针对±1 100 k V特高压直流输电系统的直流侧谐波阻抗特性开展了相关研究,在分析直流线路Bergeron模型分布参数特性的基础上,用集总参数的长线路π型链式结构进行了等值与解析,并通过仿真比较,验证了EMTDC程序自带线路模型的准确性...针对±1 100 k V特高压直流输电系统的直流侧谐波阻抗特性开展了相关研究,在分析直流线路Bergeron模型分布参数特性的基础上,用集总参数的长线路π型链式结构进行了等值与解析,并通过仿真比较,验证了EMTDC程序自带线路模型的准确性;基于线路模型建立包括换流器、平抗、中性点对地电容等直流设备以及交流系统阻抗、交流滤波器在内的直流谐振特性仿真模型,分析了各设备元件的参数取值以及交流侧条件改变对系统谐振点分布的影响;最后基于该阻抗模型,合理选择谐波源的不同位置,研究了加装基频阻波器和二次直流滤波器以后对直流侧50 Hz与100 Hz串联谐振的规避和抑制作用。展开更多
研究发现由于±1100 k V特高压直流输电工程直流电压和功率的提升以及换流变短路阻抗的提高,一极直流线路瞬时故障会引发另外一极换相失败。针对该现象进行了研究,分析了实际工程中影响换相失败的主要因素,并逐个进行研究和计算,最...研究发现由于±1100 k V特高压直流输电工程直流电压和功率的提升以及换流变短路阻抗的提高,一极直流线路瞬时故障会引发另外一极换相失败。针对该现象进行了研究,分析了实际工程中影响换相失败的主要因素,并逐个进行研究和计算,最后从一次系统参数优化(主要包括换流变短路阻抗优化)和二次控制策略改进(主要包括故障极的重启动策略改进和非故障极在故障极重启动期间的关断角控制策略改进)2个角度提出了适用于±1100 k V特高压直流输电工程抵御换相失败的措施。展开更多
为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测...为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测方法。首先,基于快速傅里叶变换分析特高压直流输电系统暂态故障特征,使用相模变换和小波变换提取出故障特征量作为输入数据。其次,将输入数据输入到LSTM-RNN中进行前向传播,对系统故障特征进行深度学习,同时使用反向传播方式更新网络参数,将深层的特征量输入到Softmax分类器中进行分类,把故障识别分成区外故障、母线故障和线路故障,故障分类为正极故障、负极故障和双极故障,并输出识别结果。最后,在PSCAD/EMTDC仿真条件下,搭建特高压直流输电模型。验证结果表明:所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有更好的效果,相比于人工神经网络、卷积神经网络、支持向量机,故障识别准确率分别提升4.71%、6.57%、9.32%。展开更多
文摘研究发现由于±1100 k V特高压直流输电工程直流电压和功率的提升以及换流变短路阻抗的提高,一极直流线路瞬时故障会引发另外一极换相失败。针对该现象进行了研究,分析了实际工程中影响换相失败的主要因素,并逐个进行研究和计算,最后从一次系统参数优化(主要包括换流变短路阻抗优化)和二次控制策略改进(主要包括故障极的重启动策略改进和非故障极在故障极重启动期间的关断角控制策略改进)2个角度提出了适用于±1100 k V特高压直流输电工程抵御换相失败的措施。
文摘为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测方法。首先,基于快速傅里叶变换分析特高压直流输电系统暂态故障特征,使用相模变换和小波变换提取出故障特征量作为输入数据。其次,将输入数据输入到LSTM-RNN中进行前向传播,对系统故障特征进行深度学习,同时使用反向传播方式更新网络参数,将深层的特征量输入到Softmax分类器中进行分类,把故障识别分成区外故障、母线故障和线路故障,故障分类为正极故障、负极故障和双极故障,并输出识别结果。最后,在PSCAD/EMTDC仿真条件下,搭建特高压直流输电模型。验证结果表明:所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有更好的效果,相比于人工神经网络、卷积神经网络、支持向量机,故障识别准确率分别提升4.71%、6.57%、9.32%。
