CN1246620A - 采用模拟神经网络的电流互感器饱和校正 - Google Patents

采用模拟神经网络的电流互感器饱和校正 Download PDF

Info

Publication number
CN1246620A
CN1246620A CN99117795A CN99117795A CN1246620A CN 1246620 A CN1246620 A CN 1246620A CN 99117795 A CN99117795 A CN 99117795A CN 99117795 A CN99117795 A CN 99117795A CN 1246620 A CN1246620 A CN 1246620A
Authority
CN
China
Prior art keywords
neural network
measurement value
current transformer
described current
current measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN99117795A
Other languages
English (en)
Inventor
J·C·卡明斯
D·C·余
D·T·斯通
L·A·科乔维克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
McGraw Edison Co
Original Assignee
McGraw Edison Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by McGraw Edison Co filed Critical McGraw Edison Co
Publication of CN1246620A publication Critical patent/CN1246620A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/04—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/04—Arrangements for preventing response to transient abnormal conditions, e.g. to lightning or to short duration over voltage or oscillations; Damping the influence of dc component by short circuits in ac networks
    • H02H1/046—Arrangements for preventing response to transient abnormal conditions, e.g. to lightning or to short duration over voltage or oscillations; Damping the influence of dc component by short circuits in ac networks upon detecting saturation of current transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
    • H02H3/02—Details
    • H02H3/05—Details with means for increasing reliability, e.g. redundancy arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Measurement Of Current Or Voltage (AREA)
  • Emergency Protection Circuit Devices (AREA)
  • Protection Of Transformers (AREA)

Abstract

本发明提供了校正输出电流测量值的电流互感器饱和的方法和设备。一种切换算法接收电流互感器的电流测量值,确定这个值落在三个范围的哪一个范围内。如果值落在第一个范围内,把电流测量值提供给诸如继电器的保护装置。如果值落在第二个范围内,把电流测量值提供给产生计算电流互感器饱和的输出的一个模拟神经网络。如果值落在第三个范围内,把电流测量值提供给产生计算电流互感器饱和的输出的另一个模拟神经网络。

