CN112670966A - 一种含光伏配电网的自适应电流保护方法 - Google Patents

Abstract

本发明公开了一种含光伏配电网的自适应电流保护方法，该方法为：首先在仿真中建立含光伏配电网的等效模型，计算光伏若干工况下配电网各处的短路电流；然后利用样本数据建立广义回归神经网络模型，拟合光伏输出功率与配电网各处短路电流的关系；针对每个保护安装处发生不同故障时流过的短路电流，确定自适应保护整定值，对含光伏配电网进行整定。本发明在不同故障情况下均能正确动作，灵敏性明显优于传统电流保护，改善了含光伏配电网的保护性能。

Description

一种含光伏配电网的自适应电流保护方法

技术领域

本发明涉及配电网继电保护技术领域，特别是一种含光伏配电网的自适应电流保护方法。

背景技术

传统的中低压配电网多采用辐射状网络拓扑，并通过单电源供电，配电网的保护整定与故障切除都较为容易。近年来，随着低碳、环保的要求以及发电技术的发展，可再生能源如光伏发电技术在各个国家得到了蓬勃的发展。

光伏电源接入电网后，配电网将由原来的单电源辐射状简单网络转变为多电源的复杂网络，其拓扑结构、潮流分布以及短路电流都会发生变化；并且由于光伏普遍采用逆变器控制，其短路电流区别于普通的同步发电机，具有很强的非线性，同时并网规定要求光伏电源在故障时优先输出无功功率以支撑系统电压，这使得含光伏配电网的故障特性进一步复杂化。传统配电网一般采用电流保护作为主保护，然而受光伏接入的影响，传统整定值已经无法满足电流保护灵敏性与选择性的要求，并且固定的保护定值也难以满足光伏多变的工况。

发明内容

本发明的目的在于提供一种选择性好、灵敏性高的含光伏配电网的自适应电流保护方法，能够根据光伏输出功率与配电网各处短路电流的关系实现配电网各处保护的在线整定，并且在不同故障情况下均能正确动作。

实现本发明目的的技术解决方案为：一种含光伏配电网的自适应电流保护方法，包括以下步骤：

步骤1、建立含光伏配电网的等效模型，计算光伏多个工况下配电网各处的短路电流；

步骤2、利用样本数据建立广义回归神经网络模型，拟合光伏输出功率与配电网各处短路电流的关系；

步骤3、针对每个保护安装处发生不同故障时流过的短路电流，确定自适应保护整定值，对含光伏配电网进行整定。

进一步地，步骤1中所述的含光伏配电网的等效模型为并网点正序电压控制的电流源，输出电流的大小受并网点电压与控制策略影响，并呈现非线性特点。

进一步地，步骤2中所述的利用样本数据建立广义回归神经网络模型，具体如下：

步骤2.1、确定广义回归神经网络的输入与输出；

步骤2.2、确定广义回归神经网络的扩展常数；

步骤2.3、利用输入与输出的样本数据对广义回归神经网络进行训练。

进一步地，步骤3中所述的针对每个保护安装处发生不同故障时流过的短路电流，确定自适应保护整定值，对含光伏配电网进行整定，具体如下：

1)在故障时通过检测保护线路上的负序电流或者母线负序电压进行故障分类，区分三相短路与两相短路，对两种故障采用不同的保护定值进行整定；

2)根据广义回归神经网络建立的光伏输出功率与配电网各处短路电流的关系，自适应过流Ⅰ段按实时躲过本线路末端最大短路电流的保护整定值进行整定，自适应过流Ⅱ段定值按与下级过流Ⅰ段的自适应保护整定值配合进行整定；

