基于长短时记忆神经网络的励磁涌流与故障电流识别方法

doi:10.16183/j.cnki.jsjtu.2022.352

基于长短时记忆神经网络的励磁涌流与故障电流识别方法

张国栋^,¹, 刘凯², 蒲海涛¹, 姚福强¹, 张帅帅¹

1.山东科技大学电气信息系,济南 250031

2.国网洛阳供电公司,河南洛阳 471000

Identification of Inrush Current and Fault Current Based on Long Short-Term Memory Neural Network

ZHANG Guodong^,¹, LIU Kai², PU Haitao¹, YAO Fuqiang¹, ZHANG Shuaishuai¹

1. Department of Electrical Engineering and Information Technology, Shandong University of Science and Technology, Jinan 250031, China

2. State Grid Luoyang Power Supply Company, Luoyang 471000, Henan, China

责任编辑: 王历历

收稿日期: 2022-09-8 修回日期: 2022-12-28 接受日期: 2023-02-15

基金资助:

国家自然科学基金(61703243)

Received: 2022-09-8 Revised: 2022-12-28 Accepted: 2023-02-15

作者简介 About authors

张国栋(1982-),讲师,从事人工智能在电力系统中的应用等方面研究.电话(Tel.):0531-58863616;E-mail:skd994509@sdust.edu.cn.

摘要

变压器空载合闸时产生励磁涌流导致差动保护误动作的问题至今仍未能被完全解决.针对该问题,提出一种利用长短时记忆(LSTM)神经网络识别励磁涌流与故障电流的方法.首先,在PSCAD软件平台上搭建变压器空载合闸及内部故障仿真模型,通过仿真产生大量三相电流瞬时采样数据作为训练神经网络的样本集;然后,利用Keras平台搭建LSTM神经网络模型并完成训练;最后,利用新的仿真数据和现场故障录波数据对训练好的LSTM神经网络进行测试.结果表明LSTM神经网络可以快速准确地区分各种情况下的励磁涌流和故障电流,从而证实该方法的有效性.

关键词： 变压器差动保护; 长短时记忆神经网络; 励磁涌流识别; 故障电流识别

Abstract

The problem of differential protection maloperation caused by inrush current during no-load closing of transformer has not been completely solved so far. To solve this problem, a method using long short-term memory (LSTM) neural network to identify inrush current and fault current is proposed. First, the simulation model of no-load closing and internal fault of transformer is built on the PSCAD software platform, and a large amount of three-phase current instantaneous sampling data is generated through simulation as the sample set to train the neural network. Then, the LSTM neural network model is built and trained by using the Keras platform. Finally, the new simulation data and fault recorder data is used to test the trained LSTM neural network. The results show that the LSTM neural network can quickly and accurately distinguish the inrush current and fault current under various conditions, which proves the effectiveness of the proposed method.

Keywords： transformer differential protection; long short-term memory (LSTM) neural network; inrush current identification; fault current identification

PDF (2182KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

张国栋, 刘凯, 蒲海涛, 姚福强, 张帅帅. 基于长短时记忆神经网络的励磁涌流与故障电流识别方法[J]. 上海交通大学学报, 2024, 58(5): 730-738 doi:10.16183/j.cnki.jsjtu.2022.352

ZHANG Guodong, LIU Kai, PU Haitao, YAO Fuqiang, ZHANG Shuaishuai. Identification of Inrush Current and Fault Current Based on Long Short-Term Memory Neural Network[J]. Journal of Shanghai Jiaotong University, 2024, 58(5): 730-738 doi:10.16183/j.cnki.jsjtu.2022.352

空载变压器合闸时,可能产生幅值高达8~10倍额定电流的励磁涌流,缩短变压器等设备的使用寿命,引发继电保护装置误动作等^[1].为解决该问题,主要从两个方面进行研究.一方面,采用先进的控制策略,控制断路器的合闸相位角,以减小变压器合闸时的励磁涌流.文献[1]中提出一种组合式开关分相控制策略,通过预设最佳投切相角抑制励磁涌流;文献[2]中针对三相联动断路器采用选相关合策略进行选相关合,将励磁涌流抑制到额定电流的2倍,效果明显;文献[3]中针对中性点不接地变压器的选相合闸策略进行研究,仿真及实验结果表明,励磁涌流可以被限制到额定电流的46%以下;文献[4]中提出一种基于并联晶闸管和滤波电路组成的涌流抑制器,通过软启动方式抑制励磁涌流;文献[5]中采用基于正弦脉宽调制(Sine Wave Pulse Width Modulation, SPWM)的电压调制算法,控制涌流抑制器的合闸电压幅值与相位,达到抑制励磁涌流的目的;文献[6]中重点研究针对单相变压器构成的500 kV换流变压器组的选相关合控制策略.

