基于人工神經網絡模型的母線保護研究和實現(xiàn).pdf

1、母線是電力系統(tǒng)廠站最重要的設備之一，母線保護是保障母線安全和可靠運行的保護設備。尋找性能完善、功能強大、可靠性高及智能化程度高的母線保護是母線保護研究的方向。 為實現(xiàn)性能更加優(yōu)良的母線保護，采用一些新理論和新技術來研究母線保護是必要的。人工神經網絡(ANN)是一種具有高度智能化的數學工具，可應用于新型母線保護的研究中。依據ANN具有分類能力的特點，利用電力系統(tǒng)故障數據及特征學習訓練ANN，學習訓練后的ANN就可用于對電力系統(tǒng)故障

2、的識別和判斷，這一ANN分類原理的保護方法在不同保護對象上得到了相當多的研究。但是由于不易獲取完整的故障樣本，這種ANN保護方法還未在電力系統(tǒng)中得到廣泛實際應用。 針對基于ANN分類能力的ANN保護方法的不足，本文提出了基于ANN函數逼近能力的ANN母線保護方法。函數逼近能力是ANN具有的重要性能之一，依據ANN具有的函數逼近能力，可用ANN模型去替代一個確定的物理對象。母線保護的物理對象是一個輸入輸出關系確定的函數對象，可用一

3、個ANN模型去替代，或用一個ANN數學模型去逼近母線保護物理對象的輸入輸出之間的函數關系。通過這個在無故障運行時學習訓練出來的母線保護對象的ANN數學模型，就能判斷區(qū)分母線保護對象的區(qū)內和區(qū)外故障。 在研究基于ANN函數逼近能力的母線保護原理的過程中，首先就母線保護物理對象的輸入輸出之間的函數關系進行了研究，將物理對象的輸入定為母線上各回路電流互感器(TA)傳變后的同一時刻二次檢測電流，輸出定為母線上各回路的一次側同一時刻流過的

4、電流之和。然后對母線保護的ANN模型進行了研究和討論，就激活函數為線性函數、分段線性函數和非線性函數的三種情況，分別構建了母線保護的ANN模型，給出了ANN模型的學習訓練算法，討論了訓練算法的收斂性，并通過DSP程序實現(xiàn)得出了對母線ANN模型的訓練實例。最后通過對三種ANN模型的研究分析結果的比較，選定了分段線性激活函數ANN模型和線性激活函數ANN模型作為母線保護的ANN模型，考慮到實現(xiàn)條件的限制，本文就基于線性激活函數ANN模型的母

5、線保護方法進行了研究和實現(xiàn)。 為研究和實現(xiàn)基于ANN模型的母線保護方法，本文依據母線保護的ANN模型輸出來判斷區(qū)分母線的區(qū)內區(qū)外故障，采用了ANN模型輸出變大與故障發(fā)生時間是否同步的原理來消除TA飽和的影響，采用了比例制動方法來保證母線保護在區(qū)外故障時的不誤動，采用了故障電流方向來判斷處理在母線出現(xiàn)區(qū)外故障轉區(qū)內故障時和TA斷線時的情況。本文還利用自適應模型的預測和電流瞬時幅值的增量實現(xiàn)了母線保護的故障預啟動和故障啟動，靈敏故障

6、預啟動是實現(xiàn)抗TA飽和母線保護方法的基礎，可靠故障啟動是母線保護出口的必要條件。 本文就信號采集、信號傳輸、信號處理等母線保護的實現(xiàn)環(huán)節(jié)進行了深入的研究，解決了實現(xiàn)環(huán)節(jié)中的數據同步采集、數據同步傳輸、信號濾波處理等技術關鍵問題。特別是就故障時的瞬變信號提出了正弦逼近處理方法，該方法的理論基礎是瞬變信號的瞬時幅值和相位表示方法，這種表示方法與傳統(tǒng)表示方法在結果上是一致的。通過實例分析結果得出，在故障發(fā)生后的半個周期內，特別在頭一個

7、1/4周期內，依據正弦逼近處理方法求出的瞬時幅值和瞬時相位能正確表征故障的特征，這一特點是正弦逼近處理方法所獨特的。 基于ANN模型的母線保護在硬件上采用了分布式硬件結構，有間隔單元和中心單元兩層單元，間隔單元實現(xiàn)了信號采集、信號處理、故障啟動等功能，中心單元主要實現(xiàn)了ANN模型訓練和故障判斷的功能，兩個單元之間依據通信進行數據傳送?；贏NN模型的母線保護在軟件上采用了實時多任務操作系統(tǒng)來編寫各個功能軟件程序，以提高保護軟件的