[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114552621A - 考虑继电保护动作行为的换流站后续换相失败预警方法及系统 - Google Patents

考虑继电保护动作行为的换流站后续换相失败预警方法及系统 Download PDF

Info

Publication number
CN114552621A
CN114552621A CN202210181671.7A CN202210181671A CN114552621A CN 114552621 A CN114552621 A CN 114552621A CN 202210181671 A CN202210181671 A CN 202210181671A CN 114552621 A CN114552621 A CN 114552621A
Authority
CN
China
Prior art keywords
relay protection
action
current
early warning
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210181671.7A
Other languages
English (en)
Inventor
俞斌
王宾
谢民
盛一博
王同文
汪伟
章昊
李端超
汤伟
张骏
邵庆祝
于洋
董新洲
刘孝辉
周奕帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
NR Engineering Co Ltd
State Grid Anhui Electric Power Co Ltd
Original Assignee
Tsinghua University
NR Engineering Co Ltd
State Grid Anhui Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, NR Engineering Co Ltd, State Grid Anhui Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN202210181671.7A priority Critical patent/CN114552621A/zh
Publication of CN114552621A publication Critical patent/CN114552621A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/36—Arrangements for transfer of electric power between AC networks via a high-tension DC link
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Emergency Protection Circuit Devices (AREA)

Abstract

本发明公开一种考虑继电保护动作行为的换流站后续换相失败预警方法及系统，通过仿真获取故障发生前后的电气量、控制量；采用故障发生前后不同参数训练机器学习预警模型和自回归预测模型；故障发生后，采用自回归预测模型预测交流系统继电保护装置动作时间；实时判断继电保护装置是否动作，对预测值进行修正；根据修正值得到风险因子；机器学习预警模型预测值与风险因子相乘得到预测结果。该方法利用故障发生后一定时间内的交直流电气量、控制量及其构造特征作为判据，分析交流系统继电保护装置的动作类型和动作时间，计算风险因子，考虑其对后续换相失败风险的影响。通过机器学习模型，在几十毫秒内给出后续换相失败的高准确度预警。

