，逼近后的正弦信号A(t)、B(t)是时间函数，A(t)、B(t)时间函数由正弦逼近处理器52输出，计算im(t)=A2(t)+B2(t)]]>可获得电流数字信号i’An(i’Bn，i’Cn)的瞬时幅值im，若瞬时幅值im的增量im(t+Δt)-im(t)大于电流定值iset1，且瞬时幅值im(t+Δt)大于电流定值iset2，则输出故障启动信号。故障启动模块2输出故障未启动信号后，从锁频锁相采样模块12输出的各个电流数字信号i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入母线保护ANN模型6，母线保护ANN模型6的输出值y与母线保护ANN模型6的期望值之差为母线保护ANN模型6的输出误差e，调节母线保护ANN模型6的权系数w1、w2…、wM和u11、u12、…、u1M、u21、u22、…、u2M、…、u1M、uN1、uN2、…、uNM，使母线保护ANN模型6的输出误差平方e2最小，从而进入校验ANN灵敏度模块7；将训练后的母线保护ANN模型6的任一输入设置为最小灵敏电流输入值i’min，其余母线保护ANN模型6的输入设置为0，计算训练后的母线保护ANN模型6的输出值y，将输出值y的|y|与输出定值yset进行比较，若|y|＞yset，则母线保护ANN模型6训练完毕，反之模型废弃。故障启动模块2输出故障预启动信号后，从锁频锁相采样模块12输出的各个电流数字信号i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入训练后的母线保护ANN模型6，母线保护ANN模型6的输出|y|与输出定值yset进行比较，若|y|＞yset，则有母线故障出现，并进入母线内部外部故障判断；若ANN模型故障判断时间td小于故障预启动时间tp加抗饱和时间tst，则判断为母线内部故障，反之则判断为母线外部故障；判断为母线内部故障后，等待故障启动模块2输出故障启动信号，并开启母线保护的出口。本方法优点本方法采用正常运行采样数据训练的人工神经网络(ANN)模型来智能化地实现对电力系统母线故障的识别和判断，在提高母线保护性能的同时，尽量减少人为因素对母线保护的影响，减轻保护工作者的劳动强度和心理负担。附图说明图1基于ANN模型智能化母线保护的方法框图；图2故障启动方法；图3自适应故障预启动方法；图4自适应正弦滤波器结构；图5故障启动确定方法；图6正弦逼近处理方法；图7母线保护ANN模型训练方法；图8母线保护ANN模型结构；图9校验ANN灵敏度方法；图10母线保护ANN模型故障判断方法；图11基于ANN模型智能化母线保护的结构框图；具体实施方案以下详细说明本专利技术的具体实施方案1、从母线上各回路电流互感器二次线圈来的电流模拟信号iAn(iBn，iCn)接入各回路的低通滤波电路11，经低通滤波电路11处理后的电流模拟信号送入锁频锁相采样模块12，从锁频锁相采样模块12中输出的电流数字信号i’An(i’Bn，i’Cn)用于故障启动模块2和母线保护ANN模型训练模块3或母线保护ANN模型故障判断模块4。2、故障启动模块2由自适应故障预启动模块21和故障启动确定模块22组成。1)、在自适应故障预启动模块21中，从锁频锁相采样模块12出来的电流数字信号i’An(i’Bn，i’Cn)接入自适应故障预启动模块21的自适应正弦滤波器51，自适应正弦滤波器51由一个与电流数字信号i’An(i’Bn，i’Cn)相同频率的正弦信号逼近电流数字信号i’An(i’Bn，i’Cn)构成。自适应正弦滤波器51的数学表达是y(t)＝cos(ω t)+Bsin(ωt)e(t)＝y(t)-i(t)为了调节修正参数A和B，进行下列修正算法A′＝A-μe(t)cos(ωt)B′＝B-μe(t)sin(ωt)式中A′、B′是自适应正弦滤波器51参数的修正值，μ(μ＞0)是算法收敛因子。电流数字信号i’An(i’Bn，i’Cn)与滤波器正弦信号之间的误差e由自适应正弦滤波器51输出，并将误差e与误差定值eset1进行比较，若e＞eset1，且误差和∑|e(j)|大于误差定值eset2，则输出故障预启动信号，反之则输出故障未启动信号。2)、输出故障预启动信号后，从锁频锁相采样模块12输出的电流数字信号i’An(i’Bn，i’Cn)接入故障启动确定模块22的正弦逼近处理器52，正弦逼近处理器52由一个与电流数字信号i’An(i’Bn，i’Cn)相同频率的正弦信号在一个时域区间逼近电流数字信号i’An(i’Bn，i’Cn)构成。在正弦逼近处理器52中的数学表达是，A(t)＝A0+A1t+A2t2+N+ANtNB(t)＝B0+B1t+B2t2+N+BNtN记性能函数J=Σi=1Ie(ti)2=Σi=1I(u(ti)-y(ti))2,]]>Wk=[A0kNANkB0kNBNk]T,]]>N为多项式函数本文档来自技高网...

