CN112131798A - 基于bp神经网络的cvt一次侧电压信号恢复方法 - Google Patents
基于bp神经网络的cvt一次侧电压信号恢复方法 Download PDFInfo
- Publication number
- CN112131798A CN112131798A CN202011053157.2A CN202011053157A CN112131798A CN 112131798 A CN112131798 A CN 112131798A CN 202011053157 A CN202011053157 A CN 202011053157A CN 112131798 A CN112131798 A CN 112131798A
- Authority
- CN
- China
- Prior art keywords
- cvt
- neural network
- side voltage
- primary side
- output
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000011084 recovery Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012546 transfer Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013016 damping Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 abstract description 12
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 238000013459 approach Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于BP神经网络的CVT一次侧电压信号恢复方法。该方法借助BP神经网络算法逼近功能对CVT等效电路输入、输出电压信号进行网络训练,训练所得网络用于逼近CVT传递函数,由实测CVT二次侧电压输出信号恢复得到CVT一次侧电压输入信号,克服了CVT暂态传变特性所引起的二次侧输出信号与一次侧输入信号之间的非线性传变关系,可以有效改善距离保护中存在的暂态超越现象。
Description
技术领域
本发明属于电力系统继电保护技术领域,具体涉及一种基于BP神经网络的CVT一次侧电压信号恢复方法。
背景技术
电压互感器、电流互感器是电力系统中重要的测量传变元件,它将一次侧的高电压和大电流变换为二次侧的低电压和小电流提供给继电保护装置以及其他测量仪表、测量仪器。继电保护对互感器的基本要求是能够比较真实地传变一次侧输入信号,以往研究表明,电流互感器(TA)的暂态响应特性能够较好的满足传变暂态信号的要求,而电容式电压互感器(CVT)的暂态响应特性则不够理想,其二次侧信号输出存在一个暂态过程,导致二次侧波形畸变,并不能忠实反应一次侧输入信号。
线路距离保护是结合短路后电压和电流均会发生变化这一特征,计算、测量求得电压电流之比,继而可以反应故障点位置。线路故障时,线路侧的电压电流由周期分量和非周期分量组成,且电压电流中非周期分量成分相同,衰减速度一致,能满足线路微分方程,故测距方程在线路一次是成立的。但因TA和CVT的传变特性不一致,非周期分量经二者传变后呈现出一定的差异,从而导致二次侧电压电流的变化出现不一致,由二次侧电压电流计算所得测量阻抗也相应出现波动,进而导致距离保护出现暂态超越现象,这对于准确故障定位是很不利的。因此,如果能在现有CVT基础上,有效解决距离保护暂态超越问题,无疑具有较大的工程实用价值。
发明内容
本发明的目的在于克服CVT暂态传变特性所引起的二次侧输出信号与一次侧输入信号之间的非线性传变关系,提供了一种基于BP神经网络的CVT一次侧电压信号恢复方法,该方法借助BP神经网络将CVT二次侧发生畸变的输出信号恢复出一次侧输入信号,从而可以有效改善距离保护中存在的暂态超越现象。
为达到上述目的,本发明通过下述技术方案来实现的:
基于BP神经网络的CVT一次侧电压信号恢复方法,包括以下步骤:
1)搭建CVT等效电路模型及所在电力系统模型,测量CVT等效电路的输入、输出信号;
2)借助BP神经网络算法逼近功能对CVT等效电路输入、输出电压信号进行网络训练,训练所得网络用于逼近CVT传递函数;
3)实测CVT二次侧电压输出信号;
4)借助BP神经网络训练所得网络函数及实测CVT二次侧输出信号计算得到CVT一次侧电压输入信号。
本发明进一步的改进在于,步骤1)中,CVT等效电路模型采用典型谐振型阻尼回路或速饱和电抗器型阻尼回路。
本发明进一步的改进在于,步骤2)中,BP神经网络算法流程包括BP神经网络构建、BP神经网络训练和BP神经网络预测。
本发明进一步的改进在于,步骤2)中,网络训练的具体过程包括:①网络初始化;②隐含层输出计算;③输出层输出计算;④误差计算;⑤权值更新;⑥阈值更新;⑦判断算法迭代是否结束,若没有结束,返回②。
本发明进一步的改进在于,所述隐含层,其节点转移函数采用logsig函数。
本发明进一步的改进在于,所述输出层,采用purelin函数。
本发明至少具有如下有益的技术效果:
1、本发明借助BP神经网络算法逼近功能逼近CVT传递函数;
2、借助BP神经网络训练所得网络函数及实测CVT二次侧输出信号计算得到CVT一次侧电压输入信号。
综上,本发明借助BP神经网络算法逼近功能逼近CVT传递函数,由CVT二次侧发生畸变的输出信号恢复得到CVT一次侧输入信号,克服了CVT暂态传变特性所引起的二次侧输出信号与一次侧输入信号之间的非线性传变关系,可以有效改善距离保护中存在的暂态超越现象。
附图说明
图1为CVT高频等值电路图;
图2为CVT所在电力系统模型;
图3为BP神经网络算法流程;
图4为本发明中BP神经网络恢复CVT一次侧电压效果图;图4(a)和(b)为l=70km处,于时刻0.5s发生AB两相接地故障时A相数据,且图4(a)为BP恢复结果,图4(b)为BP恢复误差率;图4(c)和(d)为l=50km处,于时刻0.5065s发生A相接地故障时A相数据,且图4(c)为BP恢复结果,图4(d)为BP恢复误差率;图4(e)和(f)为l=70km处,于时刻0.5025s发生AB两相高阻接地故障时A相数据,且图4(e)为BP恢复结果,图4(f)为BP恢复误差率。
