简介针对大规模光伏电站并网改变配电网拓扑与短路电流、导致原有距离保护整定失准的难题这份PDF文献系统提出一种基于BP神经网络的等效阻抗建模方法并据此设计自适应距离保护策略适读于电力系统继电保护、新能源并网及智能电网方向的工程师和研究人员。文中重点分析光伏电站出力波动对分支系数及保护测量阻抗的影响指出传统曲线拟合建立阻抗-功率关系模型的精度局限改用BP神经网络学习历史数据构建光伏电站输出功率与等效阻抗的动态映射进而实现保护定值的实时自适应调整最后结合实际光伏电站算例验证了方法的正确性与实用性为分布式电源并网保护整定提供参考。资源为单篇PDF论文压缩包共1个文件大小约924KB便于离线研读。目前已有88人浏览学习。1. 光伏出力每时每刻都在变距离保护定值怎么跟得上分布式光伏大量接入 110 kV 配电网之后电网调度和继保整定遇到的最棘手问题之一是距离保护 II 段的测量阻抗不再只由故障距离决定还被光伏电站的实时出力“拖着走”。光伏逆变器输出的短路电流随光照强度、温度、逆变器投退状态持续波动等效阻抗从清晨到正午可能差出 5 倍以上。这样一来按照传统固定整定值配置的距离保护 II 段在光伏大发时段灵敏度下降在光伏出力低谷时段又可能越级误动——两条路都危险。这篇论文的核心思路是把 BP 神经网络当作一个非线性拟合器用光伏电站输出功率作为输入等效阻抗作为输出训练出一个能跟随出力变化的动态模型。然后把这个模型代入距离保护 II 段的分支系数公式得到自适应整定值。事情的关键在于分支系数怎么从理论公式落到可编程的整定逻辑里神经网络模型的输入输出怎么设计以及训练出来的模型在工程上够不够用。下面逐一拆开讲。2. 为什么光伏一接入距离保护 II 段就会“看不准”故障距离2.1 助增电流如何改变保护安装处的测量阻抗距离保护的基本原理是保护安装处的测量电压除以测量电流得到一个与故障距离近似成正比的阻抗值再与整定阻抗比较。对于图 1 所示的辐射状配电网S 为系统电源G 为光伏电站T 为变压器线路 AB、BC 各配置一套距离保护装置。K 点发生短路故障时保护 1 测到的 A 相电压可以表示为[ U_{1A}Z_{AB1}(I_{1A}3KI_{10})Z_{BK1}(I_{2A}3KI_{20})U_{KA} ]这里 K 是零序电流补偿系数(K(Z_0-Z_1)/3Z_1)(Z_{AB1}) 是线路 AB 正序阻抗(Z_{BK1}) 是母线 B 到故障点 K 的正序阻抗。关键在下半部分保护 1 测到的电流是 (I_{1A}3KI_{10})但光伏电站提供的短路电流 (I_{GA}I_{2A}-I_{1A}) 同时注入了故障支路。这导致测量阻抗变成[ Z_k Z_{AB1} K_f Z_{BK1} ](K_f) 就是分支系数。当光伏电站没有接入时(K_f1)测量阻抗与故障距离严格成正比光伏接入后(K_f) 大于 1保护感知到的阻抗比实际距离偏大如果不修正整定值II 段保护范围就会被压缩。2.2 分支系数计算的工程瓶颈在于光伏等效阻抗不恒定进一步推导可以得到接地故障和相间故障两种场景下分支系数与配电网阻抗参数的关系[ K_{f(1)} \frac{X_{G1}X_{T1}X_{S1}X_{AB1}}{X_{G1}X_{T1}} ][ K_{f(1,1)} \frac{X_{G1}X_{T1}X_{S1}X_{AB1}}{X_{G1}X_{T1}} ]两种故障形式的分支系数表达式结构一致区别在于代入的序分量边界条件不同。(X_{T1}) 是变压器正序阻抗(X_{S1}) 是系统正序阻抗这两个是固定值(X_{AB1}) 是线路 AB 正序阻抗由线路长度和单位阻抗决定。唯一不确定的是 (X_{G1})——光伏电站等效正序阻抗。问题就出在这里光伏电站不是同步机它的等效阻抗不能用固定的次暂态电抗来刻画而是取决于逆变器控制策略、MPPT 工作点、光照强度和出力水平。同一个电站9 点钟的等效阻抗可能是 1700 Ω到下午 3 点出力达到 9.83 MW 时阻抗可能降到 300 Ω 出头。