关键字 |
| 人工神经网络，距离保护，FACTS器件，晶闸管控制串联电容器， |
介绍 |
| 目前，由于电力行业的放松管制，以及电力行业由于能源、环境和监管问题所面临的限制，主要挑战是提高电力传输能力，并提高给定传输设施的系统完整性。采用串联补偿可以解决上述问题。在电力系统中引入串联补偿可以影响特定网段的潮流，从而降低有功功率损耗，并防止系统次同步振荡[1]-[3]。 |
| FACTS器件通常用于电力系统中，它兼顾了功率传输能力、电压稳定性和功率振荡阻尼。可控硅控制串联电容器(TCSC)是所使用的串联补偿装置之一，但TCSC的使用由于继电器测量的表观阻抗的变化而给传统的距离保护方案带来了一定的问题。串联补偿电压[4]~[5]的不确定变化会影响继电器所看到的视阻抗。 |
| 输电设施提供商通常倾向于将距离保护作为主要保护系统，由于串联补偿引入输电线路，在选择保护方案时需要额外注意，因为除了高压输电网络的众所周知的保护挑战之外，串联补偿还需要额外注意。在现代电力系统保护系统已经变得智能化，它使用微处理器技术，如人工神经网络，以提高输电线路的距离保护与TCSC补偿，采用反向传播算法，并在不同条件下使用MATLAB仿真进行了广泛的测试[6]-[11]。 |
| 本文组织结构如下:第一节介绍了利用人工神经网络进行串联补偿输电线路保护，第二节简要介绍了可控硅控制串联电容器(TCSC)，第三节讨论了人工神经网络，第四节介绍了距离保护的基本原理和SC补偿对保护的影响。第五节给出了所使用的模拟方法和结果，第六节给出了基于所获得结果的结论。 |
可控硅控制串联电容器 |
| 多年来采用串联补偿技术，通过调节线路的净串联阻抗来调节两站之间的功率传递。安装串联电容器是增加传输线容量的常规和既定方法，通过降低净串联阻抗，从而增加功率传输。由于这种方法是成熟的方法，但由于其开关时间慢的限制，它被可控硅控制器所取代，可控硅控制器是快速作用装置，因此可以快速和连续地控制线路补偿。可控硅控制串联电容器(TCSC)是一种用于串联补偿的控制器。TCSC是一种由晶闸管控制电抗器(TCR)与电容器并联而成的FACT器件。TCR是由发射角α控制的可变感应电抗器XL (α)。XL (α)相对于α的变化可由[12]计算: |
 |
| 受控电抗器放置在串联电容器上，因此TCSC可以被建模为一个可变的并联LC电路，由一个固定的电容阻抗Xc和一个可变的感应阻抗X组成l(α)，如下: |
 |
| 其中α是从电容器电压峰值测量的延迟角(或等效地，线路电流过零)。α在0 ~ 90之间，XL (α)从最小值(ωL)变化到最大值(无穷大)，因此TCSC的有效电抗在α=0时从最小值(XLXc/(XL.Xc))开始增加，直到Xc = XL (α)处出现平行谐振状态，理论上XTCSC是无穷大的，这就是感应区。随着XL (α)的增大，产生容性区域，此时TCSC电抗XTcsc (α)从无穷远点开始减小，直到电容电抗XC= l/ωC的最小值。图2为TCSC随发射角α的阻抗特性曲线。从图中我们可以看到，通过改变发射角(α)，电容区和感应区都是可能的。 |
| 在实际方案中，TCSC通常采用金属氧化物压敏电阻(MOV)和旁路开关作为保护装置，如图1所示，MOV是一个非线性电阻，通过为故障电流提供备用路径来保护TCSC免受高电容过电压的影响。MOV的V-I特性由以下指数方程计算: |
 |
| 我在哪里MOV和VMOV为MOV电流和电压;我裁判和V裁判是参考量，q是特征的指数。如果发生严重故障或设备故障，TCSC上也有一个断路器绕过它。在断路器分支中还提供了限流电感Ld，以限制旁路操作期间的电容器电流 |
| A.不同的操作模式 |
| 通过改变晶闸管的发射角度，可改变TCR的有效电抗。这种可变的TCR电抗与固定电容组合并联，使TCSC在四种不同的模式下工作;阻塞模式;旁路模式;电容式升压方式;还有感应升压模式。由于本文研究的是保护方案所面临的问题，我们只讨论了用于提高特定线段的功率传输能力的电容升压模式。 |
| B.电容式提升模式 |
| 在电容升压工作模式下，在电容电压穿过零线之前，触发脉冲被提供给具有正向电压的晶闸管，因此电容放电电流脉冲将通过并联电感分支循环。放电电流脉冲增加到通过电容器的线路电流，并导致电容器电压增加到由线路电流引起的电压。因此，电容器峰值电压将与通过晶闸管分支的电荷成比例增加。基本电压也几乎与电荷成比例地增加。从系统的角度来看，这种模式在线路上插入的电容几乎是固定电容的三倍。这是TCSC的正常运行模式。 |
人工神经网络 |
| 人工神经网络，简称神经网络，是一种受生物神经网络启发的数学模型。神经网络由一组相互连接的人工神经元组成，它使用连接主义方法来处理信息。在大多数情况下，神经网络是一个在学习阶段改变其结构的自适应系统。神经网络用于模拟输入和输出之间的复杂关系，或在数据中寻找模式。有 |
| ？造型 |
| ？预测与预测 |
| ？估计与控制 |
| 为了用BP训练一个人工神经网络来解决一个特定的问题，在训练过程中通常有四个主要步骤: |
| ？步骤1-收集合适的训练数据 |
| ？步骤2-创建网络对象 |
| ？步骤3-训练网络和 |
| ？步骤4-模拟网络对新输入的响应。 |
距离防护原理及sc对防护的影响 |
A.距离继电器 |
| 距离继电器，顾名思义，测量距离。这在传输线的情况下是正确的，因为距离继电器测量继电器点和故障位置之间的阻抗。该阻抗与导体的长度成正比，因此与继电点和故障[13]之间的距离成正比。 |
B.保护区域 |
| 基本上距离保护有即时定向区域1保护和一个或多个时间延迟区域。数值距离继电器由五个区域组成，其中一些用于相反的方向。使用数值距离继电器，I区瞬间保护设置可达被保护线路的85%。区域2保护设置应至少为被保护线路阻抗的120%。区域3到达应设置为至少1.2倍的阻抗提供给继电器的故障在第二线路部分[13]远端。3区距离保护的典型范围如图4所示。 |
| AB保护线θ线角AP阻抗设置 |
C. Tcsc对距离保护的影响 |
| TCSC串联补偿在有负荷输电线路中起着至关重要的作用。TCSC在输电网络中的应用需要进一步研究新系统的预期性能，以及对现有保护、控制和监测系统运行的影响。由于线路中引入串联电容，线路电抗给阻抗距离继电器的有效运行带来了问题。继电器利用阻抗测量来确定故障的存在和位置，当故障电路中电容的存在或不存在先验未知时，就会被安装在线路上的串联电容“愚弄”。 |
| tcsc及其过压保护装置(通常是金属氧化物压敏电阻(MOVs)和/或空气间隙)，尽管对电力系统性能有有益的影响，但也会带来其他问题，使使用传统技术的保护继电器的运行条件不利，包括电压和/或电流反转、次谐波振荡和由MOVs热保护触发的空气间隙引起的额外瞬态等现象。在故障期间，串联补偿电压的变化会影响继电器所看到的视电抗和电阻。 |
D. Tcsc对距离继电器保护区域的影响 |
| 由于TCSC的引入，在故障期间串联补偿电压的变化会影响继电器所看到的视电抗和电阻。因此，即使故障不存在于其保护区域[3]，[5]，传统继电器也会不必要地跳闸。 |
| 引入TCSC后，用于输电线路保护的常定距离继电器的保护区域发生了变化。图5为引入TCSC时输电线路的保护区域，图6为将图4和图5结合起来，以清楚地了解TCSC的存在 |
| AB保护线θ线角AP阻抗设置 |
模拟及结果 |
| 本文使用的测试系统是一个500KV, 60 Hz的电力系统，该系统有两个源，对应两个区域，由400公里的输电线连接。用于仿真的系统参数见附录表(1)。在这个系统中，TCSC被放置在传输线的中间，如图7所示的单线图 |
| 单线图所示的模型是在MATLAB/Simulink环境下进行计算机仿真的。取不同工况下的仿真波形，如图8和图9所示为系统中无TCSC时的三相电压电流波形。图10和图11为系统中存在TCSC时的电压和电流波形。从图11还可以看出，每当系统发生故障时，故障电流突然增大，故障清除后恢复正常。在不同的测试条件下采集电压和电流值，借助MATLAB工具箱中的快速傅里叶分析工具箱，计算出继电器处的电压和电流。根据不同试验条件和不同故障条件下的电压和电流值，计算特定线路段的阻抗，结果如表(I)所示。 |
| 根据表(I)的结果，该特定区域的保护继电器发送了错误的跳闸信号，如表(II)所示。正如我们在介绍中已经讨论过的，由于引入TCSC，保护电路出现了必须纠正的问题，在人工神经网络的帮助下纠正了阻抗的变化。 |