具体实施方式
以下结合附图对本发明做出进一步的说明。
本发明提供的基于BP神经网络的CVT一次侧电压信号恢复方法,具体流程如下:
1、搭建图1、图2所示电力系统模型及CVT高频等值电路模型;
a)电力系统中架空线路采用J-Marti模型,电源实际频率为f=50Hz;
b)CVT采用速饱和电抗器型。
2、示波器采集CVT一次侧、二次侧电压信号;
3、构建双隐含层BP神经网络,每个隐含层节点数设置为20,利用图3BP神经网络算法及示波器采集到的CVT一次侧、二次侧电压信号,逼近得到CVT传递函数;BP神经网络算法流程包括BP神经网络构建、BP神经网络训练和BP神经网络预测;网络训练的具体过程包括:①网络初始化;②隐含层输出计算;③输出层输出计算;④误差计算;⑤权值更新;⑥阈值更新;⑦判断算法迭代是否结束,若没有结束,返回②。且所述隐含层,其节点转移函数采用logsig函数,所述输出层,采用purelin函数。
4、由CVT二次侧电压输出信号恢复得到CVT一次侧电压输入信号;
5、本发明借助BP神经网络预测CVT一次侧电压输入信号效果如图4。图4展示出,在不同故障情况下所得BP恢复误差率大部分均在±3%以内,即用BP神经网络将CVT二次侧畸变信号恢复到CVT一次侧原始输入信号,其精度较高,可有效解决由于CVT和TA传变特性不一致导致的距离保护暂态超越现象。
Claims (6)
1.基于BP神经网络的CVT一次侧电压信号恢复方法,其特征在于,包括以下步骤:
1)搭建CVT等效电路模型及所在电力系统模型,测量CVT等效电路的输入、输出信号;
2)借助BP神经网络算法逼近功能对CVT等效电路输入、输出电压信号进行网络训练,训练所得网络用于逼近CVT传递函数;
3)实测CVT二次侧电压输出信号;
4)借助BP神经网络训练所得网络函数及实测CVT二次侧输出信号计算得到CVT一次侧电压输入信号。
2.根据权利要求1所述的基于BP神经网络的CVT一次侧电压信号恢复方法,其特征在于,步骤1)中,CVT等效电路模型采用典型谐振型阻尼回路或速饱和电抗器型阻尼回路。
3.根据权利要求1所述的基于BP神经网络的CVT一次侧电压信号恢复方法,其特征在于,步骤2)中,BP神经网络算法流程包括BP神经网络构建、BP神经网络训练和BP神经网络预测。
4.根据权利要求3所述的基于BP神经网络的CVT一次侧电压信号恢复方法,其特征在于,步骤2)中,网络训练的具体过程包括:①网络初始化;②隐含层输出计算;③输出层输出计算;④误差计算;⑤权值更新;⑥阈值更新;⑦判断算法迭代是否结束,若没有结束,返回②。
5.根据权利要求4所述的基于BP神经网络的CVT一次侧电压信号恢复方法,其特征在于,所述隐含层,其节点转移函数采用logsig函数。
6.根据权利要求4所述的基于BP神经网络的CVT一次侧电压信号恢复方法,其特征在于,所述输出层,采用purelin函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011053157.2A CN112131798A (zh) | 2020-09-29 | 2020-09-29 | 基于bp神经网络的cvt一次侧电压信号恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011053157.2A CN112131798A (zh) | 2020-09-29 | 2020-09-29 | 基于bp神经网络的cvt一次侧电压信号恢复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112131798A true CN112131798A (zh) | 2020-12-25 |
Family
ID=73843114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011053157.2A Pending CN112131798A (zh) | 2020-09-29 | 2020-09-29 | 基于bp神经网络的cvt一次侧电压信号恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131798A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818817A (zh) * | 2022-05-06 | 2022-07-29 | 国网四川省电力公司电力科学研究院 | 一种电容式电压互感器微弱故障识别系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020068216A (ko) * | 2001-02-20 | 2002-08-27 | 학교법인 성균관대학 | 신경회로망을 이용한 송전선로의 재폐로방법 |
CN105277914A (zh) * | 2015-11-09 | 2016-01-27 | 中国矿业大学 | 一种电容式电压互感器(cvt)谐波测量误差修正装置 |
CN205229444U (zh) * | 2015-12-28 | 2016-05-11 | 武汉大学 | 一种电容式电压互感器谐波测量系统 |
CN108919166A (zh) * | 2018-07-12 | 2018-11-30 | 四川大学 | 基于反卷积原理的cvt一次信号恢复新方法 |
CN109239533A (zh) * | 2018-11-16 | 2019-01-18 | 国网山东省电力公司电力科学研究院 | 一种基于人工神经网络的特高压直流输电线路的故障定位方法 |
CN109239638A (zh) * | 2018-08-17 | 2019-01-18 | 国网江苏省电力有限公司盐城供电分公司 | 电容式电压互感器谐波误差测量修正装置 |
US20190190254A1 (en) * | 2016-08-23 | 2019-06-20 | Abb Schweiz Ag | A method for phase controlled energizing of power transformer |
-
2020
