一种故障电流选相开断控制方法、装置和控制系统与流程

本申请涉及电力技术领域，更具体地说，涉及一种故障电流选相开断控制方法、装置和控制系统。

背景技术

普通断路器在开断短路电流时，其触头打开的时刻相对于电流波形是随机的，故而燃弧时间也是随机的，由于这种情况下燃弧时间不可控，因此有时候会延续很长时间，会对断路器的触头造成较大的损害。随着电力技术的进步，目前已经可以通过测量电流相位对触头的打开时刻进行控制，从而可以控制燃弧时间，使断路器在较短燃弧时间下开断电流，从而提高了断路器开断能力并且延长其电寿命。这种控制断路器在特定相位下分断短路电流的技术称为故障电流选相开断技术(controlledfaultinterruption,cfi)。

故障电流选相开断技术的原理如图1所示。u(t)和i(t)分别为电力系统的电压和流过断路器的电流。假设在电流的α相角处发生短路故障，经过继电保护的响应时间tprot后，在非选相开断的情况下,继电保护系统立刻向断路器发出脱扣指令，断路器在经过固有分闸时间(tcb_open)之后触头打开，在经过燃弧时间tarc_direct后在电流的第二个过零点电弧熄灭。在选相开断的情况下，选相控制器在预测出电流过零点后确定一个目标熄弧点(target)，随后经过一段延迟时长(waitingtime)后发出脱扣命令，在经历燃弧时间(tmin_arc)后电流过零熄灭。延迟时长的选择原则是使燃弧时间略长于断路器的最短燃弧时间，既保证断路器可以灭弧，又避免了燃弧时间过长对触头的过度电磨损。对于真空断路器，通过刻意选择waitingtime使断路器避免经历短路电流峰值，还可以使具有较小额定开断电流的断路器开断大的短路电流，从而相对提高断路器的开断能力。

由选相开断技术的原理可知，在已知断路器的固有分闸时间的情况下，选相开断的延迟时长由故障电流过零点的预测结果决定。但由于故障电流中存在衰减直流分量，导致会出现故障电流非周期性过零，因此故障电流过零点预测极为不易，并且必须在继电保护系统的响应时间内完成，这更加大了选相开断的难度。

技术实现要素：

有鉴于此，本申请提供一种故障电流选相开断控制方法、装置和控制系统，用于在电力系统发生短路故障时根据故障电流过零点对高压断路器进行控制，避免在长燃弧时间内进行分断操作。

为了实现上述目的，现提出的方案如下：

一种故障电流选相开断控制方法，应用于电力系统的高压断路器的控制系统，所述选相开断控制方法包括步骤：

当所述电力系统发生短路故障时，对故障相的电流进行连续快速采样，得到多个电流数据；

利用预设的rbf人工神经网络对所述多个电流数据进行计算，得到短路电流幅值和故障电流过零点；

当所述短路电流幅值超出预设幅值阈值时，根据故障电流过零点控制所述高压断路器进行脱扣。

所述电流数据的个数与所述rbf人工神经网络的最小输入节点数相同。

所述根据故障电流过零点控制所述高压断路器进行脱扣，包括：

根据公式twait＝tzc-tmct-tnow计算分闸等待时间twait，其中tzc为故障电流过零点，tmct为断路器最短燃弧时间，tnow为现在时刻；

从所述现在时刻开始等待所述等待时间后，向所述高压控制器的分闸线圈驱动模块发送分闸指令。

可选的，所述rbf人工神经网络通过如下方法进行训练：

当电力系统发生短路故障时，短路电流表达式为：

i(t)＝i1(t)＝ipk·sin(ωt+α-φ)+[i(0)-ipk·sin(α-φ)]·e^-t/τ(1)

式中，是故障后电流幅值；i(0)＝ipk0·sin(α-φ0)是故障发生时刻电流值；φ＝arctan(ωls/rs)是电源与故障点间的阻抗角；τ＝ls/rs为时间常数；ls和rs分别为系统侧等效电感和电阻；upk为电源侧电压峰值。

