基于GRNN神经网络的变压器励磁涌流识别方法

为了提高变压器差动保护识别励磁涌流与内部故障电流的能力,提出一种基于广义回归神经网络(GRNN)的变压器励磁涌流识别方法。首先通过全波傅里叶算法求得差动电流的特征量作为训练样本,然后利用交叉验证法寻找出GRNN神经网络的扩展常数spread的最优值,同时也计算出训练样本的最佳输入、输出值。由这些参数构建出识别励磁涌流的神经网络,仿真结果表明:GRNN神经网络收敛性好,运算速度快,并且预测输出精度非常高,能准确、有效、快速的识别出励磁涌流与内部故障电流。     

基于拟合波形相关性的变压器励磁涌流识别新方法

为了提高变压器差动保护识别励磁涌流与内部故障电流的能力,提出一种基于拟合波形相关性的变压器励磁涌流识别新方法。首先利用正弦拟合法拟合差动电流波形,然后通过相关性分析原理,计算出差动电流原采样信号及其拟合曲线的相关系数,以此来识别励磁涌流与内部故障电流。仿真结果表明:该方法具有原理清晰、识别迅速、区分度高、抗干扰能力强,且易于在微机中实现等优点。     

基于多判据的变压器差动保护方法

为了使变压器差动保护能更准确地识别出变压器的运行状态,提出一种联合多判据的变压器差动保护方法。分析了励磁涌流的性质,并讨论了传统二次谐波制动原理可能误动作或延迟动作甚至拒动的情况。为此,采用一种基于基波幅值变化特征的自适应二次谐波制动原理。同时采用四折线比例制动原理并联合过电流速断保护原理和零序电流差动保护原理,组成了可以快速准确识别出变压器运行状态的差动保护方案。利用Matlab/Simulink建模仿真,验证了综合利用各判据优点的变压器差动保护方案,其性能有很大的提高。