Description

采用模拟神经网络的电流互感器饱和校正
本申请根据1998年8月13日提交的美国临时申请No.60/096,459和1999年3月24日提交的美国申请No.09/275,388要求了优先权，这两个申请都通过参考而包含在本申请中。
本发明涉及校正电流互感器的信号畸变。
为了保护和计量的目的，铁心式环形电流互感器(CT)广泛地用于电力工业，以测量线路电流。线路电流加到CT的原线圈，CT的副线圈上就会产生数值下降型式的线路电流。这种数值下降型式的线路电流用作保护和计量目的的测量值。
采用铁心式电流互感器的一个优点是由原绕组中的电流所产生的大部分磁通都穿过付绕组。因此，铁心式电流互感器在原付绕组之间提供了良好的磁链。采用铁心式环形电流互感器的其它优点包括低生产成本、固有的电隔离、可靠性以及使用的简易。
然而，铁心式环形电流互感器的主要缺点是容易引起电流饱和。当超过电流互感器的动态工作范围的电流使铁心的磁化独立于电流、因而产生付绕组信号的畸变时，这种饱和就会发生。这些电流互感器的饱和主要上由两种因素引起的。第一，磁化电流(即产生互感器作用感应电压所需的磁通的电流)和加到付绕组的电压之间的关系是非线性的。第二，铁心式环形电流互感器能在加到原绕组上的电流除去后在其铁心中保持大的磁通密度，即剩磁。
本发明为校正用来提供电流测量的电流互感器的饱和提供了各种技术。为此，将从电流互感器所收到的电流测量值提供给一个模拟神经网络。使模拟神经网络接受训练，以执行电流互感器的逆传递函数，以及产生计算电流互感器的饱和的输出。
各个实施例可以包括一个以上下列特征。例如，利用电流互感器的理想传递函数可以将模拟神经网络的输出转换成设计的电流测量值。将设计的电流测量值提供给保护装置，如果设计的电流测量值大于预定值，保护装置就向继电器发信号，予以脱扣。
可以将电流测量值提供给两个模拟神经网络的其中之一，根据电流测量值是否大于预定阈值而采用特定的模拟神经网络。两个模拟神经网络予以训练，以执行电流互感器的逆传递函数，但是处在不同的工作条件下(例如，不同的电流电平)。
如果电流测量值小于第一阈值，则可以使模拟神经网络旁路。当模拟神经网络被旁路时，可以把电流测量值直接提供给保护装置，如果电流测量值大于预定值，保护装置就发信号给继电器，予以脱扣。
可以采用电磁瞬态程序模拟的数据训练模拟神经网络。也可以采用来自实际的电流互感器的数据训练模拟神经网络。
来自电流互感器的电流测量值可以转换成一系列数字样品。模拟神经网络的一个输入可以是来自一个电流周期的数字样品。模拟神经网络的另一个输入可以根据来自前一个电流周期的数字样品。
可以监测电流测量值，确定测量值落在若干个范围中的哪一个内。如果测量值落在第一个范围内，则可以使模拟神经网络旁路，可以将电流测量值直接提供给保护装置。如果测量值落在第二个范围内，则可以将电流测量值提供给第一模拟神经网络。如果测量值落在第三个范围内，则可以将电流测量值提供给另一个模拟神经网络。
从包括附图在内的以下描述以及权利要求书，其它的特征和优点就是很显然的了。
图1包括两个例示继电器脱扣时电流互感器(CT)的电流饱和作用的图象。
图2是用来讨论CT饱和的保护***的方框图。
图3是用于CT饱和补偿的模拟神经网络(ANN)的方框图。
图4是表示ANN工作情况的简化方框图。
图5是用ANN补偿CT饱和的程序的流程图。
图6是ANN训练程序的流程图。
图7是用于训练***的电磁瞬态程序(EMTP)模拟***的方框图。
图8用于图7的EMTP的CT模型的电路图。
图9是采用来自实时电力***模拟器(RTPSS)的数据的CT测试***的方框图。
图10是保护***的第一种测试情况的图象。
图11是图10的波形的均方根值(RMS)的图象。
图12是保护***的第二种测试情况的图象。
图13是图12的波形的均方根值(RMS)的图象。
图14和15是采用图12和13的第二种测试情况的数字信号处理器(DSP)模拟的图象。
在许多电力设计中，电流互感器(CT)是检测和响应电力线路上的电流故障的保护装置的整体部分。如果故障包括叠加在对称电流上的显著的直流偏移，CT可能在不寻常的低电流下饱和。机电和电气保护装置经常根据故障电流的均方根(RMS)值作出运行的决定。如果由CT供应给保护装置的信号因饱和而畸变，检测到的RMS值可能不同于实际的故障电流。
