ДонНТУ> Портал магистров ДонНТУ
Обнаружение повреждений на ЛЭП с указанием фазы с помощью нейросетей
М. Кезуноич
Ключевые слова – Дефектоскопия, Фазовый Выбор, Защита Линии высоковольтной Передачи, Нервные Сети
I. ВВЕДЕНИЕ
В электроэнергетической системе, включающей в себя различные элементы, всегда существует вероятность нарушения работы и возникновения повреждений. Стабильность работы ЭЭС связано с реализацией методов оценки зарождающихся повреждений на основе быстрых измерений сопротивления изоляции оборудования. Дефекты в линиях высоковольтной передачи энергетической системы необходимо своевременно обнаружить и правильно классифицировать для своевременного устранения. Модуль дефектоскопа линии высоковольтной передачи может использоваться как защитная схема для запуска других модулей. Дефектоскопы обеспечивают дополнительный уровень безопасности в сменяющем приложении также.
Использование методов распознавания образов может быть полезным для классификации нормального и анормальных состояний ЭЭС. Это может также использоваться для определения фазы с повреждением при анормальном режиме ЭЭС. Искусственные нейронные сети (ИНН) эффективны для решения задач распознавания образов и классификации. Поэтому, за последние годы получили развитие в ЭЭС различные методы для управления ЭЭС, основанные на ИНН [1].
Натренированная защитная схема должна эффективно работать при различных условиях ЭЭС и параметрах. ИНН обладают превосходными особенностями такими, как, например, способностью обобщения, шумовой иммунитет, ошибкоустойчивость и терпимость дефекта. Поэтому на работу РЗ, использующими ИНН, не смогут серьезно воздействовать изменения в параметрах систем.
Основанные на ИНН методы были использованы в защите энергетической системы и получены позитивные результаты [1-6].
В статье предлагается метод для быстрой и надежной дефектоскопии и выбора фазы. Предложенный метод использует ИНН.
Моделирование переходных дефектов позволило реализовать в ИИН алгоритм описания эталонов.
Метод проверялся путем оценки различных типов дефектов и получены положительные результаты. Испытания показали, что алгоритм быстро и правильно функционирует при различных комбинациях условий, характеризующих повреждения: тип дефекта, сопротивление дефекта, угол начала дефекта, расположение дефекта, предварительно направление потока мощности короткого замыкания дефект-система.
II. КЛАССИФИКАТОРЫ ТИПОВ ДЕФЕКТОВ
В алгоритмах классификации используются измеренные потоки мощности и величины напряжений [7,8].
Увеличение или уменьшение текущей величины напряжения/импеданса может использоваться для мероприятия по обнаружению дефекта электрической системы. Эти алгоритмы зависимы от различных факторов, как например сопротивление в месте повреждения и наличие КЗ в энергетической системе. Запуск затрудняется, когда поток мощности нагрузки сопоставим с потоками мощности при повреждениях. Затруднительно обнаружение возможных дефектов с высоким уровнем сопротивления дефекта. Для отдаленных низких текущих дефектов, никакой ясности при условии напряжения не возникает в месте установки реле. В случае ближнего дефекта в условиях слабой электрической системы все напряжения отклоняются от номинального значения.
Поэтому, напряжение используется для запуска, но может не обеспечить правильное определение дефекта для его различных условий.
Для определения потоков мощности и величин напряжений, которые обеспечивают правильную работу дефектоскопов, используются соответствующие фильтровальные алгоритмы. Когда дефект возникает на ЛЭП, энергетическая система проходит через переходный период. Возможно, не легко бы определить величину сигнала потока/напряжения быстро и точно в течение переходного периода после случая дефекта.
Так как в процессе развития энергетические системы усложняются и растут в размере, то необходимо идентифицировать различные дефекты в них быстрее и точнее при использовании более мощных алгоритмов. Целесообразно разработать надежный и быстрый алгоритм, позволяющий классифицировать возможные дефекты энергетических систем для различных параметров систем. В статье предложен алгоритм, основанный на ЭНН, как детектор дефекта линии высоковольтной передачи и модуль классификатора типа дефекта.
