CN115459203A - 一种特高压直流阀短路保护快速整定方法及装置 - Google Patents
一种特高压直流阀短路保护快速整定方法及装置 Download PDFInfo
- Publication number
- CN115459203A CN115459203A CN202211145501.XA CN202211145501A CN115459203A CN 115459203 A CN115459203 A CN 115459203A CN 202211145501 A CN202211145501 A CN 202211145501A CN 115459203 A CN115459203 A CN 115459203A
- Authority
- CN
- China
- Prior art keywords
- operation mode
- extra
- high voltage
- fixed value
- voltage direct
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种特高压直流阀短路保护快速整定方法及装置,所述方法包括:选取特高压直流运行方式;在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据;每种运行方式所对应的启动电流Isc_set和制动电流比例系数k_set分别选择划分好的区间中的一个作为最终取值区间;通过卷积神经网络学习运行方式与每种运行方式对应的定值区间之间的配合关系,得到最终的神经网络模型;实时采集运行方式对应的特征量,输入神经网络模型,得到对应的定值区间;本发明的优点在于:克服传统经验方法定值单一、适应性差的问题,提高保护动作的可靠性,保障特高压直流系统的安全稳定运行。
Description
技术领域
本发明涉及特高压直流系统阀短路保护领域,更具体涉及一种特高压直流阀短路保护快速整定方法及装置。
背景技术
近年来,为解决我国资源分布与生产力分布的时空差异问题,特高压直流输电迎来了飞速发展。然而,特高压直流系统拓扑结构复杂、运行方式灵活,且包含大量的非线性元件,造成保护定值整定难度越来越大;此外,可再生能源在电力系统中占比不断提高,其出力波动性大的特性使得特高压直流运行方式的调整日益增多,以上因素导致传统基于经验公式确定的定值性能难以满足系统安全的需求。
特高压直流系统电压等级高,输送功率大,正确快速的切除故障对于送端和受端电力系统的安全稳定运行至关重要,所以必须保证保护定值时刻处于合适的定值区间之内,具有足够的安全裕度,区内故障时能够正确快速动作,区外故障和扰动情况时能够可靠不动作。
特高压直流控制方式灵活、快速,可以减少或避免大量过网潮流,按照送、受两端运行方式变化而改变潮流。但是,保护定值如不能随着运行方式的改变而及时调整,就会导致继电保护的灵敏性或可靠性不能满足运行要求。换流阀在直流工程起着交变直、直变交的枢纽点作用,是直流输电系统最为重要的元件。阀短路保护作为阀区的主保护之一,保护范围包括阀区短路故障和换流变直流侧相间短路故障,进行合理的定值配置,对于保护换流器的设备安全和保障直流系统的正常运行具有重要意义。
当前的阀短路保护整定方法主要有依据传统直流的经验公式或通过仿真验证确定。《DL/T 277-2012高电压直流输电系统控制保护整定技术规程》规定,采用制动特性的阀短路保护的原理如以下公式所示,其中包含启动电流和制动电流比例系数两个参数。其中启动电流定值是在躲过系统短时过负荷情况下的测量误差前提下,通过仿真实验确定;制动电流比例系数的整定考虑躲过区外最严重故障时,通过仿真实验确定。两个参数相互影响,基于传统经验公式方法确定的保护定值整定难以满足当前特高压直流灵活的运行方式,不但会影响特高压直流的功率输送,还会对特高压直流系统的安全稳定运行造成威胁。
式中:IDC 1P和IDC 1N分别为换流器进出口电流,IVYH和IVDH分别为星型和三角形换流变阀侧电流最大值,Isc_set为启动电流,k_set为制动电流比例系数。
发明内容
本发明所要解决的技术问题在于基于传统经验公式方法确定的保护定值整定难以满足当前特高压直流灵活的运行方式,不但会影响特高压直流的功率输送,还会对特高压直流系统的安全稳定运行造成威胁。
本发明通过以下技术手段实现解决上述技术问题的:一种特高压直流阀短路保护快速整定方法,所述方法包括:
步骤一:选取特高压直流运行方式;
步骤二:在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据;
步骤三:基于故障数据计算出每种运行方式阀短路保护所对应的定值区间以及启动电流Isc_set和制动电流比例系数k_set的定值分布范围,将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,每种运行方式所对应的启动电流Isc_set和制动电流比例系数k_set分别选择划分好的区间中的一个作为最终取值区间;
步骤四:通过卷积神经网络学习运行方式与每种运行方式对应的定值区间之间的配合关系,得到最终的神经网络模型;
步骤五:实时采集运行方式对应的特征量,输入神经网络模型,得到对应的定值区间。
本发明考虑了运行方式对保护定值的影响,针对每种运行方式分别仿真生成一组故障数据,并基于仿真故障数据计算出阀短路保护定值范围,利用卷积神经网络从海量的定值数据中学习阀短路保护定值范围与运行方式之间的配合关系,不需要通过复杂的仿真计算就能够直接确定运行方式对应的保护定值范围,从而克服传统经验方法定值单一、适应性差的问题,提高保护动作的可靠性,保障特高压直流系统的安全稳定运行。
进一步地,所述步骤一包括:
将接地电阻、互感器误差、运行电压、接线方式、直流输送功率以及故障持续时间这些运行参数进行排列组合形成大批量的特高压直流运行方式。
进一步地,所述步骤二包括:
根据换流站实际运行参数,构建特高压直流数字孪生模型;
基于步骤一中所确定的运行方式组合,在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据,每组故障数据由14个仿真结果构成。
进一步地,所述步骤三中计算出每种运行方式阀短路保护所对应的定值区间,包括:
利用步骤二中每种运行方式下所对应14个仿真结果,基于区内保护正确动作和区外保护正确不动作的原则,并考虑可靠系数和灵敏系数的情况下,通过matlab编程计算出每种运行方式阀短路保护所对应的定值区间。
进一步地,所述步骤三中计算出启动电流Isc_set和制动电流比例系数k_set的定值分布范围,包括:
运行方式n的情况下,启动电流Isc_set、制动电流比例系数k_set所对应的区间分别为(I_n_min,I_n_max)、(K_n_min,K_n_max),n取[1,2700]之间的整数,在计算出所有运行方式对应的定值区间后,通过公式(1)得到启动电流Isc_set和制动电流比例系数k_set的定值分布范围(I_min,I_max)、(k_min,k_max)。
更进一步地,所述步骤三中将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,包括:
根据定值的整体分布情况,将启动电流Isc_set划分为6个区间,分别为(I_min_1,I_max_1)、(I_min_2,I_max_2)、(I_min_3,I_max_3)、(I_min_4,I_max_4)、(I_min_5,I_max_5)、(I_min_6,I_max_6),分别编号I1-I6;
将k_set取值划分为5个区间,分别为(k_min_1,k_max_1)、(k_min_2,k_max_2)、(k_min_3,k_max_3)、(k_min_4,k_max_4)、(k_min_5,k_max_5),分别编号K1-K5。
更进一步地,所述步骤三中定值区间的划分必须满足以下2个条件:
1)每种运行方式所对应的启动电流Isc_set定值区域至少包含上述启动电流Isc_set所划分6个区间中的一个,如公式(2)所示;以及每种运行方式所对应的制动电流比例系数k_set定值区域至少包含上述制动电流比例系数k_set所划分5个区间中的一个,如公式(3)所示;
2)当一种运行方式所对应的Isc_set或k_set包含上述Isc_set或k_set所划分区间中的多个时,则选择其中一个区间作为最终取值区间。
进一步地,所述步骤四包括:
步骤4.1、生成参数矩阵,矩阵中每一行代表所以运行参数组合形成的一种运行方式,每一列表示一种运行参数;
步骤4.2、将反映特高压直流运行方式的信息作为输入,将每种运行方式对应的定值区间编号作为输出,构成一个样本;不同运行方式的信息和相应的保护定值区间构成样本集,从样本集中随机选取70%作为训练集,剩余的30%作为测试集;
步骤4.3、将卷积神经网络设置成一个输入层和两个全连接层,将每个样本中反映特高压直流运行方式的信息输入到输入层,两个全连接层分别用于启动电流Isc_set和制动电流比例系数k_set对应的定值区间的计算,将样本中启动电流Isc_set对应的定值区间编号作为一个全连接的输出,将样本中制动电流比例系数k_set对应的定值区间编号作为另一个全连接的输出;
步骤4.4、对卷积神经网络设置其他层,列出不同的卷积神经网络结构形式,对不同的网络结构进行训练和测试,得到错误率最低的网络结构,该网络结构作为最佳网络结构;
步骤4.5、对最佳网络结构,增加训练次数,对批处理数进行改变,使总错误率降为0,然后保存训练好的网络结构参数和权值偏置矩阵,得到最终的神经网络模型。
更进一步地,所述最终的神经网络模型包括顺次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层以及第一全连接层,还包括顺次连接的第三卷积层、第三池化层、第四卷积层、第四池化层以及第二全连接层,所述第三卷积层的输入端与输入层的输出端连接。
本发明还提供一种特高压直流阀短路保护快速整定装置,所述装置包括:
运行方式选取模块,用于选取特高压直流运行方式;
故障数据生成模块,用于在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据;
定值区间划分模块,用于基于故障数据计算出每种运行方式阀短路保护所对应的定值区间以及启动电流Isc_set和制动电流比例系数k_set的定值分布范围,将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,每种运行方式所对应的启动电流Isc_set和制动电流比例系数k_set分别选择划分好的区间中的一个作为最终取值区间;
模型构建模块,用于通过卷积神经网络学习运行方式与每种运行方式对应的定值区间之间的配合关系,得到最终的神经网络模型;
定值区间实时计算模块,用于实时采集运行方式对应的特征量,输入神经网络模型,得到对应的定值区间。
进一步地,所述运行方式选取模块还用于:
将接地电阻、互感器误差、运行电压、接线方式、直流输送功率以及故障持续时间这些运行参数进行排列组合形成大批量的特高压直流运行方式。
进一步地,所述故障数据生成模块还用于:
根据换流站实际运行参数,构建特高压直流数字孪生模型;
基于运行方式选取模块中所确定的运行方式组合,在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据,每组故障数据由14个仿真结果构成。
