energyЭнергетика. Известия высших учебных заведений и энергетических объединений СНГENERGETIKA. Proceedings of CIS higher education institutions and power engineering associations1029-74482414-0341BNTU10.21122/1029-7448-2021-64-6-479-491energy-2117Research ArticleЭЛЕКТРОЭНЕРГЕТИКАELECTRICAL POWER ENGINEERINGРазработка в MATLAB-Simulink искусственной нейронной сети для восстановления искаженной формы вторичного тока. Часть 1An Artificial Neural Network Developed in MATLAB-Simulink for Reconstruction a Distorted Secondary Current Waveform. Part 1РумянцевЮ. B.RumiantsevYu. V.

г. Минск

Minsk

РоманюкФ. А.RomaniukF. A.

Адрес для переписки: Романюк Федор Алексеевич – Белорусский национальный технический университет, просп. Независимости, 65/2, 220013, г. Минск, Республика Беларусь. Тел.: +375 17 331-00-51 faromanuk@bntu.by

Address for correspondence: Romaniuk Fiodar A. – Belаrusian National Technical University, 65/2, Nezavisimosty Ave., 220013, Minsk, Republic of Belarus. Tel.: +375 17 331-00-51 faromanuk@bntu.by

faromanuk@bntu.byБелорусский национальный технический университетБеларусьBelarusian National Technical UniversityBelarus202106122021646479491Copyright © Румянцев Ю.B., Романюк Ф.А., 20212021Румянцев Ю.B., Романюк Ф.А.Rumiantsev Y.V., Romaniuk F.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://energy.bntu.by/jour/article/view/2117

В последнее время наблюдается повышенный интерес к применению искусственных нейронных сетей в различных отраслях электроэнергетики, в том числе в релейной защите. Существующие микропроцессорные устройства релейной защиты используют традиционную цифровую обработку контролируемых сигналов, сводящуюся к умножению значений последовательных выборок контролируемых сигналов тока и напряжения на заранее определенные коэффициенты с целью установления их действующих величин. При этом вычисляемые действующие значения часто не отражают реальных процессов, происходящих в защищаемом электрооборудовании ввиду, например, насыщения трансформатора тока апериодической составляющей тока повреждения. При насыщении трансформатора тока его вторичный ток имеет характерную непериодическую искаженную форму, существенно отличающуюся от его первичной (истинной) формы, что ведет к занижению вычисляемого действующего значения вторичного тока по сравнению с его истинной действующей величиной. Указанное приводит к затягиванию времени срабатывания или вовсе к отказу функционирования устройств релейной защиты электрооборудования. Использование искусственной нейронной сети совместно с традиционной цифровой обработкой сигналов обеспечивает иной подход к функционированию как измерительной, так и логической частей микропроцессорного устройства релейной защиты, что позволяет значительно повысить быстродействие и надежность функционирования таких устройств релейной защиты по сравнению с их традиционной реализацией. Возможное приложение искусственной нейронной сети для целей релейной защиты заключается в определении факта возникновения повреждения и его вида, восстановлении формы искаженного сигнала вторичного тока трансформатора тока вследствие его насыщения до истинного значения, установлении искаженных и неискаженных участков сигнала вторичного тока трансформатора тока при его насыщении, выявлении анормальных режимов работы силового оборудования, сопровождающихся искажением контролируемых устройствами релейной защиты величин, таких как бросок тока намагничивания силового трансформатора. В статье детально рассмотрены этапы практической реализации искусственной нейронной сети в среде имитационного моделирования MATLAB-Simulink на примере ее использования для восстановления искаженной вследствие насыщения формы вторичного тока трансформатора тока.