III. МОДЕЛИРОВАНИЕ ЭНЕРГЕТИЧЕСКОЙ СЕТИ
Для сети напряжением 230 кВ власти симулируются с помощью программы EMTDC различные виды дефектов с различными условиями системы и параметрами [9].
На рис. 1 показана схема простейшей электрической изучаемой системы. Мощность трехфазного КЗ на шинах эквивалентных источников питания на двух концах линии составляет 1.25 МВА. Отношения сопротивлений составляют для Zo/Z1 X/R 0.5 и 10, соответственно.
Рис .1 - Электрическая модель системы
Рис.2 - Модель высоковольтной ЛЭП
Линия высоковольтной передачи системы симулируется путем использования модель Bergron . Физическая структура моделируемой линии высоковольтной передачи показывается на рис. 2.
Набор данных для обучения ИНС должен содержать необходимую информацию, необходимую для обобщения проблем.
Рассматриваются различные комбинации условий дефектов и учебные образцы получены путем моделирования различных видов дефектов в энергетической системе. Тип дефекта, расположение дефекта, сопротивление дефекта и время начала дефекта варьируются так, чтобы получить учебные образцы, покрывающие широкий ряд различных условий энергетических систем. Набор данных использовался для обучения ИНН для создания модуля селектора.
IV. ПРЕДЛОЖЕННАЯ НЕ йронная СЕТЬ
. Входы Сетей
Взвешенные потоки в расположении реле могут измениться, когда дефект происходит в линии высоковольтной передачи. Принцип обнаружения / классификации дефекта, возможно, основан на обнаружении этих изменений. Принцип изменения текущих сигналов перед и после падение дефекта используется и модуль быстрого и надежного основанного на ЭНН детектора/классификатора дефекта проектируется, чтобы обнаружить дефект и классифицировать тип дефекта.
Текущие сигналы форм волны пробуются по норму 20 образцов за цикл. Образцы каждого из фазовых потоков сравниваются с образцами такого же фазового потока, взятого наполовину цикл и один цикл перед тем, как. Эти добавленные сигналы сделаны основанными на комбинации текущих образцов, использующих выравнивания 1-3. В этих выравнивания SUPA , SUPB и SUPC соответствуют фазирует, B и C наклал сигналы, соответственно. Равнодействующая сила три добавленных сигнала рассматриваются, как первый три входа к соответствующему нервному модулю сети.
В выравниваниях 1-3 n - типовой номер и N - число образцов за цикл.
Есть возможность, что один цикл после того, как случай дефекта, вторые сигналы дефектов циклов становятся подобными первым сигналам циклов и поэтому, наклал сигналы, возможно, уменьшился бы значительно. Чтобы иметь устойчивые выпуски для нескольких циклов после случая дефекта, один цикл данных из каждого из фазовых потоков до падения дефекта
запоминается в памяти. Один цикл после случая дефекта, дефекта, с которым текущие образцы сравнены до дефекта текущие образцы, основанные на таком же принципе, используемом в выравниваниях 1-3.
Обширные изучения выполнялись и нашли, что, чтобы быть способным проектировать надежную схему селектора дефекта, которая могла выполняться правильно для широкого ряда энергетической системы
параметры и условия дефектов, лучше добавить ноль и отрицательные компоненты последовательностей трех фазовых потоков, как нервные входы сетей. Эти два сигнала рассматриваются, как 4-ые и 5-й входы соответствующей сети, соответственно.
Используя упомянутую выше входную информацию в качестве нервных входов сетей, нашли, что алгоритм дефектоскопа также может обнаружить изменения типов дефектов и вести себя правильно даже для развития последовательных дефектов.
B. Образцовое Поколение и предварительная Обработка
Данные симулируют энергетических систем, полученные через программное моделирование EMTDC , используются в качестве входной информации, чтобы обучить предложенную нервную сеть. Сеть учебный процесс образцового поколения изображается в Рис. 3.
Предварительная обработка - полезный метод, который может значительно сократить размер нервных сетей, основал классификаторов и улучшают работу и скорость учебного процесса
[10]. Три фазы текущие входные сигналы обработали фильтры простой 2-й-порядковый низкий проход Butterworth . Фильтры имели частоту окольного пути 400 гц, которые вводят только маленькую задержку времени. Ответ частоты фильтра низкого прохода показывается в Рис. 4.