另一方面,可以通过对励磁涌流的精确识别,提高差动保护中躲避励磁涌流的快速性和可靠性^[6].传统的识别方法主要为二次谐波法、间断角识别法等,受制于二次谐波含量及电流互感器(Current Transformer, CT)饱和等因素的影响,仍然存在误动作的情况^[7].文献[8]中利用正常空充时电流衰减时间常数较大的特点,分析电流中非周期分量与基波分量比值衰减速率判定励磁涌流;文献[9]中针对换流变压器提出基于复合环流与复合零序电流波形相关系数的励磁涌流识别方法及差动保护方案;文献[10]中基于有限元分析的方法,对空充电压大小与励磁涌流中二次谐波含量的多少进行研究,意在提高差动保护中二次谐波制动整定值的准确性;文献[11]中对差流序列进行符号化处理,根据符号序列中相关模式序列出现的比例识别励磁涌流;文献[12]中研究电流互感器暂态特性对二次侧涌流的影响;文献[13]中计算电流的多变量多尺度模糊熵来识别风电场送出变压器励磁涌流;文献[14]中分析利用励磁涌流调制得到脉冲宽度调制(Pulse Width Modulation, PWM)波形与利用故障电流调制得到PWM波形的差异,识别励磁涌流和故障电流;文献[15]中利用巴氏系数分析差流与正弦波的相似性,进而识别励磁涌流;文献[16]中利用泰勒级数展开建立包含基频分量和二次谐波分量的励磁涌流动态信号模型,分别研究励磁涌流和故障工况下二阶泰勒级数的变化规律,最终建立励磁涌流识别方案;文献[17]中针对励磁涌流和故障电流波形不同的特点,计算基于不同电流的能量熵值,并利用自适应阈值识别励磁涌流.

近年来,作为当前最具颠覆性科学技术之一的人工智能技术蓬勃发展,在计算智能、感知智能和认知智能方面具有强处理能力.其在电力系统中的应用将促进系统进一步智能化^[18-19],利用神经网络等智能方法识别励磁涌流的工作也在进行中.文献[20]中采用改进模糊Petri网对励磁涌流进行识别,利用奇异谱熵、小波能量和谐波分量结合的方法提取数据特征量,采样频率为5 kHz,数据分析点为300点一组,即至少需要60 ms才能完成一次分析计算,不利于保护的快速动作;文献[21]中先利用改进的经验模态分解法分解差流信号,再利用小波谱熵提取信号的特征量,最后再利用概率神经网络识别信号,流程过于复杂,计算时间较长;文献[22]中利用小波变换和支持相量机结合的方法进行涌流识别,总体识别率只有80%左右;文献[23]中利用卷积神经网络识别励磁涌流,但是需要先将电流信号转化为图片信息再进行处理,计算量较大,不利于工程应用.本文利用长短时记忆(LSTM)神经网络直接对变压器瞬时电流采样值进行识别,与文献[20 ⇓⇓-23]相比,不需要复杂的特征量提取,具有动作迅速、识别准确的特点,能取得良好效果.

1 LSTM神经网络模型

神经网络的模型种类繁多,分别适用于解决不同类型的问题.LSTM网络由循环神经网络(RNN)网络改进而成,可充分利用输入数据的历史信息,解决了长序列训练过程中梯度消失和梯度爆炸问题.相比普通RNN,LSTM网络更适合处理时间序列数据的分类或预测问题^{[24⇓⇓-27]}.变压器三相电流随时间不断变化,具有明显的时序特征,因此选择LSTM网络对励磁涌流和故障电流进行识别.

