CN108802493A - 一种电压跌落智能检测方法 - Google Patents

一种电压跌落智能检测方法 Download PDF

Info

Publication number
CN108802493A
CN108802493A CN201810519307.0A CN201810519307A CN108802493A CN 108802493 A CN108802493 A CN 108802493A CN 201810519307 A CN201810519307 A CN 201810519307A CN 108802493 A CN108802493 A CN 108802493A
Authority
CN
China
Prior art keywords
harmonic
voltage
voltage drop
low
phase voltage
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
Application number
CN201810519307.0A
Other languages
English (en)
Inventor
汪飞
陆思远
罗雨
郭慧
李玉菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201810519307.0A priority Critical patent/CN108802493A/zh
Publication of CN108802493A publication Critical patent/CN108802493A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/18—Spectrum analysis; Fourier analysis with provision for recording frequency spectrum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种电压跌落智能检测方法。该方法包括下述步骤：记录电网正常运行时三相电压瞬时值，采用谐波提取的方法提取电网正常运行时三相电压的低次谐波；记录不同故障导致电网电压跌落时三相电压瞬时值，采用谐波提取的方法提取电压跌落时三相电压的低次谐波，对低次谐波作组合，选取最佳组合；利用循环神经网络（RNN）模型进行故障检测。本发明可以在一个或几个毫秒的时间内检测到电压跌落，相比传统检测方法具有可靠性高、检测速度快的特点。