Рис. 3 - Тренировочный поцесс образцовой генерации
Рис. 4 - График низких частот на выходе
Фаза текущие сигналы пробуются последовательно и добавленные входы сети готовы, используя выравнивания 1-3. Чтобы сделать ноль и отрицательные сигнальные входы
сеть, дискретные Fourier преобразовывают метод используется, чтобы получить потоки phasors а затем, компоненты последовательностей оценены.
Текущие образцы измерены, чтобы иметь максимальное значение +1 и минимальное значение -1. Текущие сигналы делится шесть раз номинального потока системы.
C. Структура сети и Обучение
Многослойное питание передние сети были избраны, чтобы обработать подготовленные начальные данные. Несколько различных сетей было выбрано изначально. Для проектирования основанного селектора дефекта нервная сеть, различные сети с 5 входами и 4 выпусками рассматривались. Четыре различный, полагалось, что B, C и выпуски N определяет, фазирует ли каждый из трех, B, C и/или нейтральный N присутствуют в цикле дефекта.
Сетевые архитектуры были решительны эмпирически который вовлек обучение и испытание другого числа сетей. Нашли, что три сети слоев подходящая для приложения селектора дефекта. Для всех сетей, гиперболическая касательная функция использовалась в качестве активации функционируют скрытых нейронов слоев. Насыщенная линейная функция использовалась для слоя выпуска [10].
С различными сетями с другим числом нейронов в их скрытом слое связалось как обусловленное Обратное Распространение (БАЗОВАЯ ТОЧКА), так и алгоритмы Marquardt - Levenberg (МЛ) [11]. В то время как базовая ТОЧКА - самый крутой алгоритм спуска, алгоритм МЛ - приближение к Newton ' s метод. Алгоритм МЛ является нелинейным менее всего ровно алгоритм, прикладной к изучению многослойный perceptrons . Нашли, что сети, связывающиеся с алгоритмом МЛ, обеспечивают лучшие результаты, сравнимые с результатами сетей, связывающихся с алгоритмом базовой ТОЧКИ. Поэтому, это было решительно, чтобы использовать учебный алгоритм МЛ для этого приложения.
D. Предложенная Структура ЭНН
Однажды обучил, производительность сетей проверена, используя набор данных утверждений. Подходящая сеть, которая показала удовлетворительные результаты, была окончательно выбрано. Отобранная структура сети показывается в Рис. 5. Сеть имеет 5 нормализировал входы и 4 выпуска. Число нейронов для скрытого слоя избрано, чтобы составить 10 нейронов.
Основанные на типе дефекта, который происходит на системе, нейроны выпусков должны составить 0 или 1. Выпуски, которые больше, чем полагается, что 0.7 активно, при выпусках полагается, что менее чем 0.3 бездействующий. Нервная сеть желала, выпуски для различных видов дефектов показываются в Таблице I.
Рис. 5 - Предложенная структура сети
Таблица 1 - Нейросеть выводов
V. ОЦЕНКА СЕТИ
Модуль селектора соответствующего нервного основанного на сети детектора/фазы дефекта был проверен, используя набор данных утверждений. Для различных дефектов набора утверждения, типа дефекта, расположения дефекта, времени начала дефекта, исходный импеданс и предварительно направление потока власти дефекта были изменены, чтобы расследовать эффекты этих факторов на работе предложенного алгоритма. Экстремальные случаи подобно дефектам near до конца линии высоковольтной передачи, включающей сопротивление дефекта, также вошли в набор данных утверждений. Для изучений выполняют, нашли, что предложенная сеть может правильно обнаружить различные виды дефектов и, чтобы определить тип дефекта.
Предложенные выпуски сетей для двойного дефекта фазовый AB показываются в Рис. 6. Для этого случая, дефект прикладной к системе в то время 57 ms и выпуски сетей есть показано о первом 50 ms после начала дефекта, которое представляет больше всего интереса. Расположение дефекта составило 83 км . от расположения реле, в то время как относительный угол источника конца пересылки относительно угла источника получает-конца составил 10 степеней. Как показано в этой фигуре, сеть может ответить дефекту правильно за своевременной модой. Дефект идентифицируется только в несколько ms , который показывает, что сеть может обнаружить и классифицировать дефект весьма быстро. Выпуски сетей остаются устойчивыми после идентификации дефекта.
Выпуски сетей для дефекта короткого замыкания развития в 80 км . представляются в Рис. 7. Для этого последовательного дефекта, сначала единая фаза, чтобы грунтовать дефект AG прикладной и дефект идентифицируется правильно. Затем, в то время 68 ms дефект изменяется к двойной фазе, чтобы грунтовать дефект ABG . Как показано в Рис. 7, сеть отвечает этому изменению соответственно.
Предложенная производительность сети для нескольких дефектов с различными условиями энергетических систем представляется в Таблице II .
Как пример, испытательные результаты, чтобы единая фаза грунтовала дефект AG в 20 км . от расположения реле представляется в первом ряду Таблицы II . Для этого дефекта, относительный угол sending – end источника относительно угла источника получает-конца, E составил -10 градуса Начало дефекта угловой T относительно фазы ноль напряжения, пересекающий, составил 30 градуса и полагалось, что исходный импеданс Zs составляет 12 Эмульсия типа масло в воде.
Рис. 6 - Вывод сети для дефекта за 83 км
Рис. 7 - Вывод сети для изменяющихся дефектов
Выпуски сетей для двух различных количеств сопротивления дефекта показываются в последних колонках стола. Для упомянутого выше дефекта AG , и N выпуски сети есть активизируют, в то время как B и выпуски C остаются нулевыми.
Для дефектов, которые не вовлекают землю, сопротивление дефекта не - критический фактор. Для этих видов дефектов обычно дефектоскопы могли обнаружить дефект легче.
Поэтому, в Таблице II главный акцент для дефектов, которые вовлекают землю также.
Как показано в Таблице II , реле выполняется весьма надежно для широкого разнообразия типов дефектов и условий систем. Для дефектов, включающих высокое количество сопротивления дефекта,
обусловленный ответ дефектоскопов медленен в природе и даже они, возможно, не могли бы обнаружить дефект благодаря низкому уровню потока дефекта. Однако, проектировал сеть мог выполняться хорошо даже на наличие значительного количества сопротивления дефекта.
Как пример, ответ сети для дефекта САНТИГРАММА в конце линии высоковольтной передачи с 20 Эмульсия типа масло в воде сопротивление дефекта показывается в одном ряду перед последним рядом Таблицы II . Для этого случая, исходный импеданс высок также, так что уровень дефекта системы весьма низкий. Дефект идентифицируется правильно, как показано в Таблице II даже для этого дефекта, который имеет низкий уровень потока дефекта.
Таблица 2 - Предложенные результаты испытания алгоритма
VI. ЗАКЛЮЧЕНИЯ
В этой бумаге новый подход к алгоритму выбора обнаружения/фазы дефекта представлен и его эффективность продемонстрирована. Предложенный подход основан на использовании нейрона вычислительная технология и выполнение понятий распознаваний образов. Бумага представляет положительный подход, чтобы улучшить работу обусловленных алгоритмов.
Предложенный алгоритм экстенсивно проверяют независимые образцы испытательных дефектов и многообещающие результаты получены. Эффекты различных параметров систем и условий изучается. Обширные изучения указывают, что сеть может классифицировать различные дефекты правильно и быстро и на его работу не воздействуют изменяющиеся условия сетей.
ССЫЛКИ
[1] М. Кезуноич , “Обзор Нервного Сетевого Приложения к Защитной Передаче и Анализу” Дефекта, Инженеру. Int . Система., Т. 5, Номер 4, 1997 декабря, pp . 185-192.
[2] М. Саная , “Большие Скорости Защиты Системы Передачи, Использующей Сеть” Elman , Сделка IEEE На Энергетической Поставке, Т. 13, Номер 4, 1998 октября, pp . 1040-104
© ДонНТУ 2008 Маслов