图1表示当CT饱和或者不饱和时保护装置的继电器脱扣的定时之间的比较。两个图象显示了以千安培为单位的CT电流测量值对以毫秒为单位的时间的关系。在上方的图象100中，CT没有饱和，电流测量值精确地反映了线路电流。在过电流开始出现后大约四分之三周期的时间t(110)继电器响应电流测量值而脱扣。在下方的图象115中，CT饱和，以致测量到的电流120不精确地反映原电流(如测量到的电流105所表示的)。由于这种饱和的结果，在相对于t(110)延迟了大约两个周期的时间td(125)之前，测得的电流RMS值达不到足以使继电器脱扣的值。这种延时可能引起与***中的其它装置的误协调。此外，CT饱和可能阻止继电器完全脱扣，或者可能引起误脱扣。
有若干种避免CT饱和的方法。例如，为了增加线圈之间的互感，可以增大CT铁心的尺寸。
另一方面，可以采用支持较大的磁通密度的另一种铁心材料。然而，两种选择都可能增加保护装置实施的成本和复杂性。
另一种讨论CT饱和的方法是采用一种模拟神经网络(ANN)来校正CT饱和。ANN包括一个以上通过通道彼此相连的节点或简单的处理器。通常，节点包括存储器，并且执行某种传递函数，使得节点的输出是其当时或以前输入中的一个以上输入的函数。节点通过一个以上输入通道接受一般数字数据形式的输入数据，以及利用传递函数对这种输入数据进行运算。节点向ANN内的一个以上通道或者向ANN的输出通道提供数据。
通过训练过程建立ANN的节点的传递函数。ANN能超出在训练中所用的数据进行统一化。
ANN的总函数取决于节点和通道的结构、通道的强度、以及在各个节点上的处理过程。有关ANN的附加信息可以在定期公布在Usenetnewsgroup comp.ai.neural-nets，URL：ftp：//ftp.sas.com/pub/neural/FAQ.html的1997年版的Neural Network FAQ，Sarle，W.S.中找到。
ANN受过训练，以提供CT的逆函数。ANN则用来处理CT的输出(付电流)，以提供CT的输入(原电流)的估值。利用MATLAB开发了ANN的一种实施方案，并且利用从电磁瞬态程序(EMTP)模拟和实际CT所产生的数据予以训练。
图2表示一种采用ANN校正CT饱和的电流保护***200。***200可以用数字电子电路、计算机硬件、固件、软件，或者作为这些元件的组合予以实施。例如，图2表示***200作为在诸如通用计算机或数字信号处理器等的具有存储器210的处理器205上运行的软件的***200的实施方案。为了描述的简易起见，后面的讨论经常涉及采用数字电子电路的***200的实施方案。然而，应该理解的是，***200可以有效地采用软件或其它方法予以实施。
再参阅图2，用连接成接受线路电流的CT220测量线路电流215。模数转换器222把来自CT220的电流测量值转换成一系列数字样品，并且把数字样品输送给计算机205。
在计算机205上运行的切换算法225监视即时电流电平，以及确定电流电平落在三个范围中的哪一个范围内。将可能的故障电流的宽范围分成三个窄范围提高了CT输入的估值的精度。在第一个范围内，预计电流低到足以使CT不发生饱和。在第二和第三个范围内，电流可能高得足以产生CT饱和。当切换算法225确定电流电平落在第一个范围内时，切换算法控制多路复用器227使ANN旁路，将电流值直接送到例如继电器等的保护装置230。当切换算法225确定电流电平落在第二个范围内时，切换算法控制多路复用器227，将第一ANN235的输出提供给保护装置230。当切换算法225确定电流电平落在第三个范围内时，切换算法控制多路复用器227，将第二ANN240的输出送给保护装置230。在其它的实施方案中，切换算法225可以控制是否甚至对于某一电流样品采用ANN。存储器210也接收电流样品。
图3例示ANN235和240的结构300。ANN结构是具有输入层305、第一隐蔽层310、第二隐蔽层315和输出层320的前馈型网络。采用前馈拓扑是由于它的简单性和固有的稳定性。节点325用结构300中的开路表示，通道330用连接一个节点至另一个节点的线路表示。输入层305有32个输入节点。输入节点的数量是根据每个60赫周期32个样品的一般信号采样率而选取的。第一隐蔽层310有10个节点，第二隐蔽层315则有6个节点。输出层320有1个节点。
