ISSN在线(2278 - 8875)打印(2320 - 3765)
Linimol Ansalam V
|
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
基于智能保护继电器数据采集系统用于正确的电流互感器(CT)二次波形失真。CTs提供仪器仪表和保护水平电流和电压信号继电器在高压和超高压系统。保护继电器的准确性和性能在高压和超高压系统稳态和瞬态性能直接相关的CT。CT饱和可能导致保护继电器错误操作,甚至防止绊倒。该方案的关键是使用人工神经网络(ANN)实现CT的逆传输功能。仿真研究预制和改变不同参数的影响进行了研究。性能研究结果表明,该方案是正确可靠的。该算法也被实现和测试356ο继电器测试单元。
关键字 |
CT饱和,安。 |
I.INTRODUCTION |
电力系统是一个高度复杂和动态实体,总是处于变化的状态。电力系统保护继电器是电力系统中发挥着越来越重要的作用。保护继电器是为了减轻故障的影响。电力系统保护方案旨在持续监测电力系统以确保最大电力供应的连续性和最小伤害生命,设备,和财产。保护系统操作依赖于仪器变压器的性能。仪表变压器是基于电网之间电磁耦合主面和保护装置在二次侧。固有的这种耦合是各种形式的信号失真。在某种意义上,这些扭曲人工:他们不来自电网,但由仪器内的耦合变压器插入。保护装置可能是敏感信号扭曲不管他们的来源。 |
保护继电器的清楚系统故障与高度的可靠性和尽可能快。能够正确执行,他们需要合理准确再生产的主要电流信号在系统的缺点。在这方面,电流互感器(CTs)是用来提供简化版的初级电流高电压(高压)和额外的高电压系统(超高压)。他们提供高震级电网电流,通过提供信号副本缩小的水平是安全的,实际使用的防护装备。CTs携带负载电流时的性能并不是关注的传送需求而言。当故障发生时,当前的大小可能会更大,故障电流可能有大量的直流分量,而且可能有remnance CT的核心。所有这些因素可能导致饱和CT的核心,并导致大量次级电流的畸变。CT可能不代表一次电流忠实如果CT饱和,饱和可以导致严重扭曲CT的输出信号。因此继电器,依赖于次级电流可能会在此期间mis-operate和CT饱和可能导致保护继电器错误操作。 |
基于ai技术已经用于电力系统保护、前馈神经网络的数据采集方案,补偿CT次级电流。这个方案准确估计理想的CT,定义的次级电流一次电流和CT的比例,特别是当CT饱和。前馈神经网络输出提高CT在CT饱和,减少某些变量如迎角的影响,电压值变化、残余通量、时间常数和负担CT输出。显然仿真结果证明该方案的能力提供良好的估计的主要电流和电压的CT饱和。该方法也被实现和测试356ο继电器测试单元。 |
二世。数字保护继电器的结构 |
每个数字保护继电器的第一部分是数据采集系统。传统的数据采集系统(DASs)一般不太关注仪器变压器的性能。一些必要的预处理是在传统DASs完成的,如过滤,防止反锯齿,抽样,将模拟数据转换成数字信息。转换后的数字信息给继电器的故障检测算法和决策。但是这些信息可能不合适可靠的保护继电器操作。 |
数据采集卡准备必要的信息对继电器检测设备的状况经过预处理和模拟数据转换成数字数据。这张卡片包括有源低通滤波器,样品持有人,模拟多路复用器(MPX),和一个模拟/数字转换器(A / D),提供采样和A / D转换等功能的瞬时电压和电流数据,然后介绍给主板卡。与传统的数据采集系统的主要问题是,DAS包括输入电流和电压有时很不同于高压数量(单位)而言,由于CT的不当行为。 |
三世。人工神经网络 |
安的特征是其建筑、培训或学习算法和激活功能。ANN模型试图用一些“组织”原则被认为是用于人类。安是一个极其大脑的简化模型。它本质上是一个函数的估计值。它将输入转换成输出的最佳能力。人工神经网络有大规模并行计算系统组成的一个极其大量的简单处理器与许多相互连接。安架构描述了神经元之间的联系。一个安由许多“神经元”合作执行所需的功能。它由一个输入层、输出层和一般,一个或多个隐层中间。其中一个常用的网络是前馈安。 The layers in these networks are interconnected by communication link that are associated with weights that dictate the effect on the information passing through them. These weights are determined by the learning algorithm [9]. Feed-forward neural networks are used for training, in which graphs have no loops. Feed-forward networks are static, that is, they produce only one set of output values rather than a sequence of values from a given input. Feed forward networks are memory-less in the sense that their response to an input is independent of the previous network state. |
激活函数相关的输出神经元的输入基于神经元的活动水平。一些常用的功能包括:阈值,乙状结肠,切双曲线,高斯函数。多层感知的学习过程(MLP)包括使用投入产出数据来确定权重和偏见。所使用的一种技术来获取这些参数是反向传播算法。在这种方法中,权重和偏差调整迭代实现网络输出和目标之间的最小均方误差值[9]。mlp中使用最广泛的网络应用程序。他们主要用于模式识别、控制、函数逼近等。本文安用于近似逆传递函数的CT。提出了不同的电力系统网络训练条件和各种仪表变压器参数。网络是用于估计主要仪表变压器的电流或电压。 |
四、电力系统仿真 |
提出ANN-based DAS训练和测试等各种情况下不同的故障场景和不同的电力系统条件。结果表明,该方案能够准确地补偿仪器变压器在不同条件下的行为。 |
一个三相230千伏电力系统包括输电线路100公里,如图1所示是用于生产所需的培训和测试模式。通过模拟生成不同类型的故障模式。饱和的影响,滞后,remnance和次要循环形成的物理模型是基于磁性材料[8]。 |
![]() |
不同类型的故障对电力系统模拟生成培训模式目前CT重建。故障电流大小,通量残留,负担,时间常数,和故障初始角度也不尽相同。利用EMTDC软件生成的训练数据集,然后转换为可用的格式通过MATLAB训练算法。安训练还在继续,直到误差达到一个可接受的水平。然后测试安训练模式,不习惯。测试结果为两种不同情况下Figs.2and 3所示包括CT主要和次要由安电流以及当前的重建。提出安能够准确地估计目前CT主要从CT次级电流饱和。 |
诉结果和讨论 |
![]() |
在图1中,它显示了图的时间与CT初级电流、安CT次级电流和输出故障与通量的2。故障初始角是180度,抵抗是负担0.5 X, X / R比值是16。 |
![]() |
在图2中,它显示了图的时间与CT初级电流、安CT次级电流和输出故障初始角是45度,负担阻抗是0.5 + j0.2 X,时间常数是100 ms,通量遗迹是2。 |
VI.CONCLUSION |
电力系统保护系统检测设备情况通过一些电子数量主要是电流和电压。DAS应该准备适当的电流和电压输入信号保护系统通过使用仪表变压器输出。仪表变压器有一些瞬态行为会影响保护系统的性能。提出了一个强大的数据采集系统,给出了有效的解决方案通过使用人工神经网络CT饱和。该方案能够准确地估计真实的初级电流和电压从二次CT在不同条件下的输出。该方案可以防止保护继电器mis-tripping由于信号失真或不受欢迎的跳闸。 |
引用 |
|