CN103778479A - 自适应信息容错保护方法 - Google Patents
自适应信息容错保护方法 Download PDFInfo
- Publication number
- CN103778479A CN103778479A CN201410010933.9A CN201410010933A CN103778479A CN 103778479 A CN103778479 A CN 103778479A CN 201410010933 A CN201410010933 A CN 201410010933A CN 103778479 A CN103778479 A CN 103778479A
- Authority
- CN
- China
- Prior art keywords
- fault
- current
- phase
- instantaneous value
- attribute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种自适应信息容错保护方法,首先利用粗糙集对原始数据进行约简,形成精简的规则集,然后利用人工神经网络对精简的规则集学习训练,并正确判断系统的运行方式及故障类型,从而发出控制信号使故障限流器限制分布式电源DG的助增电流。本发明采用粗糙集理论和人工神经网络网络相融合的方法,构建粗糙集-人工神经网络智能混合系统,充分利用粗糙集理论对知识的约简能力和人工神经网络的容错学习能力,解决大量DG接入配电网后出现的传统电流保护不协调、信息获取不确定等问题。
Description
技术领域
本发明涉及一种自适应信息容错保护方法,尤其涉及一种基于粗糙集和人工神经网络的自适应信息容错保护方法。
背景技术
分布式发电是21世纪的电力工业发展方向。但是分布式电源DG接入配电网以后,改变了电网的辐射性。分布式电源DG改变了配电网中潮流的分布,故障电流的大小和方向也发生了相应的变化,原先的配电网继电保护的整定、配合将不再适用。
要想在分布式电源DG接入的情况下继续保持配电网继电保护的选择性、灵敏性,使电网运行灵活、稳定,必须在分析上述影响的基础上,设计全新的配电网保护模式。由于分布式发电系统分布广泛,线路路线复杂,信息网络数据的获取受到很多的客观条件和相同运行条件的限制,面对如此错综复杂的电力网络和很高的供电质量要求,基于传统原理的继电保护系统己经远远不能满足要求,因此迫切需要进一步研究继电保护原理,提出新的继电保护技术来满足日益发展的电力系统的要求,在信息缺失、信息延迟、信息不准确和信息错误的情况下最大可能地保证电力系统的运行安全。
当今电气工程学科的发展已经大大超出了其原有的范畴和传统的研究领域。工程学科和物理学、生物学、经济学、计算数学的最新研究成果己经密不可分、相互借鉴、取长补短。各个学科的最新思想和方法的融合必定会给其各自的学科发展带来不可估量的影响。
人工神经网络(Artificial Neural Network)是目前最热门的技术,在电力系统中应用研究中得到了广泛的关注。这是因为它具有自学习、非线性模式识别、联想能力,以及很强的泛函逼近能力,最重要的是人工神经网络具有很好的容错性和自适应性。一旦训练成功后,人工神经网络可以正确的处理与训练样本集数据相似的数据。
但是,人工神经网络也存在一些不足之处,如在使用之前需要大量有代表性的样本供其学习,且学习算法收敛的速度比较慢,通常只能给出一个介于0~1之间的数值作为输出,对诊断结果缺乏解释能力,从而影响了人工神经网络的实用化。
近几年,为了提高电力系统故障诊断的容错性,一些处理不确定信息能力更好的方法,如“粗糙集”理论(Rough Set)被引入,大大提高了电力系统综合诊断的性能。用粗糙集理论进行电网故障诊断,当丢失或出错的故障信息不是关键信息时不会影响诊断结果,但当丢失或出错的故障信息是关键信息时诊断结果会受到影响。粗糙集理论为研究对不完整数据进行分析、推理,发现数据间的关系,提取有用属性,简化信息处理,研究不精确、不确定知识的表达、学习、归纳方法等提供了一个有力的工具。电网发生故障时,由于保护、断路器等的误动、拒动及通信传输的原因,使得送入系统的故障信息存在不确定性,难以实现准确快速的故障诊断和保护控制。而粗糙集理论不需要提供待求解问题所需处理的数据集合之外的任何先验信息,且能够在保留关键信息的前提下对数据进行化简并求得知识的最小表达,揭示出信息集合的简单模式,故适用于分布式发电系统故障诊断。但是,粗糙集理论也存在容错能力不够理想、推广能力相对软弱、且只能处理量化数据等缺陷,当核心属性受到噪声污染时有可能会出现误判的情况。
发明内容