进一步地,所述定值区间划分模块中计算出每种运行方式阀短路保护所对应的定值区间,包括:
利用故障数据生成模块中每种运行方式下所对应14个仿真结果,基于区内保护正确动作和区外保护正确不动作的原则,并考虑可靠系数和灵敏系数的情况下,通过matlab编程计算出每种运行方式阀短路保护所对应的定值区间。
进一步地,所述定值区间划分模块中计算出启动电流Isc_set和制动电流比例系数k_set的定值分布范围,包括:
运行方式n的情况下,启动电流Isc_set、制动电流比例系数k_set所对应的区间分别为(I_n_min,I_n_max)、(K_n_min,K_n_max),n取[1,2700]之间的整数,在计算出所有运行方式对应的定值区间后,通过公式(1)得到启动电流Isc_set和制动电流比例系数k_set的定值分布范围(I_min,I_max)、(k_min,k_max)。
更进一步地,所述定值区间划分模块中将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,包括:
根据定值的整体分布情况,将启动电流Isc_set划分为6个区间,分别为(I_min_1,I_max_1)、(I_min_2,I_max_2)、(I_min_3,I_max_3)、(I_min_4,I_max_4)、(I_min_5,I_max_5)、(I_min_6,I_max_6),分别编号I1-I6;
将k_set取值划分为5个区间,分别为(k_min_1,k_max_1)、(k_min_2,k_max_2)、(k_min_3,k_max_3)、(k_min_4,k_max_4)、(k_min_5,k_max_5),分别编号K1-K5。
更进一步地,所述定值区间划分模块中定值区间的划分必须满足以下2个条件:
1)每种运行方式所对应的启动电流Isc_set定值区域至少包含上述启动电流Isc_set所划分6个区间中的一个,如公式(2)所示;以及每种运行方式所对应的制动电流比例系数k_set定值区域至少包含上述制动电流比例系数k_set所划分5个区间中的一个,如公式(3)所示;
2)当一种运行方式所对应的Isc_set或k_set包含上述Isc_set或k_set所划分区间中的多个时,则选择其中一个区间作为最终取值区间。
进一步地,所述模型构建模块还用于:
步骤4.1、生成参数矩阵,矩阵中每一行代表所以运行参数组合形成的一种运行方式,每一列表示一种运行参数;
步骤4.2、将反映特高压直流运行方式的信息作为输入,将每种运行方式对应的定值区间编号作为输出,构成一个样本;不同运行方式的信息和相应的保护定值区间构成样本集,从样本集中随机选取70%作为训练集,剩余的30%作为测试集;
步骤4.3、将卷积神经网络设置成一个输入层和两个全连接层,将每个样本中反映特高压直流运行方式的信息输入到输入层,两个全连接层分别用于启动电流Isc_set和制动电流比例系数k_set对应的定值区间的计算,将样本中启动电流Isc_set对应的定值区间编号作为一个全连接的输出,将样本中制动电流比例系数k_set对应的定值区间编号作为另一个全连接的输出;
步骤4.4、对卷积神经网络设置其他层,列出不同的卷积神经网络结构形式,对不同的网络结构进行训练和测试,得到错误率最低的网络结构,该网络结构作为最佳网络结构;
步骤4.5、对最佳网络结构,增加训练次数,对批处理数进行改变,使总错误率降为0,然后保存训练好的网络结构参数和权值偏置矩阵,得到最终的神经网络模型。
更进一步地,所述最终的神经网络模型包括顺次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层以及第一全连接层,还包括顺次连接的第三卷积层、第三池化层、第四卷积层、第四池化层以及第二全连接层,所述第三卷积层的输入端与输入层的输出端连接。
本发明的优点在于:
(1)本发明考虑了运行方式对保护定值的影响,针对每种运行方式分别仿真生成一组故障数据,并基于仿真故障数据计算出阀短路保护定值范围,利用卷积神经网络从海量的定值数据中学习阀短路保护定值范围与运行方式之间的配合关系,不需要通过复杂的仿真计算就能够直接确定运行方式对应的保护定值范围,从而克服传统经验方法定值单一、适应性差的问题,提高保护动作的可靠性,保障特高压直流系统的安全稳定运行。
(2)本发明通过对卷积神经网络进行输出部分的改进,使用一个包含两个全连接层的卷积神经网络解决了阀短路保护启动电路和制动电流比例系数两个非独立的分类问题,实现了多分类问题并行计算。
(3)本发明通过卷积神经网络进行阀短路保护定值计算,不需要进行复杂计算来确定保护两个定值的配合关系,简单易行,能够有效地提高定值整定的效率,实际应用中无需再次训练,就能够根据运行方式迅速生成定值,很大程度的满足工程需要。
(4)本发明通过对接线方式、输送功率、运行电压、过渡电阻、故障时间、互感器误差等一系列影响阀短路保护启动电流和制动电流比例系数取值的因素进行了遍历,通过卷积神经网络强大的泛化学习能力,能准确、迅速地确整定保护定值,具有很高的可靠性。
(5)本发明通过搭建特高压直流数字孪生模型对接线方式、直流输送功率、运行电压、互感器误差、过渡电阻等一系列影响保护定值的因素进行遍历仿真,得到海量的电量数据及非电量数据,处理后作为训练样本,不受工程实际中故障样本缺少问题的困扰,依托卷积神经网络强大的学习泛化能力,有望实现用同一权重偏置参数对不同换流站的阀短路保护进行定值快速整定,在未来智能电网的发展中具有广阔应用前景。
附图说明
图1为本发明实施例所公开的一种特高压直流阀短路保护快速整定方法中采用的特高压直流运行方式图;
图2为本发明实施例所公开的一种特高压直流阀短路保护快速整定方法中特高压直流输电系统数字孪生模型图;
