CN104950215A - 一种微机保护方法 - Google Patents

Abstract

本发明公开了一种微机保护方法，包括以下步骤：1)采集电力系统中的故障信号；2)利用小波多尺度将故障信号分解得到N层平滑信号和N层细节信号；3)从N层细节信号中获取模极大值点并计算得到模极大值，根据模极大值与设定值比较判断模极大值点是否为信号异常点；4)当为信号异常点后，利用平滑信号更新卡尔曼滤波器的观测值，利用细节信号计算卡尔曼滤波器的观测噪声方差，通过卡尔曼滤波器估计出基波分量或谐波分量的幅值与相角；5)计算出信号异常点的特征电参量，根据特征电参量与整定值比较判断信号异常点是否为故障点。该方法进行了两次判断，可靠性高，且能够快速、准确地实现对故障的检测。

Description

一种微机保护方法

技术领域

本发明涉及电力系统微机保护领域，特别涉及一种微机保护方法。

背景技术

目前电力系统输电线路继电保护中，绝大多数保护原理都基于故障信号的基波相量，根据故障电压、电流基波相量或二者的结合来进行故障判断。但由于故障发生后的暂态过程，故障电压、电流中含有丰富的暂态噪声，继电保护装置中必须采用滤波算法滤除这些噪声。因此，快速、准确的滤取出输电线路故障信号中的基波相量是提高保护动作速度的重要手段，也是继电保护学科一直所关注的课题。暂态噪声主要成分包括非周期分量和高频噪声分量，对于长距离高压输电线路，由于输电距离长，线路分布电容大，故障暂态过程非常严重，同时由于线路阻抗角增大，暂态过程的持续时间较长，这些都要求保护滤波算法具有非常强的滤波能力。

传统的微机继电保护装置普遍采用半波和全波Fourier算法求取故障信号的基波相量进行故障判断。全波Fourier可以有效滤除恒定直流分量和整数次谐波，但对信号中的衰减直流分量、非整数次谐波分量滤波效果较差，对频率偏移比较敏感，且数据窗长度为一个周波，响应时间较长。半波Fourier数据窗长度为半个周波，运算量比全周波Fourier减少一半，响应速度快，可以有效滤除奇次谐波分量，但是不能抑制偶次谐波和衰减直流分量，精度不高。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种微机保护方法，从而克服现有判断电力系统故障的算法响应时间较长以及精度不高的缺点。

为实现上述目的，本发明提供了一种微机保护方法，包括以下步骤：1)采集电力系统中的故障信号f(t)；2)利用小波多尺度将所述故障信号f(t)分解得到N层平滑信号和N层细节信号；3)从所述N层细节信号中获取模极大值点，并计算所述模极大值点的模极大值W_max，将所述模极大值W_max与设定值W_set比较，若所述模极大值W_max大于所述设定值W_set，则判断所述模极大值点为信号异常点；若所述模极大值W_max小于所述设定值W_set，则返回步骤1)；4)当判断所述模极大值点为信号异常点后，利用所述平滑信号更新卡尔曼滤波器的观测值，利用所述细节信号计算卡尔曼滤波器的观测噪声方差，通过卡尔曼滤波器估计出所述信号异常点的基波分量或谐波分量的幅值与相角；5)利用所述基波分量或所述谐波分量的幅值与相角计算出所述信号异常点的特征电参量F，将所述特征电参量F与整定值F_set比较，若所述特征电参量F大于所述整定值F_set，则判断所述信号异常点为故障点。

上述技术方案中，步骤4)中所述平滑信号为第N-1层的平滑信号。

上述技术方案中，步骤4)中所述细节信号为第N层的细节信号。

上述技术方案中，步骤5)中根据继电保护算法利用所述基波分量或所述谐波分量的幅值与相角计算出所述信号异常点的特征电参量F。

上述技术方案中，所述特征电参量F包括零序电流的幅值，若该幅值大于预设阀值，则判断存在接地故障。

与现有技术相比，本发明具有如下有益效果：本发明中的方法，采用小波分解后的平滑信号更新卡尔曼滤波器的观测值，减少暂态噪声对滤波算法估计过程的影响，加快滤波算法的收敛速度；利用细节信号实时在线计算观测噪声方差，提高了滤波算法的收敛精度；同时采用卡尔曼滤波算法估计故障信号的基波分量或谐波分量的幅值和相角，测量值采用初步滤除了暂态噪声的故障信号，估计精度高，其中，小波多尺度分析对故障信号进行初次检测和判断，而卡尔曼滤波器估计出故障信号的基波分量或谐波分离，进而结合继电保护算法对故障信号进行再次判断，提高了保护算法的可靠性。

