CN106099850A - 基于瞬时电流特征的电流互感器饱和识别改进方法 - Google Patents

Abstract

本发明公开一种基于瞬时电流特征的电流互感器(CT)饱和改进识别方法，在传统时差法配合虚拟制动电流法识别电流互感器饱和的基础上，根据饱和前的故障电流瞬时采样值，利用离散滑窗迭代傅立叶算法拟合出CT饱和前故障电流的交直流分量情况,然后利用遗传算法(GA)训练后的BP神经网络拟合故障电流与虚拟制动电流门槛值D的隐式关系，最后将实时测量的故障电流瞬时采样值输入算法程序，自适应的选取虚拟制动电流门槛值D。本发明能够有效解决传统虚拟制动电流法选取固定门槛值在严重饱和时闭锁差动保护时间过长问题，并且能够在发生区外转区内故障时加快开放差动保护。

Description

基于瞬时电流特征的电流互感器饱和识别改进方法

技术领域

本发明专利属于电力系统继电保护领域，特别涉及一种基于瞬时电流特征的电流互感器保护识别改进方法。

技术背景

电流差动保护原理简单，具有很高的灵敏度及速动性，已被广泛用于线路及电气设备的主保护，其能否可靠识别出区内故障，主要取决于对应的电流互感器能否正确的传变故障和非故障电流。当电流互感器发生铁心饱和时就会使二次电流发生畸变而影响差动保护的正确动作，准确识别电流互感器饱和与非饱和状态并实际闭锁和开放差动保护，对保证差动保护的可靠性与速动性有重要意义。

目前饱和识别方法主要有差分法、时差法、小波变换法、谐波比法等，其中同步识别法(即时差法)应用比较普遍。它是根据区外故障引起互感器饱和时故障发生时刻与饱和发生时刻(即差流出现时刻)是否存在时间差，来识别是否为区外故障，若识别为区外故障则闭锁差动保护一段时间，但如果在闭锁期间发生区外转区内故障时，该方法易产生延时动作。为此有学者根据差动电流自身波形特征提出了一种基于虚拟制动电流采样点差动的CT饱和识别方法。该方法能够可靠识别出互感器退出饱和后即开放差动保护，在发生转换性故障时也能可靠开放差动保护动作，但是其开放保护门槛值选取固定，引起差动保护灵敏度降低，在转换性故障时反应不够迅速。

发明内容

本发明的目的解决传统虚拟制动电流互感器饱和识别方法门槛值设置固定导致由区外转区内故障时差动保护开放延时，灵敏度低的问题，提出一种根据电流互感器饱和程度自适应调整门槛值的方法。

本发明采用的具体技术方案如下：

一种基于瞬时电流特征的电流互感器饱和识别改进方法，包括如下步骤：

第一步，利用时差法，判定故障是否为区外故障，若为区外故障则闭锁差动保护，否则动作与断路器跳闸，本步骤分为两个小部分。

第1步，检测线路是否出现故障，记录故障时刻T₁。

采用离散滑窗迭代傅立叶(DFT)检测法，检测故障时刻T₁，以检测电流互感器A相电流为例，基波可以表达为式(1)所示：

J_1a(kι)＝A₁cos(ωkι)+B₁sin(ωkι) (1)

当采样数据大于一个采样周期时，A₁、B₁可以有式(2)表示如下：

式中：i′_1a(iι)表示采样数据，N_new表示新的采样点。

通过式(1)、(2)计算可以得到瞬时基波数据，用采集的瞬时数据减去瞬时基波数据就得到瞬时谐波数据如式(3)所示：

i″_1a(kι)＝i′_1a(kι)-J_1a(kι) (3)

正常状态，谐波含量少，在不正常状态时，谐波含量大幅度增加，通过这个现象判断不正常状态时刻T₁，即如式(4)所示：

i″_1a(kι)≥i₀ (4)

式中：i₀表示谐波和的门槛值。

第2步，检测差动保护继电器是否出现差流，如果有差流出现，记录差流越限时刻T₂，若T₂-T₁＞2ms，则闭锁差动保护，否则在差流越限的时候发出跳闸指令。

差流计算公式如公式(5)所示：

差流越限的判断条件如式(6)所示：

I_d＞K_rI_r (6)