图3为本发明实施例所公开的一种特高压直流阀短路保护快速整定方法中特高压直流阀短路保护定值计算所需故障组图。
图4为本发明实施例所公开的一种特高压直流阀短路保护快速整定方法中采用的卷积神经网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种特高压直流阀短路保护快速整定方法,所述方法包括:
S1:选取特高压直流运行方式;
在不同的运行方式下,阀区故障会呈现不同的特征,对定值的需要也不尽相同。目前的阀短路保护定值是基于传统经验公式确定,不随运行方式的改变而改变,造成在某些运行方式下保护安全裕度不足,甚至不正确动作。为克服传统基于经验公式确定的阀短路保护定值的不足,本发明选取了特高压直流运行过程中不同运行参数改变可能导致的多种运行方式,这些运行参数包括接地电阻、互感器误差、运行电压、接线方式、直流输送功率以及故障持续时间,并将这些运行参数进行排列组合形成大批量的运行方式,具体实现如表1所示。
表1运行方式排列组合表
表1中的接线方式C01、C02、C03分别为完整双极接线方式、单极大地接线和单极金属回线接线方式,这是特高压直流运行过程中最常见的3种接线方式,具体如图1所示。
S2:在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据;
根据换流站实际运行参数,构建特高压直流数字孪生模型,如图2所示。数字孪生模型仿真结果已完成与实际控保仿真系统一致性验证实验,本发明所采用仿真数据均在古泉换流站数字孪生模型中产生。
为更加精确计算出每种运行方式下阀短路保护定值的合理区间,基于步骤S1中所确定的运行方式组合,在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据,每组故障数据由14个仿真结果构成,区内故障和区外故障点的具体分布如图3所示。
图3中,K1阀短路故障、K2直流侧出口短路故障、K3直流侧对地短路故障、K4交流侧相间短路故障、K5交流侧单相接地短路故障,其中K1和K4为阀短路的区内故障,K2、K3、K5为区外故障。
S3:基于故障数据计算出每种运行方式阀短路保护所对应的定值区间以及启动电流Isc_set和制动电流比例系数k_set的定值分布范围,将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,每种运行方式所对应的启动电流Isc_set和制动电流比例系数k_set分别选择划分好的区间中的一个作为最终取值区间;具体过程如下:
利用步骤S2中每种运行方式下所对应14个仿真结果,基于区内保护正确动作和区外保护正确不动作的原则,并考虑可靠系数Kre(大于1)和灵敏系数Ksen(大于1)的情况下,以区外故障时Kre*Iflt(启动电流)小于保护定值和区内故障时Iflt/Ksen大于保护定值作为约束条件,如公式(a)和公式(b)所示,除Kset和Isc_set未知外,其余皆为已知值,这样每种运行方式下会产生包含14个不等式的不等式组,通过matlab对不等式组进行求解便可得到每种运行方式阀短路保护所对应的定值区间。
区外故障时:
区内故障时:
其中,ID=max(IDC1P,IDC1N),且IDC1P和IDC1N分别为换流器进出口电流,IVYH和IVDH分别为星型和三角形换流变阀侧电流最大值。
运行方式n的情况下,启动电流Isc_set、制动电流比例系数k_set所对应的区间分别为(I_n_min,I_n_max)、(K_n_min,K_n_max),n取[1,2700]之间的整数,在计算出所有运行方式对应的定值区间后,通过公式(1)得到启动电流Isc_set和制动电流比例系数k_set的定值分布范围(I_min,I_max)、(k_min,k_max),本实施例中,启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别为(0.35IN,0.6IN)、(0.15,0.23),其中,IN为额定直流电流。
根据定值的整体分布情况,将启动电流Isc_set划分为6个区间,分别为(I_min_1,I_max_1)、(I_min_2,I_max_2)、(I_min_3,I_max_3)、(I_min_4,I_max_4)、(I_min_5,I_max_5)、(I_min_6,I_max_6),分别编号I1-I6;本实施例中,分别划分为(0.35IN,0.4IN)、[0.4IN,0.45IN)、[0.45IN,0.5IN)、[0.5IN,0.55IN)、[0.55IN,0.6IN),索引号I1-I6;
将k_set取值划分为5个区间,分别为(k_min_1,k_max_1)、(k_min_2,k_max_2)、(k_min_3,k_max_3)、(k_min_4,k_max_4)、(k_min_5,k_max_5),分别编号K1-K5,本实施例中,分别划分为(0.13,015)、(0.15,017)、[0.17,0.19)、[0.19,0.21),[0.21,0.23),索引号K1-K4。
以上定值区间的划分必须满足以下2个条件:
1)每种运行方式所对应的启动电流Isc_set定值区域至少包含上述启动电流Isc_set所划分6个区间中的一个,如公式(2)所示;以及每种运行方式所对应的制动电流比例系数k_set定值区域至少包含上述制动电流比例系数k_set所划分5个区间中的一个,如公式(3)所示;
这个条件是为了保证每一种运行方式下均能在划分好的至少一个区间中找到定值。
2)当一种运行方式所对应的Isc_set或k_set包含上述Isc_set或k_set所划分区间中的多个时,则选择其中一个区间作为最终取值区间,即运行方式与所划分的区间是一一对应的关系,以保证步骤S4中基于卷积神经网络的定值优化能够进行。
