浅谈新技术在电力系统继电保护中的应用

2014-10-21 20:01袁俊
建筑遗产 2014年1期
关键词:人工神经网络新技术继电保护

袁俊

摘要:现代电力系统已成为一个非线性、高复杂的大系统。继电保护作为电力系统的重要组成部分,它的可靠运行直接影响整个电力系统的安全稳定运行。随着计算机、通信技术的飞速发展,新的控制原理和方法被不断应用于微机继电保护中,继电保护正在向网络化、智能化、一体化方向发展。本文主要对电力系统继电保护新技术的应用进行了分析与探讨。

关键词:电力系统;继电保护;新技术;人工神经网络;自适应技术;网络继电保护

1 继电保护概述

1.1 继电保护的概念及其基本任务

电力系统继电保护和安全自动装置是在电力系统发生故障和不正常运行情况时,用于快速切除故障,隔离不正常设备的重要自动化技术和设备。当电力系统发生故障或发生危及其安全运行的事件时,它能及时发出告警,或直接发出跳闸命令以终止事件。

继电保护的基本任务一是检测故障信息、识别故障信号,进而作出是否出口跳闸的决定;二是反映电气元件的不正常运行状态并向值班人员发出信号,以便及时进行处理。

1.2 继电保护的发展历程

电力系统继电保护先后经历了不同的发展时期,电磁型继电保护、晶体管继电保护、基于集成运算放大器的集成电路保护,到了20世纪90年代,我国继电保护技术全面进入了微机保护时代,微机保护有强大的逻辑处理能力、数值计算能力和記忆能力,它不仅具有传统保护和自动装置的功能,而且还能发展到故障测距、故障录波等功能。微机保护经过20多年的发展,已经取得巨大的成功并积累了丰富的运行经验。

2 继电保护新技术的应用

随着科技的飞速发展以及微机继电保护的普遍应用,许多新技术不断应用到继电保护领域,例如IT技术的应用,实现了保护、控制、测量、数据通信一体化;应用人工神经网络,可以解决电力系统复杂的非线性化问题;应用自适应技术使继电保护获得更强的故障信息处理能力和自适应能力,显著提高其动作性能。应用网络继电保护可以实现保护功能的集成、自适应进行保护配置和定值计算等。

2.1 人工神经网络在继电保护装置中的应用

人工神经网络是模拟生物神经元的结构而提出的一种信息处理方法。人工神经网络由大量的模拟人脑的神经元互联组成,是一种非线性映射系统,具有强大的模式识别能力,通过对反映输入特征量的大量样本学习,可以对任意复杂状态或过程进行分类和识别。近年来,人工神经网络和模糊控制理论逐步应用于电力系统继电保护装置中,涉及故障类型的判别、故障距离的测定、方向保护、主设备保护等方面。

2.1.1人工神经网络在线路保护中的应用

输电线路常见的保护有纵联差动保护、高频方向保护、距离保护、电流保护等,其中纵联差动保护是广泛应用于220kV及以上输电线路的主保护,区外短路时,差动电流继电器的比率制动特性可防止不平衡电流引起的误动,但这种常规方式在实验得出的动作区域有变化时,常规微机保护原理需重新设计算法。人工神经网络避免了常规差动保护整定的不灵活性和原理上的不足,文献[1]提出了基于BP算法的差动保护,为简化计算,BP网的输入取制动和差动电流,输入层单元数为2个,输出则为动作信号0或1(0表示不动作,1表示动作),输出层单元数为1个;隐含层的单元数根据网络规模及试验确定,这里取4个。因此,BP网的结构为“2-4-1”型。仿真试验结果表明,神经网络用于线路纵联差动保护是合理、可行的。

电流保护是低压线路的主要保护形式,具有简单、经济等优点。但其定值整定、保护范围和灵敏系数等方面受电网接线方式及运行方式的影响明显,如电流速断保护,其整定值是按照系统最大运行方式下发生三相短路来整定的,当系统运行方式发生较大变化时,可能出现系统在最小运行下发生两相短路,或者被保护线路长度很短,电流速断无保护范围的现象[2]。人工神经网络由于其可对不确定系统进行学习或实现自适应,具有高度的容错性、鲁棒性及多输入多输出并行工作的特点,适合于复杂系统和对象的控制,文献[3]表明,基于人工神经网络的电流保护,在系统的各种运行方式下及各种故障中,不仅能够自适应识别线路的故障类型、相别和故障点位置,还可以准确地区分振荡与故障两种情况。

2.1.2人工神经网络在变压器保护中的应用

在变压器保护中关于励磁涌流状态的识别一直是困扰继电保护研究人员的棘手问题。文献[4]基于人工神经网络,综合考虑变压器励磁涌流状态和故障状态的特征,提出并建立了一个三层前向神经网络模型,它利用EMTP进行了大量的仿真计算,并将计算结果作为训练样本,对所建立的神经网络模型进行训练。对该模型进行故障状态检验结果表明,所建立的神经网络能够对变压器所发生的故障状态作出正确响应。