本发明提供一种自适应信息容错保护方法,采用粗糙集理论和人工神经网络网络相融合的方法,构建粗糙集-人工神经网络智能混合系统(RSNN),充分利用粗糙集理论对知识的约简能力和人工神经网络的容错学习能力,解决大量DG接入配电网后出现的传统电流保护不协调、信息获取不确定等问题。
为了达到上述目的,本发明提供一种自适应信息容错保护方法,其特征在于,该方法包含以下步骤:
步骤S1、利用粗糙集对原始数据进行约简,形成精简的规则集;
所述的原始数据包含三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值(连续三个采样点数据)和频率变化量;
步骤S2、利用人工神经网络对精简的规则集学习训练,并正确判断系统的运行方式及故障类型,从而发出控制信号使与分布式电源DG串联的故障限流器来限制分布式电源DG的助增电流。
所述的步骤S1包含以下步骤:
步骤S11、提取特征参数,建立故障诊断决策表;
以三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和频率变化量作为条件属性,以故障诊断结果作为决策属性,建立决策表S;
步骤S12、对决策表进行知识约简,去掉冗余信息,得到最简规则集。
所述的步骤S12包含以下步骤:
步骤S121、对决策表进行条件属性约简,得到最佳属性约简决策表;
去掉决策表中的某一属性后,考察决策表的相容性,如果去掉该属性后的决策表是相容的,说明此属性是冗余的,可以去除该属性,依次考察各条件属性,直至决策表最简为止;
步骤S122、对决策表进行决策规则约简;
在条件属性约简化后的决策表中,去掉样本集中的重复信息,考察剩下的训练集中哪些属性值是冗余的,去掉冗余信息和重复信息后,就得到了最小决策集。
所述的步骤121包含如下具体步骤:
所述的步骤S2包含以下步骤:
步骤S21、人工神经网络对精简的规则集进行学习训练,生成收敛的三层神经网络;
步骤S22、将实时故障信息输入训练好的神经网络,确定故障相,并合理地选择故障限流器FCL的脉冲触发角,使其限流阻抗达到最优。
所述的人工神经网络包含故障检测和判别子网络RSNN1和故障限流子网络RSNN2,故障检测和判别子网络确定出故障相后,故障限流子网络根据故障电流的大小,合理地选择故障限流器FCL和调节它的脉冲触发角,使其限流阻抗达到最优;
所述的故障检测和判别子网络RSNN1包含输入层、隐含层和输出层;
三层神经网络中,输入层节点个数n和隐含层节点个数m之间的关系为:m=2n+1;
输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值(连续三个采样点数据)和电网的频率突变量;
输出层输出保护启动、a相接地、b相接地、c相接地和相间短路;
所述的故障限流子网络RSNN2包含输入层、隐含层和输出层;
输入层输入三相电流的瞬时值,输出层输出故障限流器FCL的三相脉冲触发角标幺值。
所述的步骤S22包含以下步骤:
步骤S221、故障检测和判别子网络RSNN1确定故障相和故障点范围;
输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值和电网频率的突变量,经过隐含层后,输出层输出保护启动、a相接地、b相接地、c相接地和相间短路;
步骤S222、故障限流子网络RSNN2根据故障电流的大小围,合理地选择故障限流器FCL和调节它的脉冲触发角,使其限流阻抗达到最优;
输入层输入短路故障三相电流的瞬时值,经过隐含层后,输出层输出故障限流器FCL的a相、b相、c相的脉冲触发角标幺值,控制故障限流器的限流阻抗达到最优,实现对限流的最佳整定值,更好地与继电保护系统配合工作。
所述的步骤S221中,选取出现最严重的故障电流值为基准,取其15%作为相电流差瞬时值突变量的定值,当突变量大于此值时,取相应的输入层节点的值为1,否则取为0;对于负序电流瞬时值及零序电流瞬时值,其定值取为基准的10%,当瞬时值大于该定值时,相应的输入层节点值取为1,否则取为0;选取我国电网工频50Hz为基准,取其1%作为配电网频率突变量的定值,当突变量大于此值时,取相应的输入层节点的值为1,否则取为0。
在进行步骤S01之前先进行步骤S1数据预处理:
根据分布式发电系统的三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值(连续三个采样点数据)和频率变化量进行数据预处理,对数据预先加以分类,减少所需的数据量。
本发明具有以下优点:
1、通过粗糙集方法减少了信息表达的特征向量,减少了人工神经网络构成的复杂性,也减少了后续使用过程中信息作为网络输入时的特征值计算时间。
2、通过粗糙集方法去掉冗余信息后,使训练集简化,也减少了人工神经网络的训练时间,提高了系统预测精度。
3、由于粗糙集理论在简化知识的同时,很容易推理出决策规则,因而它也同时可以作为后续使用中的信息识别规则。
