一种基于混合算法的电流互感器失真电流校正方法
发布时间：2021-11-11 06:36
随着智能电网规模的扩大,大量的电流互感器被用于智能电网的状态监测。特别是在低压配电网中,经济成本促使了大量的铁磁式电流互感器被使用。当故障电流流经铁磁式电流互感器时,磁滞特性将导致互感器的二次侧电流失真,进而导致保护装置误动作。因此,提高电流互感器在故障电流情况下的准确度是必要的。基于小波变换、人工神经网络以及模糊集理论对故障电流对电流互感器的影响进行了研究和分析,实现了对二次侧失真电流的校正,并将所提的方法在MATLAB和可编程逻辑器件FPGA中进行实验,实验结果表明该方法对铁磁互感器二次侧失真电流的校正是有效的。
【文章来源】：电子器件. 2020,43(04)北大核心
【文章页数】：6 页
【部分图文】：
CT饱和情况下的失真二次电流
在本文中,离散小波变换(Discrete Wavelet Transform,DWT)、人工神经网络(Artificial Neural Networks,ANN)和模糊集理论(Fuzzy Set Theory,FST)被结合起来用于校正CT的二次侧失真电流。DWT被用于检测故障发生的瞬间并识别CT饱和的周期。本文利用DWT提取了故障电流的两个特征,特征一是故障发生瞬间T时刻的电流值与第1次出现饱和期间的故障电流值的差值。特征二是故障发生瞬间T时刻的电流值与正常电流(T-4/π)时刻的瞬间值之间的电流差,然后根据其特征使用模糊c均值法(Fuzzy-C-Means,FCM)将所有可能的故障电流情况分成9个簇。9个多层前馈神经网络(Multilayer Feedforward Neural Network,MFNN)分别用相应的较小的故障电流数据集进行训练,用于在初始阶段获得校正电流。模糊规则(Takagi-Sugeno-Kang,TSK)被用于将初始阶段的所有MFNN输出电流积分到校正电流。1 混合算法
在本文中通过提取两个特征来对故障电流进行分类。特征1是故障发生瞬间T时刻的电流值与第1次出现饱和期间的二次侧故障电流值的差值。特征2是故障发生瞬间T时刻的电流值与正常电流(T-4/π)时刻的瞬间值之间的电流差。在图3中,通过将缩放后的一次电流与二次电流进行比较来描述故障区间。特征1是描述故障电流从故障发生的T时刻到饱和发生时刻的增长率,其主要影响因素包括故障定位,短路容量和故障电阻。特征2被用于研究故障瞬间的电流值相位角,其取决于负载功率、功率因数、初相角等。特别是故障初相角是0°和180°的情况将导致更严重的饱和程度。需要的是,较低的功率因数也会导致严重饱和程度[15-16]。1.2 模糊-c-均值
本文编号：3488369
【文章来源】：电子器件. 2020,43(04)北大核心
【文章页数】：6 页
【部分图文】：
CT饱和情况下的失真二次电流
在本文中,离散小波变换(Discrete Wavelet Transform,DWT)、人工神经网络(Artificial Neural Networks,ANN)和模糊集理论(Fuzzy Set Theory,FST)被结合起来用于校正CT的二次侧失真电流。DWT被用于检测故障发生的瞬间并识别CT饱和的周期。本文利用DWT提取了故障电流的两个特征,特征一是故障发生瞬间T时刻的电流值与第1次出现饱和期间的故障电流值的差值。特征二是故障发生瞬间T时刻的电流值与正常电流(T-4/π)时刻的瞬间值之间的电流差,然后根据其特征使用模糊c均值法(Fuzzy-C-Means,FCM)将所有可能的故障电流情况分成9个簇。9个多层前馈神经网络(Multilayer Feedforward Neural Network,MFNN)分别用相应的较小的故障电流数据集进行训练,用于在初始阶段获得校正电流。模糊规则(Takagi-Sugeno-Kang,TSK)被用于将初始阶段的所有MFNN输出电流积分到校正电流。1 混合算法
在本文中通过提取两个特征来对故障电流进行分类。特征1是故障发生瞬间T时刻的电流值与第1次出现饱和期间的二次侧故障电流值的差值。特征2是故障发生瞬间T时刻的电流值与正常电流(T-4/π)时刻的瞬间值之间的电流差。在图3中,通过将缩放后的一次电流与二次电流进行比较来描述故障区间。特征1是描述故障电流从故障发生的T时刻到饱和发生时刻的增长率,其主要影响因素包括故障定位,短路容量和故障电阻。特征2被用于研究故障瞬间的电流值相位角,其取决于负载功率、功率因数、初相角等。特别是故障初相角是0°和180°的情况将导致更严重的饱和程度。需要的是,较低的功率因数也会导致严重饱和程度[15-16]。1.2 模糊-c-均值
本文编号：3488369
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3488369.html