Recently, there has been an increased interest in the use of artificial neural networks in various branches of the electric power industry including relay protection. Аrtificial neural networks are one of the fastest growing areas in artificial intelligence technology. Recently, there has been an increased interest in the use of аrtificial neural networks in the electric power engineering, including relay protection. Existing microprocessor-based relay protection devices use a traditional digital signal processing of the monitored signals which is reduced to a multiplying the values of successive samples of the monitored current and voltage signals by predetermined coefficients in order to calculate their RMS values. In this case, the calculated RMS values often do not reflect the real processes occurring in the protected electrical equipment due to, for example, current transformer saturation because of the DC component presence in the fault current. When the current transformer is saturated, its secondary current waveform has a characteristic non-periodic distorted form, which is significantly differs from its primary (true) waveform, which causes underestimation of the calculated RMS value of the secondary current compared to its true value. In its turn, this causes to a trip time delay or even to a relay protection devices operation failure. The use of аrtificial neural networks in conjunction with a traditional digital signal processing provides a different approach to the functioning of both the measuring and logical parts of the microprocessor-based relay protection devices, which significantly increases the speed and reliability of such relay protection devices in comparison with their traditional implementation. A possible application of the аrtificial neural networks for the relay protection purposes is the fault occurrence detection and its type identification, current transformer secondary current waveform distortion restoration due to its saturation up to its true value, detection the distorted and undistorted sections of the current transformer secondary current waveform during its saturation, primary power equipment abnormal operating modes detection, for example, power transformer magnetizing current inrush. The article describes in detail the stages of the practical implementation of the аrtificial neural networks in the MATLAB-Simulink environment by the example of its use to restore the distorted current transformer secondary current waveform due to saturation.