通过式(1)或电力系统的高压断路器的安装处的故障录播数据获取训练样本，所述训练样本包括短路电流幅值、电流过零点和发生短路故障后的多个电流数据；

利用所述训练样本对人工神经网络进行训练，得到所述rbf人工神经网络。

一种故障电流选相开断控制装置，应用于电力系统的高压断路器的控制系统，所述选相开断控制装置包括：

数据获取模块，用于当所述电力系统发生短路故障时，对故障相的电流进行连续快速采样，得到多个电流数据；

数据计算模块，用于利用预设的rbf人工神经网络对所述多个电流数据进行计算，得到短路电流幅值和故障电流过零点；

开断控制模块，用于当所述短路电流幅值超出预设幅值阈值时，根据故障电流过零点控制所述高压断路器进行脱扣操作。

可选的，所述开断控制模块包括：

时间计算单元，用于根据公式twait＝tzc-tmct-tnow计算分闸等待时间twait，其中tzc为故障电流过零点，tmct为断路器最短燃弧时间，tnow为现在时刻；

指令输出单元，用于从所述现在时刻开始等待所述等待时间后，向所述高压控制器的分闸线圈驱动模块发送分闸指令。

一种高压断路器的控制系统，设置有如上所述的选相开断控制装置。

一种高压断路器的控制系统，设置有控制器、电流传感器和分合闸线圈驱动模块，其中：

所述电流传感器用于检测电力系统的故障相电流信号；

所述控制器设置有至少一个处理器和与所述处理器相连接的存储器，所述存储器存储有计算机程序或指令，所述处理器用于执行所述计算机程序或指令，以使所述控制器实现如下操作：当所述电力系统发生短路故障时，对发生短路故障的单相电流信号进行连续快速采样，得到多个电流数据，利用预设的rbf人工神经网络对所述多个电流数据进行计算，得到短路电流幅值和故障电流过零点，当所述短路电流幅值超出预设幅值阈值时，根据故障电流过零点向所述分闸线圈驱动模块输出分闸指令；

所述分闸线圈驱动模块根据所述分闸指令控制所述高压断路器分断故障电流。

可选的，所述电流传感器通过线性光耦与所述控制器的模数转换模块相连接。

可选的，所述控制器通过光耦与所述分闸线圈驱动模块相连接。

可选的，所述控制器设置有通信模块，其中：

所述通信模块用于将所述控制器的操作信息和短路电流信息上传给所述电力系统的继电保护系统，还用于接收所述继电保护系统发送的继电保护命令，并根据所述继电保护命令在本地对所述高压断路器执行继电保护操作。

从上述的技术方案可以看出，本申请公开了一种故障电流选相开断控制方法、装置和高压断路器的控制系统，该方法和装置应用于电力系统的高压断路器的控制系统，具体为当电力系统发生短路故障时，对故障相的电流进行连续快速采样，得到多个电流数据；利用预设的rbf人工神经网络对多个电流数据进行计算，得到短路电流幅值和故障电流过零点；当短路电流幅值超出预设幅值阈值时，根据故障电流过零点控制高压断路器脱扣。通过采用的人工神经网络算法，对所要拟合的曲线不做任何简化，最大限度地反映了实际短路电流波形，因此能够精确预测故障电流过零点；短路电流幅值及其过零点通过人工神经网络正向计算获得，计算量小，满足电力系统实时性要求。根据计算出的短路电流过零点对高压断路器进行控制，从而避免在长燃弧时间条件下进行分断操作。

另外，本申请的技术方案甚至可以采用高压断路器安装处的真实故障电流录播数据来训练网络，最大限度地反映了实际短路电流波形。因此预测精度较高。

诚然，rbf人工神经网络的训练也需要大量的计算量，然而本申请的网络训练以离线方式进行，不占用控制器的计算资源。控制器所要进行的计算只是从网络的输入层到输出层的正向简单计算，计算量很小，占用内存也不多。因而特别适用于微控制器mcu。

另外，传统算法通过计算所有模型参数来还原出整个故障电流曲线，然后才计算出过零点，故而计算量大。而本发明只预测短路电流过零点和短路电流幅值等少数几个参数，并不还原整条曲线，因此速度更快，便于微控制器应用。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的故障电流选相开断技术的原理图；

