（电力系统及其自动化专业论文）基于神经网络的距离保护的研究.pdf

声明 本人郑重声明：此处所提交的硕士学位论文基于神经网络的距离保护研究， 是本人在华北电力大学攻读硕士学位期间，在导师指导下进行的研究工作和取得 的研究成果。据本人所知，除了文中特别加以标注和致谢之处外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得华北电力大学或其他教育 机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何炙 献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名弛塑日期：印略，一刃 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有 权保管、并向有关部门送交学位论文的原件与复印件：学校可以采用影印、缩 印或其它复制手段复制并保存学位论文：学校可允许学位论文被查阅或借阅； 学校c 4 以学术交流为目的，复制赠送和交换学位论文；同意学校可以用不同方 式在不同媒体上发表、传播学位论文的全部或部分内容。 r 涉密的学位论文在解密后遵守此规定) 作者签名：趣导师签名 日 期：迦垒! 堡：塑： 日期 继 丛厶兰 华北电力人学顶十学位论文 1 1 问题的提出 第一章绪论 距离保护长期以来一直是复杂电网中高压输电线路最重要的、也是应用最广泛 的保护方案。通过计算保护安装点与故障点之f r j 的阻抗值，来确定故障是否发生在 保护区域内。这种保护原理具有很多独特的优点，但是它的性能也存在着某些，r 重 的不足：当系统发生振荡时距离保护可能会误动作；过渡电阻的存在可能会使距离 保护误动或拒动等等。 纵观继电保护的发展，所有保护原理都是计算和比较电力系统故障时的某个或 几个特征量，这有限的几个特征量难以全面确定电力系统的故障状态，因而电力系 统继电保护领域中的一些难题始终得不到完善而彻底的解决，例如电力系统距离保 护中的振荡与短路的判别、系统振荡情况下短路的检测、经高过渡电阻接地短路的 检测、大型变压器差动保护中励磁涌流与短路的判别等等，这些问题的存在阻碍着 继电保护装置正确动作率的进一步提高。但是，如不改变继电保护的传统观念、原 理和手段，很难突破这些障碍，使继电保护技术继续向前发展。 基于上述分析，本文将电力系统故障作为电力系统运行状态突变来考虑，而不 仅仅是看作某些电气量的变化，力图给出电力系统故障状态完整的描述。人j ：神经 网络具有强大的模式识别能力和自学习、自组织能力，本文针对电力系统继电保护 领域中亟待解决的棘手问题，如：距离保护中存在的振荡与短路的识别、振荡过程 中发生短路的识别、过渡电阻对距离保护的影响等等，提出了人工神经网络式距离 保护原理。实现该原理的神经网络模型由三个子网络组成。 电力系统在正常运行时，所有投入系统的发电机都处于同步运行状念。当系统 冈短路故障切除太慢或遭受较大冲击时，并列运行的发电机可能失去同步，而系统 发生振荡。此时，系统中的电流，电压幅值和测量阻抗均作周期性变化，变化速度 较慢，而且任一点电流和电压之间的相位关系都随振荡角度的变化而变化：另外， 系统发生振荡时，三相完全对称，没有负序和零序分量出现，等等。如何区分振荡 与短路状态长期以来一直是人们关注的焦点所在，国内外从事保护工作的研究人员 采用了大量方案来试图解决这一问题。 另外，系统经过过渡电阻发生短路故障时，可能会导致距离保护的误动或拒动。 短路点过渡电阻包括弧光电阻和接地短路点的接地电阻等。当系统发生区内故障 时，如果过渡电阻很大，可使保护拒动：另外，当在两侧电源的线路上发生经过渡 华北电力大学硕士学位论文 电阻的区外短路时，当两侧电源电势的夹角达到定值时，阻抗继电器的测量阻抗 呵能减小而进入动作区，从而使距离保护误动作。 尽管针对距离保护的现状，人们提出了一些改进方案，但是任何一种常规的距 离保护都是仅取系统发生振荡时所具有的一种或两种特征来识别系统振荡与i f 常 状态和故障状态。由于系统振荡状态和运行状态的多样性，仅利用上述一、两种特 征来检测系统振荡状态是不可靠的。 基于人工神经网络是一种并行处理的非线性映射，具有很强的容错性、鲁棒性 和冗余度，被广泛地应用于模式识别和模式分类等方面，本文提出了一种神经网络 式距离保护原理，综合反应前述各种特征，对电力系统的状态进行综合判断，通过 大量样本的训练后，将电力系统输电线路的各种运行状态信息记忆在其连接权值 中，从而正确地识别系统的各种状态一一正常运行、非正常运行或故障。实际上， 将神经网络用于从系统各种参数的组合模式来识别故障，在这个意义上，已经无所 谓是什么保护原理了，因为并没有进行测量阻抗的计算或故障方向的判别，也不规 定阻抗继电器的动作特征，但是为了与传统的概念相一致，将这种按阶梯型时限特 性动作的保护仍称为距离保护。 随着电力系统的规模日趋增大，跨省、区的大型电力网相继出现，经济效益和 供电可靠性得到了提高，与此同时，电力系统稳定性成为一个突出的问题。 我国长期的运行经验证明正确处理系统振荡的有效办法是坚持保持整个系统 的完整性，不允许手动或由继电保护自动的任意解列线路( 预定的解列点除外) ， 而是由手动或自动装置减少送端系统侧水电机组的出力。