人工神经网络在电动机短路保护中的应用

《人工神经网络在电动机短路保护中的应用》由会员分享，可在线阅读，更多相关《人工神经网络在电动机短路保护中的应用（4页珍藏版）》请在金锄头文库上搜索。

1、人工神经网络在电动机短路保护中的应用 陈丽安张培铭 福州大学3 5 0 0 0 2 摘 要利用人二神经网 络具有模式识别的功能，建立了电 动 机短路故障早期预测及诊断的 神经网 络模型， 对用种经网 络的方法提高电 动机保护性能进行了 新的 探索.仿真结果证明了这种方法的可行性及 有效性， 对于其它系 统故障的 早期预测及诊断 也其有一定的参考 价值. 关健词 人工神经网 络 故障 预测 短路保护 1 .问题的提出 电动机是应用最广泛的用电设各，电 动机的安全可靠运行直接关系到国民 经济的建设 与发展。 在威胁电 动机安全运行的诸多因素中，短路故障是最严重的因素之一。传统的电 动机保护装置均将

2、电 流值是否超过额定电流 的 8 一 功倍作为是否发生短路故障的判据。 这种 方法虽然简单易行，但如此大的短路电 流将会危及电 力系统及其电 器设备。因此有必要研 究一种新的诊断短路故障的方法，从而提高电动机短路保护的性能. 随着人工智能 技术、计 算 机技 术、 微电 子技术、 传感 技术的 发展， 对电 动机短路 故障 进行早期预测并进行有效保护已 成为可能。即利用先进的传感技术对系统进行实时在线快 速检测. 用人工智能技术对短路故障进行早期预测、 诊断，当判断确有短路故障发生则立 即发出指令，使保护装置动作m 。由 于对故障进行了 早期预侧，在短路电流发展起来之前 便将故障消除在萌芽状态

3、，因 此大大减轻了对电力系统及其电 器设备的危胁，对电 动机保 护装置的 动热稳定 性的要求也大大降 低.本文将采用人工智能技术中的人工神经网 络对电 动机短路故障进行早期预测并对其进行有效保护. 2 .低压配电网 络模型 本 文 所研究的 低压配电 网 络 模型 如图1 所示。 其中 变压 器容 量为1 6 0 k V A . 假设 低 压 配 电网络中供电电 源超过该变压器容量的2 0 倍 即大于3 . 2 M V A )， 则在此可以 认为短路时 降压变压器高压侧的电 压保持不变。 所带负载为一 3 0 k W 的异步电 动机。由 于电 动机是一 个多变量、强祸合、 非线性的电 磁系统，

4、因 此对电 动机的 仿 真是比 较困 难的 12 1 ， 如果建 立 数学模型并对多阶非线性微分方程组进行求解， 需投入大t精力于求解的过程上。 I 日 七 ， 启 I D / 认 al T . - O 口离开关 口 卜1 0 T / 1 0 0 C5 5 -I T愉 I w 相 肠 曰旧 . L MY -01 知目卜I 仍 目】 L . 加助 I1 明， 卜 J . S二 卜 肠朋 I七 . AS M 、目洲 纽几切 令令令 田1 低压叱电网 幼 簇里 - 1 6 7 - 利用M a t l a b所建的 模型可用于仿真不同短路故障 ( 单相短路、相间 短路等) 、不同 故 障相角、不同故障

5、点等多 种情况。为人工神经网 络的训练提供样本数据并对训练好的神 经 网络提供校验数据 3 .基于神经网络的故障诊断器 图2 为基于人工神经网络的故障诊断器。 一 二P7 一C 仁 片 厂 产 屯拳 厂C - 图2 基于人工神经网 络的故津诊断各 由图2 可知， D S P是人工神经网络故 障诊断器的核心。其内部主要由三个分别 用于判断发生在 A相、 B相、C相的短路 故障的神经网络 O T 1 , A N N 2 , A N N 3组 成。A N N 1 , A N N 2 , A N N 3均选用在实际应 用中最广泛使用的反向传播 ( B P )多层前 向网络。多层前向网络用于模式识别主要