3)对于光伏并网点上游保护，不改变原有三相短路过流Ⅰ段定值，对过流Ⅱ段定值及两相短路时过流Ⅰ段采用自适应保护整定值进行整定；

4)对于光伏下游及相邻馈线保护，对过流Ⅰ段与过流Ⅱ段均采用自适应保护整定值进行整定；

5)配电网各处过流III段按照避开最大负荷电流的原则进行整定，不受配电网短路电流水平影响。

进一步地，步骤2.1所述确定广义回归神经网络的输入与输出，具体为：

将光伏电源短路前的输出功率作为输入量，配电网各处短路电流作为期望输出量。

进一步地，步骤2.2所述确定广义回归神经网络的扩展常数，具体为：

扩展常数应满足两个条件，第一是使神经元能够对输入向量所覆盖的区间都产生响应，第二是数据拟合的精度满足设定范围。

进一步地，步骤2.3所述利用输入与输出的样本数据对广义回归神经网络进行训练，具体如下：

广义回归神经网络结构共有四层，分别为输入层、模式层、求和层和输出层；

输入层神经元的数目等于学习样本中输入向量的维数，各神经元是分布单元，直接将输入变量传递给模式层；

模式层计算测试样本与训练样本中的每一个样本的Gauss函数的取值，神经元数目等于训练样本的个数，模式层神经元传递函数P_i为：

其中，X为网络输入变量，X_i为第i个神经元对应的学习样本，δ为模型的超参数；

求和层使用两种类型的神经元进行求和，节点个数为输出样本维度加1；第一个节点输出为模式层输出的算术和，模式层与各神经元的加权系数为1，传递函数S_D为：

其中，n为样本个数；

其余k个节点的输出为模式层输出的加权和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的加权系数为第i个输出样本y_i中的第j个元素y_ij，传递函数S_Nj为：

输出层神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，每个神经元的输出等于对应的求和层输出与求和层第一个节点输出相除，即：

本发明与现有技术相比，其显著优点为：(1)考虑了含光伏配电网与传统配电网的不同，能够适用于光伏接入的配电网；(2)通过广义回归神经网络建立光伏电站输出功率与配电网各处短路电流的关系模型，能够自适应光伏不同控制策略及出力随机变化的情况；(3)解决了光伏并网后造成传统保护选择性与灵敏性不满足要求的问题，改善了配电网的保护性能。

附图说明

图1是本发明一种含光伏配电网的自适应电流保护方法的流程示意图。

图2是有光伏电源并入的配电网典型拓扑图。

图3是本发明所建立的广义回归神经网络的结构示意图。

图4是本发明是实施例中f₂点两相短路时并网点电压与短路前光伏输出功率关系曲线图。

图5是本发明实施例中f₂点两相短路时流过AB支路的短路电流与短路前光伏输出功率关系曲线图，其中(a)为B相短路电流与短路前光伏输出功率关系曲线图，(b)为C相短路电流与短路前光伏输出功率关系曲线图。

图6是本发明实施例中f₂点两相短路时流过BC支路的B相短路电流与短路前光伏输出功率关系曲线图，其中(a)为B相短路电流与短路前光伏输出功率关系曲线图，(b)为C相短路电流与短路前光伏输出功率关系曲线图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细说明。

结合图1，本发明一种含光伏配电网的自适应电流保护方法，包括以下步骤：

步骤1、在仿真中建立含光伏配电网的等效模型，计算光伏若干工况下配电网各处的短路电流；

含光伏配电网的典型拓扑图如图2所示，光伏电源等效为并网点正序电压控制的电流源，根据具体控制策略确定其输出特性方程；并网光伏输出电流的大小受并网点电压与实时有功指令影响，呈现非线性变化。

步骤2、利用样本数据建立广义回归神经网络模型，拟合光伏输出功率与配电网各处短路电流的关系；

建立的广义回归神经网络模型如图3所示，具体如下：

步骤2.1、确定广义回归神经网络的输入与输出：

将光伏电源短路前的输出功率作为输入量，配电网各处短路电流作为期望输出量；

步骤2.2、确定广义回归神经网络的扩展常数：

为了更严格地对数据进行拟合，需要确定广义回归神经网络的扩展常数Spread的合适值。扩展常数应足够大，使神经元能够对输入向量所覆盖的区间都产生响应，但过大会导致数值计算上的困难。扩展常数的值越大，输出结果越光滑，但数据拟合的精度会下降，因此通常需要用不同的扩展常数进行试凑。

步骤2.3、利用输入与输出的样本数据对广义回归神经网络进行训练：

结合图3，广义回归神经网络结构共有四层，分别为输入层、模式层、求和层和输出层。

输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层。

模式层计算测试样本与训练样本中的每一个样本的Gauss函数的取值，神经元数目等于训练样本的个数。模式层神经元传递函数为：

其中，X为网络输入变量，X_i为第i个神经元对应的学习样本，δ为模型的超参数，可以通过寻优算法获得。

求和层使用两种类型的神经元进行求和，节点个数为输出样本维度加1。第一个节点输出为模式层输出的算术和，其模式层与各神经元的加权系数为1，传递函数为：

其中，n为样本个数；

其余k个节点的输出为模式层输出的加权和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的加权系数为第i个输出样本Y_i中的第j个元素，传递函数为：

输出层神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，每个神经元的输出等于对应的求和层输出与求和层第一个节点输出相除，即：