如果把 (X_{G1}) 按最大值整定II 段保护在光伏大发时灵敏度不够按最小值整定出力低谷时又可能超越下一级线路的保护范围。曲线拟合法的做法是先测一组功率-阻抗数据对再用指数函数去逼近但光伏系统的非线性强单一函数形式很难在全功率段保持精度。2.3 工程上需要的数据与参数准备要复现整套自适应整定逻辑需要准备以下参数。这里以论文中的实际光伏电站为例额定功率 10 MW20 组 500 kW 逆变器并联直流侧 415 V经变压器升压至 110 kV系统阻抗 (X_{S1}X_{S2}15 Ω)变压器 T 阻抗 (X_{T1}X_{T2}10 Ω)(X_{T0}30 Ω)线路 AB、BC 各 50 km单位阻抗 (Z_1Z_20.4 Ω/km)(Z_01.2 Ω/km)。其中一组逆变器直流侧和交流侧的实测数据如下表所示这些数据随后会被整理成神经网络训练集和测试集。时刻直流电压/V直流电流/A交流 AB 相电压/V交流 A 相电流/A有功功率/kW9:00523.1173.5322.7160.288.811:00515.5272.6322.8243.2134.513:00533.1516.3323.0484.4269.615:00506.0928.7327.0870.0491.417:00527.1552.2323.3511.0284.519:00528.1386.2323.3357.0199.121:00515.5272.6322.8243.2134.5值得注意的是直流电压基本稳定在 500560 V 之间变化幅度很小而直流电流从 170 A 爬到 920 A变化超过 5 倍。这说明光伏等效阻抗的变化主要由电流侧驱动电压近似恒定。因此在建立神经网络模型时用输出功率或者对应当前的直流电流作为输入特征是合理的。3. 用 BP 神经网络拟合光伏等效阻抗模型设计、训练与对比3.1 为什么选 BP 而不是指数拟合或查表法曲线拟合法参考文献[8]的做法提前预设了函数形式(Z_{eq}a \cdot e^{bP}c) 或者类似结构然后用最小二乘法求系数。缺点是当电站包含多个逆变器、且局部阴影导致出力曲线不规则时指数函数无法同时拟合高功率段的陡降和低功率段的平缓。查表法虽然不需要预设函数但数据点是离散的整定值在相邻功率点之间跳变可能引起保护定值的不连续切换。BP 神经网络属于多层前馈网络通过隐藏层的非线性激活函数组合理论上可以逼近任意连续函数。这里网络结构分三层输入层接收光伏输出功率1 个节点隐藏层 4 个节点输出层输出等效阻抗1 个节点。隐藏层激活函数用 Sigmoid输出层用线性函数这样输出范围不受限制——等效阻抗跨度从 300 Ω 到 1700 Ω如果用 Sigmoid 做输出需要先做归一化增加反变换误差。3.2 样本划分与隐藏层节点数确定训练样本来自某一天从 9:00 到 21:00 的实测数据共 11 组整点记录。数据划分规则是70% 用于训练15% 用于验证15% 用于测试。隐藏层节点数按经验公式试凑[ m \sqrt{n l} \alpha ]其中 (n) 是输入节点数1(l) 是输出节点数1(\alpha) 是 110 之间的调节常数。逐个尝试 (m2,3,4,5)用验证集误差作为评价标准。这里最终确定 (m4)隐含层的权重更新公式为[ \Delta \omega_{ij} -\eta \frac{\partial \varepsilon}{\partial \omega_{ij}} ]其中 (\eta) 为学习速率(\varepsilon \frac{1}{2}\sum_{j1}^{l}(y_j - y_j)^2) 为实际输出与期望输出之间的均方误差。训练迭代采用 Levenberg-Marquardt 算法相比标准梯度下降LM 算法在样本量不大的情况下收敛更快且不容易陷入局部极小点。3.3 用 MATLAB 复现训练流程MATLAB 环境下可以用 Neural Net Fitting 工具箱nftool图形化完成也可以用脚本方式复现。核心训练代码如下% 光伏输出功率作为输入特征 P [1.781, 2.081, 2.691, 3.531, 5.391, 8.611, 9.831, ... 