4、使用人工神经网络作为后置的信息识别和诊断系统,大大地增强了保护系统的容错性能及抗干扰能力。可用于复杂多模式的故障诊断,也能适应实时监测的要求。
5、使用故障限流器FCL限制故障时分布式电源DG所提供的短路电流的大小,从DG源头上消除其对配电网保护的影响,保证在不改变原有配电网保护装置的前提下保护可靠动作。避免短路故障对电力系统带来的巨大危险,并且故障限流器可多次限制短路电流。
附图说明
图1是故障检测和判别子网络RSNN1的结构图。
图2是故障限流子网络RSNN2的结构图。
图3是设置了故障限流器FCL的分布式电网系统的电路图。
图4是故障发生前、故障发生期间保护1、3处检测到的电流波形图。
图5是接入DG未安装FCL时,保护1处检测到的故障电流波形图。
图6是接入DG且安装FCL时,保护1处检测到的故障电流波形图。
图7是接入DG但未安装FCL时,保护3处检测到的故障电流波形图。
图8是接入DG且安装FCL时,保护3处检测到的故障电流波形图。
图9是未安装FCL时,流过DG的电流波形图。
图10是安装FCL时,流过DG的电流波形图。
图11是未安装FCL时,流过M点的电压波形图。
图12是安装FCL时,流过M点的电压波形图。
具体实施方式
以下根据图1~图12具体说明本发明的较佳实施例。
本发明提供一种自适应信息容错保护方法,该方法包含以下步骤:
步骤S1、利用粗糙集对原始数据进行约简,形成精简的规则集;
所述的原始数据包含系统故障前后的电流量(包括三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值--连续三个采样点数据)和频率变化量(我国电网正常运行时在50HZ上下稍微波动)。
步骤S2、利用人工神经网络对精简的规则集学习训练,并正确判断系统的运行方式及故障类型,从而发出控制信号使与分布式电源DG串联的故障限流器(Fault Current Limiter)来限制分布式电源DG的助增电流。
所述的步骤S1包含以下步骤:
步骤S11、提取特征参数,建立故障诊断决策表;
针对一个具体的分布式发电系统电网模型,以系统故障前后的电流量(包括三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值)和频率变化量作为条件属性,以故障元件(即诊断结果)作为决策属性,建立决策表S;
实例说明:
在RS粗糙集理论框架中,关于对象的知识是通过对象的属性及其值来描述的。一个知识表达系统可以用一张二维表格来表示,每一行描述一个对象,每一列表示对象的一种属性。根据条件属性的不同,可以将对象划分到具有不同决策属性的类。表1描述了一个电网故障样本集合,条件属性是保护动作情况(CB1,CB2,CB3,CO1,RR1,CO2,CO3等),决策属性是诊断结果(故障区域)。这种表格称为决策表,是RS理论中常用的工具。对决策表来说,一个属性对应一个等价关系。
表1 电网故障的诊断决策表
决策表提供了描述知识表达系统的简单方法,它是一种条件-行为表,指出当某些条件满足时,应该采取怎样的决策行为,这一工具在决策应用时起着重要作用。
决策表中并非所有的条件属性都是必要的,有些是多余的,去除这些多余属性不会影响原有的表达效果。例如,表1使用“CB1动作”,“CB2动作”等七个属性描述电网故障诊断的样本,从表1中可以得出分类规则:
如果“{CO1,CB1,CO2,CO3} = {1,1,0,0}”,则故障区域为“区域1”
如果“{CO1, CB1,CO2,CO3} = {0,0,1,0}”,则故障区域为“区域2”
…… ……
步骤S12、对决策表进行知识约简,去掉冗余信息,得到最简规则集;
先对决策表进行条件属性约简,再对决策表进行决策规则约简;
决策表的简化就是化简表中的条件属性,但保持与化简前相同的知识和功能。这在实际应用中十分重要,同样的决策可以基于更少量的条件,使得通过一些简单的手段就能获得同样要求的结果。
决策表属性约简的过程,就是在不损失原有信息的前提下,从决策表的条件属性中去掉不必要的条件属性,从而分析所得约简中的条件属性对于决策属性的决策规则。
所述的步骤S12包含以下步骤:
步骤S121、对决策表进行条件属性约简,得到最佳属性约简决策表;
去掉决策表中的某一属性后,考察决策表的相容性,如果去掉该属性后的决策表是相容的,说明此属性是冗余的,可以去除该属性,依次考察各条件属性,直至决策表最简为止;
步骤S122、对决策表进行决策规则约简;
在条件属性约简化后的决策表中,去掉样本集中的重复信息,考察剩下的训练集中哪些属性值是冗余的,去掉冗余信息和重复信息后,就得到了最小决策集;
步骤121对决策表进行条件属性约简包含如下具体步骤:
所述的步骤S2包含以下步骤:
步骤S21、人工神经网络对精简的规则集进行学习训练,生成收敛的三层神经网络;
