输电线路继电保护新算法.

输电线路继电保护新算法主讲人：赵亚东班级：电研151学号：220150目录第一部分选题背景第二部分继电保护算法的研究现状第三部分研究内容第四部分研究算法与案列第五部分结论选题背景随着电力系统的不断发展，在电网的规模、电压等级、控制技术、电源和负荷特性等方面都呈现出了新的特点，对继电保护系统的性能的要求也越来越高。继电保护装置经历了机电式、晶体管式、集成电路式和数字式保护四个发展阶段，但继电保护技术的发展仍滞后于电力系统的发展步伐。新能源的开发利用和并网，电网规模的扩大和电压等级的提高，柔性直流输电技术的应用，用电负荷性质的变化和用户对电能质量要求的日益提高，给继电保护带来了新问题，同时对其性能提出了越来越高的性能。因此，研究和开发新一代更快速、更可靠的继电保护算法和装置，提高继电保护的性能，以满足新形势下对电力系统安全稳定和电能质量的要求，是很有意义而且是非常必要的。对保证新形势下电网的安全稳定运行至关重要。继电保护算法的研究现状数字式继电保护装置根据模数转换器提供的输入电气量的采样数据进行分析、运算和判断，以实现各种继电保护功能的方法称为算法算法的核心问题是计算出能表征被保护对象运行特点的特征量，如电流、电压的幅值和相位，视在阻抗，序分量、谐波分量的幅值和相位等。目前，对于继电保护的研究已经有很多算法，包括：正弦函数模型算法，数字滤波技术，最小二乘法，微分方程法，人工神经网络算法，小波分析算法，数学形态学算法。正弦函数模型算法：在初期提出了许多基于正弦函数模型的计算方法，如：两点乘积算法，三采样值乘积算法，导数法，半周积分法等。这些方法均建立在提供给算法的原始数据为纯正弦量的理想采样值的假设上。实际上故障电压和电流信号中都含有各种暂态分量，而且数据采集系统也会引入一定的误差。因此，在实际应用中需要前置滤波环节，否则计算结果中将出现较大的误差。数字滤波技术：该技术考虑了故障电压和电流波形的非正弦特性，用于从发生畸变的波形中提取基波分量。傅里叶变换技术是数字继电保护中常用的有限冲击响应滤波器。该算法的局限性是：适合用于滤除或压缩具有近似周期性的波动信号，而对那些具有显著局部特性的非平稳信号，傅里叶变换的分析能力较弱。另外，故障信号中的衰减直流分量也会给傅里叶变换的结果带来一定的误差。其改进算法一直是研究热点。最小二乘算法：广泛用于数据处理和自动控制等领域的一种经典方法。基本思想是：将输入待求量与已知的预设函数模型进行拟合，使待求函数与预设函数尽可能逼近，其总方差或者最小均方差最小，来近似地求出待求函数。在继电保护中，该算法应包括基波、谐波及指数衰减直流分量的近似模型，来求出输入信号中基频及暂态分量的幅值和相角。其精度取决于近似模型与实际信号组成的吻合程度。微分方程法：电力系统中的被保护元件的特性通常可以用一阶或二阶数学微分方程来描述，比如，输电线路采用集中参数模型来等效，因此可以通过求解二阶微分方程来确定线路的电阻值R和电感值L此方法仅用于计算线路阻抗，当用在线路保护的距离保护中时还要与选相算法等配合使用。人工神经网络算法：一种模仿生物神经网络结构和功能的数学模型，具有非线性特征、并行处理能力、强鲁棒性以及自组织自学习的能力。人工神经网络在距离保护故障定位和差动保护等方面得到了较多的应用。小波分析算法：小波分析是一种时频分析方法，其基函数所具备的一个重要性质是能提供多分辨率分析。通过对母小波的平移和伸缩运算，可以准确地表示出事件发生的时间或空间位置，以及表示出信号的各种细节。该法非常适合于信号特征的分析和提取，特别是用于对由故障或开关操作产生的暂态过程的分析。广泛用于高阻接地故障的检测、故障选相、方向保护、距离保护和差动保护。数学形态学算法：一种非线性图像/信号处理技术，与傅里叶变换和小波分析不同，数学形态学完全从时域出发，针对信号本身的波形特点进行特征提取。数学形态变换能有效检测到暂态信号中的突变，而且具有计算量小和能够进行并行计算的特点，使之非常适合用于构造继电保护算法。