附图说明

图1是根据本发明的微机保护方法的流程示意图。

图2是根据本发明的电力系统输电线路故障模型图。

图3是根据本发明的微机保护方法实施效果图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

如图1所示，根据本发明具体实施方式的一种微机保护方法，包括以下步骤：

步骤S100：采集电力系统中的故障信号f(t)；

建立如图2所示的电力系统，采集故障f处的故障信号f(t)。

步骤S102：利用小波多尺度将故障信号f(t)分解得到N层平滑信号和N层细节信号

其中，在小波多尺度分析中，平滑信号和细节信号存在以下关系：

$f_a^i=f_a^{i+1}+f_d^{i+1}---\left(1\right)$

式中：i＝1,2,...,N-1。

步骤S104：从N层细节信号中获取模极大值点，并计算模极大值点的模极大值W_max，将模极大值W_max与设定值W_set比较，若模极大值W_max大于所述设定值W_set，则判断模极大值点为信号异常点；若模极大值W_max小于设定值W_set，则返回步骤S100；

在该步骤中，检测故障信号f(t)采用小波多尺度变换中细节信号的模极大值点的方法(即小波极大模值)来确定信号异常点。小波极大模值中，在尺度下，若N层细节信号中点满足且的某一邻域内的任意点b有则为小波变换的模极大值点。

步骤S106：当判断模极大值点为信号异常点后，利用平滑信号更新卡尔曼滤波器的观测值，利用细节信号计算卡尔曼滤波器的观测噪声方差，通过卡尔曼滤波器估计出信号异常点的基波分量或谐波分量的幅值与相角；

小波变换具有低通滤波效应，故障信号f(t)经过小波多尺度分解后的平滑信号的测量噪声大大减少，且分解层数越高噪声越少。因此，选择第N-1层平滑信号更新卡尔曼滤波器的观测值，利用第N层细节信号实时在线计算观测噪声方差，可以减少故障信号f(t)的暂态噪声对卡尔曼滤波器的干扰，提高估计精度。观测噪声方差R_k计算公式如下：

$R_k={\mathrm{\α}}_1{R}_{k-1}+{\mathrm{\α}}_2{f}_{d|k}^{N-1}{\left(f_{d|k}^{N-1}\right)}^T---\left(2\right)$

式中：α₁,α₂为权重系数，满足α₁,α₂≥0且α₁+α₂＝1。

步骤S108：利用基波分量或谐波分量的幅值与相角计算出信号异常点的特征电参量F，将特征电参量F与整定值F_set比较，若特征电参量F大于整定值F_set，则判断信号异常点为故障点，其结果如图3所示。

该步骤中，根据继电保护算法(包括过电流保护算法、距离保护算法、差动保护算法等)利用基波分量或谐波分量的幅值与相角计算出信号异常点的特征电参量F。

其中通过过电流保护算法得出的特征电参量F包括零序电流的幅值，若该幅值大于预设阀值，则判断存在接地故障。

本发明中的保护方法对故障进行了两次判断，可靠性高，与此同时，该方法具有较快的收敛速度和较高的收敛精度，能够快速、准确地实现对故障的检测和选相功能。

该实施例中步骤S102的小波多尺度分析，小波变换的定义为L²(R)为R上平方可积函数构成的函数空间，设故障信号f(t)∈L²(R)，ψ(t)∈L²(R)，若ψ(t)的傅里叶变换满足容许条件：