本实施例中,人工神经网络采用MATLAB7.0中的神经网络工具箱Neutral Network;
所述的人工神经网络包含故障检测和判别子网络RSNN1和故障限流子网络RSNN2,故障检测和判别子网络确定出故障相后,故障限流子网络根据故障电流的大小,合理地选择故障限流器FCL和调节它的脉冲触发角,使其限流阻抗达到最优;
如图1所示,所述的故障检测和判别子网络RSNN1包含输入层、隐含层和输出层;
三层神经网络中,输入层节点个数n和隐含层节点个数m之间的关系为:m=2n+1,本实施例中,输入层包含16个节点,隐含层包含33个节点,输出层包含5个节点(Y1~Y5);
考虑到系统发生不对称故障时会产生负序分量,接地故障时存在零序分量,为更好地反映系统故障特征同时排除个别数据受干扰损坏的影响,增加网络的冗余度,对三个相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值5个数据分别取连续三个采样点的数据共得到15个数据,另外为提高选相的可靠程度,又增加了电网的频率突变量,由此确定故障检测与判别子网络的输入层节点为16个;
故障检测与判别子网络的输出层5个节点分别代表保护启动、a相接地、b相接地、c相接地和相间短路;
如图2所示,所述的故障限流子网络RSNN2包含输入层、隐含层和输出层;
输入层输入三相电流的瞬时值,输出层输出故障限流器FCL的三相脉冲触发角标幺值;
本实施例中,输入层包含9个节点,隐含层包含3个节点,输出层包含3个节点;
取短路故障三相电流的瞬时值作为输入节点,为提高抗干扰能力,每相连续取3个采样点作为输入节点,这样输入层的节点共为9个(ia(k),ia(k-1),ia(k-2),ib(k),ib(k-1),ib(k-2),ic(k),ic(k-1),ic(k-2)),输出节点为3个,以180度作为基准值,分别代表故障限流器FCL的a相、b相、c相的脉冲触发角标幺值;
所述的步骤S22包含以下步骤:
步骤S221、故障检测和判别子网络RSNN1确定故障相;
输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值(连续三个采样点数据)和电网频率的突变量,经过隐含层后,输出层输出保护启动、a相接地、b相接地、c相接地和相间短路;
由于分布式发电与配电网相联,是一种低压电网,不会装设很多电压互感器PT,因此无法获取太多的电压量,一般只在各线路装设电流互感器CT,所以选取的特征量为三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值和电网频率的突变量;
仅在故障时系统才会出现明显的负序电流、零序电流,并且相电流瞬时值会出现突变,通过故障样本对人工神经网络进行训练可以进行故障诊断和判别;
因为故障检测和判别子网络的目的是选择故障相别及判断是否接地,以输出故障相别及接地信号,以便确定如何调用FCL启动信号,选择样本数据时参照继电保护中应用比较成熟的相电流差突变量选相原理,既压缩了样本的数据量又加快了神经网络收敛的速度,而隐含层节点的数量是根据实验数据得到的,通过分别选择不同个数的隐含层节点进行实验,选择出使训练时间最短的节点个数;
选取出现最严重的故障电流值为基准,取其15%作为相电流差瞬时值突变量的定值,当突变量大于此值时,取相应的输入层节点的值为1,否则取为0;对于负序电流瞬时值及零序电流瞬时值,其定值取为基准的10%,当瞬时值大于该定值时,相应的输入层节点值取为1,否则取为0;选取我国电网工频50Hz为基准,取其1%作为配电网频率突变量的定值,当突变量大于此值时,取相应的输入层节点的值为1,否则取为0;不仅用到了电流量,还用到了电网的频率量,这样该神经网络具有很高的灵敏性,在分布式发电系统各种故障情况下,能够正确判别故障类型,做出保护是否应该动作的判断,从而达到保护的自适应及灵敏度补偿和选择性判断;
步骤S222、故障限流子网络RSNN2根据故障电流的大小,合理地选择故障限流器FCL和调节它的脉冲触发角,使其限流阻抗达到最优;
输入层输入短路故障三相电流的瞬时值,经过隐含层后,输出层输出故障限流器FCL的a相、b相、c相的脉冲触发角标幺值,控制故障限流器的限流阻抗达到最优,实现对限流的最佳整定值,更好地与继电保护系统配合工作;
使用传统的控制方法,调节很难达到精度与速度的要求,而且鲁棒性和容错性也不好,而使用人工神经网络来控制,由于神经网络具有并行处理能力,通过使用大量样本进行训练,使得神经网络控制回路具有很高的精度和快速性,容错能力也显著增强;
本实施例中,为简化神经网络,提高限流速度,采用相电流突变法,所需数据窗长度为3个采样周期就可以完成,假设工频情况下,每周期采样20个点,则数据窗长度为3ms,可见能满足限流的快速性要求,故障限流器FCL的a相、b相、c相的脉冲触发角标幺值以180度作为基准值。