S4:通过卷积神经网络学习运行方式与每种运行方式对应的定值区间之间的配合关系,得到最终的神经网络模型;具体过程如下:
步骤4.1、编写程序代码,生成参数矩阵。参数包括接线方式,直流输送功率,运行电压,过渡电阻大小等与定值整定有关的因素,对每种因素在其可变范围内进行取值,按照排列组合的方式对参数进行遍历,形成参数矩阵,矩阵中每一行代表所有可变参数组合形成的一种运行方式中,每一列表示一种参数。
步骤4.2、生成样本。将反映特高压直流运行方式的信息作为输入,将步骤S2中每种运行方式对应的定值区间编号作为输出,构成一个样本;不同运行方式的信息和相应的保护定值区间构成样本集,从样本集中随机选取70%作为训练集,剩余的30%作为测试集;例如,特高压直流运行方式的信息作为输入,区间(0.35IN,0.4IN)对应的编号I1作为输出,构成一个样本,特高压直流运行方式的信息作为输入,区间(0.15,017)对应的编号K1作为输出,构成另外一个样本。这两种样本分别用于特高压直流运行方式与启动电流Isc_set的定值范围之间关系的训练以及用于特高压直流运行方式与制动电流比例系数k_set的定值范围之间关系的训练。
步骤4.3、由于本发明的是基于同一组输入通过卷积神经网络计算两个定值,而卷积神经网络的结构只包含一个全连接层,一次只能实现一个定值的计算。为提高计算速度,本发明对卷积神经网络的结构进行调整,增加了一个全连接层,这样就可以实现两个定值的并行计算。具体是将卷积神经网络设置成一个输入层和两个全连接层,将每个样本中反映特高压直流运行方式的信息输入到输入层,两个全连接层分别用于启动电流Isc_set和制动电流比例系数k_set对应的定值区间的计算,将样本中启动电流Isc_set对应的定值区间编号作为一个全连接的输出,将样本中制动电流比例系数k_set对应的定值区间编号作为另一个全连接的输出。网络结构如图4所示。
步骤4.4、寻找卷积神经网络的最佳结构
4.4.1、列出尽可能多可能的网络结构。一般为卷积层(C层)采样层(S层)交替重复,本层的输出作为下一层的输入,使网络结构对输入样本有较高的畸变容忍能力,更准确地实现对数据的分级表达。假设每个卷积层的输入矩阵维度为mi*ni*i,其中mi为每个输入样本矩阵的行数,ni为每个输入样本矩阵的列数,i为输入样本总数;输出矩阵维度为mo*no*o,其中mo为每个输出样本矩阵的行数,no为每个输出样本矩阵的列数,o为输出样本总数,卷积层的卷积核为k*k,则每个卷积层的输入输出必须满足如下公式:
4.4.2、设置批处理数量和训练次数为定值,对不同网络结构进行训练和测试,得到错误率最低的网络结构,该结构即为最佳网络结构。
4.4.3、根据确定的最佳网络结构,增加训练次数,对批处理数进行改变,使测试样本的总错误率降为0,然后保存训练好的网络结构参数和权值偏置矩阵,得到最终的神经网络模型;在每次运行方式改变后,获取反映运行方式的特征量,输入到训练好的网络,即可输出定值结果,无需再次训练。
分别设置不同的网络结构,得到不同网络结构下的错误率和训练时间,仿真结果如表2所示。对表中内容作如下解释:以序号1为例,网络结构为6C-1S-12C-2S,其中C表示卷积层,S表示降采样层;卷积核中的两个数字依次为第1个卷积层和第2个卷积层的卷积核;批处理数量为训练过程中每批输入的样本数;错误率1为启动电流定值划分错误的样本占总测试样本数的比率,选相错误率2是比例制动系数划分错误的样本数占总测试样本数的比率,训练时间为训练样本在训练过程中所消耗的时间。
表2卷积神经网络用于区内外故障判断及故障选相仿真结果
由表可知:在样本数一定的情况下,网络结构、卷积核大小、批处理数量和训练次数等均会影响区内外定值划分的错误率。
由序号4和6对比知:相同网络结构下,卷积核大小不同,错误率不同;由序号1、2、5对比知:在网络结构和卷积核大小均相同时,在一定范围内,批处理数量越少,训练过程中权值调整次数越多,错误率越低;由序号5、7、8对比知:在批处理数量相同时,一般随着训练次数增多,错误率降低,但当训练次数达到一定值时,错误率基本维持在一个恒定值,并在附近波动。由序号8、9、10、11、12对比知:不同的网络结构下,错误率是不同的,多次试验发现在4C-1S-4C-1S结构下,卷积核依次为1*1和1*1时,错误率最低,定值计算结果最好,4C-1S-4C-1S表示4个卷积层顺次连接以后接一个采样层然后再顺次接4个卷积层之后再接1个采样层。当批处理数为100,当训练次数达到1000次时,定值1总错误率降为2.821%,定值2总错误降为1.25%,可以实现对几乎所有训练样本快速准确的进行定值范围划分。通过上述方式得出的最终的神经网络模型如图4所示,包括顺次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层以及第一全连接层,还包括顺次连接的第三卷积层、第三池化层、第四卷积层、第四池化层以及第二全连接层,所述第三卷积层的输入端与输入层的输出端连接。
由实验可知:在测试样本中接线方式、额定电压、输送功率、过渡电阻、互感器测量误差等参数与训练样本均不同的情况下,卷积神经网络仍然可以准确进行定值计算,这是因为训练样本数据中包含了运行方式、额定电压、过渡电阻、互感器测量误差等参数与定值的复杂非线性关系,同时卷积神经网络具有很强的泛化能力与学习能力,因此基本不受系统接线方式、运行电压、输送功率、过渡电阻、互感器测量、故障误差等因素的影响,不需要对任何参数进行整定。综合上述分析,当样本数足够时,卷积神经网络用于特高压直流阀短路保护定值计算具有极高的准确率和效率。
