基于BP神經網絡模型的風電場送出變故障識別

楊興雄，孫士云，黃柯昊

基于BP神經網絡模型的風電場送出變故障識別

楊興雄，孫士云，黃柯昊

（昆明理工大學 電力工程學院，云南 昆明 650500）

變壓器是電力系統中最重要的樞紐設備之一，其保護動作的正確是整個電力系統穩定運行的關鍵。對于接入大規模風電場的系統，雙饋風電機組在低電壓穿越期間短路電流特殊的頻偏特性將導致傳統變壓器差動保護方案在風電場送出變中動作性能變差。針對這一問題，首先推導了頻偏特性下短路電流經DFT提取后的誤差表達式，并分析該短路電流對傳統保護的影響。在此基礎上，提出了利用BP神經網絡模型來逼近變壓器電磁暫態模型，并結合波形相關性進行故障識別的新方案。最后，在MATLAB/SIMULINK平臺上搭建雙饋風電場仿真模型。仿真結果表明，在各運行工況下，基于BP神經網絡模型的方案能夠有效進行故障識別，并規避頻偏特性及勵磁涌流帶來的影響。

雙饋感應風力發電機；頻偏特性；變壓器故障識別；BP神經網絡；波形相關性

0 引言

雙饋感應發電機（DFIG）是風電場廣泛采用的機型。在低電壓穿越期間，其提供的短路電流與傳統電源的短路電流有較大差異，具有特殊的頻偏特性。隨著風電滲透率的逐年提高，這一特性使得變壓器傳統差動保護方案在風電場送出變中動作性能變差[1–4]。

目前，國內外學者針對變壓器保護展開了大量的研究。文獻[5]介紹了傳統變壓器差動保護方案構成思路，并對該方案的適用性進行了深入分析和仿真驗證，發現差動保護方案正確動作的關鍵是區分勵磁涌流與故障電流。目前，勵磁涌流的鑒別主要分為2類：一類是基于變壓器參數特性，通過計算漏電感、電阻等參數進行勵磁涌流鑒別，包括最小二乘法參數識別、瞬時等效電感識別等[6–8]。另一類是基于勵磁涌流與故障電流的波形特征、諧波特征，通過分析間斷角、二次諧波含量及波形數學形態對勵磁涌流進行鑒別[9–11]。這2類方法能夠有效提高傳統變壓器差動保護的可靠性。文獻[12–14]利用人工神經網絡構建變壓器模型，在對各工況下樣本訓練后直接對故障進行識別，規避了對勵磁涌流的鑒別；該方法辨識精度高，保護動作快速準確。以上文獻對變壓器故障識別進行了研究，并提出了多種變壓器勵磁涌流識別新方法，進一步推動了變壓器繼電保護的發展。但是，這些文獻多是針對傳統電源下的變壓器保護研究，未充分考慮傳統電源短路電流與風電場短路電流的較大差異[15,16]。

其次，大數據下的開放性創新實驗室能夠為學生提供實現自身價值的平臺。大數據下的開放性創新性實驗教學管理，可以更好地為學生營造一個發散思維、實現自身創新想法的平臺，這樣也就為理工類學生提供了一個實現夢想的機會，從這一個層面上展開分析可知，這對于學生的吸引力仍然是非常重要的。從這個方面再次與傳統的實驗教學管理模式展開比較可知，很顯然傳統的實驗室教學管理模式與這樣的目標是背道而馳的。充分采用大數據開放性創新實驗教學管理模式，可以很好地節省人力成本，同時還能更加規范化以及高效化地對實驗室設施展開科學化的保管以及使用，所以這樣的模式受到了當前全國范圍內大部分業內專家學者的廣泛關注與研究。

針對上述問題，本文分析了DFIG頻偏下短路電流經DFT提取后的表達式及其對變壓器保護的影響；在此基礎上，利用BP人工神經網絡逼近變壓器電磁暫態模型，從而進行故障判別。最后利用MATLAB/SIMULINK平臺進行仿真，結果表明該方案在各運行工況下均能夠準確進行變壓器故障識別。