Description

考虑继电保护动作行为的换流站后续换相失败预警方法及 系统
技术领域
本发明涉及电力系统保护控制与人工智能交叉领域，特别涉及一种考虑继电保护动作行为的换流站后续换相失败预警方法及系统。
背景技术
LCC-HVDC(Line Commutated Converter-High Voltage Direct Current)换流站闭锁将瞬时中断大容量的功率输送，严重冲击送受端交直流混联电网的安全性。后续换相失败(根据实际电力系统的运行惯例，首次发生换相失败之后的200ms之内发生的多次换相失败均计为1次，200ms之后再次发生的换相失败称为后续换相失败，而且同样采用200ms时间范围内的多次换相失败计为1次)达到一定的次数后，将会导致逆变器侧换流站闭锁，是目前投运的高压直流输电换流站闭锁的重要诱因。
由于高压直流输电需要依托受端交流电网三相对称电压实施正常的换相，因此受端交流电网故障导致的三相电压不对称是诱发高压直流输电换流站换相失败的重要原因。特别是，如果交流电网故障长时间存在，将会直接导致后续换相失败的发生，进而诱发换流站单极或双极闭锁。如果能够在发生首次换相失败后的几十毫秒内预测出是否会发生后续换相失败，可以为换流站直流控制器的响应、辅助设备的保护动作等提供依据，将会大大降低了换流站闭锁的风险。
但是由于高压直流输电控制系统具有高度的时变性、非线性，难以通过时序分析得到精确的解析解。传统研究大多数都选择通过仿真得到数值结果的复现，而没有进一步探讨时序上的物理机理，更没有实现后续换相失败的预警。具体来说目前的研究分为两类：
第一类是通过理论推导或者仿真分析的方式总结后续换相失败的影响因素。YUH,WU Z,LI G等分析了单相接地故障、三相短路故障等常见故障情况下换相电压、关断角的变化情况，并结合仿真给出了对后续换相失败影响较大的因素(Simulation of thecommutation failure when faults occur in AC side of the HVDC system[C]//2017IEEE 2nd information technology,networking,electronic and automationcontrol conference(ITNEC).2017:1576–1580)。欧开健、任震等人依次分析换相电压、电压器变比、直流电流等因素，探究这些因素变化时系统抵御换相失败的能力(直流输电系统换相失败的研究(一)——换相失败的影响因素分析[J].电力自动化设备,2003,23(5):5–8)。RAHIMI E,FILIZADEH S等人提出了用于后续换相失败仿真的多重仿真与遗传计算方法(Commutation failure analysis in HVDC systems using advanced multiple-runmethods[C]//International conference on power systems transients.2005:19–23)。这类研究定性的分析了不同电气量及控制参数对后续换相失败的影响，并没有给出是否会发生后续换相失败的判据。
第二类是通过理论与仿真分析关注某些物理量在后续换相失败过程中的变化，从而提出直流输电系统控制策略的优化方案，以避免在首次换相失败后演变为后续换相失败。王海军、黄义隆等人关注直流输电系统控制中的熄弧角控制，分析了不同控制方式下的系统响应特性，提出了熄弧角预测控制技术以避免后续换相失败(高压直流输电换相失败响应策略与预测控制技术路线分析[J].电力系统保护与控制,2014(21):124–131)。郑超、周静敏等人关注换相失败过程中的无功功率消耗特性，提出显著改善大扰动下逆变侧无功需求的预测控制技术(换相失败预测控制对电压稳定性影响及优化措施[J].电力系统自动化,2016,40(12):5)。张国辉、景柳铭等人分析了后续换相失败中系统的谐波特性，提出了改善系统谐波特性以抑制后续换相失败的控制策略(谐波引起的高压直流输电连续换相失败抑制方法研究[J].电力系统保护与控制,2020,048(005):33–41)。李春华、黄莹等人关注后续换相失败过程中的电流变化特征，提出限制最大短路电流以抑制连续换相失败(一种基于最大短路电流限制的高压直流输电连续换相失败抑制方法[J].南方电网技术,2018,012(005):10–16)。这类研究通过直流系统控制手段尽可能降低后续换相失败的概率，然而没有给出发生后续换相失败风险的预估。
针对传统分析方法在后续换相失败分析中遇到阻碍，张国辉、李志中、王宾等人提出了一种基于Adaboost的后续换相失败预警方法(基于Adaboost的高压直流线路连续换相失败预警方法[J].电力系统保护与控制,2019,47(19):9)。通过数据驱动的方法从海量故障数据中挖掘出关键特征、模式，不依赖于内在机理的分析，不需要求出解析解。但是这个研究的问题在于只使用了首次换相失败发生时的触发角、换相电压、直流电流等电气量作为特征，但是该技术没有分析首次换相失败和后续换相失败的相关性，特别是没有考虑首次换相失败发生后受端交流故障线路继电保护的动作行为，没有考虑其对于发生后续换相失败的影响。而继电保护装置的动作时间越晚，直流控制系统恢复越慢，就越容易发生后续换相失败，是不可忽略的重要因素。