2.2自适应技术在继电保护装置中的应用

自适应继电保护是20世纪80年代提出的研究课题,其基本思想是使保护装置尽可能地适应电力系统各种运行方式和复杂故障类型,通过各种数字信号处理方法、数学分析工具和人工智能技术有效提取并处理故障信息,从而获得更可靠的保护。

2.2.1 自适应技术在电流速断保护中的应用

电流速断保护动作值是按躲开线路末端的三相短路故障电流而整定的。在发生两相短路时,保护动作的灵敏度会大大减小。采用自适应技术后,当故障发生时,保护首先判别系统运行方式和故障类型,再根据不同的故障类型自适应调整电流保护动作值,从而大大提高动作的灵敏度。为实现电流速断的定值自适应整定,必须实时确定短路故障的类型和系统等值阻抗,文献[5]提出了实现自适应电流速断保护的基本方法。

2.2.2 自适应技术在自动重合闸中的应用

文献[6]提出了一种将模糊综合决策用于单相自动重合闸自适应优化判据的方法,以提高重合闸的成功率。文中将电容耦合电压与互感电压的比值作为模糊控制器的第1个输入变量,将故障端电压与互感电压的比值作为模糊控制器的第2个输入变量,跳闸信号作为模糊控制器的输出。这种方法利用电容耦合电压等故障边界条件信息以及模糊控制器可自适应修正原有的电压判据。经理论分析和动模试验结果表明,这种方法具有良好的应用前景。

2.2.3 自適应技术在串补输电线路保护中的应用

文献[7]介绍了串补输电线路自适应保护的基本特点。该保护方案以卡尔曼滤波器和自适应卡尔曼滤波器为基础,利用串补输电线路正常状态和故障状态时电流暂态信号的差异,实现对串补输电线路的故障定位并确定故障相。

2.3 网络继电保护在电力系统中的应用

当前网络已经成为信息和数据通信工具技术的基础,微机继电保护同样也离不开网络通信强的支持。目前,除差动和纵联保护外,其他继电保护装置只反映保护安装处的电气量,其重要原因是缺乏有力的数据通讯、数据处理以及数据上传的联网手段。如果将分散的继电保护装置和安全自动装置网络化并由主站统一进行协调管理,就可以使继电保护装置获取更多的系统信息,从而更加准确的判断、处理故障,整个系统安全性与可靠性将得到提升。另外,网络继电保护还存在保护配置可通过运行方式自适应调整、保护定值可根据运行方式自动计算、二次回路简单化、运维工作量小等传统继电保护不可比拟的优点。

在实际应用方面,一是目前运行的微机保护程序和软件原理成熟、功能完善,能够满足开发网络继电保护与控制软件的基本要求;二是基于EMS系统的数据支撑平台及体系结构的开放化和标准化已取得很大进展,这成为了开发开放化和标准化网络继电保护与控制系统的支撑平台及体系结构的技术基础;三是随着光纤通信技术的发展,利用就地测控装置组网的方式形成数字数据网,存在容量大、防干扰、信号衰减小的优点,可以提高继电保护运行的环境质量。从上述的技术基础上看,网络继电保护具备实现的可能性,虽然在开发和推进过程中还存在很多难题和挑战,但它依然为继电保护的发展指明了一条道路。

3 结论

总之,随着电力系统的高速发展和计算机技术、通信技术的进步,继电保护已经呈现出了微机化、智能化的特征,为当今电力系统的高速发展提供了可靠、稳定的保护。同时,继电保护也将随着各种技术新一轮的发展呈现更新的特征,也将获得更广泛的应用。

参考文献:

[1] 贾德香,韩净.神经网络差动保护技术[J].电工技术,2003(3):11-12.

[2] 贺家李.电力系统继电保护原理[M].天津:天津大学,1991.

[3] 李营,杨奇逊.分布式微机母线保护的探讨[J].电力系统自动化,1999,23(1).

[4] Perez L G,Flechsig A J.Training an artificial neural network to discriminate between magnetizing inrush and internal faults[J].IEEE PWRD,1994,9(1):434-441.

[5] 赵梦华,葛耀中.微机式自适应馈线保护的研究和开发[J].电力系统自动化,1999,23(3):19-22.

[6] 林湘宁,刘沛.基于模糊综合决策的自动重合闸优化判据[J].电力系统自动化,1997,21(9):31-34.

[7] Girgis A A,Sallam A A,Karim E-l Din A.An adaptive protection scheme for advanced series compensated(ASC)transmission lines [J].IEEE Trans.on Power Delivery,1998,13(2):414-420.

猜你喜欢
人工神经网络新技术继电保护
基于人工神经网络的故障诊断专利浅析
继电保护系统在10kV配电站中的应用
人工神经网络发展历史与训练算法概述
基于人工神经网络的优化配置研究
智能变电站继电保护系统可靠性分析
110kV变电站继电保护故障及措施探讨
当传播遇上新技术,媒体人需怎样的新闻坚守?
基于人工神经网络的经济预测模型