用这种方法可以迅速平息 系统振荡。因此，在电力系统振荡时，继电保护不应动作，对受振荡影响的可能要 误动作的保护( 主要是距离保护) 要采取闭锁措施。 长期以来，在我国采用的振荡闭锁装置原理简单、动作可靠，无论是静态还是 暂态稳定破坏都可有效地对保护实现闭锁。这种方式在短路故障发生时能迅速短时 丌放保护。当暂态稳定破坏时从故障丌始到系统两侧电动势相位差增大到足以引起 距离保护误动一般至少需要o 2 5 s ，在到达此时间以前振荡闭锁装置已将可能误动的 保护段闭锁，即短时开放后就将保护闭锁。静态稳定破坏时则不开放保护并迅速将 保护闭锁。在短时开放保护后，对保护的闭锁将持续到振荡停息并经一段时间才解 除，即所谓闭锁装置的整组复归。在保护装置闭锁期间若系统发生故障也不能再丌 放保护是这种方式的缺点。长期以来我国高压线路保护的配置基本上是相位比较式 纵联保护、相倒距离保护和零序电流保护。相位比较式纵联保护和零序电流保护不 受振荡影响。相间距离保护在振荡时被闭锁但保留保护第1 i i 段，其动作时限一般 大于1 5 s ，足以避开恢复同步运行前的最大振荡周期。距离保护采用这种振荡闭锁 方式在氏期运行中取得了良好的效果。 华北电力大学硕十学位论文 改进的目标是在振荡过程中发生故障时应能有选择性地较快地切除故障。随着 系统设计和运行水平的提高，系统振荡日趋减少，振荡中再故障的几率更小。对保 护快速性的要求是为了维持系统的暂态稳定。 振荡闭锁装鼍要能够做到在振荡中再故障时开放保护，就必须能够区分振荡与 故障。由于振荡电流可能很大，要完全做到这一点是相当困难的。所谓振荡中再故 障时丌放保护，实际上是要求振荡闭锁装置永远能够在故障时开放保护，但丌放保 护呵以是有条件的，并带有一定的小延时；见参考文献1 1 1 2 神经网络式距离保护的研究现状 目前，将神经网络应用于距离保护中已有很多的研究。参考文献 2 中，介绍r 用人工神经网络实现输电线速断保护区内区外动作情况的判断和定位的功能，并通 过对单相接地故障和三相故障的e m t p 仿真测试发现，用神经网络可以在一个周期 以内准确地显示和定位故障。 参考文献 3 中，介绍了一种基于人工神经网络的距离继电器，该方法以i 相电 压和电流的基波分量幅值作为网络输入，仿真结果表明，与传统的继电器相比，该 继电器反应迅速、准确，即使在不同的故障条件和网络条件下也能正常工作。 参考文献 4 仲，提出了一种超高压输电线路保护的新方案，将模型神经网络应 用于电力系统的信号处理中，实现输电线路的速动保护。本方法首先利用模糊神经 网络实现传统i 段保护的功能，在此基础上，对输电线9 0 以外的故障，利用神经 网络的再次训练，实现进一步的故障判别。通过神经网络的学习训练，这种方法能 准确区分区内、区外故障，而基本上不受故障类型、故障位置、过渡电阻及系统运 行方式的影响。 参考文献5 中，对神经网络式超高压输电线路的距离保护如何减小过渡电阻的 影响作了深入的研究。在双侧电源条件下，过渡电阻可能造成保护范围的伸长或缩 短。提出了神经网络距离保护算法，通过对样本的学习来获得保护的动作特性，具 有内在的对过渡电阻和系统运行方式的自适应性。该算法已在一实际的5 0 0 k 、系统 输电线路 ：仿真实现，考虑单相接地故障和i 段保护，在设计的9 0 保护范围内具 有稳定良好的保护性能。 1 3 本文作者的主要研究工作 本文根据距离保护存在的问题，在参考了国内外对距离保护的研究成果的基础t - 提出了攮于人工神经嘲络的距离保护的研究课题。本文作者的主要工作是： 华北电力人学硕l 学位论文 一、对神经网络的算法进行研究，选择合适的算法进行基于神经网络的距离保护的实 现。利用神经网络的模式t , q 另u * n 分类功能设计完成距离保护的各项功能。 二、用电磁暂态仿真软件a t p 对选定的简单电力系统线路模型进行各种故障仿真，得到 故障数据，再经傅立叶变换和一阶差分变换，得到基波分量。 三、神经网络的距离保护模型由三个相互独立的子网络实现，即振荡识别子网络、敞障 检测与选相子网络和故障定位子网络，它们组成了一个并行处理的系统，综合线路 处于各种状态时的特征，对电力系统的状态进行综合判断。 四、对振荡进行了深入的研究。产生振荡的原因有很多种，研究振荡首先要建立一个模 型，本文对如何使用e m t p 对振荡仿真进行了探讨，对于振荡与故障的识别，本文 使用神经网络的方法，完成了这一难题，将纯振荡与其它情况( 振荡中又发生故障， 故障中又发生振荡，纯故障) 很好的分开。 五、本文构建了故障识别与选相子网路。输出为5 个节点，分别为保护启动，a 相故障， b 相故障，c 相故障，相间故障。当保护启动，并且a n n 3 子网络判为区内故障时， 保护按照输出结果跳三相或跳单相。使用a t p 对模型进行各种故障的仿真，用 m a t l a b 中神经网络工具箱训练和检验网络。 六、本文构建了故障定位子网络，其输出为一个节点，表示区内夕i 故障。用a t p 对电 力系统模型进行了各种故障仿真，训练著检验该网络。检验结果表明，使用神经网 络来区分区内区外故障，原理简单，可靠性高。 