传统分析方法虽然同样将系统电气量作为特征进行预测，但由于模型复杂度和训练过程原理上的限制，无法从中挖掘出继电保护行为的范式，无法通过先验知识考虑其对后续换相失败的影响。另外，单纯的用机器学习来做不能反映物理本质，机器学习提取出来的模式不能符合真实情况，容易过拟合，实际应用的时候泛化能力差，精度低。
发明内容
本发明所要解决的技术问题在于如何充分考虑首次换相失败发生后受端交流故障线路继电保护的动作行为的同时提高预测精度。
本发明通过以下技术手段实现解决上述技术问题的：
1、考虑继电保护动作行为的换流站后续换相失败预警方法，其特征在于，包括以下步骤：
步骤1、设置多种故障类型，利用仿真软件对LCC-HVDC高压直流输电系统进行暂态仿真，获取故障发生前后的交直流电气量、控制量原始数据；采用故障发生前后交直流系统的电气状态量、直流控制系统的控制参数训练机器学习预警模型，采用交流系统电压、电流电气状态量训练自回归预测模型；
步骤2、故障发生后，采用所述自回归预测模型预测交流系统继电保护装置动作时间；
步骤3、实时分析故障发生后的电气量，判断继电保护装置是否动作，对步骤2中的预测值进行修正；
步骤4、根据步骤3中修正后的继电保护装置动作时间，得到风险因子；
步骤5、所述机器学习预警模型预测值与步骤4中风险因子相乘得到预测结果。
本发明方法设计两个模型，分别用不同数据训练，利用自回归预测模型对故障发生后的继电保护装置动作时间进行预测，并用于对机器学习预警模型预测结果的修正，充分体现了继电保护动作时间对结果影响。本发明将继电保护动作时间预测模型单独设计，避免所有电气量放在一个模型里进行机器学习，受制于模型本身的复杂度，无法从数据中提取出这个模式，导致精度低。经实验，本发明方法可以在几十毫秒内给出后续换相失败的高准确度预警。并通过实时采集数据，不断更新预测结果，能根据继电器的真实动作实时对结果进行修正，随着时间的推移不断提高精度。
进一步的，所述步骤1中的预警模型的输入特征构造方法如下：
输入特征记为
Figure BDA0003521377020000031
表示一个每个特征首尾相接的列向量，其中每个列向量xi＝[qi1,qi2,...,qiN]T,1≤i≤k，N是时间序列的长度；
构造以下函数对原始数据进行变换，组成所述预警模型的训练集；
f1([q1,q2,…,qN]T)＝qN-q1
Figure BDA0003521377020000041
f3([q1,qq,…,qN]T)＝Max{q1,q2,…,qN}
f4([q1,q2,…,qN]T)＝Min{q1,q2,…,qN}
f(xi)＝[f1(xi),f2(xi),f3(xi),f4(xi)。
进一步的，步骤2中交流系统继电保护装置的动作行为考虑电流差动保护，预测方法选择自回归预测，方法如下：
(21)根据故障发生后交流系统双端的电流序列建立并训练自回归预测模型，对于一个p阶自回归预测，其通项为：yt＝c+φ1yt-1+φ2yt-2+…+φpyt-p+εt，其中c为偏移量，φ为权重，ε为回归偏差；
(22)由步骤(21)中的自回归预测模型外推得到任意时刻t的双端电流IM(t),IN(t)；
(23)预测动作时间T1＝t+T0，其中t为满足电流差动保护动作条件IM(t)-IN(t)≥I0的时刻，I0为电流差动保护的设定值，T0为断路器的工作时间。
进一步的，所述步骤3中对预测值进行修正的方法如下：
(31)假设T2时刻三相交流电压与故障发生前稳态值的偏移小于设定的阈值，则认为继电保护装置成功动作，故障切除；
(32)若T2≤T1，则修正值T＝T2，其中t≥T2，表示继电保护动作提前；
(33)若达到预测时间T1时继电保护仍未动作，说明继电保护可能发生失效或者延后；当t>T1时，修正值为T＝t+Δt；Δt为修正时间；
(34)若t＝T2时检测到保护装置动作，则修正值T＝T2，其中t≥T2。
进一步的，所述步骤4中风险因子的构造方法可以为
Figure BDA0003521377020000042
其中K为大于零的比例系数，Ts为后续换相失败的参考时间，ΔT表示最小允许差值时间。
进一步的，所述步骤1中机器学习预警模型的训练数据包括仿真的交流母线电压、换相电压、直流电压电流、超前触发角电气量；所述自回归预测模型的训练数据报道交流线路的电源、电流。
与上述方法对应的，本发明还提供一种考虑继电保护动作行为的换流站后续换相失败预警系统，包括：
模型训练模块，用以设置多种故障类型，利用仿真软件对LCC-HVDC高压直流输电系统进行暂态仿真，获取故障发生前后的交直流电气量、控制量原始数据；采用故障发生前后交直流系统的电气状态量、直流控制系统的控制参数训练机器学习预警模型，采用交流系统电压、电流电气状态量训练自回归预测模型；
继电保护装置动作预测模块，用以在故障发生后，采用所述自回归预测模型预测交流系统继电保护装置动作时间；
修正模块，用以实时分析故障发生后的电气量，判断继电保护装置是否动作，对步骤2中的预测值进行修正；
风险因子计算模块，用以根据修正模块中修正后的继电保护装置动作时间，得到风险因子；
预测模块，用以将所述机器学习预警模型预测值与风险因子相乘得到预测结果。
进一步的，所述模型训练模块中的预警模型的输入特征构造方法如下：
输入特征记为
Figure BDA0003521377020000051