- 2020-09-29 CN CN202011053157.2A patent/CN112131798A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020068216A (ko) * | 2001-02-20 | 2002-08-27 | 학교법인 성균관대학 | 신경회로망을 이용한 송전선로의 재폐로방법 |
CN105277914A (zh) * | 2015-11-09 | 2016-01-27 | 中国矿业大学 | 一种电容式电压互感器(cvt)谐波测量误差修正装置 |
CN205229444U (zh) * | 2015-12-28 | 2016-05-11 | 武汉大学 | 一种电容式电压互感器谐波测量系统 |
US20190190254A1 (en) * | 2016-08-23 | 2019-06-20 | Abb Schweiz Ag | A method for phase controlled energizing of power transformer |
CN108919166A (zh) * | 2018-07-12 | 2018-11-30 | 四川大学 | 基于反卷积原理的cvt一次信号恢复新方法 |
CN109239638A (zh) * | 2018-08-17 | 2019-01-18 | 国网江苏省电力有限公司盐城供电分公司 | 电容式电压互感器谐波误差测量修正装置 |
CN109239533A (zh) * | 2018-11-16 | 2019-01-18 | 国网山东省电力公司电力科学研究院 | 一种基于人工神经网络的特高压直流输电线路的故障定位方法 |
Non-Patent Citations (6)
Title |
---|
刘耀辉;: "适用于CVT的谐波测量方案研究", 电子设计工程, no. 06 * |
董兴建等: "CVT 谐波测量仿真分析", 电力电容器与无功补偿, pages 1 - 2 * |
蔡冰冰: "基于多参数的 CVT带电检测技术研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑) * |
许建明等: "基于BP 神经网络的电容式电压互感器谐波测量误差修正方法", 电气自动化, pages 86 * |
马朝华: "电容式电压互感器暂态特性研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑) * |
马朝华;杨育霞;: "基于人工神经网络的CVT的研究", 微计算机信息, no. 17 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818817A (zh) * | 2022-05-06 | 2022-07-29 | 国网四川省电力公司电力科学研究院 | 一种电容式电压互感器微弱故障识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101923139B (zh) | 一种输电线路单端行波故障测距智能方法 | |
Alvarez et al. | New channel impulse response model for UWB indoor system simulations | |
CN106506430A (zh) | 一种基于压缩感知技术的补偿峰均比非线性失真的新算法 | |
CN112131798A (zh) | 基于bp神经网络的cvt一次侧电压信号恢复方法 | |
CN112580876A (zh) | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 | |
CN102983819A (zh) | 一种功率放大器的模拟方法及功率放大器模拟装置 | |
CN105933035A (zh) | 一种基于网络参数的电力线信道特性分析方法 | |
CN108416148A (zh) | 一种基于多项式混沌展开的高空电磁脉冲场线耦合不确定度获取方法 | |
CN105610529B (zh) | 一种非平稳衰落信道的建模产生方法 | |
CN107895078A (zh) | 强电磁脉冲对长电力输电线路耦合响应的宏模型构建方法 | |
CN113033077A (zh) | 一种基于神经网络算法的直流输电线路故障测距方法 | |
Wooi et al. | Comparison of lightning return stroke channel-base current models with measured lightning current | |
CN110581554B (zh) | 基于影响增量的电网N-k故障分析与筛选方法及装置 | |
Therrien et al. | An iterative Prony method for ARMA signal modeling | |
CN106603176A (zh) | 一种结合两种电力线信道模型的电力线信道建模方法 | |
CN113625101B (zh) | 基于果蝇算法与随机共振的行波信号处理方法 | |
CN111079364B (zh) | 一种直流变压器的仿真方法、仿真平台及可读存储介质 | |
CN106774625A (zh) | 一种实时相位噪声硬件发生器的并行实现方法 | |
CN113834976A (zh) | 一种计算地闪准静电场能量的方法 | |
CN112834863A (zh) | 利用电力线通信中的阻抗估计算法监测电力线故障的方法 | |
CN105915303A (zh) | 一种基于支路追加法的配电网电力线载波通信信道建模法 | |
CN108964704A (zh) | 一种宽带电力线载波通信信道研究方法、装置及存储介质 | |
CN204881673U (zh) | 一种油气生产用仪表自侦检测智能传输系统 | |
CN109474258A (zh) | 基于核极化策略的随机傅立叶特征核lms的核参数优化方法 | |
CN113190949B (zh) | 一种cvt宽频仿真模型的时域构建方法 |
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 |