虽然LSTM网络也包含输入层、隐藏层和输出层,但是其隐藏层结构特殊,是含有门控机制的独特记忆模块.图1为LSTM记忆模块拓扑结构, 包含遗忘门、输入门和输出门3个基本单元.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 LSTM记忆单元结构

Fig.1 Memory cell structure of LSTM

遗忘门的输入信息为历史信息和本时刻输入信息,经过计算确定需要记忆的信息,其数学模型为

(1)f_t=σ(W_f[h_t_-1, x_t]+b_f)

式中:f_t为经过计算得到的遗忘门门控信号,其值接近于0时,其短时记忆信息c_t_-1将被遗忘,反之则作为记忆信息写入细胞状态;σ为sigmoid激活函数,将数据映射到(0, 1)区间;h_t_-1为前一时刻t-1的输出;x_t为本时刻的输入;W_f为权重矩阵;b_f为偏置系数矩阵.LSTM记忆模块在获得t时刻的变压器三相电流数据后,记忆能够反映电流类型特征的信息,遗忘不能反映电流类型特征的信息.

输入门的数学模型为

(2)i_t=σ(W_i[h_t_-1,x_t]+b_i)

(3)

{\tilde{c}}_{t}

=tanh(W_c[h_t_-1,x_t]+b_c)

式中:i_t为开关量,决定输入门的信息 ${\tilde{c}}_{t}$ 是否允许输出; ${\tilde{c}}_{t}$ 为当前输入的单元状态;tanh激活函数将数据映射到(-1, 1)区间;W_i、W_c为权重矩阵;b_i、b_c为偏置系数矩阵.

输出门数学模型为

(4)o_t=σ(W_o·[h_t_-1, x_t]+b_o)

(5)h_t=o_tⓧtanh(c_t)

其输出信息o_t被sigmoid函数映射至(0,1)区间,W_o、b_o分别为输出门的权重矩阵和偏置系数矩阵;ⓧ表示逐元素乘积.

2 基于LSTM网络的励磁涌流与故障电流识别模型

基于LSTM网络的励磁涌流与故障电流识别模型流程如图2所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 励磁涌流与故障电流识别流程图

Fig.2 Flow chart of inrush current and fault current identification

2.1 PSCAD模型及仿真数据简介

利用PSCAD仿真模型生成LSTM网络训练集数据.其中图3(a)为空载合闸模型,用于生成励磁涌流训练集数据;图3(b)为内部故障模型,用于生成故障电流训练集数据.图中:QF1~3为断路器.变压器额定参数为:额定容量S_N=120 MV·A,额定变比220/121/38.5 kV,容量比为100/100/50,高中压之间短路电压比例u_k₁₂=14.4%,高低压之间短路电压比例u_k₁₃=24%,中低压之间短路电压比例u_k₂₃=7.6%,空载损耗P₀=133 kW,最大短路损耗P_k_max=480 kW.主变高压侧断路器开断电流按40 kA考虑,短路容量为 15 241 MV·A.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 PSCAD仿真模型

Fig.3 PSCAD simulation model

励磁涌流仿真场景设定为励磁涌流主要受合闸相位角及剩磁的影响.仿真过程中,充分考虑这两个因素:①合闸相位角设定的变化范围为1°~360°,控制断路器QF1在相应角度时合闸;②按有剩磁和无剩磁两种情况进行仿真,其中剩磁取额定磁通的70%^[27].综合考虑以上因素后,共设定720种仿真场景.

内部故障仿真场景设定:为了保证变压器差动保护的可靠性,实现励磁涌流时不误动,内部故障时不拒动,训练数据中还设定内部故障场景.考虑4种内部故障,每种故障在1°~360°范围内随机生成320种故障合闸相位角,共获得 1 280 种场景.

综上,共计设定 2 000 种仿真场景.利用PSCAD中的“多轮次执行”功能,自动仿真并保存仿真数据,最后将仿真数据作为LSTM网络的训练集数据.以上仿真中,采样频率均为 4 kHz,数据采集时长为0.4 s.

2.2 LSTM神经网络架构

在Keras平台下,利用Python语言编程搭建LSTM神经网络,其具体架构如表1所示.其中,总参数 1 610 个,可训练参数 1 610 个.

表1 LSTM神经网络架构

Tab.1 Architecture of LSTM neural network

层	输出数据形状	参数/个
LSTM1	20×10	560
LSTM2	10	840
隐藏层1	10	100
隐藏层2	10	100
输出层	1	10

新窗口打开| 下载CSV

(1) 特征量选取.为尽量提高计算速度,降低前期数据处理的计算成本,选取仿真得到的变压器差动保护回路中ABC三相电流瞬时采样值作为LSTM网络输入特征量.其优势在于:一方面可以提高分析计算的速度,满足速动性要求;另一方面,可以节约宝贵的软硬件资源,利于工程化应用.