第一隐蔽层310中的每个节点累计在输入层305上出现的乘以每个通道的加权因子的样品之和。一旦累计出这种和值，就用节点的相关的传递函数对它进行运算，这种传递函数是用下式表示的非线性正切反曲(tan-sigmoidal)函数： f ( x ) = 1 1 + e - x 式中x是节点输入，f(x)是节点输出。
第二隐蔽层315的每个节点对第一隐蔽层310的各节点的加权输出求和，并且将非线性正切反曲函数用于这个和。类似地，输出层320中的节点累计第二隐蔽层315中的六个隐蔽节点的输出的加权和，通过正切反曲函数处理这个和。
参阅图4，简化的ANN参阅包括一个三节点隐蔽层405、一个六节点输入层410、以及一个输出节点415的网络结构。为了描述简易起见，在这个简化的结构中，输入节点数6可以以每个60赫周期的6个样品的信号采样率为基础。由于在一个周期中CT的性能取决于前一个周期，所以ANN的一个输入节点420接收来自前一个周期的样品之和。这个和值与前一个周期期间的付电流和磁通的积分成正比。来自CT220的每个新样品引到ANN“前方”的节点425。以前的样品向下移一个节点至最近的节点(用连接输入层中的节点的弯曲的箭头表示移动)。来自最后节点435的样品输入一个6样品累加器440，后者进行求和，以及把和输出到节点420。ANN对各新样品进行运算，因此产生每个样品的新输出估值。这样，ANN根据最近的样品、以前的四个样品、以及以前的四个样品之前的六个以前的样品之和，产生CT的输入的估值。图3的ANN类似地对当前样品、以前的30个样品，以及这30个样品之前的32个样品之和进行运算。
参阅图5，图2的***执行补偿CT饱和的程序500。采样的CT电流是从电源输入的(步骤505)。将样品输入到样品集，并且更新累加器440(步骤510)。步骤510包括将每个新样品引入输入层410的第一节点425，将以前的样品向下移到输入层315的节点，将最后节点435中的样品提供给累加器440，累加器440对以前的样品与来自节点435的样品进行求和，以及把结果送到节点420。将当前样品的值与第一阈值作比较(步骤515)。如果电流值小于第一阈值，则将信号加到保护装置230(步骤520)，且使ANN旁路。由于大多数保护装置根据电流的RMS值作出运行决定，所以保护装置可以包括最后32个样品的RMS值的计算。
接着，将电流值与第二阈值作比较(步骤525)。如果电流值小于第二阈值，则利用适当的一组通道加权因子加到ANN(步骤530)。ANN的输出是真实的CT输入电流的估值。用CT的理想传递函数把这个估值转换成对应的电流测量值(步骤535)。如果电流值大于或等于第二阈值，则利用适当的一组通道加权因子加到ANN240(步骤540)。ANN的输出是真实的CT输入电流的估值。用CT的理想传递函数把这个估值转换成对应的电流测量值(步骤535)。转换后的输出加到保护装置(步骤545)。
用具有来自EMTP模拟的数据和从实际CT产生的数据的MATLAB训练ANN。对于非饱和的故障则不训练ANN，这是由于这些故障是由保护装置230在不采样ANN的情况下处理的。这样，由于第一范围涉及非饱和的CT信号，以及不需要校正，所以只有表示第二和第三范围的值用于训练。在图2和图5中所述的切换算法225保证了对于非饱和故障使ANN235或240旁路。
图6示出ANN训练程序600的流程图。限定训练情况的范围，将ANN用于各种情况。各种测试情况的变量包括故障值、X/R比、以及故障闭合角。X/R比表示直流偏移的值。故障闭合角(closing angle)则表示直流偏移的方向-相对于对称故障的零值不论是正还是负。选择训练情况的范围，以覆盖CT的期望的运行。对于1000：1A的CT，例如对称的5、8、10、13、和15kA RMS的故障值被输入训练程序600(步骤605)。对于高X/R比，几乎为对称故障的峰值电流的两倍的峰值电流也是可能的。为了训练的目的，可以将5、10和20的X/R比输入训练程序600(步骤610)。在一个实施方案中，产生了故障闭合角隔开90度的四种独特的测试情况，这些情况输入了训练程序600(步骤615)。
当ANN提供CT传递函数的逆传递函数时，ANN训练就完成了。当这种情况发生时，ANN就经过了训练，可以用来对CT的输入进行估值。将所有三个变量集组合起来，可能有大约40种情况训练ANN。在通过输入故障值、X/R比、和故障闭合角限定测试情况之后，利用电磁瞬态程序(EMTP)产生测试数据(步骤620)。还参阅图7，EMTP训练***700包括EMTP705，EMTP705接收为它提供测试情况的变量集710。EMTP705通过根据图8中所示的等效电路图模仿CT的性能而模拟CT的响应。参阅图8，在理想CT220中的原电流750在载有某种阻抗760的理想CT220中感应出付电流755。图8中还示出了原绕组的电阻765和漏感770以及付绕组的电阻775和漏感780。激励和磁化电流785取决于磁化阻抗，磁化阻抗用与磁化非线性电感795并联的铁损耗等效电阻790表示。