其中：为制动电流，K_r＝I_d/I_r为制动系数。

第二步，提取故障电流未饱和区区数据，拟合故障电流交流分量A、直流分量B、相角和常数λ四个参数。

故障电流由周期的交流分量和衰减的直流分量组成，未饱和电流采样数据I_k可用式(7)表示如下：

其中：f_samp为电流采样频率、f为系统频率。

因此只要计算出A、B、λ四个未知参数就可以拟合出饱和前故障电流波形。公式(7)经过co-sine变换可以得到公式(8)如下所示：

用C₁代替C₂代替并且用角频率ω代替2πf/f_samp，将公式(8)改写为如下形式如公式(9)所示：

I_k＝C₁cosωk+C₂sinωk+B+λk (9)

提取两个T₁到T₂之间电流的连续部分，第一部分用标号k_i到k_i+m_i表示，第二部分用标号k_j到k_j+m_j表示，由式(9)可以写出如式(10)所示矩阵方程：

MP＝I (10)

其中：

由于矩阵M与矩阵I中的量均为已知量，由式(10)可以解出A、B、λ四个未知参数如式(11)所示：

P＝(M^TM)^-1M^TI (11)

第三步，先采用遗传算法优化BP神经网络参数，然后用数据样本训练BP神经网络模型，拟合A、B、λ四个参数与虚拟制动电流门槛值D对应的隐式关系，本步骤具体分为两小步，在算法初始化时进行一次。

第1步，采用遍历实验的方法，基于虚拟制动电流保护法的原理，针对所有对称故障与不对称故障(共10种故障类型)做仿真实验，得到一系列故障电流采样波形与实际应该选择虚拟制动电流门槛值的数据样本。例如：针对一种故障类型，在线路长度x₁到x₂间隔Δx做一次仿真实验，每种电路长度一周期内间隔1ms做一次仿真实验，一共可以得到组故障电流采样数据与实际应该选择虚拟制动电流门槛值D的数据样本，所有故障类型一共可以得到组数据样本，利用步骤二所述的方法得到每组未饱和故障电流A、B、λ四个参数与虚拟制动电流门槛值D一一对应的数据样本。

第2步，基于遗传算法(GA)训练BP神经元网络，拟合A、B、λ四个参数与虚拟制动电流门槛值D之间的隐式关系。将组A、B、λ四个参数与虚拟制动电流门槛值D对应的数据样本输入遗传算法得到最佳的初始权值和阀值，用得到的最佳初始权值和阀值来构建BP神经元网络，再用组数据样本训练BP神经网络。

第四步，实时提取故障电流采样数据，自适应的调整虚拟制动电流门槛值D。

由第二步可以得到实时故障电流采样数据的A、B、λ四个参数，将A、B、λ四个参数输入到训练好的BP神经元网络，根据BP神经元网络拟合好的A、B、λ与D的隐式关系，自适应地输出相对应的虚拟制动电流门槛值D。

第五步，计算一个周期内差流值大于虚拟制动电流值的电流采样点数N，决定差动保护开放与闭锁时刻。

基于虚拟制动电流采样差动的CT饱和识别方法，虚拟制动电流值选取为一个周波内第一个电流采样点的0.8倍，计算公式如式(12)所示：

I_xr＝0.8I_maxsin(2πk) (12)

其中：0.8为可靠系数；k为一个周波的采样点数；I_max为正弦波电流的峰值。

计算一个周期内差流值大于虚拟制动电流值的采样点数N，并与步骤四求出的虚拟制动电流门槛值D进行比较，当N＞D时开放差动保护，当N≤D时闭锁差动保护。

附图说明

图1是基于瞬时电流特征的CT饱和识别方法流程图

图2是虚拟制动电流法采样点数图

图3是线路差动电流波形图

图4是GA训练BP神经元网络流程图

图5是BP神经元输出预测结果以及误差图

图6是差动保护状态图

具体实施方式

本发明提出一种基于瞬时电流特征的电流互感器饱和识别改进方法，该方法在基于虚拟制动电流电流互感器饱和识别方法的基础上，通过遗传算法优化BP神经元网络，拟合故障电流A、B、λ四个参数与虚拟制动电流门槛值D之间的隐式关系，在实际运行中自适应的调整虚拟制动电流门槛值D，使得区外故障造成电流互感器饱和后，故障又由区外转区内时，能更快的开放差动保护。

