[发明专利]一种基于人工神经网络模型的智能化母线保护方法

摘要

本发明涉及一种基于人工神经网络模型的智能化母线保护方法，该方法采用电力系统正常运行的母线上各回路的电流同步采样数据，实时训练母线保护的人工神经网络(ANN)模型6，并校验ANN模型的灵敏度，以此训练校验后的ANN模型6来识别和判断母线故障。本方法由于采用正常运行采样数据训练的人工神经网络(ANN)模型来智能化地实现对电力系统母线故障的识别和判断，在提高母线保护性能的同时，尽量减少人为因素对母线保护的影响，减轻保护工作者的劳动强度和心理负担。

主权项

1、一种基于人工神经网络模型的智能化母线保护方法，其特征在于：该方法采用电力系统正常运行的母线上各回路的电流同步采样数据，实时练训母线保护的人工神经网络(ANN)模型(6)，并校验ANN模型的灵敏度，以此训练校验后的ANN模型(6)来识别和判断母线故障；该方法包括以下步骤：1)从母线上各回路电流互感器二次线圈来的电流模拟信号iAn(iBn，iCn)接入各回路的低通滤波电路(11)，经低通滤波电路(11)处理后的电流模拟信号送入锁频锁相采样模块(12)，从锁频锁相采样模块(12)中输出的电流数字信号i’An(i’Bn，i’Cn)用于故障启动模块(2)和母线保护ANN模型训练模块(3)或母线保护ANN模型故障判断模块4；2)故障启动模块(2)由自适应故障预启动模块(21)和故障启动确定模块(22)组成；从锁频锁相采样模块(12)出来的电流数字信号i’An(i’Bn，i’Cn)接入自适应故障预启动模块(21)的自适应正弦滤波器(51)，自适应正弦滤波器(51)由一个与电流数字信号i’An(i’Bn，i’Cn)相同频率的正弦信号逼近电流数字信号i’An(i’Bn，i’Cn)构成，电流数字信号i’An(i’Bn，i’Cn)与滤波器正弦信号之间的误差e由自适应正弦滤波器(51)输出，并将误差e与误差定值eset1进行比较，若e＞eset1，且误差和∑|e(j)|大于误差定值eset2，则输出故障预启动信号，反之则输出故障未启动信号；3)输出故障预启动信号后，从锁频锁相采样模块(12)输出的电流数字信号i’An(i’Bn，i’Cn)接入故障启动确定模块(22)的正弦逼近处理器(52)，正弦逼近处理器(52)由一个与电流数字信号i’An(i’Bn，i’Cn)相同频率的正弦信号在一个时域区间逼近电流数字信号i’An(i’Bn，i’Cn)构成，逼近后的正弦信号A(t)、B(t)是时间函数，A(t)、B(t)时间函数由正弦逼近处理器(52)输出，计算$i_m\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 可获得电流数字信号i’An(i’Bn，i’Cn)的瞬时幅值im，若瞬时幅值im的增量im(t+Δt)-im(t)大于电流定值iset1，且瞬时幅值im(t+Δt)大于电流定值iset2，则输出故障启动信号；4)故障启动模块(2)输出故障未启动信号后，从锁频锁相采样模块(12)输出的各个电流数字信号i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入母线保护ANN模型(6)，母线保护ANN模型(6)的输出值y与母线保护ANN模型(6)的期望值之差为母线保护ANN模型(6)的输出误差e，调节母线保护ANN模型(6)的权系数w1、w2…、wM和u11、u12、…、u1M、u21、u2、…、u2M、…、u1M、uN1、uN2、…、uNM，使母线保护ANN模型(6)的输出误差平方e2最小，从而进入校验ANN灵敏度模块(7)；将训练后的母线保护ANN模型(6)的任一输入设置为最小灵敏电流输入值i’mm，其余母线保护ANN模型(6)的输入设置为0，计算训练后的母线保护ANN模型(6)的输出值y，将输出值y的|y|与输出定值yse1进行比较，若|y|＞yset，则母线保护ANN模型6训练完毕，反之模型废弃；5)故障启动模块2输出故障预启动信号后，从锁频锁相采样模块(12)输出的各个电流数字信号i’A1(i’B1，i’C1)、i’A2(i’B2，i’C2)、…、i’AN(i’BN，i’CN)接入训练后的母线保护ANN模型(6)，母线保护ANN模型(6)的输出|y|与输出定值yset进行比较，若|y|＞yset，则有母线故障出现，并进入母线内部外部故障判断；若ANN模型故障判断时间td小于故障预启动时间tp加抗饱和时间tst，则判断为母线内部故障，反之则判断为母线外部故障；判断为母线内部故障后，等待故障启动模块2输出故障启动信号，并开启母线保护的跳闸信号控制出口。