表示一个每个特征首尾相接的列向量，其中每个列向量xi＝[qi1,qi2,...,qiN]T,1≤i≤k，N是时间序列的长度；
构造以下函数对原始数据进行变换，组成所述预警模型的训练集；
f1([q1,q2,…,qN]T)＝qN-q1
Figure BDA0003521377020000052
f3([q1,q2,…,qN]T)＝Max{q1,q2,…,qN}
f4([q1,q2,…,qN]T)＝Min{q1,q2,…,qN}
f(xi)＝[f1(xi),f2(xi),f3(xi),f4(xi)]。
进一步的，继电保护装置动作预测模块中交流系统继电保护装置的动作行为考虑电流差动保护，预测方法选择自回归预测，方法如下：
(21)根据故障发生后交流系统双端的电流序列建立并训练自回归预测模型，对于一个p阶自回归预测，其通项为：yt＝c+φ1yt-1+φ2yt-2+…+φpyt-p+εt，其中c为偏移量，φ为权重，ε为回归偏差；
(22)由步骤(21)中的自回归预测模型外推得到任意时刻t的双端电流IM(t),IN(t)；
(23)预测动作时间T1＝t+T0，其中t为满足电流差动保护动作条件IM(t)-IN(t)≥I0的时刻，I0为电流差动保护的设定值，T0为断路器的工作时间。
进一步的，所述修正模块中对预测值进行修正的方法如下：
(31)假设T2时刻三相交流电压与故障发生前稳态值的偏移小于设定的阈值，则认为继电保护装置成功动作，故障切除；
(32)若T2≤T1，则修正值T＝T2，其中t≥T2，表示继电保护动作提前；
(33)若达到预测时间T1时继电保护仍未动作，说明继电保护可能发生失效或者延后；当t>T1时，修正值为T＝t+Δt；Δt为修正时间；
(34)若t＝T2时检测到保护装置动作，则修正值T＝T2，其中t≥T2。
进一步的，所述风险因子计算模块中风险因子的构造方法可以为
Figure BDA0003521377020000061
其中K为大于零的比例系数，Ts为后续换相失败的参考时间，ΔT表示最小允许差值时间。
进一步的，所述模型训练模块，中机器学习预警模型的训练数据包括仿真的交流母线电压、换相电压、直流电压电流、超前触发角电气量；所述自回归预测模型的训练数据报道交流线路的电源、电流。
本发明的优点在于：
本发明方法设计两个模型，分别用不同数据训练，利用自回归预测模型对故障发生后的继电保护装置动作时间进行预测，并用于对机器学习预警模型预测结果的修正，充分体现了继电保护动作时间对结果影响。本发明将继电保护动作时间预测模型单独设计，避免所有电气量放在一个模型里进行机器学习，受制于模型本身的复杂度，无法从数据中提取出这个模式，导致精度低。经实验，本发明方法可以在几十毫秒内给出后续换相失败的高准确度预警。并通过实时采集数据，不断更新预测结果，能根据继电器的真实动作实时对结果进行修正，随着时间的推移不断提高精度。
本发明提出的方法能够为直流控制器的响应、辅助设备的保护动作等提供依据，从而大大降低了后续换相失败的风险，提高电网运行的安全性，具有广泛的工程前景。
附图说明
图1是本发明实施例1中方法的预警流程框图。
图2是本发明实施例1方法的一个实施例中故障前后三相交流电压的波形图。
图3是本发明实施例1方法的一个实施例中对于后续换相失败的预测结果曲线。
图4是本发明实施例1方法的一个实施例中故障前后熄弧角的波形图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种考虑继电保护动作行为的换流站后续换相失败预警方法，包括以下步骤：
步骤1、设置多种故障类型，利用仿真软件对LCC-HVDC系统进行暂态仿真，获取故障发生前后的交直流电气量、控制量原始数据。设置的故障类型包括不同过渡电阻、故障起始角、短路及接地类型，如下表所示。
表1.故障参数设置表
Figure BDA0003521377020000071
仿真共得到320组数据。交直流电气量、控制量原始数据选取交流侧三相电压、直流电流触发角、熄弧角。本实施例中，采用故障发生前后交直流系统的电气状态量、直流控制系统的控制参数训练机器学习预警模型，采用交流系统电压、电流电气状态量训练自回归预测模型；
预警模型的输入特征构造方法如下：
输入特征可以记为
Figure BDA0003521377020000072
表示一个每个特征首尾相接的列向量。其中每个列向量xi＝[qi1,qi2,...,qiN]T,1≤i≤k，N是时间序列的长度。
构造以下函数对原始数据进行变换，组成后续换相失败随机森林预警模型的训练集。
f1([q1,q2,…,qN]T)＝qN-q1
Figure BDA0003521377020000073
f3([q1,q2,…,qN]T)＝Max{q1,q2,…,qN}
f4([q1,q2,…,qN]T)＝Min{q1,q2,…,qN}
f(xi)＝[f1(xi),f2(xi),f3(xi),f4(xi)]
本实施例中机器学习模型选择随机森林模型。使用上述数据集进行训练。
以下以其中一个具体的故障场景为例，对方法的中间计算结果进行说明。仿真的故障参数设置为：仿真进行到25ms时，于逆变侧发生三相短路故障，过渡电阻30欧姆，故障持续100ms后切除。
预测方法选择自回归预测，方法如下：