以500kV，30km输电线路在0.304s发生A相瞬时区外故障，在0.45s转为区内故障来具体说明本方法，实施步骤如下：

第一步，利用时差法，判定故障是否为区外故障，若为区外故障则闭锁差动保护，否则动作与断路器跳闸，本步骤分为两个小部分。

第1步，检测线路是否出现故障，记录故障时刻T₁。

提取电流互感器一次侧A相电流采样数据，采用离散滑窗迭代傅立叶(DFT)检测法检测故障发生时刻，A相瞬时基波可以表达为式(1)所示：

J_1a(kι)＝A₁cos(ωkι)+B₁sin(ωkι) (1)

设置一个周期电流采样24个点，当采样数据大于一个周期采样点数24时，A₁、B₁可以有式(2)表示如下：

式中：i′_1a(iι)表示采样数据，N_new表示新的采样点。将新加入数据进入和值，最前一个数据退出和值，A₁、B₁可式(3)计算所得：

通过上述计算可以得到瞬时基波数据，用采集的瞬时数据减去瞬时基波数据就得到瞬时谐波数据如式(4)所示：

i″_1a(kι)＝i′_1a(kι)-J_1a(kι) (4)

设置i₀为正常时谐波和的10倍，记录满足式(5)的时刻即为T₁：

i″_1a(kι)≥i₀ (5)

式中：i₀为谐波和的门槛值。

通过步骤一判断故障发生时刻如附图2所示，在0.304s时检测出线路发生故障。

第2步，计算差流越限时刻T₂，并判断是否为区外故障。

根据差动保护原理，计算流过差动保护继电器的差动电流I_d和制动电流I_r，记录满足式(6)的时刻T₂：

I_d＞K_rI_r (6)

其中：K_r取1.2；

当满足T₂-T₁＞2ms时，判定为区外故障，闭锁差动保护，否则作用与断路器跳闸。

差流的波形如附图3所示，可以检测出在0.3104s出现差流越限，所以T₂-T₁＝6.4ms＞2ms，闭锁差动保护。

第二步：提取故障发生时刻T₁到差流越限时刻T₂之间第一个周期和第三个周期的电流采样数据，近似得到故障电流交流分量A、直流分量B、相角和常数λ。

故障电流由周期的交流分量和衰减的直流分量组成，未饱和电流数据采样点I_k可用式(7)表示如下：

其中：f_samp为电流采样频率，取1.2KHz、f为系统频率，取50Hz，因此只要计算出A、B、λ四个未知参数就可以估算出饱和前故障电流波形。公式(7)经过co-sine变换可以得到公式(8)如下所示：

用C₁代替C₂代替并且用角频率ω代替2πf/f_samp，将公式(8)改写为如下形式如公式(9)所示：

I_k＝C₁cosωk+C₂sinωk+B+λk (9)

将提取的两部分电流采样数据第一部分用标号k_i到k_i+23表示，第二部分用标号k_j到k_j+23表示，由式(9)可以写出如式(10)所示矩阵方程：

MP＝I (10)

其中：

由于矩阵M与矩阵I中的量均为已知量，由式(10)可以解出A、B、λ四个未知参数如式(11)所示：

P＝(M^TM)^-1M^TI (11)

第三步，采用遗传算法优化BP神经网络参数，训练BP神经网络模型，拟合A、B、λ四个参数与虚拟制动电流门槛值D对应的隐式关系，本步骤分为两小步，具体流程如附图4所示。