本发明提供的一种自适应信息容错保护方法,在进行步骤S01之前先进行步骤S1数据预处理。
根据分布式发电系统故障前后的电流量(包括三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值)和频率变化量进行数据预处理,对数据预先加以分类,减少所需的数据量。
以下是对本发明的仿真分析:
如图3所示,是设置了故障限流器FCL的分布式电网系统的电路图,三相短路故障发生在故障处,故障发生在分布式电源DG接入点的正前方,继电器2和继电器3处的故障电流由系统侧电源S通过变压器T1和分布式电源DG通过变压器T2共同提供,分布式电源DG产生正向助增电流;
仿真主要分两个部分:第一部分为未接入分布式电源DG时继电器1和继电器3处检测到的故障电流波形;第二部分为在接入分布式电源DG的情况下,有无故障限流器FCL时,继电器1和继电器3处处检测到的故障电流、分布式电源DG所提供的故障电流、分布式电源DG出口处的电压等仿真波形;
当未接入DG时,故障点处的故障电流完全由系统电源提供,其故障电流最大值为4000A,而后稳定到2800A。故障发生在0.1s处,持续0.6s。图4展示了故障发生前、故障发生期间继电器1和继电器3处处检测到的电流波形。
图5展示了接入DG未安装FCL时,保护1处检测到的故障电流,故障开始时电流峰值为3100A,而后逐渐衰减到接近2200A,故障电流值有所下降,将降低保护的灵敏性。从图6可以看出,由于FCL的接入故障电流回复到接近故障电流最大值为4000A,而后稳定到2800A,这说明FCL很好的保证了继电器1处的灵敏性。
图7展示了接入DG但未安装FCL时,继电器3处检测到的故障电流,故障开始时电流峰值为5000A,而后逐渐稳定在3800A,将导致继电器3的灵敏性提高,而选择性有所下降发生,影响保护的可靠动作。从图8可以看出,由于FCL的接入故障电流回复到接近故障电流最大值为4800A,而后稳定到300A,这说明FCL的接入很好的限制了DG的助增电流,保证了保护的可靠动作。
从图9和图10可以看出FCL在系统正常运行时并不影响负荷电流,在有无FCL的情况下,都保持电流峰值400A,故障发生后,FCL工作限流电抗串入系统限流,故障电流峰值从1200A降低到600A,达成了限流的目的。
图11和图12展示了M处在有无FCL时故障前后的变化波形,从图中可以看出有FCL时电压有较为明显的提高。对图11和图12比较可以看到,当未安装FCL时,本地负荷11的电压有较大的跌落,而安装FCL后,电压得到了较好的保持。而故障前由于FCL无限流阻抗投入,并没有影响接入母线22的电压。旁路电感只在故障时串入系统限流。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (9)
1.一种自适应信息容错保护方法,其特征在于,该方法包含以下步骤:
步骤S1、利用粗糙集对原始数据进行约简,形成精简的规则集;
所述的原始数据包含三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和频率变化量;
步骤S2、利用人工神经网络对精简的规则集学习训练,并正确判断系统的运行方式及故障类型,从而发出控制信号使与分布式电源DG串联的故障限流器来限制分布式电源DG的助增电流。
2.如权利要求1所述的自适应信息容错保护方法,其特征在于,所述的步骤S1包含以下步骤:
步骤S11、提取特征参数,建立故障诊断决策表;
以三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和频率变化量作为条件属性,以故障诊断结果作为决策属性,建立决策表S;
步骤S12、对决策表进行知识约简,去掉冗余信息,得到最简规则集。
3.如权利要求2所述的自适应信息容错保护方法,其特征在于,所述的步骤S12包含以下步骤:
步骤S121、对决策表进行条件属性约简,得到最佳属性约简决策表;
去掉决策表中的某一属性后,考察决策表的相容性,如果去掉该属性后的决策表是相容的,说明此属性是冗余的,可以去除该属性,依次考察各条件属性,直至决策表最简为止;
步骤S122、对决策表进行决策规则约简;
在条件属性约简化后的决策表中,去掉样本集中的重复信息,考察剩下的训练集中哪些属性值是冗余的,去掉冗余信息和重复信息后,就得到了最小决策集。
4.如权利要求3所述的自适应信息容错保护方法,其特征在于,所述的步骤121包含如下具体步骤:
6.如权利要求5所述的自适应信息容错保护方法,其特征在于,所述的人工神经网络包含故障检测和判别子网络RSNN1和故障限流子网络RSNN2,故障检测和判别子网络确定出故障相后,故障限流子网络根据故障电流的大小,合理地选择故障限流器FCL和调节它的脉冲触发角,使其限流阻抗达到最优;
