发电机的差动保护原理是什么

一种基于常规保护原理的ANN发电机差动保护研究 　　袁宇波 陆于平 唐国庆 L.L.Lai

(东南大学电气工程系南京210096)
(英国城市大学电气电子信息工程系EC1VOHB)�　　 摘 要 文中提出了一种基于常规保护原理的神经网络差动保护方法。神经网络具有非常优良的模式识别能力，文章首先从理论上分析得出：可以由一个单神经元实现差动保护中常规的比率制动特性，并实现了由一个单神经元感知器构成的比率制动特性的差动保护；在此基础上进一步提出了一个具有非线性制动特性的多层神经网络差动保护模型。该方法将传统保护中的整定值和人工神经网络结构中的权系数对应起来，利用学习算法获得保护的最佳方案，运行人员可以根据经验来选择训练结果，它彻底解决了将ANN技术应用到继电保护工程实际中去后可靠性差的问题，且容易被现场运行人员所接受。该方法无论在工程中还是在理论上都具有重要的意义。� 关键词 发变组 差动保护 人工神经网络 感知器 数字保护 内部故障　1引言�� 电力系统继电保护是一门综合性的学科，在继电保护技术发展到数字化的今天，各种新原理和新技术在数字保护中得到了广泛的应用。人工神经网络具有自学习及自适应能力，将人工神经网络应用到继电保护领域成为研究的热点，如果将神经网络技术应用到实时控制领域，如继电保护等方面由于它要求比较高的可靠性，所以在具体推向实际应用的时候具有一定的难度，其中的困难主要反映在神经网络的范化能力不够，即训练出来的网络不能保证100%的可靠性。但是，从国内外学者发表的论文来看，还是涌现出了大量的研究成果，如用人工神经网络实现距离保护，故障分类，故障定位等［1，2］，并且已经取得了比较好的效果；将神经网络应用于发电机的保护，比较少见，如文献［3］提出了基于差动原理的发电机定子绕组保护，它采用了两个神经网络，第一个用来做故障检测，检测发电机是处于正常、外部故障还是内部故障状态；另外一个神经网络用来做故障选相。输入神经网络的为发电机机端和中性点和转子绕组的电流的连续5个采样值。文献［4］提出了将计算出来的动作电流和制动电流的采样值作为神经网络的输入，并利用基因算法来缩短网络的训练时间，取得了较好的效果。� 由不同原理实现的发电机差动保护，在电力系统故障的时候表现行为是千差万别的，特别是在电力系统发生短路性故障，系统处于暂态和CT饱和时，更是如此；即使相同的原理如比率制动式发电机差动保护，如果采用不同的数字滤波器和不同的算法，由于算法对谐波和直流分量的抑制效果不一样，其在故障的时候表现的行为也不一样，这就是电力系统保护从理论上应100%正确动作，但是实际上正确动作率不高的原因［5］。由于继电保护对保护装置的基本要求就是可靠性，随着电力系统装机容量的不断增大，对装置的可靠性要求也越来越高；因为电力系统运行情况千变万化，现有的经验不可能涵盖一切可能发生的故障，而人工神经网络是基于对以往经验学习基础上的自学习及自适应原理，所以使电力系统的运行人员往往都不敢将其投入到实际系统中去运营，并且将人工神经网络技术应用到保护中去后整定方式也和以往的经验不一样，不能通过训练一个任意结构的神经网络就完成了保护的整定过程，如何保证训练后的该网络一定是可靠的呢?因此将神经网络应用到实际保护中的关键问题是如何保证可靠性，本文基于以上问题，提出了一种基于常规保护原理的人工神经网络差动保护方案，将常规的比率差动保护原理和人工神经网络原理充分的结合，彻底解决了现场人员对神经网络可靠性的担忧。因为该保护是基于传统的差动保护原理的，所以经过训练后的网络从可靠性上来讲不会比传统的保护差，并且容易从工程上得到实现。�2单神经元比率制动特性的实现和分析�2.1比率制动特性的差保护及单神经元的实现原理 比率制动特性的原理是传统保护原理在数字保护上的改进，它的动作电流不是固定不变的，它随着外部短路电流的增大而增大，所以能够保证外部短路时保护不误动，同时对内部短路又具有较高的灵敏度［6，7］。