APPLICATION OF NEURAL NETWORK FOR THE TRANSFORMER PROTECTIVE RELAYS

A neural network method used to identify the different operating states of transformers has been proposed and established.It is superior to the traditional transformer protective principles and can correctly identify,within half cycle from the fault inception,the internal faults,magnetizing inrush current state,external faults and switching on the internal faults of a no load transformer.In addition,this method has broad availability and high fault tolerant ability.A lot of simulations have demonstrated its superiority.

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

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.

神经网络理论在变压器故障诊断中的应用

把专家知识与神经网络计算相结合，用变压器原副边正序和负序电流分量的方向进行变压器的故障诊断，克服了传统的二次谐波制动特性差动保护在涌流伴随故障状态下的动作延时，能正确识别变压器的内部故障、励磁涌流、外部故障及空载合于内部故障等不同状态。用此原理构成的变压器保护动作时间最快可为半个周期，可适合于任意连接方式的双绕组变压器，且不受系统参数的影响，具有广泛的实用性和很强的容错能力，大量仿真结果证明了此方法的优越性。

新技术手段在变压器差动保护励磁涌流识别中应用研究的现状

励磁涌流的鉴别一直是变压器保护中一个关键问题。在介绍各种新技术手段的原理基础上,着重分析了各种技术目前在变压器励磁涌流识别方面应用的研究及其特点、性能和存在的问题,并指出了这些新技术在今后变压器保护应用中可能的发展方向。

基于小波包和改进BP神经网络的变压器励磁涌流识别方法

根据励磁涌流和内部故障电流的波形特征存在巨大差异,提出一种基于小波包和改进BP网络的识别励磁涌流的新算法。利用小波包对励磁涌流和故障电流信号进行分解和重构,提取小波包重构系数,计算各频段的能量并进行归一化处理,构造能量特征向量,作为BP网络的输入样本,进行训练和测试,提出保护判据。经过PSCAD/EMTDC和MATLAB软件对大量样本进行仿真验证,证明该方案能够快速准确地识别励磁涌流和内部故障电流。

基于小波-DHNN识别变压器励磁涌流

变压器主要采用纵联差动保护,如何防止因涌流造成的误动已成为关键性问题。对于该问题,提出一种基于小波-DHNN识别励磁涌流的新的研究方案。利用小波变换对采样信号进行分析,得出励磁涌流的小波系数较内部故障电流有非常明显的差异,并且畸变特点伴随整个衰减过程。分析后的信号通过离散型Hopfield网络测试与识别,从而区分励磁涌流和内部故障电流。通过PSCAD和MATLAB仿真软件进行建模仿真,结果表明,该方法能可靠的识别励磁涌流和内部故障电流,并且准确率高达100%。

电力变压器继电保护及故障诊断中神经网络技术的应用

变压器是电力系统的重要设施之一 ,它的可靠运行对电力系统的安全、经济运行具有重大意义。本文主要探讨采用人工神经网络技术对电力变压器进行继电保护及故障诊断。结果表明 ,人工神经网络对于电力变压器的励磁涌流与短路电流及其它的故障电流有更强的识别能力 ,从而能有效的保证继电保护动作的准确性。

基于遗传概率神经网络的变压器励磁涌流识别

利用遗传算法优化概率神经网络的重要参数,以便获得最优的平滑因子,从而实现了电力变压器励磁涌流和内部故障电流的识别。采用MATLAB软件对变压器不同的运行状态进行建模仿真,并对保护方案进行测试。

煤矿变压器励磁涌流识别新方法

针对煤矿变压器励磁涌流导致差动保护误动的问题,综合考虑了变压器励磁涌流和故障电流的特征,提出了一种基于粒子群算法的BP神经网络的新算法。利用MATLAB仿真软件对一个双端供电系统进行仿真,将检测到的电流信号作为PSO-BP神经网络的输入样本,进行训练及测试。仿真结果表明,此方案可以快速地、可靠地识别变压器励磁涌流。

基于人工神经网络的变压器励磁涌流的鉴别

研究了基于神经网络方法的电力变压器励磁涌流鉴别。对变压器励磁涌流及故障电流进行了数字仿真,比较了两者在物理特性上的区别。利用Matlab的人工工具箱,分别建立了BP和RBF神经网络模型,对励磁涌流和故障电流的样本进行训练及测试。结果表明,人工神经网络可以正确地区分励磁涌流和故障电流,RBF神经网络能更加快速、准确地判断出变压器的故障。