(21)根据故障发生后交流系统双端的电流序列建立并训练自回归预测模型，对于一个p阶自回归预测，其通项为：yt＝c+φ1yt-1+φ2yt-2+…+φpyt-p+εt，其中c为偏移量，φ为权重，ε为回归偏差；
(22)由步骤(21)中的自回归预测模型外推得到任意时刻t的双端电流IM(t),IN(t)；
(23)预测动作时间T1＝t+T0，其中t为满足电流差动保护动作条件IM(t)-IN(t)≥I0的时刻，I0为电流差动保护的设定值，T0为断路器的工作时间。
步骤2、根据故障发生后的电气量，预测交流系统继电保护装置动作时间。步骤如下：自回归预测模型IM(t),IN(t)，外推得到在t＝37ms时，在标幺值下IM(t)＝1.21,IN(t)＝0.37，满足IM(t)-IN(t)＝0.84≥I0，其中I0＝0.8为电流差动保护的设定值。
因此，预测动作时间T1＝t+T0＝37+40＝77ms。其中T0为断路器的工作时间，取T0＝40ms。
步骤3、实时分析故障发生后的电气量，判断继电保护装置是否动作，对步骤(2)中的预测值进行修正。方法如下：
从附图2中三相交流电压波形可以实时分析出，T2＝125ms时继电保护装置成功动作，故障切除。也就是达到预测时间T1时继电保护仍未动作，说明继电保护发生延后。当t>T1时修正值为T＝t+Δt。
t＝T2时检测到保护装置动作，则修正值T＝T2(t≥T2)。
综上，修正值
Figure BDA0003521377020000081
步骤4、根据步骤3中修正后的继电保护装置动作时间，得到风险因子。
风险因子的构造方法可以为
Figure BDA0003521377020000082
其中K为大于零的比例系数，取K＝100，Ts为后续换相失败的参考时间，取Ts＝200ms，ΔT表示最小允许差值时间，取ΔT＝10ms。
代入步骤3修正后的继电保护装置动作时间得到风险因子
Figure BDA0003521377020000091
步骤5、建立机器学习预警模型，与步骤4中风险因子相乘得到预测结果。
模型预测出发生后续换相失败的概率为P0＝0.71。与步骤(4)中风险因子相乘：
当t<77ms，P＝P0×PR＝0.71×0.81＝0.58，预测结果为会发生后续换相失败。
当77≤t<125ms，
Figure BDA0003521377020000092
预测结果为会发生后续换相失败。
当t≥125ms，P＝P0×PR＝0.71×1.33＝0.94，预测结果为会发生后续换相失败。
随着故障发生后时间推移，预测结果实时更新，如附图3所示。
全过程预测结果与仿真结果相同，如附图4所示。
实施例2
与实施例1对应的，本发明还提供一种考虑继电保护动作行为的换流站后续换相失败预警方法，包括以下步骤：
模型训练模块，用以设置多种故障类型，利用仿真软件对LCC-HVDC系统进行暂态仿真，获取故障发生前后的交直流电气量、控制量原始数据。设置的故障类型包括不同过渡电阻、故障起始角、短路及接地类型，如下表所示。
表1.故障参数设置表
Figure BDA0003521377020000093
仿真共得到320组数据。交直流电气量、控制量原始数据选取交流侧三相电压、直流电流触发角、熄弧角。本实施例中，采用故障发生前后交直流系统的电气状态量、直流控制系统的控制参数训练机器学习预警模型，采用交流系统电压、电流电气状态量训练自回归预测模型；
预警模型的输入特征构造方法如下：
输入特征可以记为
Figure BDA0003521377020000101
表示一个每个特征首尾相接的列向量。其中每个列向量xi＝[qi1,qi2,...,qiN]T,1≤i≤k，N是时间序列的长度。
构造以下函数对原始数据进行变换，组成后续换相失败随机森林预警模型的训练集。
f1([q1,q2,…,qN]T)＝qN-q1
Figure BDA0003521377020000102
f3([q1,q2,…,qN]T)＝Max{q1,q2,…,qN}
f4([q1,q2,…,qN]T)＝Min{q1,q2,…,qN}
f(xi)＝[f1(xi),f2(xi),f3(xi),f4(xi)]
本实施例中机器学习模型选择随机森林模型。使用上述数据集进行训练。
以下以其中一个具体的故障场景为例，对方法的中间计算结果进行说明。仿真的故障参数设置为：仿真进行到25ms时，于逆变侧发生三相短路故障，过渡电阻30欧姆，故障持续100ms后切除。
预测方法选择自回归预测，方法如下：
(21)根据故障发生后交流系统双端的电流序列建立并训练自回归预测模型，对于一个p阶自回归预测，其通项为：yt＝c+φ1yt-1+φ2yt-2+…+φpyt-p+εt，其中c为偏移量，φ为权重，ε为回归偏差；
(22)由步骤(21)中的自回归预测模型外推得到任意时刻t的双端电流IM(t),IN(t)；
(23)预测动作时间T1＝t+T0，其中t为满足电流差动保护动作条件IM(t)-IN(t)≥I0的时刻，I0为电流差动保护的设定值，T0为断路器的工作时间。
继电保护装置动作预测模块，利用自回归预测模型预测交流系统继电保护装置动作时间。步骤如下：自回归预测模型IM(t),IN(t)，外推得到在t＝37ms时，在标幺值下IM(t)＝1.21,IN(t)＝0.37，满足IM(t)-IN(t)＝0.84≥I0，其中I0＝0.8为电流差动保护的设定值。