它的动作特性如图1所示。�　　 由图(1)可见它有三部分组成，无制动区、比率制动区和速断区，当制动电流小于拐点电流Ig时动作电流为一个常数Iq启动电流；当制动电流大于拐点电流的时候，动作电流随制动电流的增长而沿着一条直线增长；当动作电流大于差动速断电流时，反应了故障情况严重，保护将无时延地动作出口。其动作方程如下：�无制动区即Id≥Iq 当Iz≤Ig (1)�比率制动区即Id≥Ks(Iz-Ig)+Iq 当Iz≥Ig (2)�速断区Id≥Isd� (3)� 以流向发电机的方向为电流的正方向，差动电流为Id=｜IN+IT｜，制动电流为IN-IT｜，其中发电机中性点的二次CT电流为IN，机端的二次CT电流为IT，曲线的拐点电流Ig，曲线的启动电流Iq，曲线的斜率KS。以流入发电机为参考的电流正方向。 由以上动作方程可以分析得到，该方程实际上实现了一个模式分类器的功能，将Id和(Iz-Ig)组成的二维平面空间分成两类：即动作区和不动作区。因为人工神经网络在模式识别方面具有很强的能力，所以以上分类特性曲线完全可以由一个单神经元组成的感知器来实现。在实际的保护整定中一般都是根据保护运行的经验，来决定该比率制动曲线的斜率KS，在将人工神经网络技术引入差动保护后，以往整定的经验也将继续发挥作用，如可以根据经验KS值，作为该单神经元的权系数的初始值。本实例实现并训练了一个由单神经元实现的分类器，获得差动特性的比率制动部分。� 根据发电机差动保护的整定原则，需要整定差动保护的曲线拐点电流Ig，曲线的启动电流Iq。本次试验通过常规差动保护的整定原则先将Ig、Iq两个参数固定，将动作电流和神经元的连接权值固定设置为常数1，此时该单神经元的参数就只剩下比率制动部分的曲线斜率Ks，再根据人工神经网络的训练方法来寻找比率制动曲线的最佳斜率Ks，由图2所示可以看出，该感知器的输出方程就是差动保护的比率制动部分的方程。更进一步的研究还应该是Ig和Iq也通过人工神经网络的训练过程来获取，并且网络采用多层结构，传递函数为非线性特性，以此获得由于CT等二次回路设备误差产生的不平衡电流特性曲线的最佳逼近，得到非线性的制动性能。� 　　 根据实际收集到的现场数据和仿真的数据来构成训练样本，并通过一定学习算法来训练该单神经元网络，使网络的权值Ks收敛到一个合适的值。由现场测量的数据和仿真的数据可以得到很多个由I�d，(Iz-Ig)(记为Iz1)及输出的动作信号作为目标组成的样本对，由这些样本对组成了该单神经元网络的样本空间。�2.2基于常规保护原理的感知器差动保护训练算法 由图2可以看出，神经元的输入加权和为：� 传递函数f取为阶跃函数，神经元的输出值为：� 定义单神经元的误差函数为：其中N为样本数目；k代表某一个样本。� 由上式可以看出，当样本集确定以后，该单神经元网络的误差仅仅为比率制动系数的函数。神经网络训练的过程就是通过样本的学习，调整权值系数Ks使得误差平方和函数达到最小。� 根据感知器网络的学习规则可以得到［8］：� 1)给定初始K�s值，可以根据常规保护的整定经验将初始Ks取为0.5；� 2)输入一个样本X=(IdIz1)，和它的希望输出t(导师信号，如果X∈【内部故障】，t=1，如果X∈【外部故障或正常情况】，t=0)；� 3)根据式(4)(5)计算神经元的实际输出；� 4)根据式(7)(8)修正K�s的值�� 其中η为学习率；� 5)转到2)直到K�s对一切样本均稳定不变为止。�3单神经网络的训练和仿真�3.1学习样本的获取� 以三峡机组为例，构造一个实际的发电机变压器系统，参数如下所示。