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

As a vital equipment in transmission and distribution level, the transformer's safe operation is of great significance to the power system. Although after many years of research, the adaptability of transformer protection to magnetizing inrush current and the sensitivity to weak faults such as turn-turn faults have not been thoroughly solved. It is of great practical significance to propose novel transformer protection principles to rapidly, sensitive and reliable detect fault by using advanced technologies in corresponding fields such as artificial intelligence. This project plans to propose a novel magnetization hysteresis-based power-transformer protection scheme by using artificial intelligence algorithms, and discuss its implementation technology. The new principle is not a simple application of the artificial intelligence algorithm in the field of transformer protection. Instead，the ’specificity’ of the magnetization hysteresis to different iron core working conditions, and the ‘generalization’ of the magnetization hysteresis to different ferromagnetic materials are used in the proposed principles to avoid repeated training for different power transformers. And the knowledge and experience of relay protection experts are used to construct a "guided" learning and training algorithm to improve the efficiency of learning and improves the performance of protection. This project is an innovative attempt to apply artificial intelligence technology in the field of transformer protection and is of great significance to the final solution of transformer protection issues in power system.

变压器作为电力系统中重要的输配电设备，其安全运行对电力系统意义重大。虽然经过多年的研究，但变压器保护对励磁涌流的适应性和对小匝间故障等微弱故障的灵敏性问题并未得到彻底的解决。充分挖掘变压器保护不正确动作的机理，利用相关领域的先进技术，构建新型高性能变压器保护原理仍具有重要的现实意义。本项目拟在充分研究变压器磁化曲线特征的基础上，基于人工智能技术，构建基于等效磁化曲线特征的智能变压器保护新原理，并讨论其实现技术。新原理不是在变压器保护领域对人工智能算法的简单应用，而是，①利用等效磁化曲线形状对铁芯工作状态的“特异”性，以及其对铁磁材料的“趋同”性，提高了智能变压器保护的“泛化”能力；②利用继电保护专家的知识经验，提出基于“引导”学习和训练的变压器保护智能算法，提升了学习的效率，提高保护的性能。本项目是人工智能技术在变压器保护领域应用的一次创新性尝试，对变压器保护问题的最终解决具有重要的意义。

本项目以电力变压器等效磁化曲线为基础，以融合专家知识的神经网络为工具，开展基于人工智能的实用化变压器保护新原理与新技术的研究。首先，通过对反应故障本质特征的变压器磁化曲线的分析，提出利用端口电气量构建等效磁化曲线的实用化方法。接着，深入研究等效磁化曲线的故障特征，构建等效磁化曲线图像特征与变压器运行状态的关联关系。在此基础上，提取等效磁化曲线非饱和部分的倾斜角度、长轴长度和椭圆率等几何特征，通过基于人工神经网络的多判据融合算法构建融合等效磁化曲线几何特征的变压器智能保护原理，实现了各几何特征在具体场景中的互补。进一步的，利用深度学习算法强大的特征表征能力，直接使用保护启动后由采样点信息构建的等效磁化曲线图像作为输入，提出融合领域知识的变压器保护新原理。具体的，通过修改网络损失函数、设计特定的网络结构等不同方式表征并融合领域知识，提出了基于深度森林的变压器智能保护原理、基于注意力神经网络的变压器智能保护原理、基于领域特征知识迁移的变压器智能保护原理、基于降噪-分类神经网络的变压器智能保护原理、基于非饱和特征特征提取卷积网络的变压器智能保护原理。通过融合领域知识引导算法像人类专家一样关注等效磁化曲线非饱和部分，使得变压器智能保护原理在分类识别正确性和泛化能力上均获得明显提升。最后，考虑到提出变压器智能保护原理在不同场景下的互补性，通过多方法集成构建完整的基于等效磁化曲线的变压器智能保护实用化方案。在硬件平台上对提出保护方案进行了测试，并研究了在CT饱和、过励磁等复杂场景下的保护性能。测试结果表明基于等效磁化曲线的变压器智能保护应用方案的实用化水平较高，具有良好的应用前景。

内容获取失败，请点击重试