研究内容作者基于数学形态学、奇异值分解和高阶统计分析这三种现代信号处理技术，围绕分布电容电流，采样不同步和电流互感器饱和等输电线路保护面临的问题，研究和开发输电线路继电保护的原理和新算法，提出一种基于形态奇异熵的选相方法。在此基础上，定义了一组故障选相指标，以消除输电线路各相之间的耦合作用对选相结果的影响。通过PSCAD/EMTDC中的仿真结果表明，该选相方法对单相故障和多相故障都有极高的灵敏度和反应速度。在低故障起始角发生高阻接地故障的极端情况下，该元件也能正确地选相。大量的随机故障参数对比试验表明，该选相元件比电压突变量选相方案具有更高的可靠性和更快的响应速度。研究算法与案列一、形态奇异熵的计算:形态均值滤波器（记为ψ），是一种常用的数学形态滤波器，由信号的膨胀和腐蚀运算的均值来实现的。ψ表示形态均值滤波器，f为输入信号，g为结构元素假定输入信号f(x)={f(1),f(2),...,f(n)}是一个电力系统电气量信号的n个采样点.采用尺度从1逐步增加到m的结构元素分别对信号处理，可以得到m组在不同程度上反应输入信号的细节特征的数据序列。从而得到下面矩阵A采用奇异值分解技术对所构造的特征矩阵进行分解，可得到一组降序排列的奇异值。较大的奇异值对应于信号中的主成分，而较小的奇异值对应于信号中的其他一些较小的分量或噪声。设定一个阈值ε，舍弃不满足下式的较小奇异值δ1为第一个奇异值，同时也是最大的奇异值。对筛选出来的较大的奇异值，可以计算它们的熵。通过熵值的变化来反映信号成分的变化。假设筛选出来的奇异值有k个，可按照下式计算每一个奇异值对应的概率：按照下式计算与采样序列f(x)对应的形态奇异熵：由以上两式得出：当奇异值的大小差异较大时，所对应的概率值大小的差异也比较大，计算得到的熵值比较小。相反地，若奇异值大小比较接近，计算得到的熵值则较大。当筛选出来的k个奇异值完全相等时，对应的熵取得最大值ln(k)。二、故障选相原理当电力系统处于正常运行状态时，输电线路电压信号中除基波分量外，只包含有少量的谐波和噪声成分，此时计算得到的奇异值分布差异很大。而故障时，电压信号中除了含有基波分量和噪声外，还含有大量的暂态分量，致使奇异值的分布发生变化。如图3-1中的星号所示，在发生故障前，奇异值的大小存在很大的差别，第一个奇异值占所有奇异值的和的比重很大，其对应的概率值为0.96，此时形态奇异熵为0.1914。如图3-1中的圆圈所示，虽然在故障发生后，第一个奇异值的值稍有增大，但其他奇异值的增大幅度更为明显，总体上奇异值的分布趋于均衡化，它们所对应的概率值的分布也趋于均衡化，此时的形态奇异熵为0.7695。由上述分析可见，在输电线路故障发生后，电压信号对应的形态奇异熵明显增大。因此，通过监测电压信号对应的形态奇异熵的变化，可以判断输电线路中是否存在故障。输电线路各相之间存在耦合效应，非故障相的电压信号中也会感应出一定的暂态分量，使得非故障相的形态奇异熵在故障后小幅增加。若设置一个较大的阈值来避免误判，则又降低了选相元件的灵敏性，特别是在高阻接地故障下，故障相中的电压信号中的暂态分量较小，对应的形态奇异熵虽有增大，但却可能始终小于整定的阈值，因此选相元件可能无法正确地检测出线路中存在的高阻接地故障碍。为了在各种故障情况下获得可靠地选相结果，设置了故障选相指标。E0为零序分量选项指标，E1,E2,E3分别为A,B,C三相的故障选相指标,H1,H2,H3,H4分别为零序,A,B,C三相的形态奇异熵。由于非故障相中由耦合作用引起的暂态分量总是小于故障相中的暂态分量，非故障相的形态奇异熵增大的幅度也总是小于故障相。特别是对单相故障而言，故障相的形态奇异熵与非故障相的形态奇异熵的和的比值往往远大于1，而非故障相的形态奇异熵与另外两相的形态奇异熵的比值则小于1。因此，故障相的选相指标往往能达到非故障相的指标的几十倍甚至上百倍将计算得到的各相电压信号对应的故障选相指标分别与预设阈值γ进行比较，若故障选相指标大于预设阈值，则输出逻辑1；若故障选相指标小于或等于预设阈值，则输出逻辑0。