所述的故障检测和判别子网络RSNN1包含输入层、隐含层和输出层;
三层神经网络中,输入层节点个数n和隐含层节点个数m之间的关系为:m=2n+1;
输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和电网的频率突变量;
输出层输出保护启动、a相接地、b相接地、c相接地和相间短路;
所述的故障限流子网络RSNN2包含输入层、隐含层和输出层;
输入层输入三相电流的瞬时值,输出层输出故障限流器FCL的三相脉冲触发角标幺值。
7.如权利要求6所述的自适应信息容错保护方法,其特征在于,所述的步骤S22包含以下步骤:
步骤S221、故障检测和判别子网络RSNN1确定故障相;
输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值和电网频率的突变量,经过隐含层后,输出层输出保护启动、a相接地、b相接地、c相接地和相间短路;
步骤S222、故障限流子网络RSNN2根据故障电流的大小,合理地选择故障限流器FCL和调节它的脉冲触发角,使其限流阻抗达到最优;
输入层输入短路故障三相电流的瞬时值,经过隐含层后,输出层输出故障限流器FCL的a相、b相、c相的脉冲触发角标幺值,控制故障限流器的限流阻抗达到最优,实现对限流的最佳整定值,更好地与继电保护系统配合工作。
8.如权利要求7所述的自适应信息容错保护方法,其特征在于,所述的步骤S221中,选取出现最严重的故障电流值为基准,取其15%作为相电流差瞬时值突变量的定值,当突变量大于此值时,取相应的输入层节点的值为1,否则取为0;对于负序电流瞬时值及零序电流瞬时值,其定值取为基准的10%,当瞬时值大于该定值时,相应的输入层节点值取为1,否则取为0;选取我国电网工频50Hz为基准,取其1%作为配电网频率突变量的定值,当突变量大于此值时,取相应的输入层节点的值为1,否则取为0。
9.如权利要求8所述的自适应信息容错保护方法,其特征在于,在进行步骤S01之前先进行步骤S1数据预处理:
根据分布式发电系统的三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和频率变化量进行数据预处理,对数据预先加以分类,减少所需的数据量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410010933.9A CN103778479A (zh) | 2014-01-10 | 2014-01-10 | 自适应信息容错保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410010933.9A CN103778479A (zh) | 2014-01-10 | 2014-01-10 | 自适应信息容错保护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103778479A true CN103778479A (zh) | 2014-05-07 |
Family
ID=50570687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410010933.9A Pending CN103778479A (zh) | 2014-01-10 | 2014-01-10 | 自适应信息容错保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778479A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124830A (zh) * | 2016-07-11 | 2016-11-16 | 清华大学 | 基于人工神经网络获得雷电流的方法 |
CN106603531A (zh) * | 2016-12-15 | 2017-04-26 | 中国科学院沈阳自动化研究所 | 一种基于工业控制网络的入侵检测模型的自动建立方法及装置 |
CN110021929A (zh) * | 2018-12-29 | 2019-07-16 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种快速开关型故障限流器电磁暂态时域仿真建模方法 |
CN115598563A (zh) * | 2022-09-27 | 2023-01-13 | 湖南科技大学(Cn) | 一种基于粗糙神经网络的配电网单相接地故障诊断方法 |