图2为本申请实施例提供的一种故障电流选相开断控制方法的步骤流程图；

图3为本申请提供的rbf人工神经网络算法示意图；

图4为本申请实施例提供的一种故障电流选相开断控制装置的结构框图；

图5为本申请实施例提供的一种高压断路器的控制系统的结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例一

图2为本申请实施例提供的一种故障电流选相开断控制方法的步骤流程图。

如图2所示，本实施例提供的故障电流选相开断控制方法应用于电力系统的高压断路器的控制系统，该控制系统用于对高压断路器的开断进行控制，该故障电流选相开断控制方法具体包括如下步骤：

s1、对发生短路故障相的电流进行连续快速采样。

具体来说是对电力系统的三相电流进行持续检测，当三相电流中某相电流异常时判定该相发生短路故障(本申请不解决故障起始时刻判定问题)，并从此时开始对该相电流进行连续快速采样，得到n个电流数据。其中，n为大于1的正整数。s2、利用rbf人工神经网络对多个电流数据进行计算。

在得到n个电流数据后，利用预先训练好的rbf人工神经网络对该n个电流数据进行计算，这里n为可以使rbf人工神经网络训练收敛的最小输入节点数。通过计算得到短路电流幅值及其过零点。

利用rbf人工神经网络计算短路电流幅值和故障电流过零点的过程如下，如图3所示：

第一层输入层节点数为n，用xk(k＝1,2,…,n)表示；

第三层输出层节点数m＝1，即有1个输出变量：故障电流幅值或电流过零点时刻，用y表示；

第二层隐层采用高斯基函数作为激活函数，其输出用vj(j＝1,2,…，l)表示，l为隐含层节点数；

隐含层函数采用高斯型径向基函数，并进行归一化处理；

假设p为样本个数，给定输入为(u＝1,2，…，p)，隐含层给定输出为(u＝1,2，…，p)，输出层给定输出为y^u(u＝1,2，…，p)，则隐含层输出为：其中，为高斯型径向基函数，cjk＝(cj1,cj2,...,cjk,cjn)^t为隐含层节点基函数的中心，σj为隐含层节点基函数的宽度，为归一化的径向基函数，n为正输入层节点数；

输出层节点的输出为wj为隐含层节点与输出层节点之间的连接权值。

另外，该rbf人工神经网络的训练按照以下步骤进行：首先，获取训练样本，具体为用式(1)或通过电力系统的高压断路器安装处的故障录播数据获取训练样本，训练样本包括短路电流幅值、电流过零点和发生短路故障后的多个电流数据；然后，利用训练样本对人工神经网络进行训练，得到所述rbf人工神经网络。具体的训练过程如下：

a)对所有训练样本进行归一化处理:

其中x和x’分别为原始数据和归一化后的数据；

b)确定rbf网络逼近的性能指标函数为

其中y(k)为要拟合的非线性函数(导师信号)，即下式，

i(t)＝i1(t)＝ipk·sin(ωt+α-φ)+[i(0)-ipk·sin(α-φ)]·e^-t/τ(1)

式中，是故障后电流幅值；i(0)＝ipk0·sin(α-φ0)是故障发生时刻电流值；φ＝arctan(ωls/rs)是电源与故障点间的阻抗角；τ＝ls/rs为时间常数；ls和rs分别为系统侧等效电感和电阻；upk为电源侧电压峰值。

实际操作时可以根据具体情况加入谐波分量。也可以采用断路器安装处的实际故障录播数据；ym(k)为网络的实际输出值，为短路电流幅值或者短路电流过零点。

c)根据梯度下降法，输出权、节点基宽参数及节点中心矢量的迭代算法如下：

wj(k)＝wj(k-1)+η(y(k)-ym(k))hj+α(wj(k-1)-wj(k-2))

bj(k)＝bj(k-1)+ηδbj+α(bj(k-1)-bj(k-2))

cji(k)＝cji(k-1)+ηδcji+α(cji(k-1)-cji(k-2))