(2) 时间窗确定.LSTM网络要求将采样数据按时间窗划分为若干样本集.理论上来讲,时间窗越窄,计算速度越快,但由于单个样本中包含的时序数据较少,不能准确反映其变化特征,所以预测准确率会降低;时间窗越宽,计算速度越慢,但预测准确率会提高.通过反复实验,最终确定时间步长为20,即将连续的20个采样点划分为1个样本一次性输入网络,其数据量大小为20×3.在采样频率为4 kHz的情况下,每隔5 ms进行一次计算.

(3) 数据归一化.为加速神经网络训练时的收敛速度,采用下式对特征数据进行归一化处理:

(6)

\bar{x}

\frac{x}{x_{m a x} - x_{m i n}}

式中: $\bar{x}$ 为归一化后的数据;x为原始数据;x_max、x_min分别为原始数据的最大、最小值.经过处理后,所有数据均被映射到(-1, 1)区间内.

(4) 特征量数据标签.训练好的LSTM神经网络要能够准确识别励磁涌流和内部故障电流,其本质属于二分类问题.将励磁涌流的标签设置为0,内部故障电流的标签设置为1.若网络输出值小于0.5,即可判定为励磁涌流,大于0.5时可判定为故障电流.

(5) 优化器及损失函数.网络训练时,优化器采用目前流行的Adam优化器.损失函数采用二元交叉熵, 其表达式为

(7)L_oss=-

\frac{1}{N} \overset{N}{\sum_{i = 1}}

y_ilg p(y_i)+ (1-y_i)lg(1-p(y_i))

式中:y_i为二元分类问题中的数据标签,取0或1;p(y_i)为该样本属于y_i标签的概率.

(6) 网络训练.将经过预处理的特征量数据输入到神经网络中,利用反向传播方法进行训练.训练迭代次数为150次,损失函数曲线如图4所示.由图可见,随着迭代次数的增加,损失函数值越来越小,最后趋近于0,说明网络输出值与标签值之间的误差越来越小.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 损失函数值曲线

Fig.4 Curves of loss function

图5所示的精确度曲线表明,随着迭代次数的增加,精确度越来越高.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 精确度曲线

Fig.5 Curves of accuracy

2.3 算法实时性分析

对于继电保护装置而言,实时性至关重要,即要求继电保护装置在分析判断时所消耗的时间必须足够小.本文所提方法中消耗时间主要由两部分组成:第一部分为数据采样时间,当采样频率为4 kHz时,采集1组20个数据点的数据样本所需时间为5 ms;第二部分为分析计算时间.为尽量模拟现场硬件条件,将训练好的LSTM网络移植到树莓派开发板中运行,其中央处理器为ARM Cortex-A53,主频限定为600 MHz.分析计算连续40组样本数据的消耗时间曲线如图6所示.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 消耗时间曲线

Fig.6 Consumption of time

统计结果表明,单个样本的最大耗时为91.9 μs,最小耗时为50.5 μs,平均耗时为75.1 μs.由此可见,分析计算时间远小于数据采集时间,后续分析中,该时间可忽略不计.即利用LSTM网络判定励磁涌流和故障电流时,其消耗时间可近似认为等于数据采集时间.以上分析是基于仿真采样频率为4 kHz 得出的结论,而现场设备技术参数表明,电力系统中所采用的模数转换器的采样频率往往介于2.4~5.0 kHz.仍然以20个数据点作为1组样本,则采样时间在4~8.3 ms.

3 仿真验证

在原PSCAD仿真模型的基础上,将变压器参数修改为:S_N=180 MV·A,额定变比220/121/38.5 kV,容量比为100/100/67,u_k₁₂=13.6%,u_k₁₃=23.1%,u_k₂₃=7.6%,P₀=200 kW,P_k_max=650 kW,重新仿真生成新的励磁涌流和内部故障电流数据.利用新数据测试LSTM网络识别励磁涌流和故障电流的有效性.

