一种基于A-CNN的光伏电站送出线路光纤差动保护算法制造技术

与同步发电机故障电流特性不同，光伏电站的高度可控性和弱馈特性改变了光伏电站送出线路故障电流的幅值和相角特性，导致基于同步发电机故障特征设计的传统光纤差动保护的性能下降甚至不正确动作。为了解决此问题，本发明专利技术公开了一种基于数据增强的卷积神经网络(A

【技术实现步骤摘要】
一种基于A
‑
CNN的光伏电站送出线路光纤差动保护算法


[0001]本专利技术涉及一种基于数据增强的卷积神经网络(A
‑
CNN)的光伏电站送出线路光纤差动保护算法，属于电气工程继电保护


技术介绍

[0002]光纤差动保护是我国220kV及以上高压输电线路的主保护，能正确区分区内和区外故障，自带选相功能，具有良好的选择性和灵敏度。然而，光伏电站的接入改变了电网的故障行为，导致传统光纤电流差动保护出现原理性不适应的问题。区内故障发生时，光纤差动保护可能出现灵敏度下降甚至拒动的问题。考虑到电流互感器饱和的影响，区外故障发生时光纤差动保护易出现误动的情况。作为电力系统的第一道防线，继电保护的不正确动作影响电力系统的稳定性，提出能适应光伏电站接入的新型继电保护方法对于保障新型电力系统的安全运行意义重大。
[0003]随着大数据、人工智能、5G通信、物联网、云计算和数字孪生等科学技术与电力系统的进一步结合，电网向着数字化、智能化转型升级。新型电力系统一定是在海量数据驱动下多维度交互式的综合能源系统，通过数据采集获取海量数据，进行数据处理将数字信息还原为电网运行状态，开展深层剖析和模型学习获得相关技术指标。深度学习正是可以应用于智能电网的一项技术，它与继电保护的结合具有广阔的应用前景。

