关键字 |
| 故障分类、傅里叶变换,最小二乘法、卡尔曼滤波 |
介绍 |
| 故障分类是一种重要的电力系统保护功能和故障定位器。模块化方法[1]用于快速故障分类。Girgis[2 - 3]使用一种自适应卡尔曼滤波器技术和概率技术故障分类。一个卡尔曼滤波器假设断裂阶段的特性而另一个un-faulted阶段的特性。阶段的状况,指责或线路,然后决定从计算概率。巴罗斯和德雷克[4]实现8位微处理器基于卡尔曼滤波器的故障分类。响应时间小于20女士所有可能类型的接地故障。人工智能技术也用于故障分类,如去噪方法[5],[6]概率神经网络,神经网络[7],结合无监督/监督神经网络[8]。赵[9]适用于基于小波变换的故障分类方案。 |
| 本文提出了一个快速故障定位器的故障分类技术。数字傅里叶变换(DFT),或最小二乘方法(LSM)、卡尔曼滤波技术(KFT)用于提取三相流的基本频率成分。故障的分类三个阶段可以通过使用的故障概率的方法。EMTP / ATP仿真结果。故障分类技术使用的最小二乘方法可以正确地在3样品(1.875 ms)为单一线路接地(SLG)错误,画线的两倍——地面(2 lg)的缺点,相间(LL)故障和三相(3φ)的缺点。 |
故障分类 |
| 故障分类是由故障概率的三个阶段。故障的可能性阶段取决于三个阶段的基本组件电流的振幅,Ia (t) Ib (t)和Ic (t),计算使用基本频率成分提取技术,如DFT, LSM或KFT。 |
(一)故障概率函数 |
| 有故障概率和振幅之间的关系的基本频率电流(S = a, B, C)。伊希斯负载电流时,其故障概率很低(接近0),如果是一个故障电流,故障概率会高(接近1.0 i.e.100%)。因此,它是合理的假设故障概率如下(还有其他类似的功能): |
| fp (S) = f () = 0 (< 1.0 p.u。) (S = A, B, C) |
| = f () = (- 1.0) (1.0 < < 2.0 p.u。) |
| = f () = 1.0 (> 2.0 p.u。) |
| 使用单位根据最大负载电流。概率函数是图1所示。 |
(b)功能框图 |
| 故障分类的框图,图2所示。输入信号是三相电流ia (t) ib (t)和ic (t)。振幅的基频电流Ia (t) Ib (t)和Ic (t)是使用数学计算DFT算法,LSM或者KFT。故障概率fp (A)的领导下,金融产品部(B)和fp (C)可以获得故障概率函数f (I)。 |
仿真结果 |
| 验证该故障分类技术,使用的是两个源系统[4]。两个源系统参数Z> SA= 0 + j21.5欧姆;Z> 0 sa= 0 + j24.4欧姆;Z>某人= 0 + j25.6欧姆;Z> 0…= 0 + j27.8欧姆。线路阻抗Z> L= 3.4 + j53.4欧姆和Z> 0 l= 57.0 + j241欧姆。源电压是E一个= 225.17 + j₀kV和EB= 169.86 -j169.86千伏。每周期采样率的32个样本(Δt = 0.625 ms)。 |
| 所有简单的故障类型,如single-phase-to-earth断层(LG) two-phase-to-earth缺点(2 LG), two-phase-short电路故障(LL) andthree-phase-short-circuit缺点考虑(3φ。抗故障能力被认为在faultpoint 0和10欧姆。仿真结果列在表I和II。在这些表中,最小样本计算faultoccurrence(示例= 0)的样本hasreached100%故障概率的错误的阶段,即with1.0值。 |
(一)数字傅里叶变换(DFT) |
| A-phase-to-earth断层,后一个阶段达到1.0的故障概率10个样本时发生错误。图4所示的结果。它是相同的B-phase-to-earth(10个样本)和C-phase-to-earth出错(9样品)。因此有10个样本表以类似的方式,图5显示了错误分类结果为Bphase -接地故障,图6为三相A-B-phase短路故障和图7的错。 |