$C_{\mathrm{\&psi;}}={\&Integral;}_{-\&infin;}^{+\&infin;}{\left|\mathrm{\&omega;}\right|}^{-1}{\left|\widehat{\mathrm{\&psi;}}\left(\mathrm{\&omega;}\right)\right|}^2\mathrm{d\&omega;}<\&infin;---\left(3\right)$

则称ψ为母小波(或基小波)。母小波经过尺度伸缩和位置平移后生成小波序列：

${\mathrm{\&psi;}}_{a,b}\left(t\right)={\left|a\right|}^{-1/2}\mathrm{\&psi;}\left(\frac{x-b}{a}\right)---\left(4\right)$

式中：a是尺度因子；b是平移因子；a,b∈R且a≠0。函数f(t)关于母小波ψ的连续小波变换定义为：

$\left(W_{\mathrm{\&psi;}}f\right)(a,b)={\left|a\right|}^{-1/2}{\&Integral;}_{-\&infin;}^{+\&infin;}f\left(t\right)\stackrel{\&OverBar;}{\mathrm{\&psi;}}\left(\frac{t-b}{a}\right)\mathrm{dt}---\left(5\right)$

式中：是ψ的共轭复函数。

实际应用采用小波变换的离散形式，取 离散小波变换为：

$\left(W_{\mathrm{\&psi;}}f\right)(a,b)={\left|a\right|}^{-m/2}{\&Integral;}_{-\&infin;}^{+\&infin;}f\left(t\right)\stackrel{\&OverBar;}{\mathrm{\&psi;}}(a_0^{-m}t-{\mathrm{nb}}_0)\mathrm{dt}---\left(6\right)$

从上式(6)离散小波变换中得到故障信号f(t)分解后的N层平滑信号和N层细节信号

在该实施例中，如步骤S106中采用了卡尔曼滤波器的卡尔曼滤波算法进行估计基波分量和谐波分量；

卡尔曼滤波器是一种高效率的自回归滤波器，其基本思想是根据系统的状态方程和观测方程，从一系列不完全及包含噪声的测量中估计出动态系统的状态。对电力系统故障后的暂态信号建立合适的状态方程和观测方程，设有电力系统为线性系统，其状态方程为：X_k+1＝F_kX_k+G_kW_k，观测方程为：Z_k＝H_kX_k+V_k其中：k是采样次数；过程噪声W_k和观测噪声V_k是均值为零，服从高斯分布的白噪声；协方差矩阵分别为Q_k和R_k。

卡尔曼滤波算法步骤如下：

Step1:状态预测 ${\hat{x}}_{k|k-1}=F_k{X}_{k-1|k-1};---\left(7\right)$

Step2:观测值预测 $Z_{k|k-1}=H_k{\hat{X}}_{k|k-1};---\left(8\right)$

Step3:协方差预测 $P_{k|k-1}=F_k{P}_{k-1|k-1}{F}_k^T+Q_k;---\left(9\right)$

Step4:更新增益 $K_k=P_{k|k-1}{H}_k^T{(H_k{P}_{k|k-1}{H}_k^T+R_k)}^{-1};---\left(10\right)$

Step5:更新状态 ${\hat{X}}_{k|k}={\hat{X}}_{k|k-1}+K_k(Z_k-Z_{k|k-1});---\left(11\right)$

Step6:更新协方差矩阵P_k|k＝(I-K_kH_k)P_k|k-1；    (12)

利用卡尔曼滤波算法估计故障信号f(t)的基波分量或谐波分量的方法主要有电压和电流两种模型：

(1)两状态电压模型

设无噪声的电压信号s(t)＝Asin(ω₀t+θ)，A,θ,ω₀分别为幅值，相角，基频角速度，存在以下分解：s(t)＝[sinω₀t,cosω₀t][x₁,x₂]^T    (13)

式中：[x₁,x₂]＝[Acosθ,Asinθ]    (14)

对上式进行离散化并考虑观测噪声V_k得到观测方程：

Z_k＝[sinω₀kT_s,cosω₀kT_s][x_1k,x_2k]^T+V_k    (15)