WO2023216553A1 (zh) * | 2022-05-11 | 2023-11-16 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1988306A (zh) * | 2006-11-18 | 2007-06-27 | 重庆市电力公司 | 一种基于人工神经网络模型的智能化母线保护方法 |
CN101110106A (zh) * | 2007-06-21 | 2008-01-23 | 上海交通大学 | 结合粗糙集和神经网络的多传感器信息融合方法 |
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN101702537A (zh) * | 2009-11-10 | 2010-05-05 | 深圳市科陆电子科技股份有限公司 | 在配网终端中自适应处理故障的方法 |
CN102254227A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种物联网多传感器的基于粗糙集的bp神经网络融合的方法 |
-
2014
- 2014-01-10 CN CN201410010933.9A patent/CN103778479A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1988306A (zh) * | 2006-11-18 | 2007-06-27 | 重庆市电力公司 | 一种基于人工神经网络模型的智能化母线保护方法 |
CN101110106A (zh) * | 2007-06-21 | 2008-01-23 | 上海交通大学 | 结合粗糙集和神经网络的多传感器信息融合方法 |
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN101702537A (zh) * | 2009-11-10 | 2010-05-05 | 深圳市科陆电子科技股份有限公司 | 在配网终端中自适应处理故障的方法 |
CN102254227A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种物联网多传感器的基于粗糙集的bp神经网络融合的方法 |
Non-Patent Citations (1)
Title |
---|
钱涛: "粗糙集及神经网络在配电网故障诊断中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124830A (zh) * | 2016-07-11 | 2016-11-16 | 清华大学 | 基于人工神经网络获得雷电流的方法 |
CN106603531A (zh) * | 2016-12-15 | 2017-04-26 | 中国科学院沈阳自动化研究所 | 一种基于工业控制网络的入侵检测模型的自动建立方法及装置 |
WO2018107631A1 (zh) * | 2016-12-15 | 2018-06-21 | 中国科学院沈阳自动化研究所 | 一种基于工业控制网络的入侵检测模型的自动建立方法及装置 |
CN110021929A (zh) * | 2018-12-29 | 2019-07-16 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种快速开关型故障限流器电磁暂态时域仿真建模方法 |
CN110021929B (zh) * | 2018-12-29 | 2023-01-13 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种快速开关型故障限流器电磁暂态时域仿真建模方法 |
WO2023216553A1 (zh) * | 2022-05-11 | 2023-11-16 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法及系统 |
CN115598563A (zh) * | 2022-09-27 | 2023-01-13 | 湖南科技大学(Cn) | 一种基于粗糙神经网络的配电网单相接地故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamwa et al. | Development of rule-based classifiers for rapid stability assessment of wide-area post-disturbance records | |
Adhikari et al. | Applying non-nested generalized exemplars classification for cyber-power event and intrusion detection | |
