[发明专利]基于GMAPM和SOM-LVQ-ANN的输电线路故障综合识别方法在审
申请号: | 201711451015.X | 申请日: | 2017-12-27 |
公开(公告)号: | CN108152651A | 公开(公告)日: | 2018-06-12 |
发明(设计)人: | 孙晓明 | 申请(专利权)人: | 重庆水利电力职业技术学院 |
主分类号: | G01R31/02 | 分类号: | G01R31/02 |
代理公司: | 北京国坤专利代理事务所(普通合伙) 11491 | 代理人: | 赵红霞 |
地址: | 402160 重*** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 电力系统 输电线路故障 电流信号 故障电压 输电线路 异常工况 自动化技术领域 发展性故障 高阻抗故障 并行分析 非持续性 故障类型 特征识别 信息提取 学习能力 预先指定 噪声分量 突变性 多路 基波 谐波 环节 | ||
本发明属于电力系统及其自动化技术领域,公开了一种基于GMAPM和SOM‑LVQ‑ANN的输电线路故障综合识别方法,信息提取环节采用GMAPM,处理含有非持续性和/或突变性的直流、基波、谐波和噪声分量的故障电压/电流信号,实现多路故障电压/电流信号的并行分析;特征识别环节采用SOM‑LVQ‑ANN,既具有SOM‑ANN的强自主学习能力和泛化能力,又具有LVQ‑ANN可预先指定故障类型并进行编码的优点。本发明能同时识别输电线路的低/高阻抗故障和电力系统的异常工况,以及电力系统异常工况下的故障和输电线路的发展性故障。
技术领域
本发明属于电力系统及其自动化技术领域,尤其涉及一种基于GMAPM和SOM-LVQ-ANN的输电线路故障综合识别方法。
背景技术
输电线路故障识别简称故障识别,也称为故障分类,其雏形为故障选相。故障选相是传统继电保护判据的重要组成部分,更是暂态保护和行波保护等新兴继电保护判据不可或缺的组成部分。当前,故障识别的应用已从单纯的继电保护领域拓展到另外两个新的重要领域。其一为继电保护测试领域。现代测试要求继电保护测试装置具有电力故障波形重现功能,以为被测继电保护及安全自动装置提供真实的故障测试信号,以便分析被测装置在实际故障下的动作细节。要提高电力故障波形重现测试的效率和全面性,需采用故障序列测试,即选择不同的故障组成测试任务序列,然后自动逐一地对被测继电保护及安全自动装置进行测试并记录测试结果。要发挥故障序列测试的优势,组成测试任务序列的故障及其类型就要足够多,这就需要通过故障识别从故障数据库中挑选出各种类型的故障。其二为大电网事故分析和预警防御领域。中国电网现已成为世界上最大、最复杂的交直流混联电网,可能发生的低频振荡和发展性故障给事故分析提出了极大的挑战,基于电网全局信息的事故分析成为设计预警防御策略的重要前提,而故障识别是贯穿其中的一项不可或缺的核心技术。故障识别方法总体上分为信息提取和特征识别2个环节。传统故障选相在信息提取环节主要从故障电压/电流中提取电压/电流相量、对称分量、模故障分量或相电流差工频变化量,其特征识别环节由以不等式为主的判别式构成,优点是简便易行、实时高效,但错误识别事件时有发生,原因在于其判别式主要来源于经验,带有局限性,缺乏适应性。为克服缺点,可在特征识别环节引入了模糊逻辑、有限状态机和分类回归树等,这些措施确实提高了故障选相的正确率。但它们以提高继电保护的正确动作率为宗旨,注重的是对有限种类的故障进行识别的正确率,并不强调识别的全面性;此外,它们均未对信息提取环节进行改进,仅采用了故障电压/电流的基波分量,故障特征空间十分狭窄,限制了识别正确率的提升。而另外两个应用领域则对故障识别的多样性、全面性和正确率提出了很高的要求。为拓展故障特征空间,以满足另外两个应用领域的需求,就需对信息提取环节进行改进,即在该环节采用故障电压/电流的暂态分量,作为暂态信号分析的有力工具,小波变换(wavelet transform,WT)成为首选。考虑到故障电压/电流的暂态分量较之基波分量含有更加丰富的信息,特征识别环节也应做相应的升级,拥有强大搜索能力和识别能力的人工神经网络(artificial neural network,ANN)和支持向量机(support vectormachine,SVM)获得了较多的关注。将2个环节采用的工具相互搭配,即可组成各种不同性能的故障识别方法。比如,将WT与不同类型的ANN结合,或将不同功能的WT与SVM结合,可实现各具特色的故障识别方法,并取得较好的识别效果。然而,WT极大地依赖于小波基函数,几乎不可能找到一种具有通用性的小波基函数使所有情况下的识别性能均为最优;此外,WT的时频表征形式缺乏物理直观性,若出现了计算错误或使用了错误数据,很难发现。另一方面,常规ANN,如反向传播和径向基函数ANN等,虽具有全局逼近性,适合在庞大的非线性特征空间中进行搜索,但却可能陷入局部最优;在有限样本空间中具有强泛化能力的SVM虽在一定程度上克服了常规ANN的缺陷,但SVM最初是为二分类问题设计的,对故障识别这一多分类问题需构造一系列二分类SVM,故实现复杂,执行效率低下;无论采用常规ANN还是SVM,其共同的不足在于有时需反复调整训练样本的次序,才能保证训练的收敛性和所产生的故障识别网络的稳定性。近期,经验模态分解、Hilbert-Huang变换、S变换和分形理论等新方法也受到关注并被用于故障识别,但较之前述主流方法,这些方法尚不成熟。除方法本身的不足外,上述故障识别方法多集中于识别输电线路的金属性短路(即低阻抗故障),很少考虑高阻抗故障及电力系统的异常工况。高阻抗故障不易察觉,传统方法难以有效检测,安全隐患很大。电力系统的异常工况包括低频振荡、主变铁磁谐振和PT/CT饱和等。低频振荡可能导致距离保护误动,须正确区分故障和振荡,对可能发生误动的距离保护实施振荡闭锁。主变铁磁谐振可能产生过电压危害设备和影响继电保护,其波形与短路故障电压较相似,不易识别。PT/CT饱和会导致二次电压/电流信号失真,使继电保护误动或据动。目前高阻抗故障和电力系统异常工况的识别主要依靠经验判据,适应性差、识别正确率低,不能满足大电网事故分析和预警防御的要求,用于故障波形重现测试也不可靠。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆水利电力职业技术学院,未经重庆水利电力职业技术学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201711451015.X/2.html,转载请声明来源钻瓜专利网。
- 上一篇:多芯电缆自动查线系统
- 下一篇:变压器故障监测装置及系统