(b)最小二乘法(LSM) |
| 无花果。利用LSM 8 - 11显示故障分类结果。很容易发现2样本正确分类需要A-phase-to-earth错,2样品A-B-phase-to-earth错,3样本A-B-phase短路和2样本three-phase-short电路故障。 |
(c)卡尔曼滤波技术(英尺) |
| 无花果12至15使用KFT显示故障分类结果。可以看出5样本正确分类需要A-phase-to-earth错,10为A-B-phase-to-earth故障样本,5样本A-B-phase短路和8个样本three-phase-short电路故障。 |
比较 |
| (1)在三种方法中,使用LSM的性能仿真结果与6样品是最有效的。故障分类使用正确LSM可以给故障阶段检测样品在3 (1.875 ms)对所有四种简单的故障。另一方面,KFT需要10个样本(6.25 ms)和DFT需要15个样品(9.375 ms)代表正确的故障类型。 |
| (2)没有显著变化清廉欧姆电阻在出错点。故障的原因可能是阻力影响基本频率故障电流的振幅,但故障电流远远超过阈值(2.0 p.u。)故障概率为1.0。 |
结论 |
| 本文提出一种快速故障分类技术对电力系统故障定位器使用电流信号。数字傅里叶变换,最小二乘法和卡尔曼滤波技术用于提取三相故障电流的基本频率成分。故障分类可以通过故障概率的三个阶段。结果从一个EMTP仿真工作。故障分类技术使用的最小二乘方法可以正确地在3样品(1.875 ms)为单一线路接地故障,双线路接地故障,相间故障和三相故障。 |
|
表乍一看 |
 |
|
| 表1 |
表2 |
|
|
数据乍一看 |
 |
 |
 |
 |
 |
| 图1 |
图2 |
图3 |
图4 |
图5 |
|
 |
 |
 |
 |
 |
| 图6 |
图7 |
图8 |
图9 |
图10 |
|
 |
 |
 |
 |
 |
| 图11 |
图12 |
图13 |
图14 |
图15 |
|
|
引用 |
- Chowdhury F N和Aravena J L,模块化的方法在电力系统快速故障检测和分类,IEEE控制系统技术,6卷,第五,pp.623 - 634, 1998年9月。
- Girgis一个,et al,应用自适应卡尔曼滤波的故障分类、距离保护和故障定位使用微处理器,IEEE电力系统,3卷,pp.301 - 309, 1988。
- Girgis和棕色R G,自适应卡尔曼滤波在计算机继电保护:使用电压故障分类模型,IEEE, PAS - 104卷,第五,pp.1168 - 1177, 1985年5月。
- 巴罗斯J和德雷克M,电力系统实时故障检测和分类使用微处理器,IEE进行生成,传输和分配,Vol.141,第四,pp.315 - 322,, 1994年7月。
- 王H和W Keerthipala Fuzzy-neuro故障分类方法对输电线路保护、IEEE功率输出,Vol.13,第四,十月,pp.1093 - 1104, 1998。
- 莫F和Kinsner W,概率神经网络电力线路故障分类、学报1998年11日加拿大电气和计算机工程会议,CCECE pp585 - 588, 1998。
- 赖,L,应用神经网络故障分类和保护,学报》1997年第四届国际会议上的进步电力系统控制、运行和管理,p 172 - 76, 1998。
- 邓恩Aggarwal R,宣Q, R,约翰和贝内特,小说双电路线路的故障分类技术基于无监督/监督神经网络相结合,IEEE功率输出,第1辑,第四,十月,pp.1250 - 1256, 1999。
- 赵W,歌曲和最小Y,基于小波分析的方案在地下电力电缆故障检测和分类系统,电力系统研究中,53卷,1号,pp23-30, 2000年。
|
 |
 |
 |
菜单