Description

一种电压跌落智能检测方法
技术领域
本发明涉及一种电压跌落检测方法，具体涉及一种基于智能算法检测电压跌落的方法。
背景技术
电力系统中，电能质量问题主要分为两类：稳态电能质量问题和暂态电能质量问题。稳态电能质量问题以波形畸变为特征，主要包括谐波、间谐波、噪声和频率波动等；暂态电能质量问题通常是以频谱和暂态持续时间为特征，可分为脉冲暂态和振荡暂态两类，主要包括电压跌落、电压骤升、短时断电和电容器充电暂态等。
随着现代电力工业的快速发展和系统中用电负荷结构的重大变化，暂态电能质量问题引发的事故越来越多。其中电压跌落是目前工业界最关心的问题之一。电压跌落问题由来已久，其一般被认为是严重且频繁发生的电能质量问题，往往带来敏感负载跳闸和生产损失。一些研究表明，由电压跌落等一系列问题带来的停机成本少则十几万美元，多则达到公司年营业额的10%。
最常见的电压跌落检测方法是检测电压有效值，此方法已标准化且使用多年。使用此方法做电压跌落检测通常需要1—2个电网周期（最多40ms），其缺点为检测时间太长。除此方法外，还有许多其他检测方法如：对称分量算法、同步旋转参考帧、峰值电压评估等。这些传统方法要么可靠性比较低，要么检测速度太慢。
发明内容
为了解决传统检测方法的不足，本发明提出一种电压跌落智能检测方法，采用循环神经网络（RNN）这一智能算法。其特点为快速、准确。
为了实现上述发明的目的，本发明采用如下技术方案：
一种电压跌落智能检测方法，包括如下步骤：
A. 记录电网正常运行时三相电压瞬时值，提取电网正常运行时三相电压的低次谐波；
B. 记录不同故障导致电网电压跌落时三相电压瞬时值，提取电压跌落时三相电压的低次谐波，对低次谐波作组合，选取最佳组合；
C. 利用循环神经网络，RNN模型进行故障检测。
所述步骤A具体为：
记录电网正常运行时三相电压瞬时值，采样间隔为0.1ms。
采用谐波提取的方法提取电网正常运行时三相电压的低次谐波，并记录谐波畸变率。
所述步骤B具体为：
记录不同故障导致电网电压跌落时三相电压瞬时值，采样间隔为0.1ms。
采用谐波提取的方法提取电压跌落时三相电压的低次谐波，并记录谐波畸变率。低次谐波畸变率记为HDX（HD表示谐波畸变率，X表示第几次谐波；如二次谐波、三次谐波、四次谐波，分别记录为HD2、HD3、HD4）。将不同低次谐波进行组合，组合后的谐波畸变率记为HDX1X2…Xn（X1到Xn表示对n个不同阶的低次谐波作组合，如对二次谐波、三次谐波、五次谐波作组合，记录为HD235）。本步骤研究电压跌落时三相电压的谐波畸变率，故记为HDUX1X2…Xn。
选取不同阶次的低次谐波进行不同的组合，不同低次谐波的组合在不同故障下呈现不同的HDU曲线，即对应着不同的函数。若电压谐波畸变率在时间T内快速增大，设置5%的阈值。在时间T内电压谐波畸变率增幅超过5%，同时曲线呈现从正弦| sinx |到“强”指数函数的变化趋势，电压跌落发生。将具有这种趋势的曲线称为“谐波足迹”，作为循环神经网络算法的一个特征使用。其物理模型为f (x) = ae (bx) + ce (dx)，其中a，b，c和d为常数；该模型是一个两项指数模型。
采样间隔0.1ms，故时间T内，共有T/0.1个电压谐波畸变率数据点，将这些数据点与“谐波足迹”曲线拟合，选取与“谐波足迹”曲线最相符的HDU曲线，将该种低次谐波组合作为循环神经网络算法的训练数据。
所述步骤C具体为：
循环神经网络算法的输入为每一相电压，故有3个输入，记为U1、U2、U3。输出为：电网正常运行时的输出定义为0，电压跌落故障检测的输出定义为1。将步骤A和步骤B记录并处理过的电网正常运行时的数据和电压跌落时的数据用循环神经网络算法进行训练，即可得到检测模型进行故障检测。
与现有技术相比，本发明具有如下的优点：
本发明在电压跌落检测过程中提出了一种特征，称为谐波足迹，并将其用于电压跌落检测。采用循环神经网络算法建模，比传统的BP神经网络模型更加准确。可在一个或几个毫秒的时间内检测到电压跌落，相比传统检测方法具有可靠性高、检测速度快的特点。并网逆变器将有更多时间来响应，实现过流保护。
附图说明
图1是本发明电压跌落智能检测方法的整体流程图。
图2是循环神经网络的结构示意图。
图3是在故障下拟合出的HDU2357曲线和其他谐波组合曲线的对比。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。
循环神经网络（RNN）是一种对时间序列数据建模的神经网络。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的，即输入的元素都是相互独立的。然而在现实中，很多元素是互相连接的，RNN可以很好的解决相互有联系的元素，其每一层的输出依赖当前的记忆和上一层的输入，其结构如图2所示。
如图1所示，一种电压跌落智能检测方法，包括如下步骤：
A. 记录电网正常运行时三相电压瞬时值，提取电网正常运行时三相电压的低次谐波；
B. 记录不同故障导致电网电压跌落时三相电压瞬时值，提取电压跌落时三相电压的低次谐波，对低次谐波作组合，选取最佳组合；
C. 利用循环神经网络，RNN模型进行故障检测。
所述步骤A具体为：
记录电网正常运行时三相电压瞬时值，采样间隔为0.1ms。采用谐波提取的方法提取电网正常运行时三相电压的低次谐波，并记录谐波畸变率。每一个采样点的数据为一个样本，存入数据库。
所述步骤B具体为：
不同环境、不同工况下的电网三相跌落时的电压和谐波畸变率都是不同的。记录不同故障导致电网电压跌落时三相电压瞬时值，采用谐波提取的方法提取电压跌落时三相电压的低次谐波。根据国内某电网，记录四种典型的故障状况下的数据：（1）单相对地故障、（2）两相对地故障、（3）相间故障、（4）三相故障。
对不同阶次的低次谐波进行不同的组合，本实施例提出下述几种组合方式：三次谐波、五次谐波、七次谐波的组合HD357；三次谐波、五次谐波、九次谐波的组合HD359；二次谐波、三次谐波、五次谐波、七次谐波的组合HD2357；二次谐波、三次谐波、五次谐波、九次谐波的组合HD2359；二次谐波、三次谐波、五次谐波、十一次谐波的组合HD23511。
最终得到HD2357的组合方式效果最好，选择原因具体表述为：电压跌落发生时，得到四种故障下的HDU2357曲线，并对这四条HDU2357曲线进行拟合，得到一条拟合曲线。分析这五条曲线可知，电压跌落开始1.2ms内，谐波足迹快速上升，符合电压跌落的特征，符合从正弦| sinx |到“强”指数函数的变化趋势，其物理模型为f (x) = 0.1628e (3.691x) +0.012e (3.691x)。且这1.2ms内的13个数据点，较好拟合物理模型f (x)。
所述步骤C具体为：
将电网正常运行时的二次谐波、三次谐波、五次谐波和七次谐波组合作为新的样本从数据库中提取，将三相电压跌落时的HDU2357数据从数据库中提取。把上述数据随机划分成70%和30%两部分，70%数据作为训练数据，30%数据作为测试数据，检验所建立的RNN模型的准确性。
循环神经网络算法的输入为每一相电压，故有3个输入，记为U1、U2、U3。经过特征提取得到谐波足迹，记为HDU23571、HDU23572、HDU23573。输出为：电网正常运行时的输出定义为0，电压跌落故障检测的输出定义为1。利用循环神经网络算法进行训练，得到的模型即可用于电压跌落检测，经实际电网数据检验，可在1.2ms内检测到电压跌落，电压跌落检测的准确率达到97%。

