APP下载

基于Elman神经网络的高压直流输电系统换相失败故障诊断

2020-07-24刘浩邢超陈仕龙杨鸿雁严增伟

软件导刊 2020年6期

刘浩 邢超 陈仕龙 杨鸿雁 严增伟

摘要:快速准确地诊断出换相失败故障,对后期采取适当控制措施避免保护装置误动有重要意义。首先建立永富弱受端直流输电系统的PSCAD仿真模型,对不同故障条件下的直流线路短路故障和换相失败故障进行仿真;利用FEEMD对不同故障条件下逆变侧的电流线模信号进行分解,并取IMF7-IMFl0分量求样本熵值;然后将归一化后的样本熵值作为Elman神经网络的训练集和测试集,利用Elman神经网络的输出诊断直流系统运行状态,即正常状态(001)、线路短路故障(100)、换相失败(010)。对不同故障条件下的线路故障和换相失败故障进行仿真,实验结果表明,在训练集较少的情况下,线路故障的识别率为85.71,%、换相失败故障占比92.85%;随着训练集增加,基于FEEMD样本熵+Elman神经网络的方法对换相失敗和线路故障的识别率达到100%,能够准确判断出故障类型.

关键词:换相失败;弱受端直流输电系统;FEEMD;样本熵;Elman神经网络

DOI:10.11907/ridk.192002 开放科学(资源服务)标识码(OSID):

中图分类号:TP306文献标识码:A 文章编号:1672-7800(2020)006-0009-06

0 引言

HVDC输送容量大、功率调节快速灵活,在远距离大区域输电环境中应用广泛。换相失败是高压直流输电系统最常见的系统故障,会导致直流电压下降和直流电流短时增大,严重时可能导致系统停运,连续换相失败容易引起直流系统降额运行。换相失败与直流线路短路时的直流电流和直流电压的暂态过程十分相似,若不能准确区分故障类型,会引起保护装置误动作。因此,高压直流输电线路发生故障后,对故障快速准确地作出诊断,对事故后隔离故障元件,采取适当的控制保护策略至关重要。

目前,针对换相失败故障诊断主要采用熄弧角r是否小于临界熄弧角rmin最小电压降落法、相位比较法等方法。文献[5]采用改进的形态滤波器,对不同故障下直流电流信号进行多尺度形态分解,提取各尺度下的形态谱,计算分解后的形态谱能熵和奇异熵,进而判断换相失败和线路短路故障;文献考虑谐波对换相失败的影响,分析了换流器运行过程,计算实际触发角和换相角得到实际熄弧角,以此判断是否发生换相失败;文献采用小波尺度能量统计和小波尺度能量熵两种特征,利用直流电流的各尺度能量统计和交流电压在第一尺度的系数能量,实现对HVDC系统换相失败故障的正确识别;文献基于平稳小波不同尺度的能量系数作为故障识别依据,结合BP神经网络诊断换相失败故障。通过以上文献分析可知,换相失败与多个电气量相关,简单的分析方法、统计估计方法难以提取故障特征以达到准确辨识目的。本文研究的高压直流输电系统,存在高动态过电压、电压不稳定、谐波谐振等问题,容易发生换相失败。基于此,在分析换相失败机理后,提出基于FEEMD样本熵-Elman神经网络的换相失败诊断方法。

快速集合经验模态分解(FEEMD)是经验模态分解(EMD)和聚合经验模态分解(EEMD)的改进算法。该方法在信号中加人幅值为ψ的白噪声,利用集合平均方式抑制模态混叠现象。本文首先建立永富直流输电模型,对提取的逆变侧电流信号进行FEEMD分解,得到若干个IMF分量和一个剩余分量R;对分解出的IMF分量求样本熵值,并对样本熵值作归一化处理,将归一化后的熵值作为特征向量,利用Elman神经网络对故障特征向量进行训练、识别,从而区分出直流输电系统的换相失败故障、线路故障和正常状态。