式中：T_s为采样周期。系统矩阵F_k取单位阵，过程噪声W_k取零，可得状态方程：

${\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]}_{k+1}=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]{\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]}_k---\left(16\right)$

(2)三状态电流模型

故障信号中的电流信号中存在较大的衰减直流分量，为提高估计精度，在卡尔曼滤波器中增加一个状态量对其进行处理。设第k个采样周期的衰减直流分量为i_k，则有：

$i_{k+1}=i_k{e}^{({-T}_s/T_d)}=i_k{e}^{(-\mathrm{\&beta;}{T}_s)}---\left(17\right)$

式中：T_d是衰减时间常数；β＝1/T_d    (18)

系统状态方程：

${\left[\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right]}_{k+1}=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& e^{-\mathrm{\&beta;}{T}_s}\end{array}\right]{\left[\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right]}_k+\left[\begin{array}{c}0\\ 0\\ w_k\end{array}\right]---\left(19\right)$

观测方程：

Z_k＝[sinω₀kT_s,cosω₀kT_s,1][x_1k,x_2k,x_3k]^T+V_k    (20)

上述为卡尔曼滤波算法用于估计故障信号f(t)的基波分量或谐波分量的方法介绍，而在该实施例中，基于小波多尺度的卡尔曼滤波算法中，采用经小波多尺度分解后的故障信号f(t)的N-1层平滑信号更新卡尔曼滤波器的观测值Z_k，利用第N层细节信号实时在线计算观测噪声方差R_k(即协方差矩阵R_k)，其计算公式如步骤S106中式(2)：从而得到该实施例中故障信号f(t)经小波多尺度变换后通过卡尔曼滤波算法估计出的故障信号f(t)的基波分量或谐波分量。

本发明中的方法，采用小波分解后的平滑信号更新卡尔曼滤波器的观测值，减少暂态噪声对滤波算法估计过程的影响，加快滤波算法的收敛速度；利用细节信号实时在线计算观测噪声方差，提高了滤波算法的收敛精度；同时采用卡尔曼滤波算法估计故障信号的基波分量或谐波分量的幅值和相角，测量值采用初步滤除了暂态噪声的故障信号，估计精度高，其中，小波多尺度分析对故障信号进行初次检测和判断，而卡尔曼滤波器估计出故障信号的基波分量或谐波分离，进而结合继电保护算法对故障信号进行再次判断，提高了保护算法的可靠性。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (5)

1.一种微机保护方法，其特征在于，包括以下步骤：

1)采集电力系统中的故障信号f(t)；

2)利用小波多尺度将所述故障信号f(t)分解得到N层平滑信号和N层细节信号；

3)从所述N层细节信号中获取模极大值点，并计算所述模极大值点的模极大值W_max，将所述模极大值W_max与设定值W_set比较，若所述模极大值W_max大于所述设定值W_set，则判断所述模极大值点为信号异常点；若所述模极大值W_max小于所述设定值W_set，则返回步骤1)；

4)当判断所述模极大值点为信号异常点后，利用所述平滑信号更新卡尔曼滤波器的观测值，利用所述细节信号计算卡尔曼滤波器的观测噪声方差，通过卡尔曼滤波器估计出所述信号异常点的基波分量或谐波分量的幅值与相角；

5)利用所述基波分量或所述谐波分量的幅值与相角计算出所述信号异常点的特征电参量F，将所述特征电参量F与整定值F_set比较，若所述特征电参量F大于所述整定值F_set，则判断所述信号异常点为故障点。

2.根据权利要求1所述的一种微机保护方法，其特征在于，步骤4)中所述平滑信号为第N-1层的平滑信号。

3.根据权利要求1所述的一种微机保护方法，其特征在于，步骤4)中所述细节信号为第N层的细节信号。

4.根据权利要求1所述的一种微机保护方法，其特征在于，步骤5)中根据继电保护算法利用所述基波分量或所述谐波分量的幅值与相角计算出所述信号异常点的特征电参量F。

5.根据权利要求1所述的一种微机保护方法，其特征在于，所述特征电参量F包括零序电流的幅值，若该幅值大于预设阀值，则判断存在接地故障。