S5:通过上述方式进行优化训练得出最终的神经网络模型以后,实时采集运行方式对应的特征量,输入神经网络模型,得到对应的定值区间。
实施例2
基于实施例1,本发明2还提供一种特高压直流阀短路保护快速整定装置,所述装置包括:
运行方式选取模块,用于选取特高压直流运行方式;
故障数据生成模块,用于在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据;
定值区间划分模块,用于基于故障数据计算出每种运行方式阀短路保护所对应的定值区间以及启动电流Isc_set和制动电流比例系数k_set的定值分布范围,将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,每种运行方式所对应的启动电流Isc_set和制动电流比例系数k_set分别选择划分好的区间中的一个作为最终取值区间;
模型构建模块,用于通过卷积神经网络学习运行方式与每种运行方式对应的定值区间之间的配合关系,得到最终的神经网络模型;
定值区间实时计算模块,用于实时采集运行方式对应的特征量,输入神经网络模型,得到对应的定值区间。
具体的,所述运行方式选取模块还用于:
将接地电阻、互感器误差、运行电压、接线方式、直流输送功率以及故障持续时间这些运行参数进行排列组合形成大批量的特高压直流运行方式。
具体的,所述故障数据生成模块还用于:
根据换流站实际运行参数,构建特高压直流数字孪生模型;
基于运行方式选取模块中所确定的运行方式组合,在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据,每组故障数据由14个仿真结果构成。
具体的,所述定值区间划分模块中计算出每种运行方式阀短路保护所对应的定值区间,包括:
利用故障数据生成模块中每种运行方式下所对应14个仿真结果,基于区内保护正确动作和区外保护正确不动作的原则,并考虑可靠系数和灵敏系数的情况下,通过matlab编程计算出每种运行方式阀短路保护所对应的定值区间。
具体的,所述定值区间划分模块中计算出启动电流Isc_set和制动电流比例系数k_set的定值分布范围,包括:
运行方式n的情况下,启动电流Isc_set、制动电流比例系数k_set所对应的区间分别为(I_n_min,I_n_max)、(K_n_min,K_n_max),n取[1,2700]之间的整数,在计算出所有运行方式对应的定值区间后,通过公式(1)得到启动电流Isc_set和制动电流比例系数k_set的定值分布范围(I_min,I_max)、(k_min,k_max)。
更具体的,所述定值区间划分模块中将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,包括:
根据定值的整体分布情况,将启动电流Isc_set划分为6个区间,分别为(I_min_1,I_max_1)、(I_min_2,I_max_2)、(I_min_3,I_max_3)、(I_min_4,I_max_4)、(I_min_5,I_max_5)、(I_min_6,I_max_6),分别编号I1-I6;
将k_set取值划分为5个区间,分别为(k_min_1,k_max_1)、(k_min_2,k_max_2)、(k_min_3,k_max_3)、(k_min_4,k_max_4)、(k_min_5,k_max_5),分别编号K1-K5。
更具体的,所述定值区间划分模块中定值区间的划分必须满足以下2个条件:
1)每种运行方式所对应的启动电流Isc_set定值区域至少包含上述启动电流Isc_set所划分6个区间中的一个,如公式(2)所示;以及每种运行方式所对应的制动电流比例系数k_set定值区域至少包含上述制动电流比例系数k_set所划分5个区间中的一个,如公式(3)所示;
2)当一种运行方式所对应的Isc_set或k_set包含上述Isc_set或k_set所划分区间中的多个时,则选择其中一个区间作为最终取值区间。
具体的,所述模型构建模块还用于:
步骤4.1、生成参数矩阵,矩阵中每一行代表所以运行参数组合形成的一种运行方式,每一列表示一种运行参数;
步骤4.2、将反映特高压直流运行方式的信息作为输入,将每种运行方式对应的定值区间编号作为输出,构成一个样本;不同运行方式的信息和相应的保护定值区间构成样本集,从样本集中随机选取70%作为训练集,剩余的30%作为测试集;
步骤4.3、将卷积神经网络设置成一个输入层和两个全连接层,将每个样本中反映特高压直流运行方式的信息输入到输入层,两个全连接层分别用于启动电流Isc_set和制动电流比例系数k_set对应的定值区间的计算,将样本中启动电流Isc_set对应的定值区间编号作为一个全连接的输出,将样本中制动电流比例系数k_set对应的定值区间编号作为另一个全连接的输出;
步骤4.4、对卷积神经网络设置其他层,列出不同的卷积神经网络结构形式,对不同的网络结构进行训练和测试,得到错误率最低的网络结构,该网络结构作为最佳网络结构;
步骤4.5、对最佳网络结构,增加训练次数,对批处理数进行改变,使总错误率降为0,然后保存训练好的网络结构参数和权值偏置矩阵,得到最终的神经网络模型。
更具体的,所述最终的神经网络模型包括顺次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层以及第一全连接层,还包括顺次连接的第三卷积层、第三池化层、第四卷积层、第四池化层以及第二全连接层,所述第三卷积层的输入端与输入层的输出端连接。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种特高压直流阀短路保护快速整定方法,其特征在于,所述方法包括:
步骤一:选取特高压直流运行方式;
步骤二:在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据;
步骤三:基于故障数据计算出每种运行方式阀短路保护所对应的定值区间以及启动电流Isc_set和制动电流比例系数k_set的定值分布范围,将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,每种运行方式所对应的启动电流Isc_set和制动电流比例系数k_set分别选择划分好的区间中的一个作为最终取值区间;
步骤四:通过卷积神经网络学习运行方式与每种运行方式对应的定值区间之间的配合关系,得到最终的神经网络模型;
步骤五:实时采集运行方式对应的特征量,输入神经网络模型,得到对应的定值区间。
2.根据权利要求1所述的一种特高压直流阀短路保护快速整定方法,其特征在于,所述步骤一包括:
将接地电阻、互感器误差、运行电压、接线方式、直流输送功率以及故障持续时间这些运行参数进行排列组合形成大批量的特高压直流运行方式。
3.根据权利要求1所述的一种特高压直流阀短路保护快速整定方法,其特征在于,所述步骤二包括:
根据换流站实际运行参数,构建特高压直流数字孪生模型;
基于步骤一中所确定的运行方式组合,在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据,每组故障数据由14个仿真结果构成。
4.根据权利要求1所述的一种特高压直流阀短路保护快速整定方法,其特征在于,所述步骤三中计算出每种运行方式阀短路保护所对应的定值区间,包括:
利用步骤二中每种运行方式下所对应14个仿真结果,基于区内保护正确动作和区外保护正确不动作的原则,并考虑可靠系数和灵敏系数的情况下,通过matlab编程计算出每种运行方式阀短路保护所对应的定值区间。
6.根据权利要求5所述的一种特高压直流阀短路保护快速整定方法,其特征在于,所述步骤三中将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,包括:
根据定值的整体分布情况,将启动电流Isc_set划分为6个区间,分别为(I_min_1,I_max_1)、(I_min_2,I_max_2)、(I_min_3,I_max_3)、(I_min_4,I_max_4)、(I_min_5,I_max_5)、(I_min_6,I_max_6),分别编号I1-I6;
将k_set取值划分为5个区间,分别为(k_min_1,k_max_1)、(k_min_2,k_max_2)、(k_min_3,k_max_3)、(k_min_4,k_max_4)、(k_min_5,k_max_5),分别编号K1-K5。
8.根据权利要求1所述的一种特高压直流阀短路保护快速整定方法,其特征在于,所述步骤四包括:
步骤4.1、生成参数矩阵,矩阵中每一行代表所以运行参数组合形成的一种运行方式,每一列表示一种运行参数;
步骤4.2、将反映特高压直流运行方式的信息作为输入,将每种运行方式对应的定值区间编号作为输出,构成一个样本;不同运行方式的信息和相应的保护定值区间构成样本集,从样本集中随机选取70%作为训练集,剩余的30%作为测试集;
步骤4.3、将卷积神经网络设置成一个输入层和两个全连接层,将每个样本中反映特高压直流运行方式的信息输入到输入层,两个全连接层分别用于启动电流Isc_set和制动电流比例系数k_set对应的定值区间的计算,将样本中启动电流Isc_set对应的定值区间编号作为一个全连接的输出,将样本中制动电流比例系数k_set对应的定值区间编号作为另一个全连接的输出;
步骤4.4、对卷积神经网络设置其他层,列出不同的卷积神经网络结构形式,对不同的网络结构进行训练和测试,得到错误率最低的网络结构,该网络结构作为最佳网络结构;
步骤4.5、对最佳网络结构,增加训练次数,对批处理数进行改变,使总错误率降为0,然后保存训练好的网络结构参数和权值偏置矩阵,得到最终的神经网络模型。
9.根据权利要求8所述的一种特高压直流阀短路保护快速整定方法,其特征在于,所述最终的神经网络模型包括顺次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层以及第一全连接层,还包括顺次连接的第三卷积层、第三池化层、第四卷积层、第四池化层以及第二全连接层,所述第三卷积层的输入端与输入层的输出端连接。
10.一种特高压直流阀短路保护快速整定装置,其特征在于,所述装置包括:
运行方式选取模块,用于选取特高压直流运行方式;
故障数据生成模块,用于在每种运行方式下,分别就区内故障和近点区外故障仿真出一组故障数据;
定值区间划分模块,用于基于故障数据计算出每种运行方式阀短路保护所对应的定值区间以及启动电流Isc_set和制动电流比例系数k_set的定值分布范围,将启动电流Isc_set和制动电流比例系数k_set的定值分布范围分别划分为多个区间,每种运行方式所对应的启动电流Isc_set和制动电流比例系数k_set分别选择划分好的区间中的一个作为最终取值区间;
模型构建模块,用于通过卷积神经网络学习运行方式与每种运行方式对应的定值区间之间的配合关系,得到最终的神经网络模型;
定值区间实时计算模块,用于实时采集运行方式对应的特征量,输入神经网络模型,得到对应的定值区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211145501.XA CN115459203A (zh) | 2022-09-20 | 2022-09-20 | 一种特高压直流阀短路保护快速整定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211145501.XA CN115459203A (zh) | 2022-09-20 | 2022-09-20 | 一种特高压直流阀短路保护快速整定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115459203A true CN115459203A (zh) | 2022-12-09 |