6、 有两种应用方式:多输出型及单输出型。 实 验表明，在多输出方式中，由 于网 络要 同时适应所有类别，势必需要更多的隐层 节点，而且学习过程往往收敛较慢，此时 可以 采用多个多输入单输出 形式的网 络. 让每个网 络只完成识别两类问题. 这样可 以 克服类别之间的拐合，从而获得更好的 效果f 1 。因此本文 在一 个六输入 三输出网 络及三个两输入单输出网络这两种方案中 选择了后者。 经过反复试验， 采用四层 BP神经网 络效果较好，其中输入层有两个神经元， 第一隐层有五个神经元， 第二隐层有十个神经元， 输出层有一个神经元 ( 即单输出型) . 激活函 数分别选用双曲 正 切5 型、对数S

7、型 及线性激活函数。图3 示出了 其中判别A 相短 路故障的神经网络内部结构。 输入特征向t的 选择是设计神经 网络的一个重要环节， 所选输入特征 向量必须全面、准确地反映问题的特 征。这里之所以选择电流值及电流的 变化率做为输入特征向t，是因为经 研究发现，短路电流变化率在短路发 生后极短时间内 ( 微秒级时间内)比 正常运行时电流变化率的最大值还 大.为了防止高频噪声干扰产生误 告，将短路电流值做为第二个输入特 征向量.每个网络的期望输出结果只 有 1 和 0两种可能.即 在训练阶段， 将短路故障的样本的期望输出值设为 1 ，而把正常运行的样本的期望输出值 弃 NN1 困3 人工 种经网

8、络绘构 - 1 6 8 - 设为0 。在识别阶段， 将未知 类别的 样本输入到网 络中， 如果网 络的 输出值接近 1( 或大于 某个域值，比如0 . 6 )，则 判断 该样本属于短路故障，如果网 络的 输出 接近 0( 或小于某个 域值，比 如 0 . 9 )，则判断该样本属于正常运行，当 输出值超出如上范围则拒绝决策。为 了 保证输出结果的正确性， 可连续采样并求解多个值， 再取平均值。 另外，如有必要，还 可将从电 压互感器P T 获得的电 压 值做为 补充的判断依 据。 由于短路电流是强瞬变信号，在很短时间内 ( 几毫秒) 就可能达几十千安，因此为了 做到故障的 早期预测，系 统应选用

9、精度高、动态响 应特性好的传感器，以期能真实准确地 传递信号:对A / D 转换器的采样速度也有 一定要求;而D S P 因其高 速的 运算能力而 使神经网络算法做为实时 检测诊断手段成 为可能。 图2中 逻辑回路的作用是根据三个神 经网 络的 输出值 ( o u t l , O W , o u t 3 ) 判 定发生了何种短路故障 ( 单相、 两相或三 相短路)，显示故障类型并发出 警告.同 时给电动机保护装置发出 动作信号。神经 网络输出值与短路故障类型之间的逻辑关 系见表 l a 表1 神经网 络输出值 与短路故障类型的逻辑关系 o u t 3o u t 2o u t I短路故障类型 0

10、 0。 一正 常 运 行 0 0 1A 相对中 线短路 0 I0 一 B 相 对 中 线 短 路 0 1 IA , B 两相或对中 线短路 10 1 0 C 相 对 中 线 短 路 1 。 1 A , C 两 相 或 对 中 线 短 路 11 。 B . C 两 相 或 对 中 线 短 路 1 1 l I三 相 或 对 中 线 短 路 4仿x结果 衬 一一止空竺竺竺竺巴理竺 本文利用 M a t l a b的电 力系统工具箱建立了 图 1 所示低压配电网 络模型， 模拟 C相对中 线 发生短路故障， 故障相角分别取 0 0 , 3 0 0 , 6 0 0 , 9 0 0 , 1 2 0 0 ,

11、 1 5 0 0 等六种不同 情况， 获取样本数 据 1 6 1 8 组。 为了克服反向 传播算法的限制与不足，避 免陷入局部极小值及加快训练速度， 人们提出 了些改进方法，如采用自 适应学习率及附加动 量法等，但这些方法在实际应用中效果往往不 够理想.新近发展起来的基于高斯一牛顿法的 L e v e n b e r g - M a r q u a r d t 方法在实 际 应用中 效 果很 好 . 本 文对这两 种 方法 进 行了 对比 ， 如图4 所 不 。 由图 4可看出。 对同一结构神经网络及样 本 数据， 采用 L e v e n b e r g - M a r q u a r d