Claims (4)

1.一种电压跌落智能检测方法，其特征在于，所述方法包括如下步骤：
A. 记录电网正常运行时三相电压瞬时值，提取电网正常运行时三相电压的低次谐波；
B. 记录不同故障导致电网电压跌落时三相电压瞬时值，提取电压跌落时三相电压的低次谐波，对低次谐波作组合，选取最佳组合；
C. 利用循环神经网络，RNN模型进行故障检测。
2.根据权利要求1所述的一种电压跌落智能检测方法，其特征在于，所述步骤A具体为：
记录电网正常运行时三相电压瞬时值，采样间隔为0.1ms；
采用谐波提取的方法提取电网正常运行时三相电压的低次谐波，并记录谐波畸变率。
3.根据权利要求1所述的一种电压跌落智能检测方法，其特征在于，所述步骤B具体为：
记录不同故障导致电网电压跌落时三相电压瞬时值，采样间隔为0.1ms；
采用谐波提取的方法提取电压跌落时三相电压的低次谐波，并记录谐波畸变率；低次谐波畸变率记为HDX，其中HD表示谐波畸变率，X表示第几次谐波；将不同低次谐波进行组合，组合后的谐波畸变率记为HDX1X2…Xn，其中，X1到Xn表示对n个不同阶的低次谐波作组合，本步骤研究电压跌落时三相电压的谐波畸变率，故记为HDUX1X2…Xn；
选取不同阶次的低次谐波进行不同的组合，不同低次谐波的组合在不同故障下呈现不同的HDU曲线，即对应着不同的函数；若电压谐波畸变率在时间T内快速增大，设置5%的阈值；在时间T内电压谐波畸变率增幅超过5%，同时曲线呈现从正弦| sinx |到“强”指数函数的变化趋势，电压跌落发生；将具有这种趋势的曲线称为“谐波足迹”，作为循环神经网络算法的一个特征使用；其物理模型为f (x) = ae (bx) + ce (dx)，其中a，b，c和d为常数；该模型是一个两项指数模型；
采样间隔0.1ms，故时间T内，共有T/0.1个电压谐波畸变率数据点，将这些数据点与“谐波足迹”曲线拟合，选取与“谐波足迹”曲线最相符的HDU曲线，将该种低次谐波组合作为循环神经网络算法的训练数据。
4.根据权利要求1所述的一种电压跌落智能检测方法，其特征在于，所述步骤C具体为：
循环神经网络算法的输入为每一相电压，故有3个输入，记为U1、U2、U3；输出为：电网正常运行时的输出定义为0，电压跌落故障检测的输出定义为1；将步骤A和步骤B记录并处理过的电网正常运行时的数据和电压跌落时的数据用循环神经网络算法进行训练，得到检测模型进行故障检测。
CN201810519307.0A 2018-05-28 2018-05-28 一种电压跌落智能检测方法 Pending CN108802493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810519307.0A CN108802493A (zh) 2018-05-28 2018-05-28 一种电压跌落智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810519307.0A CN108802493A (zh) 2018-05-28 2018-05-28 一种电压跌落智能检测方法

Publications (1)

Publication Number Publication Date
CN108802493A true CN108802493A (zh) 2018-11-13