1 風電場送出變保護配置

目前，風電場的變壓器保護配置仍然采用傳統的差動保護配置，主要包括：比率制動、涌流閉鎖和差流速斷3個部分，其動作邏輯如圖1所示。

圖1 變壓器差動保護動作邏輯

比率制動元件：該模塊主要是通過判別差動電流與制動電流的關系，來區分內部故障、外部故障，從而決定保護是否啟動。常用的比率制動元件動作方程如式（1）所示。

式中：op、op.min分別表示差動電流動作值及差動電流最小動作值；res、res.min分別表示制動電流值及制動電流最小值；n表示變壓器二次側電流；表示制動系數。

涌流閉鎖元件：該模塊利用差動電流中二次諧波分量的占比來區分故障與勵磁涌流，并聯合比率制動模塊進行故障識別。

差流速斷保護元件：由于比率制動及涌流閉鎖的判別需要時間，故在發生較為嚴重的內部故障時，為保護變壓器不受損壞，配置該模塊以快速切除故障。

3)果實膨大和花芽分化期追肥。此期追肥既能保證當年果實產量，又能為來年結果打下基礎，避免出現大小年現象。

2 DFIG短路電流對保護的影響

2.1 DFIG短路電流

含有撬棒保護電路的雙饋風機結構如圖2所示，其定子側直接與電網相連，而轉子側通過變流器與電網相連。由于變流器容量較小，當發生轉子側過電流時極易損壞，所以轉子側配備了Crowbar保護電路。變流器主要用于為轉子提供轉差頻率的勵磁電流，從而實現雙饋風機的變速恒頻發電運行。所以，當發生外部故障導致轉子側過電流時，Crowbar保護電路投入，對變流器進行短接，這會導致頻率出現偏移。這一過程時間短，波形復雜。

圖2 含Crowbar保護電路的雙饋風機結構

常用的雙饋風機在發生三相對稱故障后，定轉子短路電流可以表示為[2]：

黨的十九大作出判斷：中國特色社會主義進入新時代，我國社會主要矛盾已經轉化為人民日益增長的美好生活需要和不平衡不充分的發展之間的矛盾。社會主要矛盾的變化是關系全局的歷史性變化，對公安工作提出了許多新要求。尤其是在政治方面，更是要求確保對黨絕對忠誠。因此，公安院校思政課的教學任重道遠。然而，必須清醒認識到，當前公安院校思政課教學的開展面臨著許多負面因素的影響。

傅里葉工頻算法是變壓器保護配置的基礎，其對故障特征的提取準確與否直接關系到保護是否能夠正確動作。相比于傳統的工頻量，DFIG短路電流成分復雜，含有衰減的轉速頻率分量，導致了定子電流頻率不再保持在50 Hz；這將對基于工頻量的傅里葉算法產生影響。

2.2 DFIG短路電流對送出變保護的影響

由式（2）可知，系統發生三相對稱故障后，由于Crowbar保護電路的投入，定子側的短路電流除了基頻分量、衰減直流分量，還有衰減轉速頻率分量。系統發生不對稱故障時，衰減轉速頻率分量的頻率大小取決于故障前的轉速。一般地，雙饋風機轉速運行在0.7～1.2 p.u.之間，因此短路后定子側電流頻率在35～60 Hz之間，偏離于工頻50 Hz。

在我國西南地區的深山野林里，生長著一種草本植物，它開著白色的小花，雖然看上去清新可愛，卻也沒什么特別之處。但是，如果下雨之后你再來看，便會發現原先白色的小花變得晶瑩剔透，就像精心雕琢后的精美藝術品。你知道這種神奇植物的名字嗎？

引入頻偏因子表示故障后定子電流角頻率與額定角頻率之間的關系，即令：

式中：表示故障后定子電流角頻率；0表示額定工頻角頻率。發生對稱短路后，由式（2）可以發現，定子短路電流含有基頻分量、衰減直流分量、衰減轉速頻率分量。由于直流不影響傅里葉提取，因此可將定子短路電流歸一化表示為：

