站内源荷集中接入直流母线的极间短路故障线路识别方法.docx

站内源荷集中接入直流母线的极间短路故障线路识别方法
站内源荷集中接入直流母线的极间短路故障线路识别方法
摘要：直流电力系统具有高效、稳定等特点，在电网中得到了广泛应用。然而，直流电力系统中的故障问题仍然是一个亟待解决的难题。本论文针对站内源荷集中接入直流母线的极间短路故障线路识别问题，提出了一种基于电流特征分析和神经网络的识别方法。首先，通过对短路故障的特点进行分析，得出了故障电流的频谱和幅值变化的特点。然后，设计了基于小波变换的电流特征提取方法，利用小波变换将电流信号分解为不同频段的子信号，并提取了频谱和幅值特征。最后，利用BP神经网络对提取的特征进行训练和识别，并进行了实验验证。实验结果表明，该方法能够准确地识别极间短路故障线路，并具有较高的鲁棒性和可靠性。
关键词：直流电力系统；极间短路故障；线路识别；电流特征；神经网络
引言
直流电力系统在现代电力系统中得到了广泛应用，具有高效、稳定的特点。然而，直流电力系统中的故障问题仍然是一个亟待解决的问题。而极间短路故障是直流电力系统中最常见的故障之一，会给系统的安全稳定运行带来严重的威胁。因此，正确、及时地识别极间短路故障线路对于维护电力系统的安全运行具有重要意义。
一、极间短路故障的特点分析
极间短路故障是指直流电力系统中两个相邻极间之间发生了短路现象。它的主要特点包括故障电流波形畸变、频谱分布宽，并伴随着电流幅值的迅速变化。这些特点为极间短路故障线路的识别提供了可靠的依据。
二、基于电流特征分析的极间短路故障线路识别方法
为了准确识别极间短路故障线路，本文提出了一种基于电流特征分析的识别方法。具体步骤如下：
1.故障电流波形采集：在故障发生时，通过电流传感器采集故障电流波形。
2.小波变换特征提取：将采集到的故障电流波形进行小波变换，得到不同频段的子信号。然后，利用小波变换的多分辨率分析能力，提取子信号的频谱和幅值特征。
3.特征选择：根据故障电流波形的特点，选择合适的频谱和幅值特征。比如，选取频谱中的主峰频率、频带宽度等特征，选取幅值变化率、最大幅值等特征。
4.BP神经网络识别：利用选取的特征对BP神经网络进行训练和识别。训练过程中，将一部分故障数据作为训练集，另一部分数据作为测试集。通过反向传播算法，优化网络参数，提高识别准确率。
5.实验验证：在实际站内源荷集中接入直流母线的系统中，收集了大量的故障数据，并进行了实验验证。
三、实验结果及讨论
对于所提出的识别方法，进行了一系列实验，验证了其有效性和可靠性。实验结果表明，该方法能够准确地识别极间短路故障线路，且具有较高的鲁棒性和可靠性。同时，对于不同故障类型和故障位置，该方法也能够做出准确的判断。而且，该方法具有很好的扩展性，可以适用于不同规模的电力系统。
结论
本论文针对站内源荷集中接入直流母线的极间短路故障线路识别问题，提出了一种基于电流特征分析和神经网络的识别方法。通过对故障电流的特点进行分析，设计了电流特征提取方法，并利用BP神经网络进行识别。实验结果表明，该方法能够准确地识别极间短路故障线路，并具有较高的鲁棒性和可靠性。未来的工作将重点改进识别方法的实时性和稳定性，以应对复杂电力系统中的实际问题。
参考文献：
[1]ZangiabadiM,SarwatA,KezunovicM,etal.FaultDiagnosisinHVDCTransmissionSystemsUsingTime-FrequencyAnalysisandMachineLearning[J].IEEETransactionsonPowerDelivery,2016,31(1):355-365.
[2]JiaoY,LiB.AnIntelligentFaultDiagnosisMethodforHVDCTransmissionLinesBasedonProbabilityNeuralNetwork[J].IEEEAccess,2018,6:3303-3309.
[3]ElserougiAAE,ElsayedMM,Abd-ElazimSM.Aninnovativehybridneuralnetwork-basedmethodforfaultpredictioninHVDCtransmissionsystems[J].InternationalJournalofElectricalPower&EnergySystems,2016,82:423-431.