其中0≤i≤3，L1,L2,L3,分别用于判定A,B,C三相是否为故障相,L0用于判定是否为不对称接地故障。案例在PSCAD/EMTDC中建立了一个典型的220kV的电力系统仿真模型。在仿真中使用20kHz的采样频率对线路左侧（母线M）的电压进行测量和记录，随后导入到MATLAB中进行分析。为了验证基于形态奇异熵的选相元件的有效性，对在线路中发生的不同类型的故障进行了仿真，以下表格内容就是仿真结果。1、故障类型对选相元件性能的影响从表中可以看出，对单相故障来说，故障相的选相指标的最大值可达到15上，而非故障相的故障选相指标的最大值都小于阈值0.2，且检测延时均小于0.4ms。这意味着，基于形态奇异熵的故障选相元件对单相故障具有极高的灵敏度和反应速度。与单相故障情况相比，发生多相故障时，故障相的选相指标的最大值要小，但仍然是所设定的阈值的数倍，可以正确地识别所有故障相。两相短路接地故障和两相短路故障可以通过零序电压的选相指标是否超过阈值来进行判别。电力系统输电线路除了可能发生短路故障外，还可能发生断线故障。图3-5所示为在205ms发生B相断线故障时的故障电压、电流波形。计算得到对应的形态奇异熵和故障选相指标分别如图3-6（a）和3-6（b）所示。B相和零序故障选相指标都在205.6ms之后超过阈值0.2，故障的检测延时仅为0.6ms。相反的，非故障相（A相和C相）的故障选相指标始终小于阈值0.2。这说明了基于形态奇异熵的故障选相元件可以快速、正确地检测出输电线路断线故障。2、故障起始角对选相元件性能的影响为了避免其他因素的干扰，在仿真中故障起始角从0度以6度逐步增加到360度，而其他的故障参数都固定不变。所有故障均为发生在A相线路中点的金属性接地故障。在各种故障情况下计算得到的形态奇异熵和故障选相指标的最大值分别如图3-7(a)和图3-7(b)所示。从图3-7(a)中可以看出，在大多数情况下，故障相的形态奇异熵的最大值稳定在0.5附近而在故障起始角接近电压过零点的极端情况下，故障相的形态奇异熵的最大值有很大的衰减，甚至小于在其他故障起始角发生故障时非故障相的形态奇异熵的最大值。然而，故障选相指标中还引入了三相电压信号之间的形态奇异熵的大小关系，因而故障相的选相指标总是大于预设阈值，而非故障相的选相指标总是小于预设阈值，保证选相的正确性。3、故障位置对选相元件性能的影响在仿真实验中，将其他参数固定（故障起始时刻为A相电压接近过零点，接地电阻为0Ω），故障位置距线路左侧母线M的距离从1km以约20km为步长增大到100km。仿真的结果如表3-2所示通过对比在不同故障位置得到的选相结果可以看出，对同一种类型的故障，故障位置和信号测量点的距离越近，故障选相元件的灵敏度越高，检测时延也越小。对线路末端发生的故障，故障选相指标在数值上比其他位置小，但仍是预设阈值的数倍，说明形态奇异熵故障选相元件对线路全线任何位置发生的故障都具有足够高的灵敏度。4、故障电阻对选相元件性能的影响经过以上分析，形态奇异熵故障选相方法对金属性接地故障有极高的灵敏度，但在线路经高阻接地时，电压信号中由故障引起的暂态量比较平缓且衰减得很快。图（a）为电压信号波形，在仿真中，故障电阻设置为300Ω，同时故障起始角设置为10°，这是检测难度最大的一种情况。由于故障后，A相电压中仅含有幅值小，持续时间短的暂态分量，计算得到的形态奇异熵在故障后的增大幅度比金属性接地故障的小很多，如图（b）所示。然而，故障选相指标还体现了故障相与非故障相的之间形态奇异熵的大小关系，故A相的故障选相指标的上升幅度仍足够的大。（c）中，ABC三相和零序故障选相指标的最大值分别为0.609,0.119，0.095,0.497。因此，线路中的故障被准确地判断为A相接地短路故障。5、实测数据对选相元件进行测试为了更进一步检验所提出的选相元件的可用