来自EMTP的数据必须转换成可为MATLAB训练算法715所用的形式(步骤625)。训练一直进行到模仿的CT电流和ANN估算的电流之间的误差达到可接受的水平为止(步骤30)。
在利用EMTP确认ANN的基本运算之后，利用以数字形式记录的实际的CT原付电流产生故障情况(步骤635)。将数据转换成可为MATLAB所用的格式(步骤640)，然后用实际的CT数据训练ANN(步骤645)。
图9表示采用从实际CT220所产生的数据的CT测试***800。为了获得测试数据，采用实时电力***模拟器(RTPSS)805精确地模拟实时电力***运行。用计算机810控制RTPSS805。此外，这是一个采用高保真度电压和电流放大器815的以模拟为基础的装置，放大器815模拟可能含有直流偏移的高故障电流。采用适当的数据获取技术，用数字记录器820记录CT的原付电流。利用类似于图2的保护***200的测试***825确定电流电平落在哪个范围内。因此，如果故障电流小于第一阈值，就使ANN旁路，如果故障电流大于第一阈值，则实施ANN(具有适当的加权因子)，估算CT电流。比较ANN的输出和由RTPSS805所产生的输入，继续试验，直至差低于可接受的水平。
一旦训练结束，可以用从图9的RTPSS805所产生的实际CT数据测试保护***200。利用MATLAB执行有各种偏移和故障值的若干种测试情况。
图10表示第一种测试情况的CT原电流905、CT付电流910和ANN输出915的图象900，在第一种测试情况下，带有正向直流偏移的高故障电流引起显著的CT饱和，而且导致付电流畸变。故障电流超过第二阈值，因此，由ANN240予以处理。如图象900所证明的那样，ANN240所作的误差校正与CT的原电流905相一致。
图11表示图10的相同波形的RMS值的图象920。RMS值是由保护装置230利用以下公式进行计算的： RMS = [ 1 N Σ 1 N X 2 ( n ) ]
式中N＝32(一个周期中的样品数量)，X(n)是以前的第n个样品。在一个周期相当的样品(32个样品)的整个范围内进行RMS的计算，每个周期进行若干次。CT原电流925的RMS值与ANN校正电流930的RMS值很一致。CT付电流935的RMS值则显示出图10所示的CT饱和作用。一个周期之后RMS值增加到故障的渐近值940。
图12表示第二种测试情况的CT原电流1005、CT付电流1010和ANN输出1015的图象1000，在第二种测试情况下，带有负向直流偏移的故障电流引起CT饱和，而且导致付电流畸变。故障电流超过第一阈值但不超过第二阈值，因此，它由ANN235予以处理。如图象1000所证明的那样，ANN235所作的CT误差校正与CT的原电流1005相一致。
图13表示图12的相同波形的RMS值的图象1020。CT原电流1025的RMS值与ANN校正电流1030的RMS值很一致。CT付电流1035的RMS值则显示出图12所示的CT饱和作用。一个周期之后RMS值增加到故障的渐近值1040。
所有测试情况的结果，包括图10-13中的结果，表明在实际的故障状态下，保护***200根据饱和的CT付绕组输出成功地估算出真实的CT原电流。
为了验证可以在实时中采用保护***200，在一个数字信号处理器(DSP)上执行算法225。用DSP汇编语言对算法225进行编码，然后在DSP模拟器上予以运行。DSP模拟器精确地模拟实际DSP处理器的性能。将以PC为基础的DSP模拟器用于处理器，进行算法的测试，处理器从实际CT中读出存储的数据文件，以及写入对误差进行分析的输出文件。图14和15表示与图12和13中用算法中的定点运行在DSP模拟器上进行处理的相同的测试情况。来自DSP模拟器的结果(图14和15)与来自MATLAB的结果(图12和13)很一致。此外，根据DSP模拟的结果表明总的算法225可以在130μs内每相信号每个样品地执行，可能需要1.1K以下的存储器。
其它的实施例都在后文的权利要求书的范围内。