步骤3、针对每个保护安装处发生不同故障时流过的短路电流，确定自适应保护整定值，对含光伏配电网进行整定。

自适应保护整定值的整定原则为：

1)在故障时通过检测保护线路线路上的负序电流或者母线负序电压进行故障分类，区分三相短路与两相短路，对两种故障采用不同的保护整定值进行整定。

2)根据广义回归神经网络建立的光伏输出功率与配电网各处短路电流的关系，自适应过流Ⅰ段按实时躲过本线路末端最大短路电流的保护整定值进行整定，自适应过流Ⅱ段按与下级过流Ⅰ段的自适应保护整定值配合进行整定；

3)对于光伏并网点上游保护，不改变其原有三相短路过流Ⅰ段整定值，对过流Ⅱ段整定值及两相短路时过流Ⅰ段采用自适应保护整定值进行整定；

4)对于光伏下游及相邻馈线保护，对其过流Ⅰ段与过流Ⅱ段均采用自适应保护整定值进行整定；

5)配电网各处过流III段按照避开最大负荷电流的原则进行整定，不受配电网短路电流水平影响。

实施例1

本实施例为如图2所示的含光伏配电网，其中系统电源电压E_S＝10.5kV，内阻Z_S＝5.21Ω；架空线路阻抗参数为z_l＝0.17+j0.41Ω/km，线路AB、CD长2km，BC、AE长5km；配电网末端负荷1为(5+j0.5)MVA，负荷2为(1+j0.5)MVA。光伏电源根据国家相关标准要求采用1.1倍额定电流的最大输出电流限制，并在配电网故障时采取低电压穿越的控制策略，其短路电流输出特性为：

其中，U_PCC为光伏电源并网点处电压的标幺值，I_N为光伏电源当前的额定电流，δ为并网点电压相位，I_d、I_q分别为光伏电源输出的有功、无功电流，

为光伏电源输出电流，由有功、无功电流合成。通常光伏电源采用消除负序分量的控制策略，其输出电流为三相对称的正序电流。

以BC段末端f₂点发生BC两相短路为例，故障发生前光伏电源的容量以0.5MW为间隔由0变化至20MW，共计41种工况，得到并网点电压的变化趋势如图4所示，流经支路AB、BC的短路电流的变化趋势如图5(a)～(b)、图6(a)～(b)所示。可以看出BC支路B、C相故障电流均随着光伏电源输出功率的增大而增大；AB支路B相故障电流随着光伏电源输出功率的增大而减小，C相故障电流随着光伏电源输出功率的增大而增大，均呈现非线性。

构建广义回归神经网络，确定扩展常数为0.2。样本数据90％作为训练，10％作为测试。训练后，得到光伏输出功率与配电网短路电流的关系模型，样本数据与拟合值的决定系数为0.9999，均方根误差为0.0338，平均相对误差为0.002％，最大相对误差为0.13％，可见拟合精度很高。根据此关系模型实现配电网各处自适应电流保护整定，光伏功率分别在0、2、4、8MW时，得到的保护1、2的自适应整定值如表1所示。

表1

光伏并网点下游BC段不同位置发生两相短路时，流过AB与BC支路的故障电流大小及相应保护动作如表2所示,各支路最大短路电流幅值的一相加粗表示，α表示故障发生位置。保护2的自适应瞬时电流速断定值能够随着光伏输出功率的变化而变化，保护范围约为线路全长的80％；自适应限时电流速断定值能够保护线路全长；上下级保护之间能够互相配合，不会失去选择性。

表2

光伏并网点上游AB段不同位置发生两相短路时，流过AB支路的故障电流大小及相应保护动作如表3示。保护1的自适应瞬时电流速断定值能够随着光伏输出功率的变化而变化，保护范围约为线路全长的40％；自适应限时电流速断定值能够保护线路全长。

表3

当按照传统电流保护整定原则进行整定时，保护1、2的整定值如表4所示：

表4

采用传统整定方式时，对于各保护所在支路，其首端最小短路电流在光伏功率P＝0时取得：I_AB.min＝2145A，I_BC.min＝1829A，I_AE.min＝1979A，各保护过流Ⅰ段整定值均大于首端最小短路电流。显然，由于光伏接入的影响，过流Ⅰ段采用传统整定值时将失去保护范围；而根据上文的分析，采用自适应保护后过流Ⅰ段在光伏不同出力的情况下均能够保护线路全长的60～80％左右。

过流Ⅱ段按本线路末端最小短路电流进行灵敏度校核，采用传统整定方式时，AB线路末端最小短路电流在P＝10MW时取得：I_AB.min＝1623A；BC线路末端的最小短路电流则在P＝0时取得：I_BC.min＝1335A。传统整定值与自适应保护定值的灵敏度校核对比如表5所示，可以看出由于光伏接入的影响，过流Ⅱ段采用传统整定值时将无法保护线路全长；而采用自适应保护后过流Ⅱ段能够保护线路全长，且具有较高的灵敏度。

