发电机差动保护的原理是什么？

(东南大学电气工程系，南京210096)

(英国城市大学电气与电子信息工程系EC1VOHB)？本文提出了一种基于常规保护原理的神经网络差动保护方法。神经网络具有优秀的模式识别能力。首先从理论上分析了差动保护中的常规比率制动特性可以由单个神经元实现，由单个神经元感知器构成的比率制动特性差动保护可以实现。在此基础上，进一步提出了具有非线性制动特性的多层神经网络差动保护模型。该方法将传统保护中的整定值与人工神经网络结构中的权系数对应起来，利用学习算法获得最佳保护方案。运行人员可根据经验选择训练结果，彻底解决了将ANN技术应用于继电保护工程实践后可靠性差的问题，易于被现场运行人员接受。这种方法具有重要的工程和理论意义。？发电机变压器差动保护；人工神经网络；感知器；数字保护；内部故障；1引言电力系统继电保护是一门综合性学科。在继电保护技术向数字化发展的今天，各种新原理、新技术在数字化保护中得到了广泛应用。人工神经网络具有自学习和自适应的能力，将人工神经网络应用于继电保护已成为研究的热点。如果将神经网络技术应用于实时控制领域，如继电保护等，对可靠性要求较高，很难投入实际应用。难点主要体现在神经网络的归一化能力不足，即训练好的网络无法保证100%的可靠性。但从国内外学者发表的论文来看，涌现出了大量的研究成果，如距离保护、故障分类、利用人工神经网络进行故障定位等[1，2]，取得了良好的效果；将神经网络应用于发电机保护是很少见的。如参考文献[3]提出基于差动原理的发电机定子绕组保护，采用两个神经网络。第一个用于故障检测，检测发电机是处于正常、外部还是内部故障状态。另一个神经网络用于故障选相。神经网络的输入是发电机端、中性点和转子绕组电流的五个连续采样值。参考文献[4]提出将计算出的动作电流和制动电流的采样值作为神经网络的输入，利用遗传算法缩短网络的训练时间，取得了良好的效果。？不同原理实现的发电机差动保护，在电力系统故障时，尤其是电力系统短路、系统暂态、CT饱和时，表现出不同的行为。即使采用同样的原理，比如比率制动发电机的差动保护，如果采用不同的数字滤波器和不同的算法，由于对谐波和DC分量的抑制效果不同，算法失效时的表现也会不同，这就是为什么理论上电力系统保护的正确动作率应该是100%，但实际上并不高的原因[5]。由于继电保护对保护装置的基本要求是可靠性，随着电力系统装机容量的不断增加，对装置的可靠性要求也越来越高。由于电力系统的运行是千变万化的，现有的经验无法覆盖所有可能的故障，而人工神经网络是在以往经验学习的基础上，基于自学习、自适应的原理，因此电力系统运行人员往往不敢将其投入到实际系统运行中，将人工神经网络技术应用于保护后的整定方法也不同于以往的经验。不可能通过训练一个任意结构的神经网络来完成保护的整定过程。如何保证训练出来的网络一定可靠？因此，将神经网络应用于实际保护的关键问题是如何保证其可靠性。基于上述问题，本文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，将常规比率差动保护原理与人工神经网络原理充分结合，彻底解决了现场人员对神经网络可靠性的担忧。由于保护是基于传统的差动保护原理，所以训练好的网络在可靠性上不会比传统保护差，而且在工程上容易实现。？单神经元比率制动特性的实现与分析？2.1比率制动特性差动保护及单神经元实现原理比率制动特性原理是数字保护中对传统保护原理的改进。它的动作电流不是固定的，而是随着外部短路电流的增大而增大，因此能保证外部短路时保护不误动作，同时对内部短路具有较高的灵敏度[6，7]。其动作特性如图1所示。？从图(1)可以看出，它由无制动区、比率制动区和速断区三部分组成。当制动电流小于拐点电流ig时，动作电流为恒定Iq启动电流；当制动电流大于拐点电流时，动作电流随着制动电流的增大而沿直线增大；当动作电流大于差动速断电流时，反映故障情况严重，保护会不延时动作。其作用方程如下:Iz≤Ig (1)时无制动区表示Id≥Iq？比率制动区，即Id≥Ks(Iz-Ig)+Iq，当Iz≥Ig (2)时？快攻区Id≥Isd？(3)?以流向发电机的方向为电流正方向，差动电流为ID = | in+it |，制动电流为in-it |，其中发电机中性点二次CT电流为in，机端二次CT电流为it，曲线拐点电流为Ig，曲线启动电流为Iq，曲线斜率为KS。相对于流入发电机的电流的正方向。从上面的动作方程分析可以得出，该方程实际上实现了一个模式分类器的功能，将由Id和(Iz-Ig)组成的二维平面空间分为动作区域和非动作区域两类。由于人工神经网络具有很强的模式识别能力，上述分类特征曲线可以由单个神经元感知器实现。在实际保护整定中，比率制动曲线的斜率KS一般是根据保护运行的经验来确定的。