Family
ID=84305032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211145501.XA Pending CN115459203A (zh) | 2022-09-20 | 2022-09-20 | 一种特高压直流阀短路保护快速整定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115459203A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187248A (zh) * | 2023-03-13 | 2023-05-30 | 华能新能源股份有限公司河北分公司 | 基于大数据的继电保护定值分析校验方法及系统 |
-
2022
- 2022-09-20 CN CN202211145501.XA patent/CN115459203A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187248A (zh) * | 2023-03-13 | 2023-05-30 | 华能新能源股份有限公司河北分公司 | 基于大数据的继电保护定值分析校验方法及系统 |
CN116187248B (zh) * | 2023-03-13 | 2023-08-25 | 华能新能源股份有限公司河北分公司 | 基于大数据的继电保护定值分析校验方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107565601A (zh) | 一种分布式光伏电站集群的动态等值建模方法 | |
CN102611119A (zh) | 电力系统多目标无功优化方法 | |
CN108957246A (zh) | 一种基于粒子群的配电网故障定位方法 | |
CN103258299A (zh) | 一种多直流集中馈入的受端电网网架优化方法 | |
CN106329516A (zh) | 一种基于典型场景识别的配电网动态重构方法 | |
CN112131783A (zh) | 一种基于配电台区大数据的户变拓扑关系识别方法 | |
Wen et al. | Power system load modeling by learning based on system measurements | |
CN115459203A (zh) | 一种特高压直流阀短路保护快速整定方法及装置 | |
CN104616061B (zh) | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 | |
CN108054757B (zh) | 一种内嵌无功和电压的n-1闭环安全校核方法 | |
CN110596530A (zh) | 一种小电流接地故障选线方法 | |
CN106446467A (zh) | 基于自适应粒子群算法的故障电流限制器的优化配置方法 | |
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
CN104036434A (zh) | 一种配电网负荷供应能力评价方法 | |
Reformat et al. | Application of genetic algorithms for control design in power systems | |
Zhang et al. | Evolutionary based Pareto optimization algorithms for bi-objective PV array reconfiguration under partial shading conditions | |
CN105024645B (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN110783913B (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
CN105633971B (zh) | 一种基于帝国主义竞争算法的智能配电网随机潮流方法 | |
CN106295952A (zh) | 一种高阻抗变压器限制短路电流效果的模糊综合评价方法 | |
Huang et al. | Adaptability evaluation of distributed power sources connected to distribution network | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
Yang et al. | Fast assessment of short-term voltage stability of AC/DC power grid based on CNN | |
Abusorrah | The application of the linear adaptive genetic algorithm to optimal power flow problem |
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 |