式中，hj为高斯基函数，

η为学习速率，α为动量因子，η∈[0,1],α∈[0,1]；

d)用式(1)或断路器安装地的故障录播数据离线获得短路电流幅值或过零点与故障发生之初的n个电流值之间的关系，形成训练对数据，按上述(a-c)步骤，对所述的人工神经网络进行训练，获得神经网络的网络参数。在用式(1)获得训练对时，可以视情况在式中加入谐波分量，以使神经网络模型可以表达电流中的谐波成分。

s3、根据故障电流过零点控制高压断路器进行开断操作。

当通过上述计算得到短路电流幅值和故障电流过零点后，如果短路电流幅值超出预设幅值阈值，此时根据该故障电流过零点控制高压断路器对发生故障的单相进行脱扣。

具体来说，首先，根据下式计算分闸等待时间twait：

twait＝tzc-tmct-tnow

其中，tzc为故障电流过零点(zerocrossing)，tmct为断路器最短燃弧时间(minimumclearingtime)，tnow为现在时刻(经过n次电流采样后的当前时刻)。

然后，等待twait时间后，向高压断路器的分合闸线圈驱动模块发送分闸指令，以使高压断路器分于最佳之电流相位，使断路器经历的燃弧时间最小。

从上述技术方案可以看出，本实施例提供了一种故障电流选相开断控制方法，该方法应用于电力系统的高压断路器的控制系统，具体为当电力系统发生短路故障时，对发生短路故障的单相电流进行连续快速采样，得到多个电流数据；利用预设的rbf人工神经网络对多个电流数据进行计算，得到短路电流幅值和故障电流过零点；当短路电流幅值超出预设幅值阈值时，根据故障电流过零点控制高压断路器进行脱扣。通过采用的人工神经网络算法，对所要拟合的曲线不做任何简化，最大限度地反映了实际短路电流波形，因此能够精确预测故障电流过零点，同时，由于短路电流幅值及其过零点通过人工神经网络正向计算获得，计算量小，满足电力系统实时性要求。根据本申请采用之方法对高压断路器进行控制，可以避免断路器在长燃弧时间条件下开断，提高断路器的电寿命。对于真空断路器，通过刻意选择分闸相位使断路器避免经历短路电流峰值，还可以使具有较小额定开断电流的断路器开断大的短路电流，从而相对提高断路器的开断能力。

实施例二

图4为本申请实施例提供的一种故障电流选相开断控制装置的结构框图。

如图4所示，本实施例提供的故障电流选相开断控制装置应用于电力系统的高压断路器的控制系统，该控制系统用于对高压断路器进行开断控制，该选相开断控制装置具体包括数据获取模块10、数据计算模块20和开断控制模块30。

数据获取模块用于对故障相的电流进行连续快速采样。

具体来说是对电力系统的三相电流进行持续检测，当三相电流中某相电流异常时判定该相发生短路故障，并从此时开始对该相进行连续快速采样，得到n个电流数据。其中，n为大于1的正整数。

数据计算模块用于利用rbf人工神经网络对多个电流数据进行计算。

在得到n个电流数据后，利用预先训练好的rbf人工神经网络对该n个电流数据进行计算，这里n为可以使rbf人工神经网络训练收敛的最小输入节点数。通过计算得到短路电流幅值和故障电流过零点。

开断控制模块用于根据故障电流过零点控制高压断路器的电流开断。

当通过上述计算得到短路电流幅值和故障电流过零点后，如果短路电流幅值超出预设幅值阈值，此时根据该故障电流过零点控制高压断路器进行开断操作。

具体来说，该模块包括时间计算单元和指令输出单元，时间计算单元用于根据下式计算分闸等待时间twait：

twait＝tzc-tmct-tnow

其中，tzc为故障电流过零点(zerocrossing)，tmct为断路器最短燃弧时间(minimumclearingtime)，tnow为现在时刻(经过n次电流采样后的当前时刻)。

指令输出单元则在等待twait时间后，向高压断路器的分闸线圈驱动模块发送分闸指令，以使高压断路器分闸于最佳之电流相位，使断路器经历的燃弧时间最小。

从上述技术方案可以看出，本实施例提供了一种故障电流选相开断控制装置，该装置应用于电力系统的高压断路器的控制系统，具体为当电力系统发生短路故障时，对发生短路故障的单相电流进行连续快速采样，得到多个电流数据；利用预设的rbf人工神经网络对多个电流数据进行计算，得到短路电流幅值和故障电流过零点；当短路电流幅值超出预设幅值阈值时，根据故障电流过零点控制高压断路器脱扣。通过采用的人工神经网络算法，对所要拟合的曲线不做任何简化，最大限度地反映了实际短路电流波形，因此能够精确预测故障电流过零点，并根据该点对高压断路器进行控制，从而避免了燃弧时间过长的问题。

实施例三

本实施例提供了一种高压断路器的控制系统，该控制系统设置有上一实施例提供的选相开断控制装置。选相开断控制装置具体为当电力系统发生短路故障时，对故障相的电流进行连续快速采样，得到多个电流数据；利用预设的rbf人工神经网络对多个电流数据进行计算，得到短路电流幅值和故障电流过零点；当短路电流幅值超出预设幅值阈值时，根据故障电流过零点控制高压断路器进行脱扣。通过采用的人工神经网络算法，对所要拟合的曲线不做任何简化，最大限度地反映了实际短路电流波形，因此能够精确预测故障电流过零点，同时，由于短路电流幅值及其过零点通过人工神经网络正向计算获得，计算量小，可以满足电力系统实时性要求。根据本方法对高压断路器进行控制，可以避免断路器在长燃弧时间条件下开断，提高断路器的电寿命。对于真空断路器，通过刻意选择分闸相位使断路器避免经历短路电流峰值，还可以使具有较小额定开断电流的断路器开断大的短路电流，从而相对提高断路器的开断能力。

实施例四

图5为本申请实施例提供的一种高压断路器的控制系统的结构框图。

如图5所示，本实施例提供的控制系统用于对电力系统的高压断路器进行选相开断控制。具体包括控制器40，还包括与控制器相连接的电流传感器50和分闸线圈驱动模块60。

电流传感器用于检测电力系统的三相电流信号，并输出到控制器的模数转换模块41。电流传感器通过线性光耦70与控制器的模数转换模块相连接，采样通道不加任何滤波措施以保证短路电流所有信息被采集到。控制器还通过光耦80与分闸线圈驱动模块相连接。

还有，控制器还设置有通信模块42，该通信模块用于将所述控制器的操作信息和短路电流信息上传给所述电力系统的继电保护系统。还用于接收所述继电保护系统发送的继电保护命令，并根据所述继电保护命令在本地对所述高压断路器执行继电保护操作。

模数转换模块用于对三相电流信号进行转换，控制器在得到三相电流信号的电流数据后对其进行监控，通过监控如果发现某相电流数据异常则通过预设规则判断，如果判定该相发生短路故障，则对该相进行连续快速采样，得到多个电流数据。

控制器包括至少一个处理器，还包括与处理器相连接的存储器，存储器存储有计算机程序或指令，处理器用于执行所述计算机程序或指令，以使控制器实现如下操作：

当所述电力系统发生短路故障时，利用预设的rbf人工神经网络对所述多个电流数据进行计算，得到短路电流幅值和故障电流过零点，当所述短路电流幅值超出预设幅值阈值时，根据故障电流过零点向所述分合闸线圈驱动模块输出分闸指令。

分闸线圈驱动模块根据所述分闸指令控制所述高压断路器执行分闸操作。

通过采用的人工神经网络算法，对所要拟合的曲线不做任何简化，最大限度地反映了实际短路电流波形，因此能够精确预测故障电流过零点，此外，由于采用人工神经网络，短路电流幅值及其过零点通过人工神经网络正向计算获得，计算量小，可以满足电力系统实时性要求。根据本方法对高压断路器进行控制，可以避免断路器在长燃弧时间条件下开断，提高断路器的电寿命。对于真空断路器，通过刻意选择分闸相位使断路器避免经历短路电流峰值，还可以使具有较小额定开断电流的断路器开断大的短路电流，从而相对提高断路器的开断能力。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。