Khaw et al. | A deep learning-based cyberattack detection system for transmission protective relays | |
Sun et al. | Frequency injection based HVDC attack-defense control via squeeze-excitation double CNN | |
CN110414412B (zh) | 基于大数据分析的广域电网多重扰动精确识别方法和装置 | |
CN103778479A (zh) | 自适应信息容错保护方法 | |
Zand et al. | Fault locating transmission lines with thyristor-controlled series capacitors By fuzzy logic method | |
CN104657913A (zh) | 一种基于全数据模型的智能告警系统 | |
CN103941163A (zh) | 利用模糊k均值聚类的谐振接地系统故障选线方法 | |
CN111398733A (zh) | 一种海洋核动力平台电网接地故障选线保护方法和系统 | |
CN103941162A (zh) | 利用波形时域特征聚类的谐振接地系统故障选线方法 | |
CN104614638A (zh) | 小电流系统接地选线方法 | |
Qu et al. | False data injection attack detection in power systems based on cyber-physical attack genes | |
CN105867347B (zh) | 一种基于机器学习技术的跨空间级联故障检测方法 | |
Souhe et al. | Fault detection, classification and location in power distribution smart grid using smart meters data | |
Wei et al. | Fault detection based on the generalized S-transform with a variable factor for resonant grounding distribution networks | |
CN110493031A (zh) | 一种变电站控制系统网络设备状态在线监测方法 | |
KR102088740B1 (ko) | 인공 지능 기반 정정값 자동 계산 보호 계전 장치 | |
Guo et al. | Power transmission risk assessment considering component condition | |
Jiang et al. | Application of a hybrid model of big data and BP network on fault diagnosis strategy for microgrid | |
Wang et al. | Synthetic data in DC microgrids: Label creation for ensemble learning for fault isolation | |
Gurung et al. | Use of PMU-based software platform to provide real-time situational awareness for Bronzeville community microgrid | |
Sun et al. | Power system security pattern recognition based on phase space visualization | |
Liu et al. | Fault location method for distribution network with distributed generation based on deep learning | |
Changchao et al. | Identifying the key transmission lines considering the power flow impact force |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140507 |
|
RJ01 | Rejection of invention patent application after publication |