7.371, 5.691, 4.561, 3.981, 2.691, 1.841]; % 等效阻抗作为期望输出单位欧姆 Z [1766.96, 1517.55, 1131.14, 959.01, 597.18, 347.77, ... 323.18, 446.13, 558.54, 744.72, 797.42, 1131.14, 1714.27]; % 构建前馈BP神经网络1个输入节点4个隐藏层节点1个输出节点 net feedforwardnet(4, trainlm); % 隐藏层使用Sigmoid传递函数输出层使用线性传递函数 net.layers{1}.transferFcn logsig; net.layers{2}.transferFcn purelin; % 数据划分训练集70%验证集15%测试集15% net.divideParam.trainRatio 0.70; net.divideParam.valRatio 0.15; net.divideParam.testRatio 0.15; % 训练网络 [net, tr] train(net, P, Z); % 预测并输出回归值与均方误差 Z_pred net(P); R corrcoef(Z, Z_pred); mse_value mean((Z - Z_pred).^2); fprintf(回归值 R %.4f\n, R(1,2)); fprintf(均方误差 MSE %.2f\n, mse_value);这段代码里有几个关键参数需要解释feedforwardnet(4, trainlm)表示创建一个带 4 个隐藏层节点的前馈网络训练函数指定为trainlm对应 Levenberg-Marquardt 算法。如果换成traingd就是标准梯度下降收敛速度会慢很多。logsig将隐藏层输出压缩到 (0,1) 区间适合处理非线性映射输出层purelin保持线性输出不限制阻抗值的范围。trainRatio/valRatio/testRatio三个字段控制训练、验证、测试集的比例。验证集用于防止过拟合训练过程中监控验证误差连续上升则提前停止测试集用于评估最终模型的泛化能力。训练完成后会得到两个关键指标MSE 为 219回归值 R 为 0.998。R 值接近 1 说明网络输出与实际阻抗高度相关拟合效果明显优于指数函数模型。3.4 神经网络模型与指数函数模型的实测对比论文对比了两种模型在全天 13 个采样点的预测阻抗值核心数据对比如下时刻有功功率/MW实测阻抗/Ω指数拟合模型/Ω神经网络模型/Ω9:001.7811766.961941.211768.8110:002.0811517.551652.931501.1713:005.391597.18618.44612.0314:008.611347.77381.71362.6715:009.831323.18333.24330.1516:007.371446.13447.98426.1820:002.6911131.141265.761138.15指数拟合模型在功率低于 3 MW 时误差偏大10:00 时刻误差达到 135 Ω相对误差接近 9%而神经网络模型的误差控制在 20 Ω 以内。原因是 BP 网络通过多个 Sigmoid 节点的加权组合能够形成分段逼近能力——低功率段用一组权重拟合高功率段切换到另一组权重主导的输出相当于把非线性曲线切成多段后各自逼近。指数函数只有一个曲率参数无法同时照顾两端的弯曲程度。把相同数据代入功率-阻抗特性曲线图观察神经网络曲线在 14 MW 区间贴合实测值而指数曲线在该区间明显上凸。4. 从等效阻抗到自适应定值整定公式、灵敏度校核与容量边界4.1 自适应整定表达式的推导思路距离保护 I 段按照本线路全长的 80% 左右整定保护范围不伸出本线路光伏电站的助增电流不会引起 I 段误动因此只需要对 II 段重新整定。