12、t 法， 经过 4 4 9次训练， 误差平方和 ( 9 .9 7 7 2 6 X 1 0 0 ) 便达 到目 标精度 ( 1 0 rl )，而采用自 适应学习率+ 附 加动it法 ( 动t因子 m e = 0 . 8 )，经过同样多次 训练，误差平方和 ( 0 . 1 5 0 0 4 9 )与目 标精度 ( 1 0 4 )相差甚远.由此可看出 L e v e n b e r g - M a r q u a r d t 法具有较快的 收 敛速度. 本文 采用此 法取得了 较好的效果。 曰1 口， 目翻 盆2 书刃J洲，月 口 J 口 自. 自 亡 a 自 盆 口 尽 月 卜. 加 叻 泣 泊 卜

13、 州 . . . 匕 . 月 I.i 口二目.m 口. 扩 卜 m m w m a o u m -Z 门 翻 自胭 目 亡 公 . . . . 卜 州 . ， 二佳 目4 两 种方法 y 心 练价况对比 - 1 6 9 - 为了 检验所设计和训练的网 络的正确性，选取一组新样本 条件:t - 0 .2 s发生 C相对 中 线短 路， 故障 相 角为4 0 e ) ， 对网 络求 解的 结果如图5 所 示。从图 中 可 看出，除了 刚 发 生 故障的 瞬间 ( 约几十微秒内) 结果偏离预期值较远外，其它时刻网络输出 与预期结果十分 接近.究其原因是因为 刚发生短路故障时，电 流变化率变化范围 较

14、大，所选训练样本数不 够多， 不足以反映故障的 全部特征。改 进的 方法是增加训练样本数目 ，有关研究工作将进 一步进行。 !，; e 卜 -. . . . . . . . 。 .， -电 .1 口1 ev巨Q oz031 1 0: 仗日工 3 一 图5 对月 络进fi T 效脸 ( 故障相角为 0 0 ) 田 姐落电流沈形 ( O T O 夯别在故排后 2 的， .i 开晰) 图6 示出了 故障后不同时 刻用电 力电子开关G T O断开回路时的短路电 流波形。 由图 6可看出， 如果对短路故障进行早期预测及诊断，并及早使电 动机保护装里动 作，则由于短路电流还没有发展起来。 所以 被开断的短

15、路电 流值远小于传统的 8倍额定电 流值 ( 如在故障后2 0 0 P s 开断，开断电 流值为3 2 2 A ，是 额定电 流8 5 A的3 .7 9 倍)， 大大 提高了电动机短路保护的性能. 5结论 依赖电 流值及电 流变化率作为输入特征向 t的 三个单输出型反向 传播四层前向 神经网 络能 够有 效地预 侧和 诊断电 动机短路故障. 在 此问题中， L e v e n b e r g - M a r q u a r d t 法比自 适应 学习率+ 附加动t法在收敛速度方面具有显著的 优越性。 参考文献 1 陈丽安， 张培铭.人工智能型控制与保护开关电 器 ( C P S )的 研究 制

16、造业自 动化， 2 0 0 0 ( 4 ) 2 张伟，许广彬 ) E a t l a b 5 . 2 在电 气仿真中的 应用 电 工技术，1 9 9 9 ( 1 0 ) 3 2 h i g i a n g L i u , O . P . M a l i k . N e u r a l N e t w o r k - B a s e d F a u l t y L i n e i d e n t i f i c a t i o n i n P o w e r D i s t r i b u t i o n S y s t e m s - . E l e c t r i c M a c h i n e s a n d P o w e r S y s t e m s , V o l . 2 7 , N o . 1 2 , D e c . 1 9 9 9 , P 1 3 4 3 - 1 3 5 4 4 张智星，孙春在， 日 水谷英二.神经 一棋糊和软计算. 西安:西安交