Claims (27)

1.一种校正用来提供电流测量值的电流互感器的饱和的方法，所述方法包括：
从所述电流互感器接受电流测量值；以及
将所述电流测量值提供给一个模拟神经网络，对所述模拟神经网络进行训练，以执行所述电流互感器的逆传递函数，产生计算所述电流互感器的饱和的输出。
2.根据权利要求1的方法，其特征在于还包括下列步骤：
用所述电流互感器的理想传递函数把所述模拟神经网络的输出转换成设计电流测量值。
3.根据权利要求2的方法，其特征在于还包括下列步骤：
向保护装置提供设计电流测量值。
4.根据权利要求3的方法，其特征在于：如果所述设计电流测量值大于预定值，所述保护装置就向继电器发出信号，予以脱扣。
5.根据权利要求1的方法，其特征在于还包括下列步骤：
如果所述电流测量值大于预定阈值，则向另一个模拟神经网络提供所述电流测量值，所述另一个模拟神经网络接受训练，执行所述电流互感器的逆传递函数，以及产生计算所述电流互感器的饱和的输出。
6.根据权利要求1的方法，其特征在于还包括下列步骤：
用所述电流互感器的理想传递函数把所述另一个模拟神经网络的输出转换成设计电流测量值。
7.根据权利要求1的方法，其特征在于还包括下列步骤：
向保护装置提供所述设计电流测量值，其中如果所述设计电流测量值大于预定值，所述保护装置向继电器发出信号，予以脱扣。
8.根据权利要求1的方法，其特征在于还包括下列步骤：
如果所述电流测量值小于第一阈值，就使所述模拟神经网络旁路。
9.根据权利要求8的方法，其特征在于还包括下列步骤：
当所述模拟神经网络被旁路时，向保护装置提供所述电流测量值。
10.根据权利要求9的方法，其特征在于：如果所述电流测量值大于预定值，所述保护装置向继电器发出信号，予以脱扣。
11.根据权利要求1的方法，其特征在于：接收所述电流测量值步骤包括将所述电流测量值转换成一系列数字样品。
12.根据权利要求1的方法，其特征在于还包括下列步骤：
用来自电磁瞬态程序模拟的数据训练所述模拟神经网络。
13.根据权利要求1的方法，其特征在于还包括下列步骤：
用来自实际电流互感器的数据训练所述模拟神经网络。
14.根据权利要求1的方法，其特征在于：所述模拟神经网络的第一输入包括所述电流测量值，所述模拟神经网络的第二输入包括以前的电流测量值。
15.根据权利要求14的方法，其特征在于：所述模拟神经网络的第三输入包括以前的电流测量值的组合。
16.根据权利要求1的方法，其特征在于还包括下列步骤：
监测所述电流测量值；以及
所述电流测量值落在多个范围的哪一个范围内。
17.根据权利要求16的方法，其特征在于还包括下列步骤：
如果所述电流测量值落在第一个范围内，则使所述模拟神经网络旁路，直接向保护装置提供所述电流测量值；
如果所述电流测量值落在第二个范围内，则将所述电流测量值提供给第一模拟神经网络；以及
如果所述电流测量值落在第三个范围内，则将所述电流测量值提供给第二模拟神经网络。
18.一种用于电力***的电流互感器饱和校正设备，所述设备包括：
一个电流互感器；以及
一个连接成接收所述电流互感器的输出的模拟神经网络，经过训练去执行所述电流互感器的逆传递函数，所述模拟神经网络提供计算所述电流互感器的饱和的输出。
19.根据权利要求18的电流互感器饱和校正设备，其特征在于还包括一个连接成接收所述模拟神经网络的输出的保护装置。
20.根据权利要求18的电流互感器饱和校正设备，其特征在于还包括一个连接成接收所述电流互感器的输出的第二模拟神经网络，经过训练去执行所述电流互感器的逆传递函数，所述第二模拟神经网络提供计算所述电流互感器的饱和的输出。
21.根据权利要求20的电流互感器饱和校正设备，其特征在于还包括一个切换***，所述切换***监测所述电流测量值，以及确定所述电流测量值落在多个范围中的哪一个范围内。
22.根据权利要求21的电流互感器饱和校正设备，其特征在于：当所述电流测量值落在第一个范围内时，所述电流互感器的输出直接提供给一个保护装置，以及使所述模拟神经网络旁路。
23.根据权利要求21的电流互感器饱和校正设备，其特征在于：当所述电流测量值落在第二个范围内时，所述电流互感器的输出提供给第一模拟神经网络。
24.根据权利要求23的电流互感器饱和校正设备，其特征在于：还包括一个转换器，所述转换器利用所述电流互感器的理想传递函数把所述模拟神经网络的输出转换成设计电流测量值。
25.根据权利要求24的电流互感器饱和校正设备，其特征在于还包括一个连接成接收所述设计电流测量值的保护装置。
26.根据权利要求21的电流互感器饱和校正设备，其特征在于：当所述电流测量值落在第三个范围内时，所述电流互感器的输出提供给第二模拟神经网络。
27.根据权利要求18的电流互感器饱和校正设备，其特征在于还包括一个模数转换器，所述模数转换器把所述电流测量值转换成一系列数字样品。
CN99117795A 1998-08-13 1999-08-13 采用模拟神经网络的电流互感器饱和校正 Pending CN1246620A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US9645998P 1998-08-13 1998-08-13
US60/096,459 1998-08-13
US09/275,388 US6247003B1 (en) 1998-08-13 1999-03-24 Current transformer saturation correction using artificial neural networks
US09/275,388 1999-03-24