BP網絡算法是神經網絡中最為常用的一種，其結構主要包括：輸入層，隱藏層，輸出層。該算法以誤差平方為目標函數，通過信號的前向傳播和誤差的反向傳播來計算目標函數的最小值。常用的BP神經網絡模型如圖6所示。

同理，短路電流經傅里葉算法運算后，二次諧波分量正余弦系數及幅值如式（6）所示：

目前，風電場送出變保護配置中的差流速斷保護和比率制動保護仍是基于工頻量的保護方案。觀察式（5）可以發現，如果存在頻偏分量（≠0），經過傅里葉算法以后，定子電流的基頻幅值不再保持恒定，而是隨著頻偏因子的變化而變化；基頻幅值可能大于1，且受頻偏因子影響較大。這勢必會導致比率制動環節中，實際動作值和保護判據值的波動，從而導致保護的誤動。另一方面，變壓器保護配置中較為重要的勵磁涌流模塊是利用二次諧波與基波的占比來進行涌流閉鎖的，其動作值一般設為0.15，超過該動作值判定為涌流閉鎖，保護不動作。由式（6）可以發現，由于存在頻偏分量，經過傅里葉算法運算后，二次諧波的幅值亦不再保持恒定，可使得二次諧波涌流閉鎖期間動作值超過0.15而發生誤動。

2.3 傳統變壓器保護方案在風電場中的適應性分析

式中：下標A、B、C表示一次側各電氣量；下標ac、ba、cb表示二次側各電氣量；表示電壓；表示電阻；表示電感；1、2分別表示一次側二次側繞組匝數；表示一次、二次繞組的互感磁通。

圖3 仿真系統結構示意圖

該系統包含40臺1.5 MW的雙饋風機。每臺風機經箱變將出口處電壓由0.575 kV升高至35 kV后匯集到集電線路，再經主變壓器將電壓升高送至110 kV母線。系統中各元件主要參數為：雙饋風機額定功率為1.5 MW，功率因數為0.9，轉差率為0.2，額定電壓為0.575 kV；110 kV電網系統正序阻抗s1=7 Ω，零序阻抗s0=11 Ω，短路容量約為1 728 MVA；風電場與電網的短路容量比約為3.5%；輸電線路正序阻抗為Z1=0.115 3+j0.215 Ω/km，零序阻抗為Z0=0.415 3+j0.713 Ω/km。

假設：=1 s時送出變保護區內點發生三相故障，電壓跌落至撬棒動作值；經過5 ms延時后投入Crowbar保護電路，=1.2 s時故障切除；轉差率為0.2。圖4、圖5所示為該故障條件下傳統變壓器差動保護動作情況。

伴隨著經濟全球化進程不斷加快，在信息化浪潮席卷全球的背景下，信息化對于一個企業，其重要性不言而喻。面對日益激烈的市場競爭，越來越多的企業開始意識到，在互聯網技術飛速發展的今天，企業的發展必須依托信息技術，特別是在信息技術應用相對滯后的建筑業中。住房和城鄉建設部印發的《2016-2020年建筑業信息化發展綱要》指出，“十三五”期間，要全面提高建筑業信息化水平，形成一批具有較強信息技術創新能力和信息化應用達到國際先進水平的建筑企業及具有關鍵自主知識產權的建筑業信息技術企業，人力資源管理信息化作為建筑業信息化重要一環被寫進綱要中。

圖5 內部故障時傳統二次諧波制動環節動作情況

對比分析圖4、圖5可知，投入撬棒后，由于變流器被短接，導致頻率出現偏移，短路電流中存在的轉速頻率分量使得比率制動和二次諧波制動的制動值、動作值都出現了較大波動。由圖4可知，發生內部故障時，比率制動環節（A相）在1.05～1.08 s期間，動作值大于制動值，保護正確動作；而在1.08～1.015 s期間，動作值小于制動值，保護出現了拒動。由圖5可知，二次諧波涌流閉鎖環節中，在1.07～1.11 s期間，涌流閉鎖判據動作值大于閾值0.15，判定為勵磁涌流而非故障，將差動保護環節閉鎖，出現了誤動，與前面的理論分析相符。綜上，傳統變壓器保護配置應用于風電場送出變中，由于風電場短路電流的特殊性，在風電滲透率較大、短路容量比較高時，送出變保護存在著誤動的情況，需要進一步探索適用于風電場送出變的故障識別方法。