华北电力大学颐士学位论文 第二章神经网络式距离保护研究 2 ，1 神经网络算法的研究分析 1 9 4 3 年心理学家w i v i c c u l l o c h 和数理逻辑学家w 。p i g s 提出种输入、输出均为 值量的简单的神经网络模型；1 9 4 9 年d o h e b b 首先提出一种调节神经网络权值的觇则， 通常称为h e b b 学习规则。1 9 5 8 年f r o s e n b l a t t 等人研究了一种特殊类型的神经嘲络， 称为感知器，他们认为这是生物系统感知外界传感信息的简化模型，这种模型主要用于 模式分类。1 9 6 9 年mm i s k e y 和s p a p e r t 发表了名为“感知器”的专著，指出线性感知 器的功能是有限的，无法解决线形不可分两类样本的分类问题，因此必须加入隐层节点， 但是对于多层网络，如果找到有效的学习算法是尚难以解决的问题，因此它使7 0 年代 神经硎络的研究处于低潮；美国物理学家j - j h o p f i e l d 在1 9 8 2 年1 9 8 4 年发表的两篇论 文引起很大的反响，他提出一种反馈互联网络，并定义了一个能量函数，它是神经元的 状态和连接权值的函数，利用该网络可以求解联想记忆和优化计算等问题，最典型的是 成功的解决了旅行商的问题，这种网络后来被称为h o p f i e l d 网络；1 9 8 6 年d er u m e l h a r t 和jl m c c l e l l a n d 等提出了多层前馈网络的反向传播算法( b a c kp r o p a g a t i o n ) ，简称b p 网络或b p 算法，解决了感知器不能解决的问题。见参考文献 7 】。 8 0 年代以来，神经网络的研究又兴起了热潮，而且随着神经网络技术的不断成熟， 又与其它模糊理论，小波分析等理论结合起来组成新的模糊神经网络和小波神经网络。 神经网络已经成功地应用到模式识别、自动控制、机器人和统计学等领域，在电力系统 中的应用也得到了长足的发展。在电力系统中主要有以下应用： 1 ) 电力系统安全评估 2 ) 电力系统故障珍断 3 ) 电力系统边际电价的预测 4 ) 继电保护 5 ) 小电流接地系统故障选线 6 ) 谐波测量 7 ) 同步发电机励磁控制 8 ) 电网调度员培训智能仿真系统 9 ) 串联电容控制器 1 0 ) 静止无功补偿 华北电力人学硕士学位论文 1 1 ) 直流输电控制系统控制其 1 2 ) 负荷预测 13 ) 灵活交直流输电系统( f a c t s ) 1 4 ) 自动重合闸 1 5 ) 电力系统稳定器 16 ) 电厂过程控制 17 ) 汽轮发电机组故障诊断系统 18 1 电力系统动念安全分析的a n n 动态安全域 在继电保护中的应用主要有 i ) 故障检测 2 ) 故障定位 3 ) 自动重合闸技术 4 ) 差动保护 5 ) 距离保护 21 1b p 型前馈神经网络的研究 b p 算法已成为目前应用最为广泛的神经网络学习算法，据统计有近9 0 的神经网 络应用是基于b p 算法的 3 。b p 神经网络采用的传递函数通常是s i g m o i d 型可微幽数， 所以可以实现输入和输出间的任意非线胜映射。 以下介绍b p 网络拓扑结构及训练算法 x p i x p 2 x p 3 c m c p 2 c p 3 图2 - 1b p 神经网终的拓扑结构 b p ( b a c kp r o p a g a t i o n ) 神经网络的拓扑结构如图1 所示， 为输入层第i 个神经 元与隐层第j 个神经元之间的连接权值；v d 为隐层第j 个神经元与输出层第k 个神经 元之间的连接权值；x p i 为输入层第i 个神经元的输入；c p k 为输出层第k 个神经元的输出： i 一1 ，2 ，n ；| _ 1 ，2 1 ：k = l ，2 m ：n ，1 ，m 分别为输入层，隐含层军u 输出 层的神经元个数；p = 1 ，2 p ，p 为样本总数。神经元的工作特性为 s = 三n 。u 十z 川一q b w 2 f ( s w ) 2 1 华北电力大学颐十学俺论文 t p k2 强+ 6 9 y c p k = f ( t p k ) ( 2 2 ) 式中目，为隐含层第j 个神经元的闽值；y t 为输出层第k 个神经元的阂值：s m ，b 。， t d k 分别为输入层神经元的输出，隐含层神经元的输出和输出层神经元的输出。期望输出 信号，即教师信号为y m 则误差函数和权值调节公式为 e p ：兰( ，肿一c 2 2 ( 2 3 ) 州) _ 叫f ) - 1 恭 沼4 ) b p 算法的学习过程分2 步：首先，对于给定的网络输入，通过现有连接权将其正 向传播，经各个神经元节点的传递函数作用后，获得其世纪输出；然后，先计算出输出 层各神经元的误差信号，这些误差逐层向输入层反向传播，以获得各层神经元的误差信 号，从而调整相应得连接权。重复这样的过程，直到实际输出与期望值之问的误差在允 许范围内。见参考文献 9 】。 2 12b p 算法的改进 b p 算法的主要缺点为：( 1 ) 收敛速度慢( 2 ) 局部极值 ( 3 ) 难以确定隐层和隐 节点的个数。