技术实现思路

[0004]针对光纤差动保护在光伏电站接入后动作性能下降甚至不正确动作的问题，提出了一种改进新方案，通过卷积神经网络识别线路两端电流相角差波形的差异，实现了识别区内故障和区外故障、故障相和非故障相的功能。由于A
‑
CNN有良好的泛化能力，性能评估得该方案不受交流系统参数、故障类型、故障位置、故障电阻、严重电流互感器饱和、电流互感器测量误差和异常值等因素的影响。
[0005]一种基于A
‑
CNN的光伏电站送出线路光纤差动保护算法，包括以下四部分：
[0006]第一部分：线路两侧电流相角差采样环节。
[0007]具体包括以下步骤：
[0008]步骤(1)：对光伏电站送出线路上两端三相电流进行采样，得到光伏侧电流相量步骤(1)：对光伏电站送出线路上两端三相电流进行采样，得到光伏侧电流相量和系统侧电流相量
[0009]步骤(2)：对线路两端三相电流做离散傅里叶变换，计算得到光伏侧电流相角和系统侧电流相角x＝a,b,c分别表示A相、B相和C相；
[0010]步骤(3)：同相两侧电流相角相减得到线路两侧电流相角差：
[0011]第二部分：数据集生成及数据预处理环节。
[0012]具体包括以下步骤：
[0013]步骤(1)：对50Hz的电力系统，选取故障发生后一周期20ms内线路两侧电流采样值，计算得到光伏侧和系统侧电流相角差，形成波形图像；
[0014]步骤(2)：以电路模型仿真采集为主，辅以目标线路历史真实数据、环境因素等信息，尽可能涵盖各类故障情况，例如不同交流系统参数、故障位置、故障时间、故障类型、故障电阻、严重电流互感器饱和、电流互感器测量误差和异常值等条件，形成大量数据集；
[0015]步骤(3)：对数据集进行旋转、平移、缩放和添加高斯噪声进行处理，统一图像分辨率，转换为灰度图，进行归一化处理。
[0016]第三部分：A
‑
CNN模型学习训练环节。
[0017]具体包括以下步骤：
[0018]步骤(1)：将数据集按照8:2的比例分为训练集和测试集；
[0019]步骤(2)：将处理好的数据集送入A
‑
CNN神经网络模型，通过正向传播和反向传播进行训练，计算准确率和损失函数，直到收敛。
[0020]第四部分：实时监测保护环节。
[0021]具体包括以下步骤：
[0022]步骤(1)：取t时刻前一个周期的线路两侧电流相角差计算值，构造电流相角差波形图像，更改图像分辨率，进行归一化处理；
[0023]步骤(2)：每一时刻都将该时刻生成的三相电流相角差波形图分别送入A
‑
CNN进行实时故障识别，区分区内故障和区外故障、判断故障相。
[0024]本专利技术的有益效果是：
[0025]1、本专利技术在传统光纤差动保护方案的基础上采用线路两端电流相角差波形，结合A
‑
CNN 模型训练，算法简单，易于实现。
[0026]2、经性能评估，本专利技术提出的保护算法可以实现区内故障和区外故障、故障相和非故障相的正确定位，且不受交流系统参数、故障位置、故障时间、故障类型、故障电阻、严重电流互感器饱和、电流互感器测量误差和异常值等因素的影响，满足继电保护四性要求。
附图说明
[0027]图1为基于A
‑
CNN的光伏电站送出线路光纤差动保护算法整体示意图；
[0028]图2为基于A
‑
CNN的光伏电站送出线路光纤差动保护算法流程图；
[0029]图3为基于动态覆盖规则的数据窗故障辨识示意图。
具体实施方式
[0030]下面结合附图对本专利技术作更进一步的说明。
[0031]一种基于A
‑
CNN的光伏电站送出线路光纤差动保护算法，包括以下四部分：
[0032]第一部分：线路两侧电流相角差采样环节。
[0033]具体包括以下步骤：
[0034]步骤(1)：对光伏电站送出线路上两端三相电流进行采样，得到光伏侧电流相量步骤(1)：对光伏电站送出线路上两端三相电流进行采样，得到光伏侧电流相量和系统侧电流相量
[0035]步骤(2)：如图1和图2，对线路两端三相电流做离散傅里叶变换，计算得到光伏侧电流相角φpx和系统侧电流相角x＝a,b,c分别表示A相、B相和C相；
[0036][0037]式中，arg()表示取相量的相角，为光伏侧电流相角，为系统侧电流相角，x＝a,b,c分别表示A相、B相和C相，N为一个工频周期采样点数，i
px
(k)为光伏侧第k个采样电流，i
gx
(k)为系统侧第k个采样电流。
[0038]步骤(3)：如图1和图2，同相两侧电流相角相减得到线路两侧电流相角差：
[0039]第二部分：数据集生成及数据预处理环节。
[0040]具体包括以下步骤：
[0041]步骤(1)：如图1和图2，对50Hz的电力系统，选取故障发生后一周期20ms内线路两侧电流采样值，计算得到光伏侧和系统侧电流相角差，形成波形图像；
[0042]步骤(2)：如图1和图2，以电路模型仿真采集为主，辅以目标线路历史真实数据、环境因素等信息，尽可能涵盖各类故障情况，例如不同交流系统参数、故障位置、故障时间、故障类型、故障电阻、严重电流互感器饱和、电流互感器测量误差和异常值等条件，形成大量数据集；
[0043]步骤(3)：如图1和图2，对数据集进行旋转、平移、缩放和添加高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于A
‑
CNN的光伏电站送出线路光纤差动保护算法，其特征在于，具体包括以下四部分：第一部分：线路两侧电流相角差采样环节。具体包括以下步骤：步骤(1)：对光伏电站送出线路上两端三相电流进行采样，得到光伏侧电流相量步骤(1)：对光伏电站送出线路上两端三相电流进行采样，得到光伏侧电流相量和系统侧电流相量步骤(2)：对线路两端三相电流做离散傅里叶变换，计算得到光伏侧电流相角和系统侧电流相角x＝a,b,c分别表示A相、B相和C相；步骤(3)：同相两侧电流相角相减得到线路两侧电流相角差：第二部分：数据集生成及数据预处理环节。具体包括以下步骤：步骤(1)：对50Hz的电力系统，选取故障发生后一周期20ms内线路两侧电流采样值，计算得到光伏侧和系统侧电流相角差，形成波形图像；步骤(2)：以电路模型仿真采集为主，辅以目标线路历史真实数据、环境因素等信息，尽可能涵盖各类故障情况，例如不同交流系统参数、故障位置、故障时间、故障类型、故障电阻、严重电流互感器饱和、电流互感器测量误差和异常值等条件，形成大量数据集；步骤(3)：对数据集进行旋转、平移、缩放和添加高斯噪声进行处理，统一图像分辨率，转换为灰度图，进行归一化处理。第三部分：A
‑
CNN模型学习训练环节。具体包括以下步骤：步骤(1)：将数据集按照8:2的比例分为训练集和测试集；步骤(2)：将处理好的数据集送入A
‑
CNN神经网络模型，通过正向传播和反向传播进行训练，计算准确率和损失函数，直到收敛。第四部分：实时监测保护环节。具体包括以下步骤：步骤(1)：取t时刻前一个周期的线路两侧电流相角差计算值，构造电流相角差波形图像，更改图像分辨率，进行归一化处理；步骤(2)：每一时刻都将该时刻生成的三相电流相角差波形图分别送入A
‑
CNN进行实时故障识别，区分区内故障和区外故障、判断故障相。2.根据权利要求1所述的一种基于A
‑
CNN的光伏电站送出线路光纤差动保护算法，其特征...

【专利技术属性】
技术研发人员：梁营玉，王志飞，任昳，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：