差动保护引入人工神经网络技术后，以前的整定经验将继续发挥作用。例如，经验KS的值可以用作单个神经元的权重系数的初始值。在这个例子中，实现并训练了由单个神经元实现的分类器，并且获得了微分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Ig和曲线启动电流Iq。本实验采用常规差动保护的整定原则固定Ig和Iq两个参数，动作电流和神经元的连接权值设为常数1。此时单个神经元的参数只是比率制动部分的曲线斜率Ks，然后根据人工神经网络的训练方法找到比率制动曲线的最优斜率Ks。如图2所示，传感器的输出方程就是差动保护的比率制动部分的方程。进一步的研究还应该是Ig和Iq也是通过人工神经网络的训练过程得到的，网络采用多层结构，传递函数是非线性的，从而得到CT等二次回路设备误差引起的不平衡电流特性曲线的最佳逼近，得到非线性制动性能。？根据实际采集的现场数据和仿真数据，形成训练样本，通过一定的学习算法对单神经元网络进行训练，使网络权值Ks收敛到一个合适的值。从现场测量数据和仿真数据中，我们可以得到I？d，(Iz-Ig)(记为Iz1)和输出动作信号作为样本对，这些样本对构成单个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算法从图2可以看出，神经元的输入的加权和为:？传递函数f取为阶跃函数，神经元的输出值为:？单个神经元的误差函数定义为:其中n为样本数；k代表样本。？从上式可以看出，在样本集确定的情况下，单个神经元网络的误差只是比率制动系数的函数。神经网络训练的过程是通过样本学习来调整权系数Ks，使误差的平方和函数最小。？根据感知器网络的学习规则，我们可以得到[8]:？1)给定初始k？s值，根据常规保护的整定经验，初始Ks可取0.5；？2)输入一个样本X=(IdIz1)及其期望输出t(导师信号，若X∈内部故障，t=1，若X∈外部故障或正常情况，t = 0)；？3)根据公式(4)和(5)计算神经元的实际输出；？4)根据公式(7)和(8)，修正k？s的值，其中η是学习率；？5)转到2)直到K？所有样品的s都是稳定的。？单个神经网络的训练和仿真？3.1学习样本获取？以三峡机组为例，用下列参数构造了一个实际的发电机-变压器系统。？额定容量？Sn？=777.8 ?MVA？；？额定功率因数cosφ= 0.9；？额定线电压UN=20 kV？；？额定电流IN=22 453.2A直轴式非饱和超瞬电抗系统的接线图如图3所示。？分别模拟各种发电机内部相间短路故障和不同短路电抗的外部相间短路故障。故障电流通过两次？CT？传输后，获得中性点侧和机端的电流，然后计算制动电流和动作电流的数据值。样本还应包括发电机正常运行期间的电流数据；考虑到实际运行经验，实际工程中用于整定差动保护的数据也应作为样本放入样本集；此外，应该将发电机先前故障记录的当前数据添加到样本集中。？(1)外部相间短路的仿真？使用它？Matlab？软件模拟外部相间短路故障时，考虑到CT变比的离散性，变比的整定大小可以大致相等，但略有不同，这样就可以模拟二次回路的稳态不平衡过程。考虑暂态不平衡电流，整定CT的时间常数可以略有不同，这样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饱和。？(2)内部匝间短路故障数据的采集？内部短路故障数据由东南大学编制的多回路分析法获得。？故障情况:发电机空载运行时不接入系统，也就是说当发电机内部短路时，系统不向发电机提供短路电流；同时，还应包括发电机接入系统时负荷工况下的内部短路故障数据；过渡电阻短路故障数据。下面列出了不同情况下的故障情况:？1)A相1支路和B相1支路短路。短路点从1平移到36；获得36组样本数据；？2)A相1支路与B相1支路之间短路，其中A固定在中性点，B移动，获得36组数据；？3)带30%负荷，A相1支路与B相1支路之间短路，短路点由1移至36，得到36组数据；？4)带60%负荷，A相1支路与B相1支路之间短路，短路点由1移至36，得到36组数据；？5)带100%负荷，A相1支路与B相1支路短路，短路点由1移至36，得到36组数据；？6)负载为30%时，中性点附近A相1支路和B相1支路电阻短路，电阻为0.05 j欧姆(j=1…17)。？在决策平面上绘制外部故障和内部故障数据，如图4所示，其中横轴为制动电流，纵轴为动作电流。o代表外部故障，x代表内部故障。？

从图4中样本点的分布来看，内部故障和外部故障的界限很明显，内部故障和外部故障是线性可分的，两个区域在两种模式之间可以用一条直线隔开。从误差随Ks变化的趋势来看，Ks的值在0.23左右。从图6的训练过程可以得出结论，网络经过有限次迭代后收敛，Ks的最终最优值为0.234 6。？3.2培训结果的选择和分析？当神经元训练完成后，由于网络的权系数具有明显的物理意义，因此可以根据训练结果画出差动继电器的动作特征，根据得到的动作特征可以人工判断网络训练结果的好坏。如果培训结果有明显的问题，即与平时的操作经验不符，就会被拒绝。然后仔细分析训练样本，找出样本中是否存在明显的不良数据样本，使样本集成为线性不可分问题，从样本集中剔除不良样本。神经网络的权值与保护的整定值相对应，人们可以分析它的训练结果来决定是接受还是拒绝它。只有将人工神经网络的原理与实际工程问题有机地结合起来，才能将神经网络的理论知识应用于实际工程。人工神经网络原则上是一种结构互联的思想，以一些数学优化方法为主导。不能只是通过一个任意结构的神经网络得到输入输出的非线性映射，然后就可以得到这个问题的解。也就是说，我们要解开神经网络的内部结构，赋予神经网络的权值一定的物理意义，将我们平时解题方法中的参数与神经网络的权值对应起来，这样这些参数的获取就可以归结为一个训练过程，并且可以扩展和延伸，这样就可以充分利用神经网络的结构及其学习和训练方法。？传递函数是阶跃函数，也可以是线性函数，也可以是非线性函数，但使用不同的传递函数可以得到不同的制动曲线，这可以通过数学分析得到。阶跃函数单个神经元的制动曲线是线性的。采用上述结构的神经网络后，网络的权值和阈值被赋予了一定的物理意义，使得基于常规差动保护原理的神经网络原理的差动保护架构易于被现场人员接受。可以看出，即使不训练神经网络，凭经验设定的初始值也能保证神经网络差动保护正常工作，因为实际上它是一种常规的具有比率制动特性的差动保护。神经网络训练一旦收敛，Ks的值就会更符合实际情况。？如果进一步改进神经网络的结构，增加隐节点数，可以得到非线性的制动曲线，使制动曲线更接近差动电路的不平衡电流。众所周知，神经网络隐层中的神经元代表一个决策边界。如果我们增加隐层的连接数，就类似于生成一条分段线性的比率制动曲线。训练后网络的决策边界更接近CT二次回路的误差曲线。在工程中，具有比率制动特性的差动保护一般采用两段特性曲线，但也有部分采用三段特性曲线。第三条断线对防止ct饱和导致差动保护误动有一定作用，各种制动曲线可以防止CT？饱和引起的差动保护误动效果不同。根据以上结论可以看出，如果采用人工神经网络实现的非线性制动曲线，差动保护的性能将得到更明显的改善。？4多层神经网络实现非线性制动特性的发电机差动保护上述单神经元方案仅用人工神经网络实现比率制动特性的差动保护，神经网络具有非常好的非线性映射能力。如果只是这样使用神经网络，就失去了实际的工程意义，充其量只是利用人工神经网络的学习算法来获得比率制动特性的最佳保护。证明了人工神经网络与差动保护相结合是可行的，神经网络的优良特性没有全部被利用，所以进一步的研究是利用多层人工神经网络实现非线性制动特性的差动保护。？从单个神经网络的分析可以看出，增加一个隐神经元相当于增加一个分类边界，将神经元的节点变为非线性传递函数相当于将分类直线变为分类曲线，可以增强神经网络的表达能力。如图7所示，实现了一个三层神经网络差动保护，其中第一个神经元主要代表非制动区；第二中间神经元主要代表相应的制动区；第三个神经元主要代表相应的快攻区。赋予权重如图所示的初始值，并添加不等式约束，将权重限制在某个区域内。从图7中设置的初始值，可以获得非线性制动曲线。与比率制动曲线不同，它处处光滑可导，通过实际样本训练可以得到更符合实际的非线性制动特性。？网络的学习和训练算法采用BP算法，但由于网络中有些权值代表一定的物理意义，有些权值是固定的，对应的权值有一定的取值范围，因此受到实践经验的约束。如何将这些不等式约束加入到定义的误差函数中，以及网络传递函数的选取都需要进一步的研究，所以一般的BP算法需要改进后才能使用。今后，进一步的研究将主要在这些方面进行。？5结论？本文首先分析了利用单个神经网络实现比率制动特性纵联差动保护的可行性，并进行了仿真实验。从仿真结果可以看出，利用单神经元传感器实现差动保护的比率制动特性是可行的，并且可以获得最佳的比率制动特性。分析表明，传统保护原理中的具体参数与人工神经网络中的权值相对应，神经网络的权值被赋予了一定的物理意义。利用神经网络优良的训练算法获得最佳的权系数，同时获得传统保护中的整定参数。保护操作人员可以根据自己的经验决定参数的选择，彻底解决了人工神经网络应用于保护的可靠性无法保证的问题。在此基础上，提出并初步分析了基于多层神经网络的具有非线性制动特性的差动保护原理。基于传统保护原理的神经网络差动保护将人工神经网络技术与实际保护有机结合，其原理实现简单，易于被现场运行人员接受。该方案具有重要的工程和理论意义。