| 神经网络训练使用MATLAB/Simulink测试系统，如图7所示，针对各种故障(LLL-Fault、LL-Fault和LG-Fault)故障定位(90%、85%、80%、70%、60%和50%线长)，以及TCSC不同发射角度(60°、63°、65°、68°和70°)，生成用于训练的训练用例，以16个样本/周期的采样率采集不同的训练向量。神经网络训练的输入是继电器位置的电压、电流和TCSC工作时的发射角度。人工神经网络系统的预期输出是断路器的跳闸或无跳闸信号，形式为[0 0 0 1 1 1 1]。人工神经网络采用反向传播算法进行训练，隐层神经元的数量是基于试错法确定的。在本问题中，基于试错法，我们得出结论，在隐层中加入10个神经元会得到更好的结果。表(III)将期望输出结果与训练后得到的输出结果进行比较。为了更好地理解，我们将期望输出结果与训练后得到的输出结果进行对比，如图12所示。 |
结论 |
| 引入TCSC具有提高稳定性等优点;增强了有功功率传输能力，但在输电线路上使用时，由于继电器测量的视阻抗发生变化，对传统距离保护方案造成一定的问题。对TCSC不同类型故障和不同工作点(发射角α = 60°~ 70°)的模拟结果。它们表明，在电容模式下工作时，TCSC的存在改变了保护系统所使用的继电器测量的阻抗，从而导致保护继电器的错误操作(如过伸)。反向传播算法训练的神经网络避免了这种误操作。与传统的有TCSC的继电器相比，基于神经网络的继电器在跳闸条件(0,1)下具有良好的效果。利用上述网络，通过选择合适的训练对，也可以得到故障距离，这将在今后的工作中提出。 |
鸣谢 |
| 主要作者衷心感谢他的导师Mr. V Surendranath Chowdary对他的宝贵指导和建议。在此，他也衷心感谢Sreenidhi科学技术学院的教职员工对我研究论文的支持。 |
表格一览 |
|
|
|
数字一览 |
 |
 |
 |
 |
| 图1 |
图2 |
图3 |
图4 |
 |
 |
 |
 |
| 图5 |
图6 |
图7 |
图8 |
 |
 |
 |
 |
| 图9 |
图10 |
图11 |
图12 |
|
|
参考文献 |
- MojtabaKhederzadeh和T. S.Sidhu，“TCSC对输电线路保护的影响”，IEEE电力输送汇刊，2006年1月21日，第80-87页。
- SarathKapuduwage，“高压串联补偿输电网络故障定位”，论文，2006年12月21日。
- S. G. Srivani和K. PandurangaVittal，“串联补偿线路中距离中继方案的综合自适应到达设置”，国际电气工程与信息学杂志，第2卷，第2期。4, 2010, pp.291-297。
- AlirezaSolat, Ali Deihimi，“一种基于人工神经网络的串联补偿输电线路距离保护方案”，第20届伊朗电气工程会议，2012年5月15-17日。
- Zellagui Mohamed, ChaghiAbdelaziz，“双高压输电线路中串联补偿插入对距离保护设置的影响”，《国际科学与工程研究》第2卷第8期，2011年8月，第1-7页。
- Suhaas Bhargava Ayyagari，“基于人工神经网络的输电线路故障定位”，论文，2011年6月12日。
- 苏尼塔·提瓦里和S.P.舒克拉，“开环控制系统中的TCSC补偿”，中国机械工程学报，Vol。III/第一期/ 2012年1月至3月，第175-179页。
- Upendar, C. P. Gupta，和G. K. Singh，“并联输电线路的综合自适应距离中继方案”电力输送学报，第26卷，no. 1。2, 2011年4月，第1039-1059页。
- Dragan Jovcic和G. N. Pillai“TCSC动力学的分析建模”IEEE电力传输汇刊，第20卷，no. 2。2, 2005年4月，第1097-1104页。
- A.H. Osman, Tamer Abdelazim和O.P. Malik，“使用在线训练神经网络的输电线路距离中继”，电力输送学报，第20卷，no. 3。2, 2005年4月，第1257-1264页。
- Clint T. Summers，“带串联补偿电容器的输电线路距离保护问题”，论文1999年9月29日。
- Hingorani NG, Gyugyi L.理解事实:柔性交流传输系统的概念和技术，纽约:IEEEPress;1999.
- B. Ram & D.N. Vishwakarma，“电力系统保护和开关柜”，Tata McGraw - Hill出版有限公司，新德里，1995。
- Sivanandam, S.N. Deepa，“用MATLAB 6.0介绍神经网络”，Tata McGraw - Hill出版有限公司，新德里，2006年。
|
菜单