1 直流系统换相失败分析

换相失败是直流输电中换流站最常见的故障,本文主要分析与弱交流系统相连逆变站换相失败问题。由于直流输电系统联于弱交流系统时,其负载变化或故障将引起交流侧母线电压的大幅度下降,容易引起逆变器的换相失败。

当受端系统对称时,逆变器的熄弧角计算公式如下:

式(1)中,Id为系统直流电流,Xc为换相电抗,UL为交流母线线电压有效值,K为逆变侧换流变压器变比,β为逆变侧触发越前角。当系统发生不对称故障时,会使换相线电压过零点前移一个角度φ,此时逆变器关断角为:

由式(1)、式(2)可知,引起关断角过小的主要原因有:Id增大、β过小、UL降低、K变大、交流系统不对称故障引起的线电压过零点相对移动。

目前对换相失败判别最基本的标准是最小熄弧角,即熄弧角小于换流阀恢复阻断能力所对应的时间,r≤rmin

2 快速总体平均经验模态分解(FEEMD)

经验模态分解(EMD)在处理非线性和非平稳信号方面取得了较好效果,但是存在端点效应和模态混叠现象。为了解EMD中存在的模态混叠现象,Huang提出了集合经验模态分解(EEMD)算法,可以有效抑制模态混叠现象。但是EEMD算法运算量非常大,无法满足数据处理的实时性要求。本文采用FEEMD分解故障电流信号,改善了EMD模态混叠现象,更有利于反映故障特征。相比于EEMD与EMD,FEEMD优化了停止判据准则,减少了分量提取过程中的筛选次数,从而提高了计算速度。FEEMD算法有两个重要参数,分别是白噪声振幅k和EMD幅值倍数M。

FEEMD算法计算步骤如下:

(1)将白噪声n_(t)添加到原始信号序列x(t)中。

xm(t)=x(t)+nm(t) (3)

式(3)中,x_(t)倒是添加了白噪声后的序列。

(2)将x_(t)分解为n个IMF分量和一个残差序列R,表示为Zi,m(t),i=1,2…n,rn,m(t),分解方法参照EMD步骤。

(3)添加频率不同的白噪声并重复上面两步,当M=m时停止。

(4)对各IMF分量使用式(4)和式(5)计算Zi(t)的平均值。

3 样本熵

Richman&Moorman提出了用于衡量时间序列复杂性的样本熵,能降低近似熵误差,可用SampEn(N,m,r)表示。其中N为长度,r为相似容限,m为维数,具体算法如下:

(1)按顺序将序列x(1),x(2),…,x(N)组成维数为m的矢量,即:

4 Elman神经网络

Elman神经网络是一种反馈型神经网络,具有局部回归特性。Elman神经网络与BP神经网络结构类似,除具有BP神经网络的3个结构层外,还加入了一个承接层。与大多数具有多层结构的前馈型网络一样,输人层作用仅为传输信号,输出层作线性加权使用,隐含层神经元采用的函数类型既可以是线性的,也可以是非线性的。而所加入的承接层是对层内或层级间进行反馈连接,承接层还具有记忆功能,可以实现对隐含层输出的延迟和存储。增加承接层以后,系统的实时响应能力得到了增强,能够直接反映系统的动态过程,其结构如图1所示。

该网络在非线性状态空间下表示为:

式(14)中,u(k-1)为网络外部输入,y(k)∈Rrm为输出,x(k)∈Rr为隐含层输出,k表示时间,y表示m维输出节点向量,x为n维隐含层单元节点向量,u为r维输人向量,xc为n维反馈状态向量,ω1为连接承接层到隐含层的权值,ω2为连接输入层到隐含层的权值,ω3为连接隐含层到输出层的权值。g(…)为输出层的传递函数,采用tansig函数;f(…)为隐含层的传递函数,采用logsig函数。

5 仿真分析

5.1 永富直流输电系统建模

根据永富工程电气主接线参数及元器件模型,建立永富±500kV高压直流输电系统仿真模型。永富直流输电系统直流电压等级为±500kV,额定直流输送功率单极运行时1500MW,双极运行时3000MW,额定直流电流3kA;整流侧交流系统电压额定值525kV,阻抗为10.56∠84.29°,逆变侧交流系统电压额定值525kV,阻抗为28.066∠85.24°;整流侧与逆变侧均配置3大组交流滤波器;直流滤波器为每站每极直流母线与中性母线之间装设一组主电容是1.0uF的三调谐TT12/24/36无源滤波器;整流侧换流变压器正负极各采用3台单相双绕组换流变压器,单台容量296.9MVA,整流侧短路阻抗16%,交流侧额定电压525kV,直流侧绕组额定电压209.92kV,额定容量890.61MVA;逆变侧换流变压器短路阻抗16%,交流侧额定电压525kV,直流侧额定电压204.77kV,额定容量867.27MVA;整流侧和逆变侧极母线上各装设一台0.2H的平波电抗器;整流站和逆变站的换流阀均采用兩个6脉动换流器串联成的一个12脉动换流器作为一个换流组;直流输电线路全长577km,沿线大地平均电阻率为500Ω·m,线路采用Frequency Dependent(Phase)Model Options模型,基于国际大电网会议(CIGRE)标准的直流输电测试系统建立永富直流控制系统。为满足本文仿真需要,建立如图2所示的仿真模型。

5.2 FEEMD结合神经网络的换相失败故障识别方法

FEEMD样本熵结合Elman神经网络方法进行故障类型诊断,其流程如图3所示。

换相失败故障识别过程如下:①分别提取直流输电系统逆变侧交流系统发生故障、线路故障、系统正常运行3种状态的逆变侧电流信号。对提取的信号进行FEEMD分解,得出n个IMF分量;②分别求取IMF分量的样本熵Si;③对求取的样本熵Si作归一化处理,将归一化后的样本熵Si作为特征向量;④使用神经网络结合样本熵Si进行故障诊断。

5.3 构造特征向量

本文从故障前100个点开始,提取逆变侧直流电流信号的5000个采样点进行分析,图4为逆变侧交流系统发生单相接地故障时的直流电流信号经EMD分解后的图形;图5为逆变侧交流系统发生单相接地故障时直流电流信号EMD分解后得到的IMF分量频谱图;图6为逆变侧交流系统发生单相接地故障直流电流信号经FEEMD分解所得的各IMF分量;图7为FEEMD分解后得到IMF分量的频谱图。

由图5可知,直流电流信号经过EMD分解后,IMF2分量在900Hz处有一个幅值,约为180,在400Hz~500Hz之间还有两个较小的幅值;IMF3分量在420Hz处有一个幅值,约为220;在500Hz处有一个幅值,约为180。对比IMF2分量和IMF3分量可知,IMF2和IMF3分量出现了频率混叠现象,同时IMF2分量中有两个频率段也出现了混叠现象。

由图7可知,直流电流信号经FEEMD分解后,IMF7分量在900Hz附近有一个峰值。IMF8分量在430Hz附近有一个峰值,在250-400Hz间还有几个较小的峰值,但主要频段集中在430Hz附近。IMF9分量在200Hz附近有一个峰值,IMFl0分量在40Hz附近有一个峰值。

对比4个分量可知,经FEEMD分解后得到的IMF分量不存在频率混叠现象。

对比图5和图7可知,FEEMD较EMD而言,解决了模态混叠现象,能准确提取故障特征信息,各IMF分量更有利于后期形成故障特征向量;FEEMD较EEMD而言,计算速度更快,更能满足信号处理时效性要求。

图6中前几个IMF分量为包含噪声的高频成分,IMF7-IMFl0能较好地反映故障特征。因此,本文选取后4个IMF分量求取样本熵值,将样本熵S=[Si1,Si2,Si3,Si4]作为反映故障特征的特征向量。

考虑到直接计算出的样本熵中可能含有奇异值,会影响Elman的训练速度及精度,进而影响故障识别率。因此,为了使数据更为可靠,本文对计算出的样本熵进行归一化处理,使每个熵值的范围在0-1之间。数据归一化处理的方法有很多种,本文使用最大值最小值算法。

5.4 换相失败故障识别

本文主要考虑的运行状态有:①正常运行状态;②直流输电线路发生接地短路故障;③逆变侧交流系统发生两相短路,引起换相失败;④逆变侧交流系统发生两相接地短路引起换相失败;⑤逆变侧交流系统发生单相短路接地且引起换相失败;⑥逆变侧交流系统发生三相接地故障且引起换相失败。选取的电气量为逆变侧的直流电流Id(p.U),并对Id相模变换,取线模信号作为分析信号。

每种状态均提取50组直流电流信号,共有300组信号。神经网络性能优劣主要由其泛化能力决定,因此训练样本与测试样本不能一样,即选为训练集就不再作为测试集。

(1)每种状态分别提取25组数据,其中18组作为训练集,7组作为测试集,则共有108组训练集和42组测试集,由Elman神经网络的训练过程如图8所示。

由图8可知,Elman神经网络能很快地收敛到预先设定的训练精度0.01,训练次数为837次。训练完毕后,对42组测试集进行测试,测试结果如表1所示,42组故障测试集的故障识别率如表2所示。

由表l的输出结果可知,样本熵和Elman神经网络结合的输出结果与期望输出结果较为接近。由表2可知,Elman+样本熵对换相失败的识别率达到了92.85%,同时对线路故障和正常状态的识别率也达到了85.71%,说明Elman+样本熵对故障的识别率较高。

6种状态下每种状态各提取50组数据,其中40组作训练集,10组作测试集,则共有240组训练集和60组测试集,神经网络训练过程如图9所示。

由图9可知,随着训练集的增加,神经网络仍然能收敛到预先设定的训练精度0.01,训练次数也随之增大。240组训练样本在1919次训练后达到要求精度。对60组测试集进行测试,测试结果如表3所示,60组故障测试集的故障识别率如表4所示。

由表3的可知,在60组测试集下,Elman+样本熵的输出结果能够满足要求;由表4可知,Elman+样本熵对正常状态、线路故障及换相失败3种状态的识别率都达到了100%,说明随着训练集的增加,Elman神经网络结合样本熵的故障识别率有显著提升,能准确诊断换相失败、正常运行、线路故障。

6 结语

本文搭建了永富+500kV高压直流輸电系统的PSCAD仿真模型。针对永富弱受端直流输电系统换相失败故障和直流线路短路故障,对其电流线模信号进行FEEMD分解,提出基于FEEMD+样本熵和Elman神经网络的故障识别方法,通过仿真结果得出以下结论:

FEEMD消除了EMD算法存在的模态混叠现象,克服了EEMD算法计算量过大、分解速度过慢的缺点,针对非平稳信号有较好的处理效果。

使用样本熵提取的特征信息包含了更多的故障信息,能减少神经网络训练次数并提高故障识别率。

将FEEMD样本熵和Elman相结合的方法应用于弱受端高压直流输电系统换相失败故障诊断中。实验表明,使用Elman神经网络+样本熵的故障识别方法在50组样本时可以准确地识别故障,其对换相失败、线路故障和正常状态的识别率都达到100%。因此,本文提出的方法能够准确诊断出换相失败故障和线路故障。

神经网络具有很强的学习能力、自适应能力,因此将神经网络用于电力系统继电保护、故障识别、选线等方面是行之有效的。故障诊断的目的是为了避免保护误动作,因此在正确识别故障的基础上,可考虑利用神经网络研究直流输电线路保护方案。