一种发电机失磁保护中振荡闭锁方法的研究

1、一种发电机失磁保护中振荡闭锁方法的研究钟士元, 田建设, 朱洪波(华北电力大学电力工程系, 河北保定071003摘要:提出一种用神经网络方法识别系统振荡状态来闭锁发电机失磁保护的方法, 在系统发生振荡的情况下可靠地将失磁保护闭锁, 未发生振荡的情况下开放保护, 从而克服了传统靠时间的延时躲过振荡而使保护延时动作的缺点。关键词:发电机; 振荡; 神经网络; 失磁保护中图分类号:TM311文献标识码:A:16712(R esearch on Lossof OscillationG Shi 2yuan , TIAN Jian 2she , ZHU Hong 2bo(Dept. of Engineer

2、ing , North China University of Electric Power , Baoding 071003, China Abstract :A neural network method for identifying the system s oscillation mode and according lock generator s protection against loss of excitation is proposed , which is capable of reliably effecting the locking action but will

3、 turn protection free during normal operation free of oscillation ; herewith overcoming the disadvantages of the tradi 2tional way of avoiding oscillation by delayed action of protection.K eyw ords :generator ; oscillation ; neural network ; protection against loss of excitation收稿日期:2004203202作者简介:钟

4、士元(1978- , 男, 硕士研究生, 主要研究电力系统故障分析与诊断。在发电机机端或主变高压侧发生短路以及振荡的情况下, 发电机失磁保护都可能发生误动, 特别是在系统发生振荡情况要靠时间的延时来避免误动, 这无疑增加了保护动作发信的时间。本文用神经网络方法来解决振荡闭锁的问题。1电流特征向量的提取电流的突变量计算有如下两类计算公式, 其中i (k 为第k 时刻的采样电流, N 为一个工频周期的采样点数。i (1 (k =|i (k -i (k -N |i (2 (k =|i (k +i (k -N /2 |-|i (k -N /2 +i (k -N |(1 正常运行状态i (k -N /2

5、 =-i (k -N , 所以有i (1 (k =i (2 (k =0, 所以两个突变量的差值=i (1 (k -i (2 (k =0; (2 正常运行下发生故障(见图1 , i (1 (k =i (2 (k , 同样有=0; (3 系统振荡时, 令i (k - N 与i (k -N /2 幅值差为1, i (k -N /2 与i (k 振荡的幅值差为2, 所以i (1 (k =1+2, i (2 (k =图1正常与正常运行中发生短路故障304一种发电机失磁保护中振荡闭锁方法的研究发电设备(2004No. 62-1, 二者差值=21; (4 振荡中发生故障的情况下(见图2 , 由于故障电流i

6、g 的存在, 则i (1 (k =i g +1+2, i (2 (k =i g +2-1, 所以=21 。图2振荡与振荡中发生短路故障由上面的分析可见, , 零; , 两21。其实这两个差值实际不一定相等, 也就是说, 在正常与正常状态下发生短路故障的情况下, 两个突变量的差值的绝对值小于某个给定的常数; 在振荡与振荡中发生故障的情况下, 两个突变量的差值大于某个给定的常数。在短路与振荡的情况下都需要将失磁保护闭锁, 所以把振荡以及振荡中发生短路故障的情况下归为一类对保护没有影响。由上面的分析可知, 如果把正常和正常状态下发生短路故障的情况归为一类, 振荡以及振荡中发生短路故障的情况下归为另一

7、类, 而把突变量的差值作为神经网络的输入来区分这两种类型将是很容易做到的; 而且突变量的差值由于不反映故障电流的情况, 可以减少训练样本的数目, 其中那个的取值我们不用去设置, 通过大量样本的训练, 神经网络自身的学习可以找到一个最优解。2训练样本的选取样本来自图3的系统发电机的定子电流值。图3中各元件的参数如下:发电机, S f e =200MVA , U f e =13. 8kV , x d 3=1. 305, x q 3=0. 474; 变压器, S f e =210MVA , 230/13. 8kV , Y/11接线, x T 3=0. 16; 输电线路, 正序电抗x l 1=0. 2

8、7/km , 零序电抗x l 0=0. 94/km ; 母线与无穷大系统之间的联系电抗为x s =0. 017。令x k=k =|i (1 (k -i (2(k |, 按表1的原则选取样本的输入, 其中N 表示一个样本中的数据个数, 在本文中选取N =25 。仿真中的采样频率是5kHz , 但是为了减少神经网络的训练样本, 在不影响分析结果的前提下对数据进行了压缩, 压缩后的数据为原始数据的, 即相当于采样频率为1. 25kHz 。1本输入1x 1, x 2, x 3, , x N 2x 2, x 3, x 4, , x N +1nx n , x n +1, x n +2, , x n +N