3 BP神經網絡模型及變壓器故障識別

式中：表示定子電流初相角。式（4）短路電流經傅里葉算法運算后，基頻分量正余弦系數及幅值如式（5）所示：

圖6 BP神經網絡結構示意圖

圖6中，x為輸入層的各輸入量；為輸出層的各輸出量；w為輸入層—隱藏層的連接權值；b為輸入層—隱藏層的偏置量；w為隱藏層—輸出層的權值；b為隱藏層—輸出層的偏置量。圖6中神經網絡的輸出方程可表示為：

靖邊縣沙源署業發展有限公司是全縣較早發展規模種植馬鈴薯的現代化基地，2018年耕作土地6000余畝，擁有拖拉機6臺，其中3臺安裝有自動導航駕駛系統（其中一臺為迪爾導航駕駛系統、2臺為北斗導航駕駛系統）。

該系數越接近1，表示實際輸出與神經網絡模型輸出越相近，判定為正常運行或外部故障；反之則為內部故障。以該系數作為保護判據，摒棄傳統辨識算法中常用的求R-L參數，即可對故障進行識別。本文結合仿真及相關文獻研究，設定保護判據為0.85。

為驗證傳統變壓器保護方案在風電場中的適應性，按照圖3所示系統搭建雙饋風電場仿真模型。

由于三角側的相電流不能直接通過測量來獲得，利用三角側電流關系La=ac–ba，Lb=ba–cb，Lc=cb–ac，并假設三相繞組對稱，兩側匝數比等于變比，即A=B=C=1，ac=ba=cb=2，A=B=C=1，ac=ba=cb=2，=1/2，則式（8）（9）利用高斯消去法可進一步變換為：

類比于BP神經網絡輸入層、隱藏層、輸出層，以回路平衡式式（10）中第一個等式為例建立網絡模型。定義變壓器回路方程中輸入層為式（11）所示，輸出層為式（12）所示。

定義輸入層、輸出層后，首先依據文獻[13]的方法確定隱含層節點數目，對輸入數據進行預處理；并利用神經網絡可以逼近任一復雜函數的特點，逼近變壓器的電磁暫態模型。然后，對正常和外部故障下的樣本數據進行訓練和檢測，并將訓練好的樣本生成神經網絡。最后，比較實際輸出值與神經網絡輸出值并利用如式（12）所示的波形相關系數做為判據來進行故障識別。用1、2、3分別表示平衡式（10）中第1、第2、第3式的波形相關系數。

常用的星三角變壓器結構如圖7所示。正常運行或外部故障時，一次側、二次側繞組回路方程如式（8）（9）所示[15]。

(3)通過對所出露的地下管線調查記錄。例如運用測繪和繪圖的方法，對地下管線現情況加以標示，在明確各類地下管線位置的基礎上，詳細核查地下附屬設施，并測量附屬物的屬性。

4 仿真驗證

為進一步驗證所述方法的有效性，在MATLAB/SIMULINK軟件平臺上搭建圖3所示雙饋風電場仿真模型，以系統點在0.7～0.85 s發生區內區外故障為例進行驗證。本文在該節仿真中采用的BP神經網絡輸入層節點數為4，輸出層節點數為1，隱含層神經元個數為8，神經網絡個數為3。

網宿科技的主營業務是CDN（內容分發網絡），1998年，CDN自國外引入，網宿科技靠前期對市場機會的敏感捕捉和對市場的深耕，經過幾年時間的發展，一舉成長為國內CDN的龍頭企業。當時整個市場形成了以網宿科技和藍汛雙寡頭壟斷的格局體系。之后，隨著互聯網的飛速發展，CDN規?？焖僭鲩L，騰訊及阿里以價格戰強勢切入戰場，延續到今日。