искусственная нейронная сетьрелейная защитатрансформатор токанасыщениеMATLAB-Simulinkartificial neural networkrelay protectioncurrent transformersaturationMATLAB-SimulinkReferencesШалин, А. И. Надежность и диагностика релейной защиты энергосистем / А. И. Шалин. Новосибирск: НГТУ, 2002. 383 с.Shalin A. I. (2002) Reliability and Diagnostics of Relay Protection of Power Systems. Novosibirsk, NSTU. 383 pp. (in Russian)Совершенствование алгоритма формирования ортогональных составляющих входных величин в микропроцессорных защитах / Ф. А. Романюк [и др.] // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2021. Т. 64, № 2. С. 95–108. https://doi.org/10.21122/1029-7448-2021-64-2-95-108.Romaniuk F. A., Rumiantsev Yu. V., Rumiantsev V. Yu., Novash I. V. (2021) Improvement of Algorithm for Formation of Orthogonal Components of Input Quantities in Microprocessor Protection. Enеrgеtika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeticheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, 64 (2), 95–108. https://doi.org/10.21122/1029-7448-2021-64-2-95-108 (in Rus-sian).Формирование ортогональных составляющих входных токов в микропроцессорных защитах электроустановок / Ф. А. Романюк [и др.] // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2021. Т. 64, № 3. С. 191–201. https://doi.org/10.21122/1029-7448-2021-64-3-191-201.Romaniuk F. A., Rumiantsev Yu. V., Rumiantsev V. Yu., Novash I. V. (2021) Formation of Orthogonal Components of Input Currents in Microprocessor Protections of Electrical Equipment. Enеrgеtika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeticheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Asso-ciations, 64 (3), 191–201. https://doi.org/10.21122/1029-7448-2021-64-3-191-201 (in Rus-sian).Pan, J. An Efficient Compensation Algorithm for Current Transformer Saturation Effects / J. Pan, K. Vu, Y. Hu // IEEE Transactions on Power Delivery. 2004. Vol. 19, Iss. 4. P. 1623–1628. https://doi.org/10.1109/TPWRD.2004.835273.Pan J., Vu K., Hu Y. (2004) An Efficient Compensation Algorithm for Current Transformer Saturation Effects. IEEE Transactions on Power Delivery, 19 (4), 1623–1628. https://doi.org/10.1109/TPWRD.2004.835273.Villamagna, N. A CT Saturation Detection Algorithm Using Symmetrical Components for Cur-rent Differential Protection / N. Villamagna, P. Crossley // IEEE Transactions on Power Deliv-ery. 2006. Vol. 21, Iss. 1. P. 38–45. https://doi.org/10.1109/TPWRD.2005.848654.Villamagna N., Crossley P. (2006) A CT Saturation Detection Algorithm Using Symmetrical Components for Current Differential Protection. IEEE Transactions on Power Delivery, 21 (1), 38–45. https://doi.org/10.1109/TPWRD.2005.848654.Wiszniewski, A. Correction of Current Transformer Transient Performance / A. Wiszniewski, W. Rebizant, L. Schiel // IEEE Transactions on Power Delivery. 2008. Vol. 23, Iss. 2. P. 624–632. https://doi.org/10.1109/TPWRD.2008.915832.Wiszniewski A., Rebizant W., Schiel L. (2008) Correction of Current Transformer Transient Performance. IEEE Transactions on Power Delivery, 23 (2), 624–632. https://doi.org/10.1109/TPWRD.2008.915832.Haykin, S. Neural Networks and Learning Machines / S. Haykin. 3rd ed. Pearson Education In-dia, 2010. 936 p.Haykin S. (2010) Neural Networks and Learning Machines. 3rd ed. Pearson Education India. 936.Cybenko, G. Approximation by Superpositions of a Sigmoidal Function / G. Cybenko // Mathematics of Control, Signals, and Systems. 1989. Vol. 2, N 4. P. 303–314. https://doi.org/10.1007/bf02551274Cybenko G. (1989) Approximation by Superpositions of a Sigmoidal Function. Mathematics of Control, Signals, and Systems, 2 (4), 303–314. https://doi.org/10.1007/bf02551274Neural Network Toolbox. User’s Guide. Version 4 [Electronic Resource]. The MathWorks, 2002. Mode of access: http://cda.psych.uiuc.edu/matlab_pdf/nnet.pdfNeural Network Toolbox. User’s Guide. Version 4. The MathWorks, 2002. Available at: http://cda.psych.uiuc.edu/matlab_pdf/nnet.pdfNeural Network Design / M. T. Hagan [et al.]. 2nd ed. Boston: PWS Publishing, 2014. 1012 p.Hagan M. Т., Demuth H. B., Beale M. H., Jes O. D. (2014) Neural Network Design. 2nd ed. Boston, PWS Publishing. 1012.Медведев, В. С. Нейронные сети. MatLab 6 / В. С. Медведев, В. Г. Потемкин. М.: Диалог-МИФИ, 2002. 496 с.Medvedev V. S., Potemkin V. G. (2002) Neural Network. MATLAB 6. Moscow, Dialog-MIFI Publ. 496 pp. (in Russian)Rebizant, W. Digital Signal Processing in Power System Protection and Control / W. Rebizant, J. Szafran, A. Wiszniewski. London: Springer, 2011. 