發布日期：2022-04-26 點擊率：109
1引言
110kV輸電線路雙電源供電，對于提高供電可靠性和系統穩定性，都有很大的好處。據統計，在所有的線路故障中，70%～80%都是單相接地故障。當被保護線路兩端均有電源時，此時過渡電阻的影響會對測量阻抗產生一個呈現容性阻抗或感性阻抗的偏移分量，造成保護范圍的擴大或縮小。該偏移分量除與線路的固有特征參數有關外，還與線路兩端等效電源的電勢夾角有關［1，2，3］。
利用BP神經網絡構成阻抗繼電器，使距離保護能自適應于系統和故障條件的變化而可靠地動作，是一個值得探索的方面［4，5］。
本文用故障后三相電壓、電流的基波幅值以及它們的相位差來構成繼電器故障選相子神經網絡的輸入，實現對單相接地故障相別的判定。再根據故障相別判定的結果，以故障相的電壓、電流基波幅值及它們的相位差和零序電壓、零序電流，線路兩端系統電源的電勢夾角作為繼電器故障定位及測距子神經網絡的輸入，實現對故障的準確定位和測距。用EMTP對一給定的電力網絡進行暫態仿真，結果證實本文提出的設想具有一定的可行性。
2基于神經網絡的單相接地阻抗繼電器
2.1基于神經網絡的單相接地阻抗繼電器的構成
本文提出的設想并不進行測量阻抗的計算，只是利用神經網絡從系統各種參數的組合模式來識別故障狀態。考慮到本文提出的設想選用故障時的電壓和電流以及它們之間的相位差作為輸入，而且能輸出故障點至保護安裝處的距離，因此仍沿用常規距離保護中阻抗繼電器的說法。基于神經網絡的單相接地阻抗繼電器由故障選相子網絡（NN1）和故障定位與故障測距子網絡（NN2）兩部分構成，其結構如圖1所示。
●故障選相子網絡（NN1） 本文所采用的神經網絡模型為多層前向神經元網絡，采用變學習率和加動量項法的改進BP法。網絡中每一層的傳遞函數選用對數sigmoid函數。神經網絡隱含層數目和每一隱含層神經元數目的選擇對神經網絡的成功訓練和推廣性能是至關重要的。通過大量的試驗，確定故障選相子網絡第一、第二隱含層神經元數目均為42，故障定位、測距子網絡第一、第二隱含層神經元數目均為36，試驗中發現，選擇兩個隱含層使得神經網絡的訓練易于進行，其推廣性也非常好。
2.2基于神經網絡的單相接地阻抗繼電器的理想輸出特性
故障選相的理想輸出特性為：t1（t2、t3）為故障相時輸出1，非故障相時輸出0。當0≤t1（t2、t3）＜0.5時，為非故障相；當0.5≤t1（t2、t3）≤1時，為故障相。
故障定位，其整定范圍設計為保護線路全長的90%。當0≤a1＜0.5時，為區外或反方向故障，當0.5≤a1≤1時，為區內故障。
故障測距，當0≤a2＜0.09時，為反方向故障；當0.09≤a2≤0.79時，故障距離為lBC·a2－0.09）/0.70km；當 0.79≤a2≤1.00時，故障距離為lBC＋lCD·a2－0.79）/0.70km。故障定位和故障測距的理想輸出特性如圖2所示。
注：故障點位置x，指故障點F至保護安裝處B之間的距離占線路全長的百分數。當－30≤x＜0時線路全長指AB線路；當0≤x≤100時線路全長指BC線路；當100＜x≤130時線路全長指CD線路。
3基于神經網絡的單相接地阻抗繼電器的訓練與檢驗
本文故障樣本來自圖3所示系統單相接地故障EMTP仿真，采樣頻率為1kHz，用全波傅氏算法計算故障特征量。共作出訓練樣本1440個，測試樣本兩組（第一組840個，第二組360個）。
在用神經網絡進行訓練前，先對樣本的原始數據進行歸一化處理，以便于神經網絡的訓練。參照文獻［4］，取保護安裝處出現最嚴重的故障電流值為電流的基準值，取額定電壓作為電壓的基準值，相位差φ除以圓周率π。
電勢夾角Δδ為－5度時取為0，為5度時取為1，介于－5度和＋5度之間時線性對應取值，如Δδ為－2.5度時取為0.25，Δδ為＋3.5度時取為0.85。
3.1故障選相子網絡（NN1）的訓練與測試
故障選相子網絡對于訓練樣本實際輸出與理想輸出之間的誤差特性如圖4（a）所示，對于第一組測試樣本實際輸出與理想輸出之間的誤差特性如圖4（b）所示，對于第二組測試樣本的實際輸出與理想輸出之間的誤差特性如圖4（c）所示。
從圖4中可以看出，由于故障相與非故障相的電壓、電流幅值和相位差之間存在明顯的差異，對于1440個訓練樣本和1200個測試樣本，該神經網絡繼電器故障選相的正確動作率100%，且動作性能良好。
3.2故障定位與故障測距子網絡（NN2）的訓練與測試
3.2.1故障定位與故障測距子網絡對于訓練樣本的輸出特性
對已經訓練好的神經網絡，作出神經網絡在3種系統工況（電勢夾角Δδ分別為5、0、－5度）和8種過渡電阻下構成的1440個訓練樣本的動作特性圖5（a）、（b）、（c），來反映神經網絡的訓練效果。
從圖5（a）、（b）、（c）中可以看出，神經網絡繼電器對于訓練樣本的故障定位和故障測距輸出特性非常接近理想的動作特性，說明該神經網絡通過對樣本的學習，已正確區分了訓練樣本，獲得了理想輸出特性。從訓練樣本的動作特性圖中還可以看出，在各種系統工況和過渡電阻情況下，該神經網絡繼電器對于反向故障及區外故障均能可靠不動作，對于本線故障其保護范圍可達本線全長的90%，即可獲得設計保護范圍又能滿足選擇性要求。
3.2.2故障定位和故障測距子網絡對第一組測試樣本的檢驗結果
依據不同于訓練樣本的2種系統工況（電勢夾角Δδ分別為2.5、－2.5度）和7種過渡電阻（Rg分別為2.5、7.5、15、27.5、42.5、 60、85Ω）在和訓練樣本相同故障點位置（見圖2）作出第二組測試樣本共840個，來測試神經網絡的推廣性能。圖6（a）、（b）為故障定位和測距子網絡的對于第一組測試樣本的測試結果。
圖6故障定位與測距子網絡對于第一組測試樣本的輸出特從圖6（a）、（b）中可以看出，在和訓練樣本相同的故障點位置排列上，盡管測試樣本是在不同于訓練樣本的系統工況和過渡電阻情況下作出的，但神經網絡繼電器對于測試樣本的故障定位和故障測距輸出特性仍然接近理想的動作特性，說明該神經網絡具有良好的推廣性能。從測試樣本的動作特性圖中可以看出，在各種不同于訓練樣本的系統工況和過渡電阻情況下，該神經網絡繼電器對于反向故障及區外故障均能可靠不動作，對于本線故障其保護范圍可達本線全長的90%左右，具有良好的選擇性與方向性。
3.2.3故障定位和故障測距子網絡對第二組測試樣本的檢驗結果
依據不同于訓練樣本和第一組測試樣本的4種系統工況（電勢夾角Δδ分別為3.5、1.5、－1.5、－3.5度）、5種過渡電阻Rg分別為0.5、 25、45、65、90Ω）和故障點位置作出的第二組測試樣本共360個。其中，1～60#樣本為反方向故障， 61～300#樣本為區內故障，301～360#樣本為區外故障。圖7為故障定位和測距子網絡對于第二組測試樣本的測試結果。
從圖7中可以看出，該神經網絡式繼電器能自適應于系統工況和過渡電阻的變化，具有良好的方向性和動作性能，對反方向故障（－03處）、保護裝置近處故障（03處）、保護范圍末端故障（85、88處）、區外故障（101處）等各種故障的定位準確率為100%，其保護范圍可達本線路全長的88%。測距輸出的誤差在±0.1之間，亦即線路全長的15%以內。
4分析及結論
訓練好的神經網絡阻抗繼電器不僅能自適應于0～100Ω過渡電阻的變化，而且也自適應于系統工況的變化（兩端系統電勢夾角Δδ在－5度到＋5度之間變化）。其中，故障選相的準確率為100%，故障定位的保護范圍能達線路全長的88%，且方向性和選擇性良好。此外，該神經網絡式阻抗繼電器還具有一定的故障測距功能。
下一篇： PLC、DCS、FCS三大控
上一篇： 索爾維全系列Solef?PV