� 额定容量�Sn�=777.8 �MVA�；� 额定功率因数cosφ=0.9；� 额定线电压UN=20 kV�；� 额定电流IN=22 453.2A�� 直轴不饱和超瞬变电抗 系统连接图如图3所示。�　　　　 分别模拟发电机的内部各种相间短路故障，以及外部不同短路电抗的相间短路故障。故障电流经过二次�CT�传变后，得到中性点侧和机端的电流，然后计算得制动电流和动作电流的数据值。样本中同时还应该包括发电机正常运行时的电流数据；考虑到实际的运行经验，还应该把实际工程中用来整定差动保护的数据作为样本放到样本集合中去；更进一步的还应把该发电机的历次的故障录波的电流数据加入到样本集合中去。� (1)外部相间短路的仿真� 在利用�Matlab�软件仿真外部相间短路故障的时候，考虑到CT变比的离散性，变比设置大小可大致相等，但略微有一点差别，这样就可以模拟二次回路的稳态不平衡过程；考虑到暂态不平衡电流，设置CT的时间常数可以略微不一样，这样就可以模拟二次回路暂态不平衡过程；同时考虑到短路电流过大时CT会饱和，CT采用两段折线特性的磁化特性来模拟CT的饱和。� (2)内部匝间短路故障数据的获取� 内部短路故障数据由东南大学编制的多回路分析方法获得。� 故障条件：发电机空载运行没有接入系统，也就是说在发电机发生内部短路时，系统没有向发电机提供短路电流；同时还应包括发电机联入系统时，带负荷情况下面的内部短路故障数据；带过渡电阻短路时候的故障数据。以下列出了在不同条件下的故障情况：� 1)A相1分支和B相1分支的相间短路。短路点从1平移到36；得到36组样本数据；� 2)A相1分支和B相1分支之间的短路，A固定在中性点，B移动，得到36组数据；� 3)带30%负荷，A相1分支和B相1分支之间的短路，短路点从1平移到36，得到36组数据；� 4)带60%负荷，A相1分支和B相1分支之间的短路，短路点从1平移到36，得到36组数据；� 5)带100%负荷，A相1分支和B相1分支之间的短路，短路点从1平移到36，得到36组数据；� 6)带30%的负荷，A相1分支和B相1分支在中性点附近的带电阻短路，电阻为0.05 j欧姆(j=1…17)。� 将外部故障和内部故障数据在决策平面上画出来如图4所示，其中横轴为制动电流，纵轴为动作电流。O代表外部故障，×代表为内部故障。�　
　　 从图4样本点的分布来看，内部故障和外部故障的边界是比较的明显，在内部故障和外部故障两个模式之间是线性可分的，可以在两个模式之间用一条直线将两个区域分开。从误差随着Ks变化的趋势来看，Ks取值在0.23左右比较合适，由图6训练的过程可以得出，网络在经过有限的迭代次数后收敛，Ks最后的最佳取值为0.234 6。�　　3.2训练结果选择和分析� 当神经元训练完成后，因为网络的权值系数具有很明显的物理意义，所以可根据训练的结果画出该差动继电器的动作特性，根据得到动作特性可以人工地评判网络训练结果的好坏，如果训练的结果有明显的问题，即与通常的运行经验不符，就拒绝接受；然后仔细分析训练样本，查找样本中有没有明显不良的数据样本，使样本集变成一个线性不可分的问题，把该不良样本从样本集合中剔除。神经网络的权值和保护的整定值对应一致，人们可以分析它的训练结果以决定取舍，只有将人工神经网络的原理与工程实际问题相互有机地结合，才能将神经网络的理论知识运用到实际工程中去。从原理上来看，人工神经网络是一种结构互联的思想，支配它的还是数学上的一些优化方法。不能仅仅通过一个任意结构的神经网络获得输入输出的非线性映射，并以此来获该问题的解决方案，也就是说要解开神经网络的内部结构，把神经网络的权值赋予一定的物理意义，把我们平常解决问题的方法中的参数和神经网络的权值对应起来，把这些参数的获取归结为一个训练过程，并能够加以扩展和引伸，这样就可以充分地利用神经网络的结构和它的学习训练方法。� 传递函数为阶跃函数，也可以取线性函数或者非线性函数，但是采用不同的传递函数后可以得到不同的制动曲线，可以从数学上分析得到，采用阶跃函数的单神经元的制动曲线为线性的。采用上述结构的神经网络后，网络的权值和阈值都给赋予了一定的物理意义，使基于神经网络原理的差动保护架构在常规差动保护的原理之上，易于被现场人员接受。可以看出，即使神经网络没有经过训练，由经验整定的初值也能保证该神经网络差动保护正常地工作，因为实际上它就是一个常规的比率制动特性的差动保护。一旦神经网络训练收敛后，Ks的值将更加符合实际的情况。� 如果更加进一步的改善神经网络的结构，增加隐层节点数，就可以得到非线性的制动曲线，使制动曲线更加接近于差动回路的不平衡电流。我们都知道，神经网络的一个隐含层的神经元就是代表了一个决策边界，如果我们增加隐含层的接点数，就类似于产生一个分段线性的比率制动曲线，经过训练后网络的决策边界更加接近于CT二次回路的误差曲线。工程中比率制动特性的差动保护一般采用两段特性的曲线，但也有采用三段式特性曲线的，第三段折线对防止CT饱和造成的差动保护误动有一定的效果，且各种不同的制动曲线对于防止CT�饱和所造成的差动保护误动效果是不一样的。根据以上结论可以看出，如果我们采用由一条由人工神经网络实现非线性制动曲线，对差动保护的性能将会更有明显的提高。�4用多层神经网络实现的非线性制动特性的发电机差动保护 以上单神经元方案仅仅只是利用人工神经网络实现了比率制动特性的差动保护，神经网络具有非常好的非线性映射能力，如果仅这样利用神经网络就失去了实际的工程意义，充其量也只是用人工神经网络的学习算法来获取最佳的比率制动特性的保护，证明了将人工神经网络和差动保护结合起来是可行的，并没有用到神经网络的全部优良的特性，所以进一步的研究就是利用多层人工神经网络实现的非线性制动特性的差动保护。� 由上述单神经网络的分析可知，增加一个隐层的神经元就相当于增加一个分类边界，把神经元的节点改为非线性传递函数，就相当于把分类直线改为分类曲线，能增强神经网络对问题的表达能力。如图7实现了一个三层的神经网络差动保护，其中第一个神经元主要代表了无制动区；第二个中间神经元主要代表相应的制动区；第三个神经元主要代表相应的速断区。给权值赋予图上所示的初值，并加入不等约束条件把权值限制在一定的区域。由图7设置的初始值，就可以得到一条非线性的制动曲线，它不像比率制动曲线，它处处是光滑可导的，通过实际的样本训练可以得到更加符合实际的非线性制动特性。�　　　　 网络的学习训练算法采用BP算法，但由于该网络中因为某些权值代表了一定的物理意义，某些权值是固定不变的，并且相应的权值具有一定的取值范围，要受到实际经验的约束，如何将这些不等式约束条件加入到被定义的误差函数中去，并且网络的传递函数的选取也需要进一步的研究，所以需要将通用的BP算法加以改进才能够使用。今后将主要在这些方面展开进一步的研究。�5结论� 文中首先分析了采用单神经元网络实现的比率制动特性的纵差保护的可行性，并做了仿真试验。从仿真试验的结果可以看出，采用单神经元感知器实现差动保护的比率制动特性是可行的，能够获得最佳的比率制动特性。分析表明，将传统保护原理中的具体参数和人工神经网络中的权值对应起来，把神经网络的权值赋予一定的物理意义，利用神经网络优良的训练算法获得最佳的权值系数， 同时得到了传统保护中的整定参数，保护运行人员可以根据经验决定参数的取舍，彻底解决了将人工神经网络应用到保护中可靠性得不到保证的问题。在此基础上提出了基于多层神经网络的具有非线性制动特性的差动保护原理，并且作了初步的分析。基于传统保护原理的神经网络差动保护，将人工神经网络技术和实际的保护有机的结合起来，原理实现简单，并且容易被现场运行人员所接受。该方案在工程上和理论上都具有重要的意义。