3.1 励磁涌流仿真验证

算例1 变压器在A相电压初相角为0° 时空载合闸,设A相剩磁为0.7 p.u. (p.u.为标幺值),BC两相剩磁均为-0.35 p.u..A相励磁涌流( $i_{a}^{p . u .}$ )波形如图7(a)所示,其中电流瞬时值为按式(6)归一化后的数据,后续所有算例均按相同方法处理.利用训练好的LSTM网络对该组数据进行分类预测,步长为20,即每20个采样数据判定一次,相应结果以散点的形式标注在图7(a)中,图中o_ut表示LSTM网络预测值(下同).由图可知,所有预测值均小于0.5,即均判定正确,该LSTM网络能够有效识别励磁涌流.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 励磁涌流波形及预测结果

Fig.7 Inrush currents and predicted results

算例2 变压器在A相电压初相角为120° 时空载合闸,设A相剩磁为0.7 p.u.,BC两相剩磁均为-0.35 p.u..A相励磁涌流波形及判定结果如图7(b)所示.

算例3 变压器在A相电压初相角为0° 时空载合闸,不考虑剩磁,A相励磁涌流波形及判定结果如图7(c)所示.

算例4 变压器在A相电压初相角为120° 时空载合闸,不考虑剩磁,A相励磁涌流波形及判定结果如图7(d)所示.

由以上仿真结果可知,在考虑合闸相位角的变化以及剩余磁通的影响下,LSTM网络的预测值均为0或接近于0,与励磁涌流样本集的数据标签一致,初步证明该LSTM网络能够正确识别励磁涌流.

3.2 变压器内部故障仿真验证

算例5~8 为验证变压器发生内部故障时,LSTM网络能否进行准确判定并快速开放保护,假定A相接地、AB两相短路接地、AB两相短路及ABC三相短路等4种故障类型.故障发生时刻设为0 s,A相电压相位角在1°~360° 范围内随机生成.其A相电流波形及判定结果如图8所示.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 故障电流波形及预测结果

Fig.8 Fault currents and predicted results

图8(a)和8(b)的结果显示,这两种算例下LSTM网络的预测值均为1或接近于1,与内部故障电流样本集的数据标签一致,即判定结果全部正确.故障发生后,LSTM网络根据接收到的第1份样本数据就能够开放保护,理论延时只有5 ms.

观察图8(c)和8(d)可以发现,这两种算例下,虽然LSTM最终的判定结果正确,但是对第1组数据的判定错误.故障发生后,LSTM网络错误地将故障电流判定为励磁涌流,此时保护不能开放;直到接收到第2份样本数据时,才做出正确判断将保护开放,这种情况下保护延时为10 ms.

为进一步研究该问题,针对上述4种故障类型, 在1°~360° 范围内,各自随机生成80个故障发生时刻A相电压初相角,共计得到320种仿真场景.利用LSTM网络对得到的320组故障数据分别进行判定,统计结果如下:第一时间(延时5 ms)正确开放保护的次数为279次,占比为87.19%;第二时间(延时10 ms)正确开放保护的次数为30次,此时正确开放保护的总比例为96.56%;第三时间(延时15 ms)正确开放保护的次数为11次,此时正确开放保护的总比例为占比为100%.根据上述统计结果可以得出结论:在最不利情况下,LSTM网络将导致保护延时15 ms开放,该延时仍然小于采用全波傅氏算法的二次谐波判定法.而其正确开放保护的平均延时为t_av=(279×5 ms+30×10 ms+11×15 ms)/320≈5.8 ms.第一时间判定结果散点图如图9所示.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 第一时间判定结果散点图

Fig.9 Scatter plot of predicted results in the first time step

算例9 变压器在0 s时空载合闸,0.1 s时变压器发生内部故障.图10结果表明,空载合闸时,LSTM网络能够可靠闭锁保护,故障后第一时间开放保护,实现正确动作.

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 空载合闸后发生内部故障电流波形及预测结果

Fig.10 Current of Internal fault after no-load closing and predicted results

4 故障录波数据验证

为进一步测试该LSTM网络的有效性,利用华东电网部分厂站变压器空投时故障录波器的录波数据生成样本,输入LSTM网络中进行判定.列举其中YH、SC、CJ这3个厂站的算例如图11所示,更多统计数据如表2所示.