因此，预测动作时间T1＝t+T0＝37+40＝77ms。其中T0为断路器的工作时间，取T0＝40ms。
修正模块，用以实时分析故障发生后的电气量，判断继电保护装置是否动作，对继电保护装置动作预测模块中的预测值进行修正。方法如下：
附图2中a、b、c分别为三相交流电压波形。从波形可以实时分析出，T2＝125ms时三相交流电压恢复，说明继电保护装置在T2＝125ms时动作，故障切除。也就是达到预测时间T1时继电保护仍未动作，说明继电保护发生延后。当t>T1时修正值为T＝t+Δt。
t＝T2时检测到保护装置动作，则修正值T＝T2(t≥T2)。
综上，修正值
Figure BDA0003521377020000111
风险因子计算模块，用以根据修正模块中修正后的继电保护装置动作时间，得到风险因子。
风险因子的构造方法可以为
Figure BDA0003521377020000112
其中K为大于零的比例系数，取K＝100，Ts为后续换相失败的参考时间，取Ts＝200ms，ΔT表示最小允许差值时间，取ΔT＝10ms。
代入修正后的继电保护装置动作时间得到风险因子
Figure BDA0003521377020000113
预测模块，用以将所述机器学习预警模型预测值与风险因子相乘得到预测结果。
模型预测出发生后续换相失败的概率为P0＝0.71。与步骤(4)中风险因子相乘：
当t<77ms，P＝P0×PR＝0.71×0.81＝0.58，预测结果为会发生后续换相失败。
当77≤t<125ms，
Figure BDA0003521377020000114
预测结果为会发生后续换相失败。
当t≥125ms，P＝P0×PR＝0.71×1.33＝0.94，预测结果为会发生后续换相失败。
随着故障发生后时间推移，预测结果实时更新。附图3展示了实施例中随着时间推移，预测结果的变化情况。可以看出，当预测时间T1时继电保护仍未动作，继电保护发生延后，换相失败风险陡增。当故障切除时，换相失败风险停止上升。体现了本发明能根据继电器的真实动作实时对结果进行修正，随着时间的推移不断提高精度。
全过程预测结果与仿真结果相同。附图4展示了实施例中故障前后熄弧角的波形图。由图可见，熄弧角在200ms后再次跌落到零，说明发生了后续换相失败，与预测结果相同。发明中所提出模型实现了准确的预测。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.考虑继电保护动作行为的换流站后续换相失败预警方法，其特征在于，包括以下步骤：
步骤1、设置多种故障类型，利用仿真软件对LCC-HVDC高压直流输电系统进行暂态仿真，获取故障发生前后的交直流电气量、控制量原始数据；采用故障发生前后交直流系统的电气状态量、直流控制系统的控制参数训练机器学习预警模型，采用交流系统电压、电流电气状态量训练自回归预测模型；
步骤2、故障发生后，采用所述自回归预测模型预测交流系统继电保护装置动作时间；
步骤3、实时分析故障发生后的电气量，判断继电保护装置是否动作，对步骤2中的预测值进行修正；
步骤4、根据步骤3中修正后的继电保护装置动作时间，得到风险因子；
步骤5、所述机器学习预警模型预测值与步骤4中风险因子相乘得到预测结果。
2.根据权利要求1所述的考虑继电保护动作行为的换流站后续换相失败预警方法，其特征在于，所述步骤1中的预警模型的输入特征构造方法如下：
输入特征记为
Figure FDA0003521377010000011
表示一个每个特征首尾相接的列向量，其中每个列向量xi＝[qi1，qi2，...，qiN]T，1≤i≤k，N是时间序列的长度；
构造以下函数对原始数据进行变换，组成所述预警模型的训练集；
f1([q1，q2，...，qN]T)＝qN-q1
Figure FDA0003521377010000012
f3([q1，q2，...，qN]T)＝Max{q1，q2，...，qN}
f4([q1，q2，...，qN]T)＝Min{q1，q2，...，qN}
f(xi)＝[f1(xi)，f2(xi)，f3(xi)，f4(xi)]。
3.根据权利要求1所述的考虑继电保护动作行为的换流站后续换相失败预警方法，其特征在于，步骤2中交流系统继电保护装置的动作行为考虑电流差动保护，预测方法选择自回归预测，方法如下：
(21)根据故障发生后交流系统双端的电流序列建立并训练自回归预测模型，对于一个p阶自回归预测，其通项为：yt＝c+φ1yt-1+φ2yt-2+…+φpyt-p+εt，其中c为偏移量，φ为权重，ε为回归偏差；
(22)由步骤(21)中的自回归预测模型外推得到任意时刻t的双端电流IM(t)，IN(t)；
(23)预测动作时间T1＝t+T0，其中t为满足电流差动保护动作条件IM(t)-IN(t)≥I0的时刻，I0为电流差动保护的设定值，T0为断路器的工作时间。
4.根据权利要求1所述的考虑继电保护动作行为的换流站后续换相失败预警方法，其特征在于，所述步骤3中对预测值进行修正的方法如下：
(31)假设T2时刻三相交流电压与故障发生前稳态值的偏移小于设定的阈值，则认为继电保护装置成功动作，故障切除；
(32)若T2≤T1，则修正值T＝T2，其中t≥T2，表示继电保护动作提前；
(33)若达到预测时间T1时继电保护仍未动作，说明继电保护可能发生失效或者延后；当t>T1时，修正值为T＝t+Δt；Δt为修正时间；
