隨著智能電網(wǎng)規(guī)模的擴大,大量的電流互感器被用于智能電網(wǎng)的狀態(tài)監(jiān)測。特別是在低壓配電網(wǎng)中,經(jīng)濟成本促使了大量的鐵磁式電流互感器被使用。當(dāng)故障電流流經(jīng)鐵磁式電流互感器時,磁滯特性將導(dǎo)致互感器的二次側(cè)電流失真,進而導(dǎo)致保護裝置誤動作。因此,提高電流互感器在故障電流情況下的準(zhǔn)確度是必要的�；谛〔ㄗ儞Q、人工神經(jīng)網(wǎng)絡(luò)以及模糊集理論對故障電流對電流互感器的影響進行了研究和分析,實現(xiàn)了對二次側(cè)失真電流的校正,并將所提的方法在MATLAB和可編程邏輯器件FPGA中進行實驗,實驗結(jié)果表明該方法對鐵磁互感器二次側(cè)失真電流的校正是有效的。 

【文章來源】：電子器件. 2020,43(04)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

CT飽和情況下的失真二次電流

在本文中,離散小波變換(Discrete Wavelet Transform,DWT)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)和模糊集理論(Fuzzy Set Theory,FST)被結(jié)合起來用于校正CT的二次側(cè)失真電流。DWT被用于檢測故障發(fā)生的瞬間并識別CT飽和的周期。本文利用DWT提取了故障電流的兩個特征,特征一是故障發(fā)生瞬間T時刻的電流值與第1次出現(xiàn)飽和期間的故障電流值的差值。特征二是故障發(fā)生瞬間T時刻的電流值與正常電流(T-4/π)時刻的瞬間值之間的電流差,然后根據(jù)其特征使用模糊c均值法(Fuzzy-C-Means,FCM)將所有可能的故障電流情況分成9個簇。9個多層前饋神經(jīng)網(wǎng)絡(luò)(Multilayer Feedforward Neural Network,MFNN)分別用相應(yīng)的較小的故障電流數(shù)據(jù)集進行訓(xùn)練,用于在初始階段獲得校正電流。模糊規(guī)則(Takagi-Sugeno-Kang,TSK)被用于將初始階段的所有MFNN輸出電流積分到校正電流。1 混合算法

在本文中通過提取兩個特征來對故障電流進行分類。特征1是故障發(fā)生瞬間T時刻的電流值與第1次出現(xiàn)飽和期間的二次側(cè)故障電流值的差值。特征2是故障發(fā)生瞬間T時刻的電流值與正常電流(T-4/π)時刻的瞬間值之間的電流差。在圖3中,通過將縮放后的一次電流與二次電流進行比較來描述故障區(qū)間。特征1是描述故障電流從故障發(fā)生的T時刻到飽和發(fā)生時刻的增長率,其主要影響因素包括故障定位,短路容量和故障電阻。特征2被用于研究故障瞬間的電流值相位角,其取決于負載功率、功率因數(shù)、初相角等。特別是故障初相角是0°和180°的情況將導(dǎo)致更嚴重的飽和程度。需要的是,較低的功率因數(shù)也會導(dǎo)致嚴重飽和程度[15-16]。1.2 模糊-c-均值


本文編號：3488369