Разработка в MATLAB-Simulink искусственной нейронной сети для восстановления искаженной формы вторичного тока. Часть 1

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.

1. Шалин, А. И. Надежность и диагностика релейной защиты энергосистем / А. И. Шалин. Новосибирск: НГТУ, 2002. 383 с.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. Haykin, S. Neural Networks and Learning Machines / S. Haykin. 3rd ed. Pearson Education In-dia, 2010. 936 p.

8. 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/bf02551274

9. Neural Network Toolbox. User’s Guide. Version 4 [Electronic Resource]. The MathWorks, 2002. Mode of access: http://cda.psych.uiuc.edu/matlab_pdf/nnet.pdf

10. Neural Network Design / M. T. Hagan [et al.]. 2nd ed. Boston: PWS Publishing, 2014. 1012 p.

11. Медведев, В. С. Нейронные сети. MatLab 6 / В. С. Медведев, В. Г. Потемкин. М.: Диалог-МИФИ, 2002. 496 с.

12. Rebizant, W. Digital Signal Processing in Power System Protection and Control / W. Rebizant, J. Szafran, A. Wiszniewski. London: Springer, 2011. 316 p.

13. 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/10.1109/61.915481

14. 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.

15. 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.1991.213508

16. Lukowicz, 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.

17. 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.2015.2448634

18. 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.

19. 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.2000.868725

20. SimPowerSystems. 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.html

21. Новаш, 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.