应用BP神经网络鉴别励磁涌流

论述了应用BP人工神经网络区分三相牵引变压器励磁涌流和短路电流的方法,并应用Matlab软件进行了大量的仿真计算。仿真结果表明,该方法可以准确判别励磁涌流。

单相牵引变压器励磁涌流鉴别研究

利用BP神经网络区分了牵引变压器的励磁涌流和故障电流,并利用仿真数据和试验变压器录波样本对神经网络性能进行了测试。

基于小波变换和概率神经网络的励磁涌流识别

针对变压器的励磁涌流问题,提出了一种基于小波变换和概率神经网络的新的变压器差动保护方案,用以实现励磁涌流与其它内部短路电流诸如单相短路、两相接地短路、三相接地短路、匝间短路的鉴别。利用小波变换进行信号分解,提取各尺度高频部分的能量,作为神经网络的输入特征向量,概率神经网络是为了进行模式识别。利用Matlab/Simulink平台上的仿真建模,获取励磁涌流和内部故障电流的数据。大量仿真结果显示,该方案可以有效地识别励磁涌流。

基于小波和神经网络的矿用变压器保护装置的研究

励磁涌流识别是矿用变压器微机保护中有待进一步解决的难题,鉴于传统判别原理的局限性,提出了一种基于小波和神经网络的励磁涌流识别方法,并结合比率差动保护原理,设计了以FPGA、DSP和ARM为核心的矿用变压器微机保护装置。小波和神经网络采用FPGA硬件实现方式,提高了保护的速动性。测试结果表明,该装置不误动且不拒动,能够正确区分励磁涌流和内部故障电流。

应用人工神经网络对变压器励磁涌流仿真的研究

在对变压器励磁涌流的仿真中，变压器铁芯的非线性磁化特性必须加以考虑。本文运用人工神经网络模拟主磁滞回环，以及用线性变化的位移来生成局部磁滞回线的方法，建立铁芯动态非线性磁化过程的计算模型。在此基础上对变压器的励磁涌流进行了仿真，收到了较好的效果。

基于小波预处理的人工神经网络实现微机变压器保护的新方法

提出了一种微机变压器保护的新方法。利用小波分析的信号奇异性检测特性,建立起信号突变量与模局部极大值的一一对应关系,提取所需要的状态特征;利用小波分析的时频分解滤波特性,减少故障暂态过程中非周期分量和高次谐波对故障方向判别的影响。在此基础上,提出并建立三层前向神经网络模型,用来实现变压器的微机保护。理论分析和EMTP仿真试验表明,该方法可以有效地提高保护的灵敏性、选择性和速动性,而且不受CT饱和的影响。

变压器差动保护中励磁涌流非线性鉴别技术的发展

分析了变压器产生的励磁涌流的非线性特征,介绍了几种非线性鉴别方法的构成原理与特点.包括基于人工神经网络、小波变换和模糊理论的励磁涌流鉴别,并对近年来各非线性鉴别的原理、优缺点、技术关键及研究和应用现状进行了较详细的分析与客观评价。根据国内外电力变压器励磁涌流非线性鉴别技术的对比分析,指出了这些非线性鉴别技术在未来变压器差动保护应用中可能的发展方向。

基于人工神经网络的电力变压器励磁涌流判别

研究了励磁涌流的产生机理和特性 ,探讨了影响励磁涌流的因素 ,对多种条件下的电力变压器励磁涌流及故障电流进行了数字仿真 ,比较了两者在物理特性上的区别。同时利用Matlab中的神经网络工具箱 ,建立了径向基函数 (RBF)神经网络模型 ,对励磁涌流和短路电流的样本进行训练 ,并对训练好的神经网络进行测试。结果表明 :RBF神经网络可以正确地区分励磁涌流和短路电流。

基于波形不对称和神经网络的变压器励磁涌流识别

为了实现对变压器励磁涌流和故障电流的识别,将传统二次谐波制动原理与基于波形上下不对称判别励磁涌流的新原理结合起来,建立了一个三层前向神经网络模型。利用Matlab软件对一个双端供电系统进行了仿真运算以得到神经网络的训练样本,用经训练的神经网络实现了对励磁涌流的识别。仿真测试结果验证了该方案是切实可行的,能够准确识别各种变压器状态下的励磁涌流和故障电流。

基于QBVMD的变压器励磁涌流与故障识别研究

针对变压器差动保护易受涌流干扰而误动问题,本文提出了基于变分模态分解与优化神经网络的励磁涌流辩识方法。运用PSCAD软件平台搭建变压器励磁涌流与故障电流模型,获取涌流数据,利用准二元变分分解QBVMD对差流信号进行分解,获得不同尺度的信号后,在利用优化神经网络对故障类型进行辨识。最后,设置变压器励磁涌流、和应涌流、单相接地和三相接地故障情景并获得相应的故障数据,利用上述方法对故障类型进行辨别,结果表明,论文方法可以准确的识别变压器励磁涌流和故障电流,识别准确率高,为辩识变压器涌流与故障提供了参考。