论文部分内容阅读
随着我国智能电网的快速发展,电网的安全稳定运行愈加重要,基于本地量的传统后备保护越来越不适应广域大电网的运行要求。广域后备保护主要利用电网多点测量信息进行故障诊断,提高后备保护可靠性,是对传统就地主保护的有益补充。目前快速发展的广域测量技术、高速网络通信技术和高精度时间同步技术,为实现广域继电保护提供了重要的技术支撑,大力推动了基于广域信息的继电保护研究。在分析既有广域后备保护系统结构与相关技术的基础上,本文重点研究了基于广域信息的电网故障诊断算法,主要从利用广域工频电气量、广域行波信息和广域状态量三个方面开展工作。同时为充分利用人工智能技术和广域状态量实现故障诊断,分别对有监督和无监督模式识别方法进行了对比分析研究,主要的工作如下:(1)根据电网不同故障类型,论文提出了两种基于广域工频电气量的故障诊断方案。其一是基于广域故障电荷量比较的故障诊断方法,该方法定义了电网节点保护关联域,寻找关联域边界的正序故障电荷量关系,给出节点关联域计算电荷量和参考电荷量概念。电网节点智能电子设备(Intelligent Electronic Device,IED)将获得的电荷量上传到广域决策中心站,并比较其相对大小关系,建立节点-关联支路状态矩阵,对矩阵元素进行搜索实现电网故障诊断。其二是基于电流极性和能量相对熵的故障诊断方法,该方法划分了线路IED保护关联域,提取关联域正序工频故障分量电流,给出了关联域边界电流、综合计算电流和综合虚拟电流概念。定义综合电流采样值能量相对熵,用其来量化综合电流的差异程度,同时求取关联域边界电流之间的夹角大小以表征边界电流的极性关系。利用关联域区内外故障时二者的明显差异实现故障诊断。(2)在研究电网广域行波分布特征的基础上,论文提出了两种基于广域行波信息的故障诊断方法。方法一利用小波变换计算电网各节点初始电压行波能量,判断能量最大的节点为故障节点。计算该节点各关联支路初始电压、电流行波小波系数序列夹角,由夹角大小来判断是否为故障线路。方法二提出基于广域初始行波无功功率分布特征的故障诊断方法。该方法定义初始行波无功功率,对电网各子站关联支路进行功率大小比较,将功率幅值最大的线路选为准故障疑似线路,并将其功率幅值上传至广域决策中心站,建立子站-关联支路功率矩阵。以该矩阵为对象进一步搜索故障疑似线路,并结合线路双端功率比幅判据对故障疑似线路进行最终判别以诊断实际故障线路。(3)论文引入人工智能技术,分析电网广域状态信息的分布特点,研究了三种有监督模式识别方法在电网故障诊断中的应用。方法一利用概率神经网络(Probabilistic Neural Network, PNN)的良好分类和容错能力,研究基于PNN的电网故障诊断方法。以线路距离Ⅱ段测量元件、方向元件和主保护动作信息构成样本集,对PNN网络进行训练和测试。方法二研究最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的电网故障诊断算法,该算法利用电网节点IED采集相关关联域状态信息并进行逻辑运算实现信息融合。融合后的信息形成样本集输入到LSSVM分类器进行训练和测试,以识别电网故障关联域节点IED,进而诊断故障元件。方法三分别构造基于PSO-LIBSVM的线路和母线故障诊断网络,利用线路JED和母线IED采集相关状态信息,计算不同关联域的动作系数实现信息融合并建立样本矩阵。通过粒子群优化(Particle Swarm Optimization,PSO)算法寻找最优LIBSVM运行参数并训练故障诊断网络,利用随机故障下的测试样本矩阵对线路和母线诊断网络进行测试,以识别电网故障元件IED,进而诊断故障元件。通过大量仿真实验,模拟了多种信息不准确情况下的故障诊断结果,实验证明论文给出的三种方法均能快速、正确地诊断出电网故障元件,适应性较强,容错性能好。(4)论文在模糊C均值聚类分析理论(Fuzzy C-means Clustering,FCM)的基础上,结合电网广域状态信息,研究一种基于FCM的电网故障诊断算法。该算法属于无监督模式识别技术,利用线路IED采集相应保护的动作信息、方向元件状态信息、断路器状态信息等,并以电网各线路IED状态信息作为FCM的聚类对象。给出了电网关联IED的定义,利用故障诊断算法把故障元件关联IED归为一类,同方向区外故障IED归为一类。在故障区域最小原则下,选择聚类结果中IED个数最少的类别作为故障元件关联IED类,在该类中,判定相互关联的IED所关联的元件为电网故障元件。大量仿真表明,相对于有监督模式识别方法,该算法容错性能好,运行速度快,判别准确率高,在较多状态信息不准确的情况下均能正确诊断故障元件。论文最后对基于广域信息的电网故障诊断方法进行了总结,并对下一步后续工作的研究进行了展望。