取正常運行時5周波的采樣數據作為神經網絡的訓練樣本。訓練并測試完成后，將變壓器可能運行的工況，包括正常運行、高低壓側內部故障、高低壓側外部故障、空載合閘幾種情況下的一周波數據輸入訓練好的神經網絡模型中進行計算。然后，將網絡模型輸出和實際值進行比較，并利用波形相關系數進行故障判別。限于篇幅，以高壓側發生三相、單相內外部故障為例進行分析，仿真結果如圖8—10所示，其余工況下動作情況歸納入附表A。

近年來，環境問題日益受到世界各國的重視，煤炭在為我國經濟社會持續平穩發展提供能源保障的同時，其帶來的資源、環境、生態和安全問題也越來越突出。所以，在煤炭從開發到利用全過程中，減少污染排放、提高利用效率成為必然趨勢。2017聯合國組織的能源會議上，參與會議國家和企業承諾，要發展CCUS。CCUS（Carbon Capture，Utilization and Storage）碳捕獲、利用與封存是應對全球氣候變化的關鍵技術之一，即把生產過程中排放的二氧化碳進行提純，繼而投入到新的生產過程中，可以循環再利用。在對于煤炭行業來說，積極推廣該技術，從長遠看，有較高的社會效益和綜合經濟利益。

對比分析圖9、圖10可知，在區內三相故障、單相接地故障時，系統實際輸出值和神經網絡模型輸出值波形基本吻合，具有較高的相似度。而區外三相故障、單相接地故障時，系統實際輸出值和神經網絡模型輸出值波形具有較大的差異，波形幾乎沒有相似或重疊部分。此外，從附表A中各類故障條件下波形相似度及保護動作情況的歸納也可以發現，高、低壓側發生內外部故障及空載合閘時，由于頻偏分量的存在，導致了傳統保護動作值及保護制動值均出現較大波動，故障期間保護動作出現了拒動與誤動。基于BP神經網絡算法故障識別的方案以波形相關系數0.85為故障判據，在區內故障時，波形相關系數均小于該判據值，而區外故障時大于判據值，能夠正確識別三相、單相、兩相區內外故障以及空載合閘：判據簡單有效，且不受頻偏的影響，保護動作可靠性高。

圖8 正常運行時實際輸出與神經網絡輸出比較

圖10 單相故障時實際輸出與神經網絡輸出比較

5 結論

本文分析了DFIG短路電流特性及其對變壓器保護的影響。在此基礎上，利用BP神經網絡模型對變壓器進行故障識別，得到以下結論：

（1）DFIG短路電流由于頻偏特性，經DFT提取后，短路電流的基頻分量及2次諧波分量的幅值、相角均不再保持恒定，而是隨著頻偏產生波動；對于弱點網或短路容量比較大的風電場，這會導致傳統的變壓器差動保護方案在風電場送出變中無法準確動作。

各斷面洪峰流量計算均采用曼寧公式：Q=A·k/n·R2/3·S1/2。其中面積A與濕周的值根據斷面圖查算，k值為1，糙率n值按《山西省水文計算手冊》[2]規定選用。伍姓湖容積及表面積由原容積曲線查得。見圖2，計算結果如表2。

（2）利用BP神經網絡算法進行故障識別的方案，摒棄了傳統辨識算法中常用的求-參數；通過引入波形相關系數，不但能夠準確判別變壓器內外部故障，同時規避了頻偏及勵磁涌流帶來的影響。

[1] 袁輝, 宋曉喆, 孫福壽, 等. 弱電網中低電壓穿越控制策略導致的雙饋風機失穩機理分析[J]. 電力自動化設備, 2020, 40(9): 50-56.

YUAN HUI, SONG XIAOZHE, SUN FUSHOU, et al. Analysis of LVRT control strategy-oriented DFIG instability mechanism in weak grid[J]. Electric Power Automation Equipment, 2020, 40(9): 50-56(in Chinese).

[2] 范小紅, 安德超, 孫士云, 等. 計及撬棒保護動作時間的雙饋風機三相短路電流特性分析[J]. 電工技術學報, 2019, 34(16): 3444-3452.

FAN XIAOHONG, AN DECHAO, SUN SHIYUN, et al. Three-phase short circuit current characteristic analysis of doubly fed induction generator considering crowbar protection action time[J]. Transactions of China Electrotechnical Society, 2019, 34(16): 3444-3452(in Chinese).

[3] 王濤, 諸自強, 年珩, 等. 非理想電網下雙饋風力發電系統運行技術綜述[J]. 電工技術學報, 2020, 35(3): 453-471.

WANG TAO, ZHU ZIQIANG, NIAN HENG, et al. Review of operation technology of doubly-fed induction generator-based wind power system under nonideal grid conditions[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 453-471(in Chinese).

[4] 于珍, 沈沉, 張雪敏. 雙饋風機故障穿越后功率恢復速率對系統暫態穩定的影響分析[J]. 中國電機工程學報, 2018, 38(13): 3781-3791.

YU ZHEN, SHEN CHEN, ZHANG XUEMIN. Analysis on the impact of post-fault power recovery speed of doubly-fed induction generators on power system transient stability[J]. Proceedings of the CSEE, 2018, 38(13): 3781-3791(in Chinese).

[5] 寧鐸, 尤磊, 李英春, 等. 變壓器差動保護動作特性的仿真研究[J]. 電力系統保護與控制, 2017, 45(4): 99-106.

NING DUO, YOU LEI, LI YINGCHUN, et al. Simulation research on the operating characteristic of transformer differential protection[J]. Power System Protection and Control, 2017, 45(4): 99-106(in Chinese).

[6] 武萬才, 邊疆, 吳志勇. 變壓器和應涌流產生機理及其特性分析[J]. 中國電機工程學報, 2011, 31(6): 112-115.

WU WANCAI, BIAN JIANG, WU ZHIYONG. Principle and characteristics of transformer sympathetic inrush[J]. Electric Power Automation Equipment, 2011, 31(6): 112-115(in Chinese).

[7] 闞超豪, 李航程, 任泰安, 等. 繞線轉子無刷雙饋電機漏感計算[J]. 電工技術學報, 2019, 34(19): 4017-4027.

KAN CHAOHAO, LI HANGCHENG, REN TAI’AN, et al. Calculation of leakage inductance for wound-rotor brushless doubly-fed machine[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4017-4027(in Chinese).

[8] 王高猛, 么莉, 王文文. 基于AMI量測信息的變壓器參數辨識方法[J]. 電力系統及其自動化學報, 2019, 31(6): 38-42.

WANG GAOMENG, YAO LI, WANG WENWEN. Identification method for transformer parameters based on AMI metering data[J]. Proceedings of the CSU-EPSA, 2019, 31(6): 38-42(in Chinese).

[9] 吳雅斌. 變壓器勵磁涌流及其抑制技術研究[D]. 濟南: 山東大學, 2019.

WU YABIN. Research on transformer inrush current and suppression technology[D]. Jinan: Shandong University, 2019(in Chinese).

[10] 黃景光, 羅亭然, 林湘寧, 等. 勵磁涌流波形密度系數鑒別算法[J]. 電力系統及其自動化學報, 2017, 29(7): 34-40.

HUANG JINGGUANG, LUO TINGRAN, LIN XIANGNING, et al. Identification algorithm for magnetizing inrush current in terms of waveform density coefficient[J]. Proceeding of the CSU-EPSA, 2017, 29(7): 34-40(in Chinese).

[11] JING M, YAN X, ZENGPING W, et al. A novel adaptive scheme of discrimination between internal faults and inrush currents of transformer using mathematical morphology[C]//2006 IEEE Power Engineering Society General Meeting. Montreal, QC, Canada: IEEE, 2006: 1-7.

[12] 胡曉鵬, 易理剛. 基于小波預處理的人工神經網絡實現微機變壓器保護的新方法[J]. 繼電器. 2004, 32(6): 22-26.

HU XIAOPENG, YI LIGANG. A new method of applying artificial neural network based on preprocess of wavelets to realize computer-based transformer protection[J]. RELAY, 2004, 32(6): 22-26(in Chinese).

[13] 趙文清, 嚴海, 周震東, 等. 基于殘差BP神經網絡的變壓器故障診斷[J]. 電力自動化設備, 2020, 40(2): 143-148.

ZHAO WENQING, YAN HAI, ZHOU ZHENDONG, et al. Fault diagnosis of transformer based on residual BP neural network[J]. Electric Power Automation Equipment, 2020, 40(2): 143-148(in Chinese).

[14] LI J, WATER W, ZHU B, et al. Integrated high-frequency coaxial transformer design platform using artificial neural network optimization and FEM simulation[J]. IEEE Transactions on Magnetics, 2015, 51(3): 1-4.

[15] 郝治國, 張保會, 褚云龍, 等. 基于等值回路平衡方程的變壓器保護原理[J]. 中國電機工程學報, 2006, 26(10): 67-72.

HAO ZHIGUO, ZHANG BAOHUI, CHU YUNLONG, et al. Study on transformer protection principle based on equivalent circuit equilibrium equation[J]. Proceedings of the CSEE, 2006, 26(10): 67-72(in Chinese).

[16] 金晶. 雙饋風電機組轉子變流器對短路特性的影響研究[D]. 重慶: 重慶大學, 2012.

JIN JING. Studies on the Influence of rotor converter of double-fed induction wind turbine on short circuit characteristics[D]. Chongqing: Chongqing University, 2012(in Chinese).

附錄：

附表A 各運行工況下傳統保護與神經網絡故障識別

Tab. A Traditional protection and neural network fault identification under various operating condition

案例故障類型比率制動涌流閉鎖傳統差動動作情況BP神經網絡下波形相關系數R1/R2/R3BP神經網絡動作情況 1正常運行不動作不動作正確不動作0.9960.9990.995正確不動作 2Y側區外三相故障不動作不動作正確不動作0.9560.9120.905正確不動作 3△側區內三相故障動作動作拒動–0.201–0.270–0.222正確動作 4Y側區內單相接地故障動作動作拒動–0.3750.965–0.278正確動作 5△側區內單相接地故障動作動作拒動–0.3050.921–0.208正確動作 6△側AB匝間故障（匝比50%）動作不動作正確動作–0.1310.2110.966正確動作 7空載合閘于A相匝間故障動作動作誤動0.2150.9660.166正確動作 8空載合閘于外部故障不動作不動作正確不動作0.9680.9880.982正確不動作

Fault Identification of Transmission Transformer in Wind Farm Based on Artificial Neural Network Model

YANG Xingxiong, SUN Shiyun, HUANG Kehao

(Faculty of Electric Power Engineering, Kunming University of Science and Technology, Kunming 650500, China)

The power transformer is one of the most important equipments in a power system. Its reliable protection system is the key to the stable operation of the whole power system. The unique frequency offset characteristics of short-circuit current of doubly-fed wind farm (DFIG) during low-voltage ride through will affect the differential protection performance in the transmission transformers. To solve this problem, firstly, the error expression of short-circuit current extracted by DFT under frequency offset characteristics is introduced, and the influence of short-circuit current on traditional protection is analyzed. On this basis, this paper proposed a new scheme using BP (Back Propagation) neural network model, combined with waveform correlation for fault identification, to approximate the transformer electromagnetic transient model. Finally, the simulation model of a doubly fed wind farm is built on MATLAB/SIMULINK platform to verify this scheme.The results show that it can effectively identify faults under various operating conditions, and minimize the impact of frequency offset characteristics and inrush current.

doubly-fed induction generator; frequency offset characteristics; transformer fault identification; BP neural network; waveform correlation

10.3969/j.ISSN.1672-0792.2021.11.003

TM73

A

1672-0792(2021)11-0023-09

2021-07-16

國家自然科學基金重點項目（52037003）；云南省重大專項（202002AF080001）

楊興雄（1995—），男，碩士研究生，研究方向為風力發電及其對電力系統保護的影響；

孫士云（1981—），女，碩士生導師，研究方向為新能源開網及其繼電維護；

2010年后，隨著油田產量規模下降，經濟可采儲量不斷降低，即便是高油價也無法抗衡當期折舊折耗過高帶來的資產壓力。2014年至2016年，油田折耗率達到46%，為歷史最高。

黃柯昊（1995—），男，碩士研究生，研究方向為新能源參與一次調頻策略研究。