316 p.Rebizant W., Szafran J., Wiszniewski A. (2011) Digital Signal Processing in Power System Protection and Control. London, Springer Publ. 316.Correction of Current Transformer Distorted Secondary Currents Due to Saturation Using Arti-ficial Neural Networks / D. C. Yu [et al.] // IEEE Transactions on Power Delivery. 2011. Vol. 16, Iss. 2. P. 189–194. https://doi.org/10.1109/61.915481Yu D. C., Cummins J. C., Wang Z., Yoon H. J., Kojovic L. A. (2011) Correction of Current Transformer Distorted Secondary Currents Due to Saturation Using Artificial Neural Networks. IEEE Transactions on Power Delivery, 16 (2), 189–194. https://doi.org/10.1109/61.915481.Khorashadi-Zadeh, H. Correction of Saturated Current Transformers Secondary Current Using ANNs / H. Khorashadi-Zadeh, M. Sanaye-Pasand // IEEE Transactions on Power Delivery. 2005. Vol. 21, Iss. 1. P. 73–79. https://doi.org/10.1109/TPWRD.2005.858799.Khorashadi-Zadeh H., Sanaye-Pasand M. (2005) Correction of Saturated Current Transformers Secondary Current Using ANNs. IEEE Transactions on Power Delivery, 21 (1), 73–79. https://doi.org/10.1109/TPWRD.2005.858799.Application of Neural Networks in Numerical Busbar Protection Systems (NBPS) / K. Feser [et al.] // Proceedings of the First International Forum on Applications of Neural Networks to Pow-er Systems. 1991. P. 117–121. https://doi.org/10.1109/ANN.1991.213508Feser K., Braun U., Engler F., Maier A. (1991) Application of Neural Networks in Numerical Busbar Protection Systems (NBPS). Proceedings of the First International Forum on Applica-tions of Neural Networks to Power Systems, 117–121. https://doi.org/10.1109/ANN.1991.213508Lukowicz, M. Artificial Neural Network Based Dynamic Compensation of Current Transformer Errors / M. Lukowicz, E. Rosolowski // Proceedings of the 8th International Symposium on Short-Circuit Currents in Power Systems. 2000. P. 19–24.Lukowicz M., Rosolowski E. (2004) Artificial Neural Network Based Dynamic Compensation of Current Transformer Errors. Proceedings of the 8th International Symposium on Short-Circuit Currents in Power Systems, 19–24.Haghjoo, F. Compensation of CT Distorted Secondary Current Waveform in Online Conditions / F. Haghjoo, M. H. Pak // IEEE Transactions on Power Delivery. 2015. Vol. 31, Iss. 2. P. 711–720. https://doi.org/10.1109/TPWRD.2015.2448634Haghjoo F., Pak M. H. (2015) Compensation of CT Distorted Secondary Current Waveform in Online Conditions. IEEE Transactions on Power Delivery, 31 (2), 711–720. https://doi.org/10.1109/TPWRD.2015.2448634.Application of ANN Methods for Instrument Transformer Correction in Transmission Line Protection / M. M. Saha [et al.] // Developments in Power System Protection, 7th International Conference. 2001. P. 303–306. https://doi.org/10.1049/cp:20010160.Saha M. M., Izykowski J., Lukowicz M., Rosolowski E. (2001) Application of ANN Methods for Instrument Transformer Correction in Transmission Line Protection. Developments in Power System Protection, 7th International Conference, 303–306. https://doi.org/10.1049/cp:20010160.Cummins, J. C. Simplified Artificial Neural Network Structure with the Current Transformer Saturation Detector Provides a Good Estimate of Primary Currents / J. C. Cummins, D. C. Yu, L. A. Kojovic // Power Engineering Society Summer Meeting. 2000. Vol. 3. P. 1373–1378. https://doi.org/10.1109/pess.2000.868725Cummins, J. C., Yu D. C., Kojovic L. A. (2000) Simplified Artificial Neural Network Structure with the Current Transformer Saturation Detector Provides a Good Estimate of Primary Cur-rents. Power Engineering Society Summer Meeting, 3, 1373–1378. https://doi.org/10.1109/pess.2000.868725SimPowerSystems. User’s Guide. Version 5 [Electronic Resource]. The MathWorks, 2011. Mode of access: https://all-guidesbox.com/manual/545991/matlab-simpowersystems-5-operation-user-s-manual-403.htmlSimPowerSystems. User’s Guide. Version 5. The MathWorks, 2011. Available at: https://all-guidesbox.com/manual/545991/matlab-simpowersystems-5-operation-user-s-manual-403.htmlНоваш, И. В. Упрощенная модель трехфазной группы трансформаторов тока в системе динамического моделирования / И. В. Новаш, Ю. В. Румянцев // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2015. № 5. С. 23–38.Novash I. V., Rumiantsev Yu. V. (2015) A Simplified Model of Three-Phase Bank of Current Transformers in the Dynamic Simulation System. Enеrgеtika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeticheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, (5), 23–38 (in Russian).

The authors declare that there are no conflicts of interest present.