标准b p 算法实质上是一种简单的最速下降静态寻优法，在修正( k ) 时， 只是按照k 时刻的负梯度方向进行修正，而没有考虑到以前积累的经验，即以前时刻的 梯度方向，从而常常使学习过程发生振荡，收敛缓慢。 ( 1 ) 动量一自适应学习算法： ( t + d = o o ( k ) + d 【( 1 一u ) d ( k ) + q d ( k 1 ) ( 2 5 ) 其中m ( ) 即可表示单个的权值，也可表示权值向量。d ( ) = 意鼍为k 时刻的负梯度。 d ( k j ) 为k 一1 时刻的负梯度。“为学习率，a 0 。_ 为动量因子，o _ 1 这种方法所加 入的动量项实质上相当于阻尼项，它可以减少学习过程的振荡趋势，从而改善了收敛性。 ( 2 )自适应调整学习率的改进算法： c o ( k + 1 ) = d 女) + a ( 女) + q 女) 耐女) = 矽4 a o , 一1 ) = s f g 哇j d ( a ) + j 9 ( 女一1 ) 】 ( 2 6 ) 华北电力人学硕十学靠论文 当连续两次迭代其梯度方向相同时，表示下降太慢，这时可以使步长加倍；当连续 两次迭代其梯度方向相反时，表明下降过头，这时可以使步长减半。 l m ( l e v e n b e r g m a r q u a r d t ) 优化方法的权值调整率选为a ( o 2 ( j 7 + d ) 。其中 j 为误差对权值微分的j a c o b i a n 矩阵，e 为误筹向量，p 为一个标量，当很大时，l 式 就接近于剃度法。是自适应调整的。 21 3 神经网络在m a t l a b 中的实现 神经网络工具箱是在m a t l a b 环境下开发出来的许多工具箱之一，它以人工神经 网络为基础，用m a t l a b 语言构造出典型神经网络的激活函数，如s 型、线性、竞争 层、饱和线性等激活函数，使设计者对所选定网络输出的计算，变成对激活函数的调用。 另外，根据各种典型的修正网络权值的规则，加上网络的训练过程，用m a t l a b 编写 出各种网络设计与训练的子程序，网络的设计者则可以根据自己的需要去调用工具箱中 有关神经网络的设计训练程序，使自己能够从繁琐的编程中解脱出来，集中精力去思考 问题和解决问题，从而提高效率和解题质量。 另外，m a t l a b 还提供了神经网络图形用户界面，使神经网络更加简化。图形用 户界面的设计为了使用户更方便的使用m a t l a b 中的神经网络工具箱。 图形用户界面是一个独立的窗口g u i n e t w o r k d a t e m a n a g e r 窗口。这个窗口 和m a t l a b 的命令窗口相分离，但是可以通过g u in e t w o r k d a t am a n a g e r 窗口中的选 项“e x p o r t ”将g u i 的结果数据输出到命令窗1 ：3 中，通过“i m p o r c ”选项将命令窗口中 的数据输入到g u in e t w o r k d a t em a n a g e r 窗v 1 中。 一日图形用户界面运行，我们就可以创建一个神经网络，而且可以查看它的结构， 对它进行仿真和训练，当然还可以输入和输出数据。 214 使用图形用户界面建立神经网络的方法 l 图形用户界面的打开 调出该图形界面的方法有两种：( 见参考文献【1 1j 一 1 5 ) a ) 在m a t l a b 命令窗口中输入“n n t o o l , 见图2 - 2 b ) 在。l a u n c h p a d ”中点击“t o o lb o x e s ”，再点击“n e u r a l n e t w o r k ”中的“n n f o o l ” 2 新的神经网络的建立 点击“n e wn e t w o r k ”可以建立产生一个新的神经网络n e t w o r k i 。接着通过设胃l 幺 网络的“属性，来完成建立该神经网络。“n e t w o r kt y p e ”可以设置神经网络类型，如误 华北电力人字颐十字靠论文 差反向传播网络( f e e d f o r w a r db a c k p r o p ) 、感知器( p e r c e p t r o n ) 等等。当然，该论文中 使用的都是误差反向传播网络。“i n p u tr a n g e 设茕输入量的取值范围。“t r a i n i n gf u n c t i 。n ， 剧来设置训练函数。对于一个神经网络而言，算法的选择至关重要，而每种算法都有各 自得有缺点和适用范围。几种主要的训练函数的比较将在下文中j 尊细讲述。 图2 - 2 图形用户界面 “n u m b e ro f l a y e r s ”是用来设置神经网络的层数，并且还可以用“t r a n s f e rf u n c t i o n ” 束设置传递函数。 在图形用户界面中，按钮“v i e w ”可以用来查看变量数据或神经网络对象的结构图， 按钮“ m p o r t ”可以从工作空间或者文件导入变量或神经网络对象的数据，按钮“e x p o r t ” 可以讲所选变量或神经网络对象得数据导出至工作空间或文件中。按钮“i n i t i a l i z e ”用 以初始化神经网络的权值，初始化的权值是随机取得。按钮“t r a i n ”町以训练设置好的 神经网络。“s i m u l a t e ”对所选神经网络进行仿真。见图2 3 。 华北电力人学硕十导靠论文 幽2 - 3 幽形川尸界面的设置 在该图形用户界面中，主要可以设置以下参数 表2 - 1 参数设置 训练参数参数含义默认值 n e tt r a i n p a r a m e p o c h s训练步数 1 0 0 n e l 1 r a i n p a r a ms h o w 显示训练结果的间隔步数 2 5 n e tt r a i n p a r a mg o a l训练目标误差 0 n e i 。t r a i n p a r a mt i m e 训练允许时间 i n f n e tt r a i n p a r a m m i n g r a d训练中最小允许梯度值 l e 一6 在神经网络工具箱中提供了多种训练方法，每种方法各有优点和缺点，适用范围也 不同。本文通过一个选定的简单电力系统模型，对几种常用的方法进行了比较。 2 2 各种方法训练网络的比较 华北电力大学硕十学位论文 b p 改进算法有很多种，不同的算法适用的范围不同，各有优缺点。选择何种算法， 墩决于个人的要求。在神经网络式距离保护的研究中，算法的选择至关重要，它关系到 网络训练的时间长短以及试验的精度问题。所以，比较各种方法训练网络的优缺点具有 重要的意义。以下对几种改进的b p 算法神经网络的训练进行了比较，通过反复训练， 得出几种算法在权值调整和误差收敛过程中所遇到的共同点和差别，并得出仞始权f 卣， 激励函数和神经元个数等因素的选取对神经网络学习的影响。 2 2 1 用于实验的电力系统模型 zr nl _ i2 8 5 7 + 1 55 637 7 z m 0 2 28 7 6 4 4 + j 3 7i2 6 7 z 1 2 00 1 8 08 + j o2 7 7 4 7 z 叭= i16 7 14 + j 35 53 9 1 ，6 1 3 01 12 9 7 u f k “ z n 0 = 47 0 0 0 + j 3 79 7 8 4 z 0 = 02 j 0 8 4 + 1 09 7 2 08 e o = 00 08 116 1u f k n l 图2 - 4电力系统仿真模型 如图一个5 0 0 k v 的双端电源的系统。其中元件参数均已给出。使用a t p 对该系统进 行各种故障仿真。仿真数据作为训练和测试的样本。以单向接地故障作为典型情况( 因 为8 0 以上的故障均为单相接地故障) 。我们研究的保护是安装在a 处的保护。 构建一个a n n ，用于判断区内外故障。网络选为三层，输入层的神经元个数为6 ， 分别取故障后半个周期内电压，电流的基波的采样值，即u 。，u b ，u 。，i 。，i b ，i 。采样 周期为1 k h z 。隐含层的神经元个数可由大量的实验确定，这罩分别对隐含层神经元个 数为3 2 、3 4 、3 6 、3 8 、2 2 、2 4 、2 6 、2 8 个时作出实验，经过大量实验证明，当个数为 3 2 个时，收敛效果最好，因此下图仅列出了此时的误差曲线。输出层神经元个数为1 个( 1 表示区内故障，0 表示区外故障) 。 在训练网络之前，须对网络的输入样本进行归一化处理 22 2 各种训l 练方法的列举 ( 】) 采用梯度下降反向传播算法对网络进行训练 格式：【n e t ，t r ，a c ，e 1 爿r a i n g d ( n e t ，p d ，t 1 ，a i ，q ，t s ，v v ，t v ) 该方法实现了最速梯度下降算法，即基本b p 算法，其它梯度下降算法都是该算法的 变形。漠差曲线如图2 5 。( 其中横坐标是训练次数，纵坐标是训练谋萍，其它误差曲 线图同) 华北电力大学硕士学位论文 ( 2 ) 根据己设定的权值和闽值学习函数对网络随机进行训练 格式： n e t ，t r ，a c ，e l 】= t r a i n r ( n e t ，p d ，t 1 ，a i ，q ，t s ，v v , t v ) 此方法采用随机训练，即网络每接收一个输入数据，都要对权值和阈值进行调整， 而且输入数据是以随机顺序排列的。误差曲线如图2 - 6 。 图2 - 6 时间：1 5 s ( 3 ) 采用l m 反向传播算法对网络进行训练 格式： n e t ，t r ，a c ，e 1 ：t r a i n l m ( n e t ，p d ，t i ，a i ，q ，t s ，v 、t v ) 该方法依据l e v e n q u a r d t - - m a r q u a r d t 优化理论对网络的权值和阈值进行调整。误差 曲线如图2 7 。 ( 4 ) 采用贝叶斯j 下则化对网络进行训练 格式：【n e t ，t r ，a c ，e 1 _ t r a i n b r ( n e t ，p d ，t i ，q ，t s ，v v ，t v ) 该方法也是依据l e v e n q u a r d t - - m a r q u a r d t 优化理论对网络的权值和阂值进行调整 的。但是该方法在训练过程中要建立一个由各层输出误差、权值和闽值构成的特殊- 陆能 参数，通过调整权值和阈值，使该参数最小化。误差曲线如图2 8 。 ( 5 ) 采用尺度化共轭梯度反向传播算法对网络进行训练 格式： n e t ，t r ，a c ，e 1 - - t r a i n s c g ( n e t ，p d ，t i ，a i ，e ，t s ，v v t v ) 该方法不仅是共轭梯度算法的一种变形，而且结合了l e v e n b e r g - - m a r q u a r d t 算法中 的模型置信区蚓方法和共轭梯度算法，避免了耗时巨大的线搜索过程。误差曲线如图 2 9 。 华北电力大学硕士学位论文 、 图2 7 时间：2 5 s j 藕卜一 i 鬻鋈蓑薹整銮奎叵菱 一 瑟lj 图2 - 8 时间：5 s ( 6 ) 用自适应学习速率梯度下降反向传播算法对网络进行训练 格式：【n e t ，t r ，a c ，e l i = t r a i n g d a ( n e t ，p d ，t 1 ，a i ，q ，t s ，vv ，t v ) 该方法是在最速梯度下降算法的基础上将学习率进行自适应调整。误差曲线如图2 1 0 。 幽2 - 9 时间：1 0 s ( 7 ) 采用动量梯度下降反向传播算法对网络进行训练 格式： n e t ，t r ，a c ，e 1 - = t r a i n g d m ( n e t ，p d ，t l ，a i ，e ，t s ，v v , t v ) 垓方法在最速梯度下降算法的基础上，对权值和阈值更新时，不仅考虑当前的梯度 方向，而且还考虑了前一时刻的梯度方向，这种调整方式是通过设置动量因子来实现的。 误差曲线如图2 - 1 1 。 华北电力大学硕士学位论文 图2 12 时间：2 0 s ( 8 ) 用自适应学习速率动量梯度下降反方向传播算法对网络进行训练 格式： n e t ，t r ，a c ，e 1 = t r a i n g d x ( n e t ，p d ，t 1 ，a i ，q ，t s ，vv ，t v ) 该方法结合了方法六和方法七。误差曲线如图2 1 2 。 23 结论 上面的误差蓝线图是在相同的条件下( 相同的均方误差性能指标，相同的最大训练 次数，相同的层数以及神经元个数，传递函数均采用t a n s i g 和p u r e l i n ) 得出的，误差公 式为：e ，= 兰( y 女一c “) 2 2 ：可以得出以下结论： 1 ) l m 方法比其它方法的误差均减小快得多，学习次数少。但其占用内存较大，占用内 存量与隐含层个数相关，如果神经元个数选得太多，训练时必须有足够的内存，否则程 序无法运行。 2 ) t r a i n r 方法由于不是成批处理数据，因此训练速度很慢，并且收敛效果不佳。其训练 结果与初始权值的选取有较大关系，与隐含层神经元个数的多少没有太大的关系c 因此 此种方法只适合于小型网络的训练。 3 ) t r a i n b r 方法的显著优点在于其训练出来的网络有很强的推广能力，这一点在用测试 样本检验网络的实验中已被证实，而且经过大量的实验，证明这种方法不会出现“训练 过渡，的情况。该方法的训练速度较快，占用内存不大，收敛效果较好。 4 ) t r a i n g d a 方法极容易出现局部极小值，其收敛效果与初始权值有较大的关系。占用 内存少。 5 ) r f r a i n g d x 、t r a i n g d m 方法的收敛速度较慢，与初始权值的设定有很大关系。t r a i n s c g 方法的收敛效果较l m 法差，但要比其它的方法都好，训练速度快，收敛效果与神经元 个数有很大关系。 华北电力人学硕十学位论文 6 ) t r a i n g d 训练速度快，但收敛效果不好，占用内存较小。适当增加神经元的个数会使 各种算法的收敛性交好，神经元的激励函数用t a n s i g 和p u r e l i n 结合使用比单一使用效果 好得多。 华北电力大学硕士学位论文 第三章人工神经网络式距离保护的模型 根据上文所述在距离保护中存在的问题，本文构造了三个相对独立的子网络来实现 人工神经网络式距离保护。这三个子网络是：振荡识别子网络( a n n l ) ，故障检测和选 相子网络( a n n 2 ) ，故障定位子网络( a n n 3 ) ，它们在一起组成了一个并行处理的系 统，综合判断三个子网络的输出后，确定系统所处的状态( j f 常运行状态、振荡状态或 故障状态) 。对距离保护的一个保护段，需要一个a n n 3 予网络。以距离保护的i 段为 例，下图示出了人工神经网络式距离保护的结构。 来自保护安装处的c t 和p t 的二次侧的电流、电压量经过同步数据采集及预处理 后，各子网络分别对其进行特征量提取，加于网络的输入层节点，经过逐层计算后，各 子网络分别给出计算结果。由各个子网络输出的结果经过综合判断后，确定系统所处的 状态。当保护启动和区内故障同时被判断出来时，并给出保护启动、故障相别、系统振 荡等信号，按故障相别发出相应得保护跳闸命令。 幽3 - l神经网络式距离保护结构示意图 华北电力大学硕士学位论文 3 1 神经网络模型 在神经网络式距离保护中所采用的人工神经网络模型是多层前传神经网络，它是+ 分 布式并行处理系统，具有很强的容错能力。理论分析表明，采用三层神经网络，若对其 各层神经元的数目不加以限制，就可以在模式空间构成任意复杂程度的几何图形，从而 可以对任意复杂的对象进行分类。故在本章中，选用三层神经网络模型，n n 在每- n 的传递函数选用s i g m o i d 函数，所采用的训练方法是b p 算法改进算法或名l m 算法。 对于比较简单的、不是十分复杂的网络，采用常规的b p 算法进行训练，在刚问、精度 上都能取得令人满意的结果；对于复杂的、大规模的网络，如果仍采用常规的b p 算法， 训练起来会花费相当长的时间，此时必须另选更优的算法。 3 2 数据预处理 从系统c t ，p t 二次侧引入的电流、电压量经同步数据采集( 采集率) 为2 0 点周 波) 后，并没有将其立即作为网络的输入节点，而是经过数据预处理、特征量提取后， 才并行输入到各子网络中。这样做的目的是为了减少网络的输入层节点数目，压缩输入 模式的维数，同时便于网络进行计算处理。见参考文献 1 6 _ 【1 8 1 对于神经网络的输入样本，都是先经过相同的算法进行基波提取后，再根据不同网 络的具体情况，来进行数据处理，从而得到神经网络的输入特征量的。 i ) 傅氏算法 设信号为x ( t ) = x o + 甄c o s 蚴f + 吼) 七= 】 式中。为直流分量 为基波角频率 x 。，卿为第k 次谐波的幅值和相位 使用下式可以求出基频分量的实部和虚部 x 旷亩，驴。i 菁) x i i 一吾麴如c ；寻一亩。驴如1 首 ( 3 1 ) ( 3 2 ) 华北电力人掌硕十学位论文 由所得的实，虚部，可进一步计算出基频分量的幅值和相位 厂_ = 了 x i2 x i l + x i l ( 3 3 ) p 1 = a r c t a n ( x i i x m ) 由式( 3 - 2 ) 至( 3 - 3 ) 可以准确地求出信号中的基频分量，其计算精度不受恒定直 流分量和整次谐波分量的影响。但是傅式算法不能完全滤出非周期谐波分量，但有定 的抑制作用，尤其对高频分量的滤波能力相当强，而对于低频分量( 主要由衰减的非埘 期分量产生) 的滤波效果相对较差。在最严重的情况下，由衰减非周期分量引起的计算 误差可能超过1 0 。 实际情况下，故障信号通常并不是呈周期性变化的，例如，非周期分量不是恒定不 变的纯直流分量，而是依指数规律衰减的。对于输电线路上的故障，故障暂态信号中的 高频分量与故障点至保护安装处之间的距离有关，而且高频分量不一定是整次谐波分 量，并且它们都是随时间不断衰减的。因此，采用傅氏算法进行参数计算时会产生一定 误差。为减小误差，一个简单可行的方法是对输入信号的原始数据先进性一次差分滤波， 以削弱衰减非周期分量的影晌，然后再进行傅氏算法计算。 傅氏算法原理简单，不过其数据窗长度是一个基频周期，时间较长，因此降低了保 护的动作速度。实际上，无论采用何种算法或数字滤波器，要提高计算的准确性，都不 可避免的需要延长它们的数据窗，所以需要根据实际应用要求在这两者之间进行权衡。 2 ) 差分滤波 事实上，故障定位是利用故障后的电压，电流及故障距离之间的关系而进行的。而 发生故障时，根据电力系统的特点，会出现大量的非周期分量和大量的高次谐波。博氏 滤波能较好地滤除各次谐波：对于非周期分量，却比较难，使得傅氏滤波的滤波精度有 所下降。针对这种情况，可以引进一阶差分滤波滤除非周期分量。 3 ) 前置带通数字滤波器 在实际的超高压输电线路中，由于分布电容的存在，当输电线路发生故障时，实际 上会存在大量的非整次谐波，这些谐波的存在，直接影响到测距的精度。为了消除非整 次谐波的影响，我们设计了一个前置数字式带通滤波器。假设理想带通滤波器下边带截 【= 频率，= 4 5 比，上边带截止频率 = 6 5 h z 。选用海明窗作为窗口函数。 设带通时延为口，理想带通滤波器频谱特性为 h d ( g 。) = 已一7 。， i 1 珊 ( 3 4 ) i i i h j ( ”) = 去f 。( e ) e 可以求得理想单位脉冲响应为 华北电力人学硕士学位论文 ， “c 肋) 2 赢c o s ( ”一口) ( 厶+ ；) 识两 ( ”一口) ( 兀一一) 识 ( 3 - 5 ) 这是一个以a 为中心的偶刘称的无限长非因果序列。为满足线性相位特性，需要满 足偶对称性，即( 功= h d ( n 1 一功，应取a = ( 一i ) 2 。 再取海明窗作为截取窗口，海明窗函数序列，v f 月) 如下式： w ( ) 5 4 - 0 4 6 c o s ( 2 z m 1 ) - 所以，该f r r 带通滤波器的单位脉冲响应为 h ( n ) = ( ) t r ( ) 由此所导出的差分方程为 y ( ) = h ( i ) x ( n f ) o n 一1( 3 6 ) 再列上面的序列值进行全周博氏滤波，就可以得到基波的电压、电流信号； 3 3 振荡识别子网络 ( 37 ) ( 3 8 ) 随着电力系统的规模日趋增大，跨省、区的大型电力网相继出现经济效益和供电 可靠性得到了提高，与此同时，电力系统稳定性成为一个突出的问题。而稳定性的一个 重大问题就是同步问题。 电力系统发生振荡时，由于保护安装处电流和电压的幅值以及它们之间的相位关系 均为周期性变化，从而会导致距离保护元件发生误动。现阶段通常采用故障后短时开放 保护，然后用统一设立的专用振荡闭锁元件的方法来有效地防止保护误动。距离保护采 用这种振荡闭锁方式在长期运行中取得了良好的效果。但是，对于电力系统振荡闭锁元 件，要求在振荡过程中发生各类故障时，保护应能正确动作；并且，对f 先故障后又发生 振荡的情况，保护不致无选择地动作。见参考文献 1 9 - 2 0 因此，在输电线路距离保护中需要的系统振荡和故障识别元件，不仅能够识别纯振 荡和纯故障，而且在各种情况下要求做出正确判断，以便保护能够正确、快速地切除故 障。因此，电力系统振荡和故障的f 确识别作为线路保护的重要课题，也是电力系统研 究的一个难点。 目前广泛应用的振荡中故障识别方法是检测d r d t 的变化。但是，此方法得到准确 华北电力大学硕士学位论文 结果所需要的时间较长a 另外，测量振荡中一c ，电压变化率的d ( u 。p ) d t 方法本质上与 其相同，故存在类似的缺点；文献 3 】提出了用最小测量阻抗变化率来判断系统是否发生 振荡的方法。文献 4 选取了三个特征量u 。0 5 仍d ( u c o s 劝7 d t , d r d t ，利用模糊集合理论的方 法来识别振荡、短路、振荡中又发生短路。文献【5 根据电力系统的振荡和故障信号在不 同频率段上具有不同的表现特征，创造性地提出了采用正交小波分析方法来分解测量电 流，然后根掘反映原始信号不同奇异特性的小波分解后的某一频段的模极大值柬识别故 障。 本文基于神经网络固有的学习性、快速计算的优点，以及在故障识别、继电保护中 应用研究的结果，提出了基于神经网络的振荡与故障的识别方法。经过仿真计算，该方 法的结果是令人满意的。 3 31 振荡的产生及其特点 电力系统中各个同步发电机是并联运行的，使并联的所有发电机保持同步是电力系 统正常运行的基本条件之一。同步发电机的频率与它的转速有密切关系，而转速的变化 规律取决于作用在发电机轴上的转矩的平衡。此转矩由电磁转矩和机械转矩构成。当系 统受到扰动时，电磁转矩就会发生变化，平衡被破坏，导致发电机转速的变化，从而频 率也就发生了变化。以图3 2 简单电力系统为例，发电机的等值电动势与无穷大系统的 端电压不同步，功角j 发生了变化，系统就发生了振荡。 e l 一_ 7 。7 、jr _ | 、j7 | 、乏一7 r _ 1 ( 发电机等值电动势)( 无穷大系统端电压) 图3 - 2 简单电力系统图 电力系统发生振荡时各电气量的特点： l 、振荡时，功角( 电源等效电动势和无穷大系统端电压或者两个电源等效电动势之间 的夹角) 从o 3 6 0 作周期性的变化。 2 、全相振荡时，系统保持对称性，无负序、零序分量；非全相振荡时，会出现负序， 零序分量。 华北电力大学硕七学位论文 3 、振荡时，线路上的电压、电流、阻抗不发生突变，而是随着d 周期性变化而作周期性 缓慢的变化。短路时，电压、电流阻抗都会发生突变。 4 、在振荡过程中，系统各点电压、电流f 日j 的相角差是变化不定的，该相角差作大幅度 的变化。 5 、振荡过程中，振荡中心的电压为0 时，相当于在该点三相短路，但和实际的三相短 路却是不一样的。 3 32 振荡模型的建立 为了研究振荡过程中保护的动作情况，首先就要建立一个合适的、符合实际睛况的 振荡模型。以往对保护装置在系统发生振荡过程中动作行为的研究，只能在动模试验室 中进行，且存在投资大，建模比较费时，试验重复性、灵活性、扩充性差等缺点。随着 计算机和电子技术的发展，电力系统电磁暂态数字仿真技术得到了越来越广泛的应用。 由于引起振荡的原因各不相同，并且实际的运行条件也有区别，不同振荡过程电气量的 变化过程也就各不相同，而且比较复杂，这就给准确模拟一个振荡过程带来一定困难。 前人曾做过根据系统实际振荡的录波图，分析其电气量变化的规律，构造出一个数学表 达式，使其变化规律接近系统录波图。 系统振荡对保护装置的影响主要考虑的是： 1 、振荡时电流第一次达到最大值( 两仍电势相差1 8 0 0 的期间，一般不小于o 4 s 。 2 、振荡过程中最小振荡周期一般不小于o 1s ，即两侧电源频率之差最大为1 0 h z 。 3 、系统最长振荡周期不大于i 5 s 。 对于两端电源系统来晚，正常运行时，两端电源的频率均为5 0h z ，以。“噎定的相 角差运行。系统发生振荡时，对于电源为发电机时，其频率应该发生变化；电源为系统 时，其频率保持不变。本文所建立的振荡模型是针对两端系统而言，在振荡发生时m 端的电源频率升高，n 端的电源频率降低。采用如下的分段函数来控制线路两端的频率 ，艾化4 砒。i = 5 0 i l + a ( f ) 】 i 凡w 2 5 0 i - a ( ) ( 3 - 9 ) 式中：。( r ) 为随t 分段线性变化的函数， m 1 ： _ ，l8 妒 f 3 1 0 ) 从上面两个式子可以看出，系统两端频率一个增加，一个减小。其中：可调参数“。用 来调节7 m ，的大小( 即线