表5

通过对本实施例的分析可以看出，本发明提出的含光伏配电网的自适应电流保护方法通过广义回归神经网络建立故障前光伏电站输出功率与配电网各处短路电流的关系模型，并在此基础上实现各处保护的自适应整定，能够准确地反映含光伏配电网在光伏电源不同工况下的故障。对于其他位置、不同故障类型的保护定值均可采用此方法整定，其选择性与灵敏性明显优于传统保护，改善了含光伏配电网的保护性能。

Claims (7)

1.一种含光伏配电网的自适应电流保护方法，其特征在于，包括以下步骤：

步骤1、建立含光伏配电网的等效模型，计算光伏多个工况下配电网各处的短路电流；

步骤2、利用样本数据建立广义回归神经网络模型，拟合光伏输出功率与配电网各处短路电流的关系；

步骤3、针对每个保护安装处发生不同故障时流过的短路电流，确定自适应保护整定值，对含光伏配电网进行整定。

2.根据权利要求1所述的含光伏配电网的自适应电流保护方法，其特征在于，步骤1中所述的含光伏配电网的等效模型为并网点正序电压控制的电流源，输出电流的大小受并网点电压与控制策略影响，并呈现非线性特点。

3.根据权利要求1所述的含光伏配电网的自适应电流保护方法，其特征在于，步骤2中所述的利用样本数据建立广义回归神经网络模型，具体如下：

步骤2.1、确定广义回归神经网络的输入与输出；

步骤2.2、确定广义回归神经网络的扩展常数；

步骤2.3、利用输入与输出的样本数据对广义回归神经网络进行训练。

4.根据权利要求1所述的含光伏配电网的自适应电流保护方法，其特征在于，步骤3中所述的针对每个保护安装处发生不同故障时流过的短路电流，确定自适应保护整定值，对含光伏配电网进行整定，具体如下：

1)在故障时通过检测保护线路上的负序电流或者母线负序电压进行故障分类，区分三相短路与两相短路，对两种故障采用不同的保护定值进行整定；

2)根据广义回归神经网络建立的光伏输出功率与配电网各处短路电流的关系，自适应过流Ⅰ段按实时躲过本线路末端最大短路电流的保护整定值进行整定，自适应过流Ⅱ段定值按与下级过流Ⅰ段的自适应保护整定值配合进行整定；

3)对于光伏并网点上游保护，不改变原有三相短路过流Ⅰ段定值，对过流Ⅱ段定值及两相短路时过流Ⅰ段采用自适应保护整定值进行整定；

4)对于光伏下游及相邻馈线保护，对过流Ⅰ段与过流Ⅱ段均采用自适应保护整定值进行整定；

5)配电网各处过流III段按照避开最大负荷电流的原则进行整定，不受配电网短路电流水平影响。

5.根据权利要求3所述的含光伏配电网的自适应电流保护方法，其特征在于，步骤2.1所述确定广义回归神经网络的输入与输出，具体为：

将光伏电源短路前的输出功率作为输入量，配电网各处短路电流作为期望输出量。

6.根据权利要求3所述的含光伏配电网的自适应电流保护方法，其特征在于，步骤2.2所述确定广义回归神经网络的扩展常数，具体为：

扩展常数应满足两个条件，第一是使神经元能够对输入向量所覆盖的区间都产生响应，第二是数据拟合的精度满足设定范围。

7.根据权利要求3所述的含光伏配电网的自适应电流保护方法，其特征在于，步骤2.3所述利用输入与输出的样本数据对广义回归神经网络进行训练，具体如下：

广义回归神经网络结构共有四层，分别为输入层、模式层、求和层和输出层；

输入层神经元的数目等于学习样本中输入向量的维数，各神经元是分布单元，直接将输入变量传递给模式层；

模式层计算测试样本与训练样本中的每一个样本的Gauss函数的取值，神经元数目等于训练样本的个数，模式层神经元传递函数P_i为：

其中，X为网络输入变量，X_i为第i个神经元对应的学习样本，δ为模型的超参数；

求和层使用两种类型的神经元进行求和，节点个数为输出样本维度加1；第一个节点输出为模式层输出的算术和，模式层与各神经元的加权系数为1，传递函数S_D为：

其中，n为样本个数；

其余k个节点的输出为模式层输出的加权和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的加权系数为第i个输出样本y_i中的第j个元素y_ij，传递函数S_Nj为：

输出层神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，每个神经元的输出等于对应的求和层输出与求和层第一个节点输出相除，即：

Images