II 段的整定原则是与相邻线路 BC 段的 I 段配合即[ Z_{set.1}^{II} K_{rel}^{II}(Z_{AB} K_f \cdot Z_{set.2}^{I}) ]其中 (K_{rel}^{II}) 是可靠系数取 0.8(Z_{set.2}^{I}) 是 BC 段距离保护 I 段定值[ Z_{set.2}^{I} K_{rel}^{I} Z_{BC} 0.8 \times 0.4 \times 50 16 \ \Omega ](K_f) 的值由上一章训练好的神经网络模型决定输入当前光伏输出功率 P得到等效阻抗 (X_{G1})再代入分支系数公式得到实时的 (K_f)。整个过程可以串联成一条计算链[ P \xrightarrow{BP\ 神经网络} X_{G1} \xrightarrow{分支系数公式} K_f \xrightarrow{配合公式} Z_{set.1}^{II} ]这个计算链在保护定值整定软件里实现时常见做法是先把训练好的网络权重导出为一组矩阵参数固化在整定计算模块中而不是在保护装置里跑神经网络推理。因为配电网保护定值不需要毫秒级刷新每 15 分钟根据光伏电站上传的实时出力刷新一次即可。4.2 按功率分段刷新整定值的操作流程实际工程中按以下步骤实施自适应整定从光伏电站监控系统获取当前总有功功率 P采样周期建议与逆变器数据上送周期一致通常为 15 分钟。将 P 输入训练好的 BP 神经网络模型得到等效阻抗 (X_{G1})。输入前需要做与训练时相同的预处理包括量纲统一和归一化参数保持一致。将 (X_{G1}) 代入分支系数公式计算当前出力的 (K_f) 值。将 (K_f) 代入 II 段整定配合表达式计算 (Z_{set.1}^{II})。校验灵敏度(K_{sen} Z_{set.1}^{II} / Z_{AB} \geq 1.25)不满足时调整配合系数或与上级保护重新配合。将新定值下发至保护装置记录定值变更日志。计算过程可以通过简单的脚本批量完成。以功率从 2 MW 增长到 10 MW 为例假设某组数据计算得到 (K_f) 从 1.022 增加到 1.107则对应的 II 段整定值和灵敏度如下光伏出力/MW分支系数 (K_f)II 段整定值/Ω灵敏度21.02229.081.45441.04229.331.46761.06429.621.48181.08929.941.497101.10730.171.509从表中可以看到系统阻抗只有 15 Ω 时光伏出力变化引起的 (K_f) 变化只有 0.08 左右整定值变化幅度约 1 Ω灵敏度始终大于 1.25。这是因为系统容量远大于光伏容量光伏提供的短路电流在总短路电流中占比小分支系数被“稀释”了。4.3 系统容量降低后的边界行为如果把系统阻抗从 15 Ω 拉大到 150 Ω相当于系统短路容量大幅下降光伏电站的相对贡献变大分支系数变化幅度显著增加光伏出力/MW分支系数 (K_f)II 段整定值/Ω灵敏度21.10730.171.50941.20231.381.56961.31232.791.64081.43134.311.716101.52235.481.774此时 (K_f) 从 1.107 涨到 1.522变化幅度接近 0.4整定值相差超过 5 Ω。如果仍然按固定值整定在 10 MW 出力时测量阻抗偏大保护范围可能缩到线路全长的 60% 以下II 段将失去对线路末端故障的灵敏度。这个对比说明一个问题自适应整定的必要性不取决于光伏电站的绝对容量而取决于光伏容量与系统短路容量的比值。比值越大分支系数波动越剧烈自适应修正越有价值。5. 落地时容易被忽略的几个工程细节5.1 样本更新策略决定模型的长期有效性光伏电站在运行几年后组件衰减、逆变器更换、容配比调整都会导致功率-阻抗特性漂移。训练好的 BP 模型如果一直不更新预测误差会随设备老化逐渐增大。工程上建议每季度做一次模型校准用最近 30 天的运行数据重新训练或者用迁移学习的方式以原模型权重作为初始值用新数据做少量迭代微调。相比从零训练迁移学习在样本量较少时更稳定。实施时需要注意新旧模型的切换必须在保护定值区本文还有配套的精品资源点击获取