(34)若t＝T2时检测到保护装置动作，则修正值T＝T2，其中t≥T2。
5.根据权利要求1所述的考虑继电保护动作行为的换流站后续换相失败预警方法，其特征在于，所述步骤4中风险因子的构造方法可以为
Figure FDA0003521377010000021
其中K为大于零的比例系数，Ts为后续换相失败的参考时间，ΔT表示最小允许差值时间。
6.根据权利要求1至5任一所述的考虑继电保护动作行为的换流站后续换相失败预警方法，其特征在于，所述步骤1中机器学习预警模型的训练数据包括仿真的交流母线电压、换相电压、直流电压电流、超前触发角电气量；所述自回归预测模型的训练数据报道交流线路的电源、电流。
7.考虑继电保护动作行为的换流站后续换相失败预警系统，其特征在于，包括：
模型训练模块，用以设置多种故障类型，利用仿真软件对LCC-HVDC高压直流输电系统进行暂态仿真，获取故障发生前后的交直流电气量、控制量原始数据；采用故障发生前后交直流系统的电气状态量、直流控制系统的控制参数训练机器学习预警模型，采用交流系统电压、电流电气状态量训练自回归预测模型；
继电保护装置动作预测模块，用以在故障发生后，采用所述自回归预测模型预测交流系统继电保护装置动作时间；
修正模块，用以实时分析故障发生后的电气量，判断继电保护装置是否动作，对步骤2中的预测值进行修正；
风险因子计算模块，用以根据修正模块中修正后的继电保护装置动作时间，得到风险因子；
预测模块，用以将所述机器学习预警模型预测值与风险因子相乘得到预测结果。
8.根据权利要求7所述的考虑继电保护动作行为的换流站后续换相失败预警系统，其特征在于，所述模型训练模块中的预警模型的输入特征构造方法如下：
输入特征记为
Figure FDA0003521377010000031
表示一个每个特征首尾相接的列向量，其中每个列向量xi＝[qi1，qi2，...，qiN]T，1≤i≤k，N是时间序列的长度；
构造以下函数对原始数据进行变换，组成所述预警模型的训练集；
f1([q1，q2，...，qN]T)＝qN-q1
Figure FDA0003521377010000032
f3([q1，q2，...，qN]T)＝Max{q1，q2，...，qN}
f4([q1，q2，...，qN]T)＝Min{q1，q2，...，qN}
f(xi)＝[f1(xi)，f2(xi)，f3(xi)，f4(xi)]。
9.根据权利要求7所述的考虑继电保护动作行为的换流站后续换相失败预警系统，其特征在于，继电保护装置动作预测模块中交流系统继电保护装置的动作行为考虑电流差动保护，预测方法选择自回归预测，方法如下：
(21)根据故障发生后交流系统双端的电流序列建立并训练自回归预测模型，对于一个p阶自回归预测，其通项为：yt＝c+φ1yt-1+φ2yt-2+…+φpyt-p+εt，其中c为偏移量，φ为权重，ε为回归偏差；
(22)由步骤(21)中的自回归预测模型外推得到任意时刻t的双端电流IM(t)，IN(t)；
(23)预测动作时间T1＝t+T0，其中t为满足电流差动保护动作条件IM(t)-IN(t)≥I0的时刻，I0为电流差动保护的设定值，T0为断路器的工作时间。
10.根据权利要求7所述的考虑继电保护动作行为的换流站后续换相失败预警系统，其特征在于，所述修正模块中对预测值进行修正的方法如下：
(31)假设T2时刻三相交流电压与故障发生前稳态值的偏移小于设定的阈值，则认为继电保护装置成功动作，故障切除；
(32)若T2≤T1，则修正值T＝T2，其中t≥T2，表示继电保护动作提前；
(33)若达到预测时间T1时继电保护仍未动作，说明继电保护可能发生失效或者延后；当t＞T1时，修正值为T＝t+Δt；Δt为修正时间；
(34)若t＝T2时检测到保护装置动作，则修正值T＝T2，其中t≥T2。
11.根据权利要求7所述的考虑继电保护动作行为的换流站后续换相失败预警系统，其特征在于，所述风险因子计算模块中风险因子的构造方法可以为
Figure FDA0003521377010000041
其中K为大于零的比例系数，Ts为后续换相失败的参考时间，ΔT表示最小允许差值时间。
12.根据权利要求7至11任一所述的考虑继电保护动作行为的换流站后续换相失败预警系统，其特征在于，所述模型训练模块中机器学习预警模型的训练数据包括仿真的交流母线电压、换相电压、直流电压电流、超前触发角电气量；所述自回归预测模型的训练数据报道交流线路的电源、电流。
CN202210181671.7A 2022-02-25 2022-02-25 考虑继电保护动作行为的换流站后续换相失败预警方法及系统 Pending CN114552621A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210181671.7A CN114552621A (zh) 2022-02-25 2022-02-25 考虑继电保护动作行为的换流站后续换相失败预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210181671.7A CN114552621A (zh) 2022-02-25 2022-02-25 考虑继电保护动作行为的换流站后续换相失败预警方法及系统

