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 PDFInfo
- 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
- low
- voltage drop
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000000306 recurrent effect Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000004075 alteration Effects 0.000 claims 3
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 27
- 125000004122 cyclic group Chemical group 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
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。
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)
| 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)
| 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 |
-
2018
- 2018-05-28 CN CN201810519307.0A patent/CN108802493A/zh active Pending
Patent Citations (1)
| 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)
| 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)
| 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 |
|---|---|---|
| CN109001664B (zh) | 一种暂态录波型故障指示器波形比对测试方法 | |
| CN105139289B (zh) | 一种基于错分代价分类学习的电网暂态电压稳定评估方法 | |
| CN107462764A (zh) | 一种电压暂降检测与刻画的自动分段方法 | |
| Ranjbar et al. | Voltage‐based protection of microgrids using decision tree algorithms | |
| CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
| CN111130074B (zh) | 基于电压首极值时间的直流输电线超高速保护系统及方法 | |
| CN112748359A (zh) | 一种基于随机森林的配电网接地故障辨识方法及系统 | |
| CN109284933B (zh) | 一种基于数理统计的电子式互感器状态评估系统及方法 | |
| CN104008294B (zh) | 轴承异常检测系统及其方法 | |
| CN109307798A (zh) | 一种用于开关事件检测的功率信号滤波方法 | |
| CN108802493A (zh) | 一种电压跌落智能检测方法 | |
| CN117293799A (zh) | 一种用于评估电力系统暂态功角稳定的方法及系统 | |
| Aboshady et al. | Fault detection and classification scheme for PV system using array power and cross-strings differential currents | |
| CN112083270A (zh) | 一种基于相关系数的风电场集电线路单相接地故障选线方法 | |
| CN109586249B (zh) | 变压器励磁涌流判别方法和装置 | |
| CN105261202A (zh) | 基于b样条插值小波突变点检测的传输延时测量方法 | |
| CN117706281B (zh) | 基于相不对称的配电网的故障选线方法、系统及存储介质 | |
| CN109901003B (zh) | 一种逆变器功率故障检测方法及系统 | |
| CN107544005B (zh) | 一种高压igbt局部放电电流时域参数的确定方法和装置 | |
| Xue et al. | An efficient and robust case sorting algorithm for transient stability assessment | |
| CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
| CN107621562B (zh) | 一种用于分析窃电的单相表分流准确判断方法 | |
| CN104502800A (zh) | 一种电力系统故障因子特征提取方法 | |
| CN105785224A (zh) | 基于三相电压信号的电网故障识别方法以及系统 | |
| CN107677870A (zh) | 一种配电网零序电流快速测量电路 |
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 |
Application publication date: 20181113 |
|
| RJ01 | Rejection of invention patent application after publication |