第1步，以A相接地故障实验为例，通过调节线路长度达到改变线路参数的目的。基于虚拟制动电流电流互感器饱和识别法，线路长度30km到110km间隔5km做一次仿真实验，每种线路长度在一个周期内间隔1ms做一次实验，将每次仿真的实验数据经过步骤二可以得到每次实验对应的故障电流A、B、λ四个参数，通过观测每次仿真实验得到的虚拟制动电流法的采样点数波形，可以得到实际应该取得的虚拟制动电流门槛值D，这样通过遍历仿真可以得到320组A、B、λ与D一一对应的数据样本。

第2步，选取其中200的数据样本作为训练样本，剩余120组作为测试样本。首先将320组样本数据输入遗传算法得出最佳初始权值和阀值，用得到的最佳初始权值和阀值构造BP神经元网络，再将200组训练数据样本输入优化后BP神经元网络，以此训练BP神经元网络，最后用120组测试数据样本测试训练好的BP神经元网络，分析预测数据与期望数据之间的误差，预测数据与期望数据之间的误差如附图5所示。由于门槛值是选取只要满足比固定门槛值小，比实际的虚拟制动采样值的门槛值大就可以满足改进要求，所以计算准确率时只要误差不出现负值就可以认为预测准确，上述训练结果的准确率可以达到95.93％，若增加1-2个点的裕度，测试结果接近100％的准确率。

第四步：提取实时故障电流采样数据，自适应的调整虚拟制动电流门槛值D。

由第二步可以得到实时故障电流采样数据的A、B、λ四个参数，将A、B、λ四个参数输入到由第三步训练好的BP神经网络，根据BP神经网络事先拟合好的得A、B、λ四个参数与虚拟制动电流门槛值D的关系，可以得到此时的门槛值D＝7。

第五步：计算一个周期内差动电流值大于虚拟制动电流值的电流采样点数N，决定差动保护开放与闭锁时刻。

取一个周期电流采样点数k＝24，由公式(12)计算出虚拟制动电流值：

I_xr＝0.8I_maxsin(2πk) (12)

其中：0.8为可靠系数；I_max为正弦波的峰值。

计算出一个周期内采样电流值大于虚拟制动电流值的采样点数，虚拟制动电流采样点数如附图2所示。

由附图2可见在0.304s时刻发生区外故障，经过6.4ms的线性传变区CT开始饱和，时差法识别为区外故障，在0.3104s时刻闭锁差动保护，在0.45s时刻转区内故障，由于传统虚拟制动电流法门槛值固定选取16，在出现转换性故障时，存在一定的延时才能开放差动保护，在0.4648s时刻才检测到采样电流值大于虚拟制动电流值的采样点数N超过虚拟制动电流门槛值D，此时才能开放差动保护动作；而本发明根据故障电流情况得到此时的最低门槛值为7，在0.4568s时刻就能测到采样电流值大于虚拟制动电流值的采样点数N超过虚拟制动电流门槛值D，此时开放差动保护并动作，相比较固定门槛值情况本发明所提的方法提前了8ms开放保护，差动保护状态如附图6所示，0表示保护闭锁，1表示保护开放。

Claims (6)

1.一种基于瞬时电流特征的电流互感器饱和识别方法，其特征在于，包括以下步骤：

1)利用时差法确定CT未饱和区，判定故障是否为区外故障，若为区外故障则闭锁差动保护，否则动作与断路器跳闸；

2)提取故障电流非饱和区数据，拟合故障电流交流分量A、直流分量B、相角和常数λ四个参数；

3)采用遗传算法优化BP神经网络参数，然后用数据样本训练BP神经网络模型，拟合A、B、λ四个参数与虚拟制动电流门槛值D对应的隐式关系；

4)实时提取故障电流采样数据，自适应的调整虚拟制动电流门槛值D；

5)计算一个周期内差流值大于虚拟制动电流值的电流采样点数N，决定差动保护开放与闭锁时刻。

2.根据权利要求1所述的基于瞬时电流特征的电流互感器饱和识别方法，其特征在于，所述的步骤1)中利用时差法确定CT未饱和区，判定故障是否为区外故障，具体为：

步骤1-1，利用采用离散滑窗迭代傅立叶检测法，检测故障时刻T₁，由式(1)、(2)计算瞬时基波数据：

J_1a(kι)＝A₁cos(ωkι)+B₁sin(ωkι) (1)

$\left\{\begin{array}{c}{A}_1=\frac{2}{N}\underset{i=N_{new}}{\overset{N_{new}-N+1}{\Σ}}{i}_{1a}^{\′}\left(i\mathrm{\ι}\right)\cos \left(\mathrm{\ω}i\mathrm{\ι}\right)\\ B_1=\frac{2}{N}\underset{i=N_{new}}{\overset{N_{new}-N+1}{\Σ}}{i}_{1a}^{\′}\left(i\mathrm{\ι}\right)\sin \left(\mathrm{\ω}i\mathrm{\ι}\right)\end{array}\right.---\left(2\right)$

其中，i′_1a(iι)表示采样数据，N_new表示新的采样点；

由式(3)计算计算瞬时谐波数据，根据式(4)计算瞬时谐波发生突变的时刻，即为故障发生时刻T₁；

i″_1a(kι)＝i′_1a(kι)-J_1a(kι) (3)

i″_1a(kι)≥i₀ (4)

其中，i₀表示谐波和的门槛值；

步骤1-2，检测差动保护继电器是否出现差流，如果有差流出现，记录差流越限时刻T₂，T₂-T₁为CT未饱和区，若T₂-T₁>2ms，则闭锁差动保护，差流计算公式以及差流越限判别式分别如式(5)、(6)所示：

$I_d=|{\stackrel{\·}{I}}_M-{\stackrel{\·}{I}}_N|---\left(5\right)$

I_d>K_rI_r (6)

其中，为制动电流，K_r＝I_d/I_r为制动系数。

3.根据权利要求1所述的基于瞬时电流特征的电流互感器饱和识别方法，其特征在于，所述的步骤2)中根据步骤1)确定的CT非饱和区，提取故障电流非饱和区数据，拟合故障电流交流分量A、直流分量B、相角和常数λ四个参数，具体为：

将式(7)表示的未饱和电流采样数据I_k表示为式(8)的形式：

其中，f_samp为电流采样频率、f为系统频率；ω＝2πf/f_samp；

提取两个T₁到T₂之间电流的连续部分，第一部分用标号k_i到k_i+m_i表示，第二部分用标号k_j到k_j+m_j表示，由式(8)写出如式(9)所示矩阵方程，由式(10)可以解出故障电流交流分量A、直流分量B、相角和常数λ四个参数：

MP＝I (9)

P＝(M^TM)^-1M^TI (10)

其中，

4.根据权利要求1所述的基于瞬时电流特征的电流互感器饱和识别方法，其特征在于，所述的步骤3)中，通过遍历仿真得到样本数据，将样本数据输入遗传算法，求出最佳初始权值和阀值，用求出的初始权值和阀值来构造BP神经元网络，最后将样本数据输入优化好的BP神经元网络。训练BP神经元网络，具体方法为：

基于虚拟制动电流法，对所有对称故障与不对称故障，每种故障类型在线路长度x₁到x₂间隔Δx做一次仿真实验，每种电路长度一周期内间隔1ms做一次仿真实验，一共可以得到组故障电流采样数据与实际应该选择虚拟制动电流门槛值D一一对应的数据样本，用组数据样本训练GA优化参数后的BP神经元网络。

5.根据权利要求1所述的基于瞬时电流特征的电流互感器饱和识别方法，其特征在于，所述的步骤4)中，将实时采样的故障电流先经过步骤2)计算出故障电流交流分量A、直流分量B、相角和常数λ四个参数，将A、B、λ四个参数输入有步骤3)训练好的BP神经元网络，由BP神经元网络输出对应的虚拟制动电流门槛值D。

6.根据权利要求1所述的基于瞬时电流特征的电流互感器饱和识别方法，其特征在于，所述的步骤5)中，通过比较电流采样值大于虚拟制动电流值的采样点数N与虚拟制动电流门槛值D的关系，决定差动保护开放还是闭锁，具体为：