埃尔法哥哥西安交大焦在滨团队：基于等效磁化曲线智能识别的变压器保护原理
西安交大焦在滨团队：基于等效磁化曲线智能识别的变压器保护原理
团队介绍
本文插图
焦在滨 ， 教授 ， 博士生导师 ， 分别于1998年 ， 2004年在西南交通大学电气工程学院获得学士和硕士学位 ， 2008年在西安交通大学电气工程学院获得博士学位并留校任教 ， 2011-2012年在香港大学从事博士后研究工作 。
主要研究方向为电力系统继电保护、交直流混联配电网 ， 目前正在国家自然科学基金面上项目“基于等效磁化曲线特征智能识别的变压器保护新原理研究”的资助下 ， 开展人工智能在继电保护领域的应用研究 。
本文插图
李宗博 ， 博士研究生 。 于2015年在东北电力大学电气工程学院获得学士学位 ， 同年进入西安交通大学电气工程学院攻读硕士、博士学位 。 研究方向为基于人工智能的继电保护新原理与新技术 。
本文插图
何安阳 ， 硕士研究生 。 于2019年在西安交通大学电气工程学院获得学士学位 ， 同年进入西安交通大学电气学院攻读硕士学位 。 研究方向为电力系统继电保护 。
导语
本文系统地研究了变压器铁心动态行为 ， 其能从本质上反应变压器的运行状态 ， 而变压器铁心动态行为可以通过变压器磁化曲线的几何特征进行表征 。 基于此 ， 本文提出一种基于等效磁化曲线（励磁支路电压-差动电流）智能识别的变压器保护原理 。 保护原理以等效磁化曲线若干几何特征作为BP神经网络输入判断变压器运行状态 ， 大量的数字仿真和动模实验数据表明该方法具有良好的泛化能力 ， 对CT饱和等场景具有良好的适应性 。
研究背景
传统的变压器保护大多采用带有励磁涌流制动/闭锁的电流差动保护原理 ， 但以二次谐波制动为代表的励磁涌流识别判据已难以满足变压器保护的要求 。 为此 ， 学者们基于回路方程、励磁电感等电气量特征以及基于油流速度等非电气量特征提出了大量的保护方法 ， 但是该类方法均基于单一故障特征 ， 在某些运行工况下性能欠佳或存在死区 。
近些年 ， 融合多种故障特征信息 ， 基于AI的变压器保护原理成为新的发展方向 ， 目前的研究成果主要分为以下几类：
将差动电流作为输入 ， 训练人工神经网络、支持向量机、随机森林等机器学习算法；
利用小波分析等工具提取差动电流特征 ， 作为输入训练机器学习算法；
利用模糊理论分析差动电流；
基于差动电流图像 ， 利用数学形态学、卷积神经网络识别励磁涌流和内部故障 。
上述方案仅从仿真数据出发且电力系统多变的运行方式对输入影响较大 ， 无法保证模型泛化能力；另外 ， 大量的训练样本是模型性能的保证 ， 但仿真样本获取工作繁琐、工程样本量小的特点 ， 限制了其在工程中的应用 。 如何充分利用AI技术 ， 构建融合多故障特征的实用化继电保护 ， 是本领域迫切需要解决的问题 。
论文所解决的问题及意义
本文插图
本文基于励磁支路电压和差动电流构建等效磁化曲线能够从本质上反映变压器运行状态 ， 其形状与变压器运行状态具有一一对应关系 。 因此 ， 融合若干几何特征作为BP神经网络输入 ， 构建了具有强泛化能力的变压器保护方案 。
等效磁化曲线在不同的变压器、运行场景之间具有一定的通用性 ， 基于小规模的样本集即可获得泛化能力较强的分类模型 ， 又由于模型的输入为等效磁化曲线的形状特征 ， 系统谐波对其影响较小 。
推荐阅读
- 「」儿童节就送阿尔法蛋学习手表，安全贴心又能学习
- -悟空哥哥-618年中大促力来袭，iQOO Neo3应该是你不容错过的5G手机
- 埃尔法哥哥面对用户需求与AI技术之间的不平衡，AI产品经理该如何做？
- 埃尔法哥哥谁说机器学习难？它在这朵云上就没有门槛
- 埃尔法哥哥Python基础语法之“数据应用”
- 埃尔法哥哥Bionumerics软件的多位点VNTR分析
- 埃尔法哥哥一个例子就能读懂大数据，原来数据分析能在这些行业里使用
- 埃尔法哥哥C++程序员的职业生涯规划
- 埃尔法哥哥MAML-Tracker：用目标检测思路做目标跟踪？小样本即可得高准确率丨CVPR 2020
- 埃尔法哥哥数据规范之代码表