Family

ID=64090415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810519307.0A Pending CN108802493A (zh) 2018-05-28 2018-05-28 一种电压跌落智能检测方法

Country Status (1)

Country Link
CN (1) CN108802493A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341273A (zh) * 2021-06-03 2021-09-03 广州兆和电力技术有限公司 面向特高压直流故障检测的宽频测量方法、装置和系统
CN117824974A (zh) * 2024-03-05 2024-04-05 深圳市迈腾电子有限公司 交换机跌落测试方法、装置、电子设备与计算机可读介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018532A (zh) * 2012-12-13 2013-04-03 南京安炤电力电子有限公司 高速电压跌落检测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018532A (zh) * 2012-12-13 2013-04-03 南京安炤电力电子有限公司 高速电压跌落检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
K.SATHIYASEKAR等: "Computational Analysis of Sag and Swell in Electrical Power Supply Network", 《INTERNATIONAL JOURNAL OF ADVANCED RESEARCH IN ELECTRICAL,ELECTRONICS AND INSTRUMENTATION ENGINEERING》 *
VLADIMIR A.KATIC等: "Novel voltage dip detection algorithm using harmonics in the dip´s transient stage", 《IEEE》 *
VLADIMIR A.KATIC等: "Smart Detection of Voltage Dips Using VoltageHarmonics Footprint", 《IEEE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341273A (zh) * 2021-06-03 2021-09-03 广州兆和电力技术有限公司 面向特高压直流故障检测的宽频测量方法、装置和系统
CN113341273B (zh) * 2021-06-03 2023-09-05 广州兆和电力技术有限公司 面向特高压直流故障检测的宽频测量方法、装置和系统
CN117824974A (zh) * 2024-03-05 2024-04-05 深圳市迈腾电子有限公司 交换机跌落测试方法、装置、电子设备与计算机可读介质
CN117824974B (zh) * 2024-03-05 2024-05-10 深圳市迈腾电子有限公司 交换机跌落测试方法、装置、电子设备与计算机可读介质

Similar Documents

Publication Publication Date Title
Casagrande et al. Data mining approach to fault detection for isolated inverter‐based microgrids
Mohamed et al. A neural network-based scheme for fault diagnosis of power transformers
CN107462764A (zh) 一种电压暂降检测与刻画的自动分段方法
Khoshkhoo et al. On-line dynamic voltage instability prediction based on decision tree supported by a wide-area measurement system
Ranjbar et al. Voltage‐based protection of microgrids using decision tree algorithms
Nguyen et al. A novel feature extraction and classification algorithm based on power components using single-point monitoring for NILM
CN108847682B (zh) 一种基于运行数据的光伏发电站并网性能评估方法及系统
CN111812451A (zh) 一种基于相电流暂态故障分量的配电网分布式选线方法
CN107526010A (zh) 一种基于双ct采样的分布式小电流接地选线方法
Chávarro-Barrera et al. An adaptive approach for dynamic load modeling in microgrids
CN108898182A (zh) 一种基于核主元分析与支持向量机的mmc故障诊断方法
Jarrahi et al. Protection framework for microgrids with inverter‐based DGs: A superimposed component and waveform similarity‐based fault detection and classification scheme
CN108802493A (zh) 一种电压跌落智能检测方法
CN114021671A (zh) 一种有源配电网在线故障处理方法和系统
CN112986754A (zh) 一种基于数据驱动的小电流接地系统故障辨识方法及装置
Aboshady et al. Fault detection and classification scheme for PV system using array power and cross-strings differential currents
CN111751645A (zh) 一种变压器直流偏磁监测方法、装置、设备及系统
CN108493909B (zh) 基于电压跌落的配网故障的检测方法
Liu et al. Evaluation of HVDC system's impact and quantification of synchronous compensation for distance protection
Muzzammel et al. Low impedance fault identification and classification based on Boltzmann machine learning for HVDC transmission systems
CN104062555B (zh) 配电线路高阻接地故障特征谐波的辨识方法
Bala et al. Random forest based fault analysis method in IEEE 14 bus system
CN109557398B (zh) 一种配电网故障诊断方法和装置
Shahriyari et al. Fast prediction of angle stability using support vector machine and fault duration data
CN115598530B (zh) 发电机空载特性的评估方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181113