9、-13神经网络的设计和网络的学习与测试图4神经网络的结构图神经网络的结构图见图4。网络工作特性如下公式(1 (5 , 其中x i 为输入信号, i =1, 2, , 25; w ij 为输入层第i 个输出与引层第j 个神经元的连接权值, i =1, 2, , 25, j =1, 2, , 30; w k 为引层与输出层神经元的连接权值, k =1, 2, ,30。和分别为隐层和输出层神经元的阈值, S j 和C j 分别为隐层神经元的输入和输出, y 和y 分别为输出层神经元的输入和输出, E 为误差函数。f 和g 分别为对数S 型和硬限幅传递函数。S j =ni =1wij x i-j (1

10、 C j =f (S j (2y =mk =1C kwk-(3404发电设备(2004No. 6 一种发电机失磁保护中振荡闭锁方法的研究y =g (y (4 E =(t -y 2/2(5采用Levenberg 2Manquardt 学习算法, 这种算法综合了梯度法和G auss 2Newton 法的优点, 其收敛速度非常快。此算法的权值调整公式为w =(J T J +I -1J T e , 其中e 为误差向量, J 为误差对权值微分的雅可比矩阵, 是一个自适应调整的标量。当很大时, 此算法就接近于梯度法; 当很小时, 上式就变成了G auss 2Newton 法。在系统发生振荡与振荡中发生故障

11、的情况下, 网络的期望输出为1; 在系统正常运行以及正常运行下发生故障的情况, 网络的输出为0, 这样就可以将两类情况区分开。的各250个样本共500练样本, 需要指出, 候, 值, 输出为1, 输出为0。这里0. 2s 的时候的电流数据中选取的样本, 由于仿真条件的限制, 将把振荡周期限制在0. 1s 0. 5s 中来进行研究解决振荡问题的方法, 得到一般的规律。用振荡周期为0. 1s ,0. 3s 和0. 42s 情况下的电流数据作为检验样本, 对训练好的神经网络进行测试。由于篇幅所限, 这里只给出几种振荡周期下随机的各25个样本的输出, 见表2。从表中的数据可以得出下面的结论:(1 在正

12、常与振荡两种情况下, 神经网络的输出差别明显, 正常情况的输出变化较小。(2 在振荡周期不同的情况下, 测试输出呈现一定的变化规律:当检验样本的振荡周期比训练样本的振荡周期小的时候, 测试输出比期望输出大; 当检验样本的振荡周期比训练样本的振荡周期大的时候, 测试输出比期望输出小, 而且振荡周期越大输出呈递减趋势。(3 从表中可以看出, 输出神经元的阈值只要设置为0. 4, 就可以将上面的两种情况准确地区分开来。经过以上的分析可以知道, 对于一个实际的电力系统来说, 只要适当地选取训练样本和设置决策神经元(输出神经元 的阈值, 就可以准确地识别出系统的振荡状态。可以看出, 对于采用上面的方法实

13、现振荡闭锁的方法, 无论振荡周期多么小都可以将振荡状态识别出来, 使得在发生振荡的情况下失磁保护可靠地不发生误动。表2神经网络的测试结果检验样本测试结果y 正常状态-0. 0045-0. 0044-0. 0044-0. 0044-0. 0044-0. 0045-0. 0044-0. 0045-0. 0045-0. 0045-0. 0044-0. 0045-0. 0045-0. 0045-0. 0044-0. 00450044-0. 00450. 0045-0. 0045-0. 0045周期(0. 1s 1. 02431. 02121. 01821. 02211. 03231. 01740. 9

14、9560. 99581. 00661. 01931. 03421. 03641. 04691. 04271. 01660. 99660. 98810. 98660. 98991. 00311. 03691. 02821. 02221. 0139振荡周期(0. 3s 0. 98400. 99780. 97450. 94340. 93730. 92370. 88470. 85720. 85780. 89400. 95520. 99781. 00841. 00820. 98820. 94970. 93710. 93020. 89010. 83380. 85730. 90690. 95720. 99241. 0056振荡周期(0. 42s 0. 48500. 53560. 59690. 70440. 78590. 84310. 79580. 73390. 71800. 67190. 61180. 57860. 57860. 58650. 69350. 77140. 83330. 88730. 86560. 79770. 75720. 72240. 65560. 58190. 56164结语用神经网络方法可以对系统振荡进行准确地识别, 而且受振荡周期的影