Publications (1)

Publication Number Publication Date
CN114552621A true CN114552621A (zh) 2022-05-27

Family

ID=81678784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210181671.7A Pending CN114552621A (zh) 2022-02-25 2022-02-25 考虑继电保护动作行为的换流站后续换相失败预警方法及系统

Country Status (1)

Country Link
CN (1) CN114552621A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116300673A (zh) * 2023-01-11 2023-06-23 广东鸿业管桩有限公司 基于中间继电器的plc数字量输入模块内部电路保护的装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116300673A (zh) * 2023-01-11 2023-06-23 广东鸿业管桩有限公司 基于中间继电器的plc数字量输入模块内部电路保护的装置

Similar Documents

Publication Publication Date Title
CN104820157B (zh) 一种柔性直流输电系统直流单极接地故障判断方法
CN106021596B (zh) 一种电网故障电流冲击拓扑图的分析方法
CN111368449B (zh) 一种考虑交直流影响的连锁故障演化路径在线识别方法
CN105576660B (zh) 地区配电网在线仿真分析装置及系统
CN103529708B (zh) 配电网的预操作仿真系统及仿真分析方法
CN103440401B (zh) 提高电网输电能力的紧急控制措施风险量化评估方法
CN103414173B (zh) 一种基于超短期负荷预测的配电网故障恢复方法
Xiong et al. A monitoring and diagnostics method based on FPGA-digital twin for power electronic transformer
CN104166940A (zh) 配电网运行风险评估方法及评估系统
CN114186849B (zh) 一种计及二次系统影响的电力系统连锁故障风险评估方法及其系统
CN113504486A (zh) 一种园区供电线路短路故障诊断方法和系统
CN107171316A (zh) 一种能量反馈式电压暂降特性敏感负荷模拟方法
CN101562340A (zh) 一种求解电力系统故障后临界近似潮流的方法
CN110350511A (zh) 一种基于转供电亲和度的配电网故障恢复方法
CN114744616A (zh) 一种配电网恢复供电辅助决策方法
CN105140973A (zh) 一种考虑交流侧故障的高压直流输电系统可靠性评估方法
CN102565630B (zh) 一种用于配电网可靠性评估的状态标记法
CN114552621A (zh) 考虑继电保护动作行为的换流站后续换相失败预警方法及系统
CN106875127A (zh) 统一潮流控制器可靠性建模及其接入电网可靠性评估方法
CN110676844B (zh) 一种智能配电网负荷转移方法及装置
CN116054224A (zh) 一种多馈入直流输电系统换相失败快速评估方法
Wang et al. Transient characteristics and protection coordination strategy of hybrid AC/DC system based on modular multilevel converters under AC/DC transmission lines touching fault
CN107069747A (zh) 一种基于地区电压稳定的最小开机方式确定方法
CN104218576B (zh) 一种重合闸电力系统暂态稳定性波动方法
CN109245117B (zh) 地区电网静态安全辅助决策自动生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination