智能式自适应单相自动重合闸的应用研究
|
摘要
随着现代电力系统日趋复杂，电压等级的升高，系统出现问题的可能性将比以往有所增加，因此，必须有足够的措施保障系统的安全，将电力系统出现故障时所造成的损失减到最低。继电保护技术是各种安全措施中最为重要的一种。自动重合闸装置作为电力系统继电保护装置的重要组成部分，它在保证系统安全、稳定和经济运行等方面起着非常重要的作用。
智能式自适应单相重合闸是随着电力技术的进步、智能控制理论的发展，为了满足对电力系统自动重合闸所提出的更高要求而产生的一种新型的保护技术。
本文较深入系统的研究了单相自动重合闸的故障判别及其瞬时性故障最佳重合闸时刻的捕获问题。
传统的单相自动重合闸的缺点是在重合闸之前，完全是盲目的动作，无法区分线路发生的是瞬时性故障还是永久性故障。微机式自适应单相重合闸在重合闸之前，虽然可以明确地区分出线路发生的是瞬时性故障还是永久性故障，从而避免了传统自动重合闸的盲目性。但它在某些情况下，会分不清线路是发生了瞬时性故障还是永久性故障，仍有一定的缺陷。目前的重合闸装置多采用定时间间隔重合闸，即重合闸间歇时间。如何在重合闸装置最小间歇时间的基础上整定重合闸时间，以最有效的提高系统暂态稳定性方面的研究一直受到关注。自动重合闸存在一个最佳重合时刻，然而由于系统运行方式和接线方式经常变化，因此重合闸的最佳重合时刻也是时刻变化的。如何捕捉最佳重合时刻是一个值得研究的课题。
本文借鉴神经网络和小波变换理论在电力系统中的应用，运用人工神经网络模式识别与模式分类和小波变换信号提取功能，建立了基于小波神经网络的单相重合闸的模型，并通过对一线路模型的仿真，证实了它的可行性。在此基础上，利用当地采集的信号，提出一种智能的在线捕捉最佳重合闸时刻的新方法，并通过了仿真验证。
本文的突破之处在于首次将小波神经网络技术应用于自动重合闸中，尤其是输入特征量的选择更完全的包含了各种电气量参数，较为完善。提出并验证了瞬时性故障最佳重合时刻的智能式在线捕捉新方法，满足实时需要。
With the power system becoming more and more complicated, and the voltage scale becoming higher, System problems are more likely to happen than before. As the most important one in all kinds of security measures, power system' s personnel have concerned relay protection widely. As one of important components of relay protection, automotive reclosing device plays an important role in guaranteeing security, stability and economical running, etc.
Adaptive single-phase reclosing based on intelligent control is a new sort of protection principle, which develops with the advancement of power system technology and the progress of intelligent control theory. It is presented to satisfy the higher request for power system relay protection.
The thesis systematically and deeply studied in faults identifying of automatic reclosing and on-line obtaining the optimal reclosing time of transient faults based on wavelet transform and artificial neural network.
Conventional automatic reclosing' s shortcoming is that it acts blindly entirely before reclosing and cannot distinguish instantaneous fault from permanent fault. Though microprocessor-based adaptive single-phase reclosing scenario can distinguish instantaneous fault from permanent fault definitely and avoid the blindness of traditional automatic reclosing, in some cases, adaptive reclosing can confound instantaneous fault with permanent fault. So it has defects too. At present, reclosing devices are mostly reclosed by a fixed time , or called periodic time. In order to effectively enhance system transient stability, research on how to set reclosing time based-on shortest periodic time is always followed with interest. Automatic reclosing exits an optimal reclosing time, but the operation manner and wiring manner change
in
(L
frequently so that optimal reclosing time changes accordingly. How to obtain the optimal reclosing time of transient faults is a worthy topic.
This thesis referred to the applications of neural network and wavelet transform theory in power system, used the function of mode identification and mode classification of ANN and the function of signal extraction of wavelet transform, and established the model of single-phase reclosing based on wavelet neural network. Through simulating a line model, the paper approved its feasibility. In these bases, and using the gathered local signal, the paper obtained the optical reclosing time of transient faults by a new intelligent on-line method. The feasibility is verified by simulation also.
The major creative idea of the thesis is that it draws wavelet neural network into automatic reclosing firstly. The choice of input eigenvalue contains all kinds of electric parameters more completely and more perfectly. A new intelligent on-line method for obtaining the optimal reclosing time of transient faults is presented and verified and satisfies the need of real-time.
智能式自适应单相重合闸是随着电力技术的进步、智能控制理论的发展，为了满足对电力系统自动重合闸所提出的更高要求而产生的一种新型的保护技术。
本文较深入系统的研究了单相自动重合闸的故障判别及其瞬时性故障最佳重合闸时刻的捕获问题。
传统的单相自动重合闸的缺点是在重合闸之前，完全是盲目的动作，无法区分线路发生的是瞬时性故障还是永久性故障。微机式自适应单相重合闸在重合闸之前，虽然可以明确地区分出线路发生的是瞬时性故障还是永久性故障，从而避免了传统自动重合闸的盲目性。但它在某些情况下，会分不清线路是发生了瞬时性故障还是永久性故障，仍有一定的缺陷。目前的重合闸装置多采用定时间间隔重合闸，即重合闸间歇时间。如何在重合闸装置最小间歇时间的基础上整定重合闸时间，以最有效的提高系统暂态稳定性方面的研究一直受到关注。自动重合闸存在一个最佳重合时刻，然而由于系统运行方式和接线方式经常变化，因此重合闸的最佳重合时刻也是时刻变化的。如何捕捉最佳重合时刻是一个值得研究的课题。
本文借鉴神经网络和小波变换理论在电力系统中的应用，运用人工神经网络模式识别与模式分类和小波变换信号提取功能，建立了基于小波神经网络的单相重合闸的模型，并通过对一线路模型的仿真，证实了它的可行性。在此基础上，利用当地采集的信号，提出一种智能的在线捕捉最佳重合闸时刻的新方法，并通过了仿真验证。
本文的突破之处在于首次将小波神经网络技术应用于自动重合闸中，尤其是输入特征量的选择更完全的包含了各种电气量参数，较为完善。提出并验证了瞬时性故障最佳重合时刻的智能式在线捕捉新方法，满足实时需要。
With the power system becoming more and more complicated, and the voltage scale becoming higher, System problems are more likely to happen than before. As the most important one in all kinds of security measures, power system' s personnel have concerned relay protection widely. As one of important components of relay protection, automotive reclosing device plays an important role in guaranteeing security, stability and economical running, etc.
Adaptive single-phase reclosing based on intelligent control is a new sort of protection principle, which develops with the advancement of power system technology and the progress of intelligent control theory. It is presented to satisfy the higher request for power system relay protection.
The thesis systematically and deeply studied in faults identifying of automatic reclosing and on-line obtaining the optimal reclosing time of transient faults based on wavelet transform and artificial neural network.
Conventional automatic reclosing' s shortcoming is that it acts blindly entirely before reclosing and cannot distinguish instantaneous fault from permanent fault. Though microprocessor-based adaptive single-phase reclosing scenario can distinguish instantaneous fault from permanent fault definitely and avoid the blindness of traditional automatic reclosing, in some cases, adaptive reclosing can confound instantaneous fault with permanent fault. So it has defects too. At present, reclosing devices are mostly reclosed by a fixed time , or called periodic time. In order to effectively enhance system transient stability, research on how to set reclosing time based-on shortest periodic time is always followed with interest. Automatic reclosing exits an optimal reclosing time, but the operation manner and wiring manner change
in
(L
frequently so that optimal reclosing time changes accordingly. How to obtain the optimal reclosing time of transient faults is a worthy topic.
This thesis referred to the applications of neural network and wavelet transform theory in power system, used the function of mode identification and mode classification of ANN and the function of signal extraction of wavelet transform, and established the model of single-phase reclosing based on wavelet neural network. Through simulating a line model, the paper approved its feasibility. In these bases, and using the gathered local signal, the paper obtained the optical reclosing time of transient faults by a new intelligent on-line method. The feasibility is verified by simulation also.
The major creative idea of the thesis is that it draws wavelet neural network into automatic reclosing firstly. The choice of input eigenvalue contains all kinds of electric parameters more completely and more perfectly. A new intelligent on-line method for obtaining the optimal reclosing time of transient faults is presented and verified and satisfies the need of real-time.
引文
[1]贺家李，宋从矩．电力系统继电保护原理．北京：水利电力出版社，1994
[2]尹项根，曾克娥．电力系统继电保护原理与应用(上册)．湖北：华中科技大学出版社，2001
[3]朱声石．高压电网继电保护原理与技术．北京：中国电力出版社，1995
[4]王梅义．电网继电保护应用．北京：中国电力出版社，1999
[5]杨新民，杨隽琳．电力系统微机保护培训教材．北京：中国电力出版社，2000
[6]孙增圻．智能控制理论与技术．北京：清华大学出版社；广西：广西科学技术出版社，2000
[7]程正兴．小波分析算法与应用．陕西：西安交通大学出版社，1998
[8]余永权．神经网络模糊逻辑控制．北京：电子工业出版社，1999
[9]A.G.Jongepier,L.vander Sluis.Adaptive Distance Protection of Double-Circuit Lines using Artificial Neural Networks.IEEE Trans on Power Delivery.1997,Vol.12,No.1:97-105
[10]B.Kasztenny,E.Rosolowski,M.M.Saha,B.Hillstrom.A SELF-ORGANIZING FUZZY LOGIC BASED PROTECTIVE RELAY-AN APPLICATION TO POWER TRANSFORMER PROTECTION.IEEE Trans on Power Delivery.1997,Vol.12,No.3:1119-1128
[11]葛耀中．自适应继电保护及其前景展望．电力系统自动化．1997，21(9)：42-46
[12]王平洋．电力系统自动化与智能技术．电力系统自动化．1998，22(1)：6-11
[13]文福拴．智能系统在电力系统中应用国际会议述评．1998，22(2)：41-45
[14]文福拴．智能系统在电力系统中应用国际会议述评(续
前)．1998，22(3)：33-35
[15]文福拴．智能系统在电力系统中应用国际会议述评(续完)．1998，22(4)：47-50
[16]任震，黄雯莹，何建军等．小波分析及其在电力系统中的应用(一)概论．1997：21(1)：5-17
[17]段玉倩，贺家李．基于人工神经网络的距离保护．中国电机工程学报．1999，19(5)：67～70
[18]Thomas Dalstein.Multi Neural Network Based Fault Area Estimation for High Speed Protective Relaying.IEEE Trans on Power Delivery.1996,Vol.11.No.2
[19]Damir Novosel.Algorithms for Locating Faults on Series Compensated Lines Using Neural Network and Determinstic Methods.IEEE Trans on Power Delivery.1996,Vol.11.No.4
[20]刘一江，周友庆．应用人工神经元网络方法实现微机距离保护．中国电机工程学报．1999，19(12)：51-56
[21]王大忠，徐文，周泽存等．模糊理论、专家系统及人工神经网络在电力变压器故障诊断中应用——基于油中溶解气体进行分析诊断．中国电机工程学报．1996，16(5)：349～353
[22]韩祯祥，吴小苗，模糊集理论在电力系统中的应用．电力系统自动化．1994，18(3)：54～59
[23]周志坚，毛宗源．模糊神经网络的交叉研究．电路与系统学报．1998，3(3)：81-85
[24]杨以涵，唐国庆，高曙．专家系统及其在电力系统中的应用，北京：水利电力出版社．1995
[25]董新洲．故障信息小波变换与继电保护．中国电力．2001，34(12)：22-26
[26]曾祥君，尹项根，唐忠等．人工智能在电力系统暂态保护中的应用．长沙电力学院学报(自然科学版)．1999，14(4)：340-344
[27]陈维荣，钱清泉．一种基于神经网络的馈线自适应继电保护技术．西南交通大学学报．1999，34(4)：419-424
[28]A.P.Alves da Silva, A.H.F.Insfran,P.M. da silveira,G.Lambert-Torres.Neural Networks for Fault Location in Substations.IEEE Trans on Power Delivery.1996,Vol.11.No.1:234-239
[29]J.Pihler,B. Grcar, D, Dolinar.Improved Operation of Power Transformer Protection Using Artificial Neural Network.IEEE Trans on Power Delivery.1997,Vol.12.No.3:1128-1135
[30]M.Kezunovic,Y.Q.Xia,Y.Guo.An Advanced Method for Testing of Distance Relay Operating Characteristic.IEEE Trans on Power Delivery.1996,Vol.11.No.1:149-155
[31]D.S.Fitton,R.W.Dunn,R.K,Aggarwal,A.T.Johns.Design and Implementation for an Adaptive Single Pole Autoreclosure Technique for Transmission Lines using Artificial Neural Networks.IEEE Trans on Power Delivery.1996,Vol.11.No.2:748-755
[32]B Stedall, P Moore,A Johns,J Goody,M Burt.An Investigation into the Use of Adaptive Setting Techniques for Improved Distance Back-up Protection.IEEE Trans on Power Delivery.1996,Vol.11.No.2:757-763
[33]Thomas Dalstein,Thomas Friedrich,Bernd Kulicke,Dejan Sobajic.Multi Neural Network Based Fault Area Estimation for High Speed Protection Relaying.IEEE Trans on Power Delivery.1996,Vol.11.No.2:740-747
[34]葛耀中，索南，孔繁鹏等．微机式自适应单相重合闸的判据和算法．继电器．1995年第2期：7-10
[35]林湘宁，朱海昱，刘沛．基于模糊综合决策的自动重合闸优化判据的研究．电力系统自动化．1997，21(9)：31-34
[36]聂一雄，尹项根．人工智能与模糊控制在电力系统继电保护应用的研究现状及前景．电力系统及其自动化学报．2000，12(2)；37-41
[37]郁惟镛，胡炎，黄登峰．基于波形识别的永久性和瞬时性故障的判
别．继电器．1999，27(4)：10-13
[38]郁惟镛，房鑫炎，王山虎等．自适应重合闸的机理及仿真计算．上海交通大学学报．1996，30(9)：63-68
[39]刘志刚，王晓茹，何正友等．小波变换、神经网络和小波网络的函数逼近能力分析与比较．电力系统自动化．2002，36(25)：39-43
[40]袁宇春，张保会，钱国明．多机电力系统中重合闸最佳时刻的研究——第1部分 瞬时性故障最佳重合时刻的研究．电力系统自动化．1998，22(4)：16-18
[41]袁宇春，张保会，阎海山．多机电力系统中重合闸最佳时刻的研究——第2部分 永久性故障最佳重合时刻的研究．电力系统自动化．1998，22(6)：46-48
[42]蔡国伟，柳焯，穆钢等．瞬时性故障最佳重合闸时间的自适应整定方法．中国电力．2000，3(1)：49-52
[43]王晶，束洪春，陈学允．检测电压瞬时脉冲扰动的小波-神经网络新方法．电力系统自动化．2002，26(6)：50-54
[44]董新洲，耿中行，葛耀中等．小波变换应用于电力系统故障信号分析初探．中国电机工程学报．1997，17(6)：421-424
[45]黄莹，葛耀中．自适应分相重合闸的判据及其仿真计算．继电器．1996年第4期：4-8
[46]房鑫炎，郁惟镛，王志华．基于发展性故障的自适应重合闸合闸相序的判别．电力自动化设备．1999，19(2)：18-20
[47]徐子利，陈少华，张辉．基于SPDS神经网络的电流保护．广东电力．2002，15(5)：4-8
[48]陈少华，徐子利，张辉．RBF神经网络式自适应单相重合闸的应用研究．电力科学与工程。2002，2：1-3
[49]陈少华，徐子利，陈允平．基于小波神经网络的自适应重合闸．武汉大学学报(工学版)．2003，30(1)：23-26
[2]尹项根，曾克娥．电力系统继电保护原理与应用(上册)．湖北：华中科技大学出版社，2001
[3]朱声石．高压电网继电保护原理与技术．北京：中国电力出版社，1995
[4]王梅义．电网继电保护应用．北京：中国电力出版社，1999
[5]杨新民，杨隽琳．电力系统微机保护培训教材．北京：中国电力出版社，2000
[6]孙增圻．智能控制理论与技术．北京：清华大学出版社；广西：广西科学技术出版社，2000
[7]程正兴．小波分析算法与应用．陕西：西安交通大学出版社，1998
[8]余永权．神经网络模糊逻辑控制．北京：电子工业出版社，1999
[9]A.G.Jongepier,L.vander Sluis.Adaptive Distance Protection of Double-Circuit Lines using Artificial Neural Networks.IEEE Trans on Power Delivery.1997,Vol.12,No.1:97-105
[10]B.Kasztenny,E.Rosolowski,M.M.Saha,B.Hillstrom.A SELF-ORGANIZING FUZZY LOGIC BASED PROTECTIVE RELAY-AN APPLICATION TO POWER TRANSFORMER PROTECTION.IEEE Trans on Power Delivery.1997,Vol.12,No.3:1119-1128
[11]葛耀中．自适应继电保护及其前景展望．电力系统自动化．1997，21(9)：42-46
[12]王平洋．电力系统自动化与智能技术．电力系统自动化．1998，22(1)：6-11
[13]文福拴．智能系统在电力系统中应用国际会议述评．1998，22(2)：41-45
[14]文福拴．智能系统在电力系统中应用国际会议述评(续
前)．1998，22(3)：33-35
[15]文福拴．智能系统在电力系统中应用国际会议述评(续完)．1998，22(4)：47-50
[16]任震，黄雯莹，何建军等．小波分析及其在电力系统中的应用(一)概论．1997：21(1)：5-17
[17]段玉倩，贺家李．基于人工神经网络的距离保护．中国电机工程学报．1999，19(5)：67～70
[18]Thomas Dalstein.Multi Neural Network Based Fault Area Estimation for High Speed Protective Relaying.IEEE Trans on Power Delivery.1996,Vol.11.No.2
[19]Damir Novosel.Algorithms for Locating Faults on Series Compensated Lines Using Neural Network and Determinstic Methods.IEEE Trans on Power Delivery.1996,Vol.11.No.4
[20]刘一江，周友庆．应用人工神经元网络方法实现微机距离保护．中国电机工程学报．1999，19(12)：51-56
[21]王大忠，徐文，周泽存等．模糊理论、专家系统及人工神经网络在电力变压器故障诊断中应用——基于油中溶解气体进行分析诊断．中国电机工程学报．1996，16(5)：349～353
[22]韩祯祥，吴小苗，模糊集理论在电力系统中的应用．电力系统自动化．1994，18(3)：54～59
[23]周志坚，毛宗源．模糊神经网络的交叉研究．电路与系统学报．1998，3(3)：81-85
[24]杨以涵，唐国庆，高曙．专家系统及其在电力系统中的应用，北京：水利电力出版社．1995
[25]董新洲．故障信息小波变换与继电保护．中国电力．2001，34(12)：22-26
[26]曾祥君，尹项根，唐忠等．人工智能在电力系统暂态保护中的应用．长沙电力学院学报(自然科学版)．1999，14(4)：340-344
[27]陈维荣，钱清泉．一种基于神经网络的馈线自适应继电保护技术．西南交通大学学报．1999，34(4)：419-424
[28]A.P.Alves da Silva, A.H.F.Insfran,P.M. da silveira,G.Lambert-Torres.Neural Networks for Fault Location in Substations.IEEE Trans on Power Delivery.1996,Vol.11.No.1:234-239
[29]J.Pihler,B. Grcar, D, Dolinar.Improved Operation of Power Transformer Protection Using Artificial Neural Network.IEEE Trans on Power Delivery.1997,Vol.12.No.3:1128-1135
[30]M.Kezunovic,Y.Q.Xia,Y.Guo.An Advanced Method for Testing of Distance Relay Operating Characteristic.IEEE Trans on Power Delivery.1996,Vol.11.No.1:149-155
[31]D.S.Fitton,R.W.Dunn,R.K,Aggarwal,A.T.Johns.Design and Implementation for an Adaptive Single Pole Autoreclosure Technique for Transmission Lines using Artificial Neural Networks.IEEE Trans on Power Delivery.1996,Vol.11.No.2:748-755
[32]B Stedall, P Moore,A Johns,J Goody,M Burt.An Investigation into the Use of Adaptive Setting Techniques for Improved Distance Back-up Protection.IEEE Trans on Power Delivery.1996,Vol.11.No.2:757-763
[33]Thomas Dalstein,Thomas Friedrich,Bernd Kulicke,Dejan Sobajic.Multi Neural Network Based Fault Area Estimation for High Speed Protection Relaying.IEEE Trans on Power Delivery.1996,Vol.11.No.2:740-747
[34]葛耀中，索南，孔繁鹏等．微机式自适应单相重合闸的判据和算法．继电器．1995年第2期：7-10
[35]林湘宁，朱海昱，刘沛．基于模糊综合决策的自动重合闸优化判据的研究．电力系统自动化．1997，21(9)：31-34
[36]聂一雄，尹项根．人工智能与模糊控制在电力系统继电保护应用的研究现状及前景．电力系统及其自动化学报．2000，12(2)；37-41
[37]郁惟镛，胡炎，黄登峰．基于波形识别的永久性和瞬时性故障的判
别．继电器．1999，27(4)：10-13
[38]郁惟镛，房鑫炎，王山虎等．自适应重合闸的机理及仿真计算．上海交通大学学报．1996，30(9)：63-68
[39]刘志刚，王晓茹，何正友等．小波变换、神经网络和小波网络的函数逼近能力分析与比较．电力系统自动化．2002，36(25)：39-43
[40]袁宇春，张保会，钱国明．多机电力系统中重合闸最佳时刻的研究——第1部分 瞬时性故障最佳重合时刻的研究．电力系统自动化．1998，22(4)：16-18
[41]袁宇春，张保会，阎海山．多机电力系统中重合闸最佳时刻的研究——第2部分 永久性故障最佳重合时刻的研究．电力系统自动化．1998，22(6)：46-48
[42]蔡国伟，柳焯，穆钢等．瞬时性故障最佳重合闸时间的自适应整定方法．中国电力．2000，3(1)：49-52
[43]王晶，束洪春，陈学允．检测电压瞬时脉冲扰动的小波-神经网络新方法．电力系统自动化．2002，26(6)：50-54
[44]董新洲，耿中行，葛耀中等．小波变换应用于电力系统故障信号分析初探．中国电机工程学报．1997，17(6)：421-424
[45]黄莹，葛耀中．自适应分相重合闸的判据及其仿真计算．继电器．1996年第4期：4-8
[46]房鑫炎，郁惟镛，王志华．基于发展性故障的自适应重合闸合闸相序的判别．电力自动化设备．1999，19(2)：18-20
[47]徐子利，陈少华，张辉．基于SPDS神经网络的电流保护．广东电力．2002，15(5)：4-8
[48]陈少华，徐子利，张辉．RBF神经网络式自适应单相重合闸的应用研究．电力科学与工程。2002，2：1-3
[49]陈少华，徐子利，陈允平．基于小波神经网络的自适应重合闸．武汉大学学报(工学版)．2003，30(1)：23-26