A differential relay for power transformers using intelligent tools

This paper presents alternative approaches using artificial neural networks (ANNs) for the protection of power transformers. A complete protection scheme was implemented. An ANN subroutine was used to discriminate internal faults from other situations, replacing the traditional Fourier method for harmonic restraint. In addition, a routine for reconstruction of saturated current signals based on recurrent ANNs is also proposed. The proposed methods were extensively tested and then compared to the traditional differential protection algorithm, showing promising results. The application of the ANN tools is a new and important stage in the differential relay analysis methodology for power transformer protection.     

Correction of current transformer distorted secondary currents dueto saturation using artificial neural networks

Current transformer saturation can cause protective relay misoperation or even prevent tripping. This paper presents the use of artificial neural networks (ANN) to correct current transformer (CT) secondary waveform distortions. The ANN is trained to achieve the inverse transfer function of iron-core toroidal CTs which are widely used in protective systems. The ANN provides a good estimate of the true (primary) current of a saturated transformer. The neural network is developed using MATLAB and trained using data from EMTP simulations and data generated from actual CTs. In order to handle large dynamic ranges of fault currents, a technique of employing two sets of network coefficients is used. Different sets of network coefficients deal with different fault current ranges. The algorithm for running the network was implemented on an Analog Devices ADSP3101 digital signal processor. The calculating speed and accuracy proved to be satisfactory in real-time application     

基于GA-BPNN的多频超声波变压器油密度检测研究

变压器油是电力变压器中的主要绝缘物质之一,油的密度指标与变压器的安全运行息息相关。文中基于多频超声波、遗传算法-反向传播神经网络(GA-BPNN)的原理,对变压器油密度进行了预测研究。以电网公司110组变压器油为例,其中100组为训练集,10组为预测集。建立了基于BPNN的变压器油密度预测模型,并将242维多频超声数据作为输入,密度作为输出。通过试验法确定了BPNN的隐层神经元个数,由此建立非线性映射关系,并用遗传算法优化BPNN的各层连接权值及阈值。结果表明,与传统的标准BPNN模型相比,GA-BPNN模型的变压器油密度值与实际值拟合度更高,误差更小。研究结果为检测变压器油的其他参数提供了可靠的依据。     

电力变压器的智能故障诊断研究

将基于改进遗传算法（IGA）和误差反向传播（BP）算法相结合构成的IGA-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和传统GA算法独立训练神经网络的缺陷,并应用于电力变压器溶解气体分析的智能故障诊断。实验诊断结果表明,IGA-BP混合算法的收敛速度快于BP及GA算法,并且具有较高的诊断准确率。     

智能技术在距离保护中的应用

针对传统的距离保护方法存在许多不足,提出了一种将BP网络与径向基函数网络相结合的距离保护模型。分别采用BP网络构建振荡识别子网络,采用RBFN构成的故障检测定位子网络,并采用附加动量项和自适应学习率等措施增加BP算法学习过程的稳定性和收敛速度;为增加网络训练的确定性,文中进行了大量的仿真计算,结果表明,该方法能够对电力系统的各种故障情况进行正确的识别并且比目前常用的神经网络式距离保护有更高的工作效率。文章最后也分析了神经网络技术在距离保护中存在的不确定性,指出了消除不确定性的措施。     

电流互感器饱和影响测距精度的一种解决方法

电流互感器(TA)饱和会给基于工频电气量的输电线路故障测距精度带来很大的误差。文中利用MATLAB程序，设计了一个前向BP网络，利用BP网络来对TA饱和电流进行矫正补偿，然后再进行故障测距。EMTP仿真的结果表明，对TA饱和电流进行补偿矫正后，明显地改进了故障测距的精度。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

Improved operation of power transformer protection using artificialneural network

This paper suggests the possibility of improving digital power transformer protection. The establishment of inrush in power transformers is becoming unreliable in existing numerical protection. An artificial neural network (ANN) was applied to inrush detection. The saturation of protective current transformers (CT) cannot be totally eliminated despite proper dimensioning. ANN was used for the reconstruction of distorted secondary CT currents due to saturation. In both cases, an ANN was included in the protection algorithm as an extension of the existing methods, which improved the reliability of the protection operation. The paper presents the digital protection algorithm completed in this way and the laboratory equipment by means of which experimental results were obtained. The results confirm faster and more reliable recognition of transformer inrush, as well as satisfactory reconstruction of the distorted secondary CT currents     

基于ANN削减负荷的发输电组合系统可靠性评估

为提高计算效率,提出了基于人工神经网络（ANN）的发输电组合系统可靠性评估模型。该模型为一个3层前向神经网络,其中输入层为参与可靠性计算的元件的信息,输出层为系统中节点负荷的信息,用改进的BP算法训练该网络,经训练后的网络具有负荷削减计算功能,由于该模型不需进行在线的故障状态潮流计算以及负荷削减计算,大大提高了计算效率,在缓解“计算灾”方面取得了较大进展,该ANN模型考虑了发电机出力,变压器和线路容量以及负荷等的变化,比通常的可靠性计算模型具有更强的实用性,用实例验证了方法的正确性和有效性。     

智能式距离保护

传统式距离保护方法受不同故障条件的影响,有时会产生继电器误动作。本文所提出的智能式距离保护方法综合了改进遗传算法(GA)和误差反向传播算法(BP)的优点。仿真结果表明,该方法不但比传统的距离保护方法反应更迅速、更准确,而且比目前应用较多的神经网络式距离保护有更快的网络训练速度和避免陷入局部极小点的能力,同时也满足了距离保护速度和精度的要求。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

一种基于常规保护原理的ANN发电机差动保护研究

文中提出了一种基于常规保护原理的神经网络差动保护方法。神经网络具有非常优良的模式识别能力。文章首先从理论上分析得出，可以由一个单神经元实现差动保护中常规的比率制动特性，并实现了由一个单神经元感知器构成的比率制动特性的差动保护，在此基础上进一步提出了一个具有非线性制作特性的多层神经网络差动保护模型。该方法将传统保护中的整定值和人工神经网络结构中的权系数对应起来，利用学习算法获得保护的最佳方案，运行人员可以根据经验来选择训练结果，它彻底解决了将ANN技术应用到继电保护工程实际中去后可靠性差的问题，且容易被现场运行人员所接受。该方法无论在工程中还是在理论上都具有重要的意义。     

基于RS和GA的动态模糊神经网络在短期电力负荷预测中应用

分析和探讨了粗糙集（RS）理论、遗传算法（GA）、模糊神经网络相结合的短期负荷预测方法。首先,对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息．最后用得到的属性作为模糊神经网络的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络DFNN（Dynamic Fuzzy Neural Network）,并采用具有全局寻优能力的遗传算法训练网络,克服了单纯BP算法易陷入局部最优解的缺点。用该方法与常用BP神经网络及Fuzzy法分别对某电网进行一周的日负荷预测．实例的对比分析表明了该方法收敛速度、预测精度和网络规模等方面都有较大改善。     

基于BP神经网络的多参数关联变压器油击穿电压的预测研究

电力变压器的安全、稳定和经济运行是电力输送的重要保证。基于变压器油的日常监督数据,预测变压器油的击穿电压,将为变压器故障的早期诊断、预测防范和及时处理提供重要的科学依据。笔者鉴于BP神经网络具有任意的非线性映射、强大的自学习功能和良好的容错特性,采用BP神经网络的方法进行多参数关联变压器油击穿电压的预测研究。利用变压器油的日常监测数据,用BP算法和改进BP算法训练网络,分别建立了击穿电压与4个影响因素的关联模型。结果表明,基于改进BP算法模型的预测结果精度较高,预测值相对误差在5%以内,具有重要的实际应用价值。     

基于改进PSO-BP混合算法的电力变压器故障诊断

将改进的粒子群优化(PSO)算法与误差反向传播(BP)算法相结合构成混合算法训练人工神经网络。改进的PSO算法中,惯性权重从最大到最小线性减小,以平衡局部和全局搜索能力,并将类似“选择”的概念引入PSO算法,使该算法更好地协调全局和局部搜索能力,有利于更快寻找到全局最优点。该算法有效地解决了常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点。将该算法应用于变压器故障诊断,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

GA-BP混合算法在变压器色谱诊断法中的应用

将一种改进的遗传操作与人工神经网络相结合的混合算法应用于电力变压器的故障诊断,有效地解决了常规BP算法易陷入局部极小、收敛速度慢和基本遗传算法早熟等缺点。实例仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

基于BP网络的自适应接地保护研究

把人工神经网络引入到自适应距离保护中,由站计算机采集所需的电压、电流量,经过处理,将这些相关的数据输入已训练好的三层BP神经网络中,由ANN估算倾斜角供给距离保护作为动作的判据。     

基于BP网络的故障诊断方法的改进

文章就人工神经网络ＢＰ模型进行故障诊断过程中输入样本情况影响诊断结果的准确率,提出了在原有神经网络输入节点的基础上再增加一特征输入节点,以及反映输入样络输入样本数据大小的特征量的新方法,以电力变压器的故障诊断为例,证明了这种新方法具有更高的故障诊断准确率。     

运用模糊神经网络来区分变压器励磁涌流和内部故障

变压器励磁涌流和内部故障的鉴别一直是变压器差动保护中的一个热点问题。在几种传统的识别励磁涌流方法的基础上 ,结合模糊神经网络这一新型的人工智能技术 ,综合利用这几种原理对电气量的采样值分别提取形成网络的特征输入量 ,并采用了Simpson模糊极小 -极大神经网络来形成区分励磁涌流和内部故障的模糊模式分类器。运用EMTP程序通过大量的仿真计算获取网络的训练和测试样本 ,结果表明 ,训练后的网络能快速地区分变压器各种运行工况下的励磁涌流和内部故障 ,对测试样本的正确率达到 10 0 %。     

Protection of power transformer using multi criteria decision-making

Power transformers are protected by different relays that operate independently. Malfunction of each relay has a major role in reducing the reliability of the protection system. In order to mitigate the main drawbacks of the power transformer relays, an overall protection scheme is presented in this paper. This scheme proposes a novel multi criterion algorithm using decision-making based on fuzzy logic. In this paper the outputs of restricted earth fault relay and a directional check unit, are combined with the output of the differential protection relay. Therefore, problems that are pertaining to independent operation of each relay have been mitigated and the relays cover protection blind spots of each other. The improved power transformer protection (IPTP) scheme enhances the sensitivity and reliability of the power transformer protection. Extensive simulations are used to measure the effectiveness and merit of the proposed IPTP relay. The above efforts result in a multi criteria approach for protection of power transformers.