Publications (1)

Publication Number Publication Date
CN1246620A true CN1246620A (zh) 2000-03-08

Family

ID=26791731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN99117795A Pending CN1246620A (zh) 1998-08-13 1999-08-13 采用模拟神经网络的电流互感器饱和校正

Country Status (8)

Country Link
US (1) US6247003B1 (zh)
EP (1) EP0980129A3 (zh)
KR (1) KR20000017181A (zh)
CN (1) CN1246620A (zh)
AU (1) AU750864B2 (zh)
BR (1) BR9903589A (zh)
CA (1) CA2280281C (zh)
TW (1) TW496026B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761568A (zh) * 2014-01-23 2014-04-30 国家电网公司 基于som神经网络聚类算法的日负荷特征曲线提取方法
CN110045317A (zh) * 2019-05-29 2019-07-23 中国电力科学研究院有限公司 一种互感器计量误差在线检测方法及***
CN112154340A (zh) * 2018-05-30 2020-12-29 三菱电机株式会社 保护继电装置的特性测试***
CN115469259A (zh) * 2022-09-28 2022-12-13 武汉格蓝若智能技术有限公司 基于rbf神经网络的ct误差状态在线定量评估方法及装置

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6658360B1 (en) * 2000-06-09 2003-12-02 Siemens Aktiengesellschaft Software-controlled evaluation of fault currents for protection and monitoring systems
US6617839B2 (en) * 2000-07-12 2003-09-09 Yong-Cheol Kang Method for detecting current transformer saturation
MY150874A (en) * 2006-10-13 2014-03-14 Tnb Res Sdn Bhd Flashover analysis tool
WO2009118048A1 (en) 2008-03-28 2009-10-01 Abb Technology Ag Phasor estimation during current transformer saturation
CN102087311B (zh) * 2010-12-21 2013-03-06 彭浩明 一种提高电力互感器测量精度的方法
US8576521B2 (en) 2011-08-16 2013-11-05 Schneider Electric USA, Inc. Adaptive light detection for arc mitigation systems
US9053881B2 (en) 2012-08-24 2015-06-09 Schneider Electric USA, Inc. Arc detection with resistance to nuisance activation through light subtraction
EP3314273B1 (en) 2015-06-29 2019-07-10 ABB Schweiz AG A method for correcting effect of saturation in current transformer and an intelligent electronic device therefor
US11636668B2 (en) 2017-11-10 2023-04-25 Nvidia Corp. Bilateral convolution layer network for processing point clouds
CN109375131B (zh) * 2018-07-31 2022-03-04 中国电力科学研究院有限公司 一种电流互感器的饱和速度及饱和深度识别方法及***
US10958062B2 (en) 2018-11-13 2021-03-23 Rockwell Automation Technologies, Inc. Systems and methods for dynamically switching a load of a current transformer circuit
US20220375461A1 (en) * 2021-05-20 2022-11-24 Nice Ltd. System and method for voice biometrics authentication
WO2023133449A1 (en) * 2022-01-05 2023-07-13 Ohio State Innovation Foundation Automated systems for diagnosis and monitoring of stroke and related methods

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4946393A (en) 1989-08-04 1990-08-07 Amerace Corporation Separable connector access port and fittings
US5082449A (en) 1990-08-28 1992-01-21 Amerace Corporation Removable media injection fitting
US5485545A (en) 1991-06-20 1996-01-16 Mitsubishi Denki Kabushiki Kaisha Control method using neural networks and a voltage/reactive-power controller for a power system using the control method
US5258903A (en) 1991-12-16 1993-11-02 Thomson Consumer Electronics Control circuit and power supply for televisions
JPH06201751A (ja) * 1993-01-06 1994-07-22 Hitachi Cable Ltd 送電線故障区間標定装置
DE4333260C2 (de) 1993-09-27 1997-09-11 Siemens Ag Verfahren zum Erzeugen eines Anregesignals
US5537327A (en) 1993-10-22 1996-07-16 New York State Electric & Gas Corporation Method and apparatus for detecting high-impedance faults in electrical power systems
FR2714771B1 (fr) * 1994-01-06 1996-02-02 Merlin Gerin Dispositif de protection différentielle d'un transformateur de puissance.
US5629870A (en) 1994-05-31 1997-05-13 Siemens Energy & Automation, Inc. Method and apparatus for predicting electric induction machine failure during operation
US5576632A (en) 1994-06-30 1996-11-19 Siemens Corporate Research, Inc. Neural network auto-associator and method for induction motor monitoring
US5574387A (en) 1994-06-30 1996-11-12 Siemens Corporate Research, Inc. Radial basis function neural network autoassociator and method for induction motor monitoring
US5450315A (en) * 1994-09-26 1995-09-12 Square D Company Apparatus using a neural network for power factor calculation
KR0180628B1 (ko) * 1996-05-14 1999-05-15 이종훈 신경회로망을 이용한 변성기의 오차 복원장치 및 방법
KR100199554B1 (ko) 1996-05-18 1999-06-15 김일동 송전선 보호계전시스템에서의 가변 무전압시간 자동재폐로 장치 및 그 방법
US5714886A (en) 1996-12-26 1998-02-03 Square D Company Method of calibrating the trip point of an overload relay
US5796631A (en) 1997-02-10 1998-08-18 Tempo Instrument, Inc. Method and apparatus for monitoring and characterizing power quality, faults and other phenomena in network power systems