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 故障录波器电流波形及判定结果

Fig.11 Currents of fault recorders and predicted results

表2 录波数据汇总表

Tab.2 Summary of recorded wave data

厂站名	采样频率/kHz	总点数	步长	样本数	正确率/%	备注
YH	3.2	1800	20	90	100	无
SC	3.2	1600	20	80	100	空充1
SC	3.2	1600	20	80	100	空充2
SC	3.2	1600	20	80	100	空充3
WJ	2.4	1080	20	54	100	无
CJ	5.0	400	20	20	100	保护误动

新窗口打开| 下载CSV

算例10 500 kV YH变电站扩建6号主变投运时,先对该变压器在220 kV侧进行空载合闸充电.其A相励磁涌流波形及判定结果如图11(a)所示,判定结果全部正确.

算例11 新建500 kV SC变电站1号主变投运,500 kV侧断路器空载合闸,其A相励磁涌流波形及判定结果如图11(b)所示,判定结果全部正确.

算例12 新建CJ电厂,500 kV 1号主变投运,500 kV侧断路器空载合闸,其A相励磁涌流波形及判定结果如图11(c)所示,判定结果全部正确.需要特别说明的是,现场故障录波数据显示断路器合闸后约0.07 s时,差动保护误动作,将该变压器切除.即在此情况下,传统励磁涌流识别方法失效,未能将保护可靠闭锁.故障录波器所记录的三相电流( $i_{a b c}^{p . u .}$ )波形及断路器辅助触点信号(逻辑量,定义为b_rks)如图12所示.

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 CJ电厂主变投运时励磁涌流及断路器信号

Fig.12 Inrush current and breaker signal of CJ station

统计数据表明,我国采用传统方法的220 kV以上的变压器正确动作率仅为70%~80%^[28]; 本文中,4个励磁涌流仿真算例和3个励磁涌流录波算例表明,LSTM网络对励磁涌流均能够实现正确识别,即实现保护不误动;320种内部故障算例表明,第一时间(延时5 ms)正确开放保护的比例为87.19%;第二时间(延时10 ms)正确开放保护的比例为96.56%;第三时间(延时15 ms)正确开放保护的比例为100%,即可以实现保护不拒动,性能提升明显.

利用LSTM网络对现场采集的所有励磁涌流数据进行识别,其汇总结果如下表2所示.值得说明的是,受硬件条件影响,故障录波器的采样频率不尽相同,分别为2.4 kHz、3.2 kHz以及5 kHz,与仿真时的训练数据采样频率(4 kHz)也不一样.然而,LSTM网络均能够实现对励磁涌流的正确识别,正确率达到100%,进一步证明利用LSTM网络识别励磁涌流方法的有效性.

5 结论

基于变压器励磁涌流和故障电流的差异,利用LSTM网络善于处理时序数据的特点,提出基于LSTM网络的励磁涌流及故障电流识别方法,并利用仿真数据和现场录波数据对该方法进行验证.分析计算结果,可以得到以下结论:

(1) 判定速度高于传统方法.动作延时主要取决于数据采集时间,采样频率为4 kHz 时,该方法开放保护的最小延时约为5 ms,最大延时约为15 ms,平均延时约为5.8 ms,且采样频率越高,延时越小,具有良好的速动性;而传统的全波傅氏算法延时至少为20 ms.

(2) 识别准确率高于传统方法.仿真算例表明该方法对励磁涌流和故障电流均能够正确识别;而现场故障录波数据进一步表明,在励磁涌流导致采用传统方法的差动保护误动的情况下,该方法仍能对励磁涌流进行正确识别,进而证明该方法的有效性.

(3) 对采样频率具有较强的适应性.虽然该LSTM网络在训练时采用的样本数据采样频率为4 kHz,但是其能够正确识别现场采集的 2.4 kHz、3.2 kHz 和 5 kHz 的励磁涌流数据,具有较强的现场适应性.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

王阳, 许志红.

基于组合式开关的三相变压器励磁涌流抑制策略

[J]. 电力自动化设备, 2019, 39(7): 99-106.

[本文引用: 2]

WANG

Yang

, XU

Zhihong

Inrush current suppression strategy of three-phase transformer based on combined-switches

[J]. Electric Power Automation Equipment, 2019, 39(7): 99-106.

[本文引用: 2]

[2]

方春恩, 曾俊龙, 陈川江, 等.

基于三相联动断路器的空载变压器选相关合

[J]. 高电压技术, 2020, 46(3): 898-905.