【技术保护点】
一种基于人工神经网络模型的智能化母线保护方法，其特征在于：该方法采用电力系统正常运行的母线上各回路的电流同步采样数据，实时练训母线保护的人工神经网络（ＡＮＮ）模型（６），并校验ＡＮＮ模型的灵敏度，以此训练校验后的ＡＮＮ模型（６）来识别和判断母线故障；该方法包括以下步骤：１）从母线上各回路电流互感器二次线圈来的电流模拟信号ｉ↓［Ａｎ］（ｉ↓［Ｂｎ］，ｉ↓［Ｃｎ］）接入各回路的低通滤波电路（１１），经低通滤波电路（１１）处理后的电流模拟信号送入锁频锁相采样模块（１２），从 锁频锁相采样模块（１２）中输出的电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）用于故障启动模块（２）和母线保护ＡＮＮ模型训练模块（３）或母线保护ＡＮＮ模型故障判断模块４；２）故障启动模块（２）由自适应故障预启动模块（２ １）和故障启动确定模块（２２）组成；从锁频锁相采样模块（１２）出来的电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）接入自适应故障预启动模块（２１）的自适应正弦滤波器（５１），自适应正弦滤波器（５１）由一个与电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）相同频率的正弦信号逼近电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）构成，电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）与滤波器正弦信号之间的误差ｅ由自适应正弦滤波器（５１）输出，并将误差ｅ与误差定值ｅ↓［ｓｅｔ１］进行比较，若ｅ＞ｅ↓［ｓｅｔ１］，且误差和∑｜ｅ（ｊ）｜大于误差定值ｅ↓［ｓｅｔ２］，则输出故障预启动信号，反之则输出故障未启动信号；３）输出故障预启动信号后，从锁频锁相采样模块（１２）输 出的电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）接入故障启动确定模块（２２）的正弦逼近处理器（５２），正弦逼近处理器（５２）由一个与电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）相同频率的正弦信号在一个时域区间逼近电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）构成，逼近后的正弦信号Ａ（ｔ）、Ｂ（ｔ）是时间函数，Ａ（ｔ）、Ｂ（ｔ）时间函数由正弦逼近处理器（５２）输出，计算＊＊＊可获得电流数字信号ｉ’↓［Ａｎ］（ｉ’↓［Ｂｎ］，ｉ’↓［Ｃｎ］）的瞬时幅值ｉ↓［ｍ］，若瞬时幅值ｉ↓［ｍ］的增量ｉ↓［ｍ］（ｔ＋△ｔ）－ｉ↓［ｍ］（ｔ）大于电流定值ｉ↓［ｓｅｔ１］，...

【技术特征摘要】
1.一种基于人工神经网络模型的智能化母线保护方法，其特征在于该方法采用电力系统正常运行的母线上各回路的电流同步采样数据，实时练训母线保护的人工神经网络(ANN)模型(6)，并校验ANN模型的灵敏度，以此训练校验后的ANN模型(6)来识别和判断母线故障；该方法包括以下步骤1)从母线上各回路电流互感器二次线圈来的电流模拟信号iAn(iBn，iCn)接入各回路的低通滤波电路(11)，经低通滤波电路(11)处理后的电流模拟信号送入锁频锁相采样模块(12)，从锁频锁相采样模块(12)中输出的电流数字信号i’An(i’Bn，i’Cn)用于故障启动模块(2)和母线保护ANN模型训练模块(3)或母线保护ANN模型故障判断模块4；2)故障启动模块(2)由自适应故障预启动模块(21)和故障启动确定模块(22)组成；从锁频锁相采样模块(12)出来的电流数字信号i’An(i’Bn，i’Cn)接入自适应故障预启动模块(21)的自适应正弦滤波器(51)，自适应正弦滤波器(51)由一个与电流数字信号i’An(i’Bn，i’Cn)相同频率的正弦信号逼近电流数字信号i’An(i’Bn，i’Cn)构成，电流数字信号i’An(i’Bn，i’Cn)与滤波器正弦信号之间的误差e由自适应正弦滤波器(51)输出，并将误差e与误差定值eset1进行比较，若e＞eset1，且误差和∑|e(j)|大于误差定值eset2，则输出故障预启动信号，反之则输出故障未启动信号；3)输出故障预启动信号后，从锁频锁相采样模块(12)输出的电流数字信号i’An(i’Bn，i’Cn)接入故障启动确定模块(22)的正弦逼近处理器(52)，正弦逼近处理器(52)由一个与电流数字信号i’An(i’Bn，i’Cn)相同频率的正弦信号在一个时域区间逼近电流数字信号i’An(i’Bn，i’Cn)构成，逼近后的正弦信号A(t)、B(t)是时间函数，A(t)、B(t)时间函数由正弦逼近处理器(52)输出，计算im(t)=A2(t)+B2(t)]]>可获得电流数字信号i’An(i’Bn，i’Cn)的瞬时幅值im，若瞬时幅值im的增量im(t+Δt)-im(t)大于电流定值iset1，且瞬时幅值im(t+Δt)大于电流定值iset2，则输出故障启动信号；4)故障启动模块(2)输出故障未启动信号后，从锁频锁相采样模块(12)输出的...

【专利技术属性】
技术研发人员：孙渝江，罗建，李亚军，高家志，黄林，曾清，张继红，龙小平，
申请(专利权)人：重庆市电力公司，重庆大学，
类型：发明
国别省市：85[中国|重庆]