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761568A (zh) * 2014-01-23 2014-04-30 国家电网公司 基于som神经网络聚类算法的日负荷特征曲线提取方法
CN112154340A (zh) * 2018-05-30 2020-12-29 三菱电机株式会社 保护继电装置的特性测试***
CN112154340B (zh) * 2018-05-30 2024-03-19 三菱电机株式会社 保护继电装置的特性测试***
CN110045317A (zh) * 2019-05-29 2019-07-23 中国电力科学研究院有限公司 一种互感器计量误差在线检测方法及***
CN110045317B (zh) * 2019-05-29 2022-10-04 中国电力科学研究院有限公司 一种互感器计量误差在线检测方法及***
CN115469259A (zh) * 2022-09-28 2022-12-13 武汉格蓝若智能技术有限公司 基于rbf神经网络的ct误差状态在线定量评估方法及装置
CN115469259B (zh) * 2022-09-28 2024-05-24 武汉格蓝若智能技术股份有限公司 基于rbf神经网络的ct误差状态在线定量评估方法及装置

Also Published As

Publication number Publication date
BR9903589A (pt) 2000-08-29
AU750864B2 (en) 2002-08-01
KR20000017181A (ko) 2000-03-25
TW496026B (en) 2002-07-21
CA2280281A1 (en) 2000-02-13
AU4444599A (en) 2000-03-09
CA2280281C (en) 2002-09-03
US6247003B1 (en) 2001-06-12
EP0980129A2 (en) 2000-02-16
EP0980129A3 (en) 2001-01-17

Similar Documents

Publication Publication Date Title
CN1246620A (zh) 采用模拟神经网络的电流互感器饱和校正
Perez et al. Training an artificial neural network to discriminate between magnetizing inrush and internal faults
Jamil et al. Fault detection and classification in electrical power transmission system using artificial neural network
Mohamed et al. A neural network-based scheme for fault diagnosis of power transformers
Amjady et al. Evaluation of power systems reliability by an artificial neural network
CN112379213A (zh) 一种故障检测方法及***
Taghipour et al. Identification of magnetizing inrush current in power transformers using GSA trained ANN for educational purposes
CN114187132A (zh) 一种变电站监控信息特征选择方法、存储介质和设备
Yanming et al. DGA based insulation diagnosis of power transformer via ANN
CN111679235B (zh) 一种电磁式互感器测量***的实时仿真测试方法及装置
CN105629192A (zh) 一种零磁通电流互感器的校验装置及其方法
Moravej, DN Vishwakarma, SP Singh ANN-based protection scheme for power transformer
CN112505473A (zh) 柔性直流电网双极短路故障暂态电流的解析计算方法
CN111812575B (zh) 一种小量程电流互感器的等效模拟方法
Mazon et al. Fault location system on double circuit two-terminal transmission lines based on ANNs
Cummins et al. Simplified artificial neural network structure with the current transformer saturation detector provides a good estimate of primary currents
CN107169213A (zh) 测试零序电流自适应保护装置功能指标的方法、装置及***
CN112101806A (zh) 一种谐波责任评估方法、终端设备及存储介质
Musyoka et al. ANN based model for current transformers’ saturation error compensation in medium voltage switchgears
Lukowicz et al. Artificial neural network based dynamic compensation of current transformer errors
BEYZA et al. Fault type estimation in power systems
Bretas et al. Fault diagnosis in deregulated distribution systems using an artificial neural network
Ketabi et al. Network switching and voltage evaluation during power system restoration
JP2997515B2 (ja) 変圧器の保護システム及び保護方法
Wang et al. Study on fault diagnosis method of transformer using multi-neural network and evidence theory

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication