Содержание к диссертации
Введение
1 Сигналы ЭЭС и их модели 15
1.1 Основные характеристики сигналов ЭЭС 15
1.1.1 Сигнал ЭЭС и его структура 15
1.1.2 Шумы и выбросы в сигнале ЭЭС 20
1.1.3 Коррекция отсчетов с выбросами в сигнале ЭЭС 21
1.2 Модели сигналов ЭЭС 23
1.2.1 Классификация моделей сигналов ЭЭС 24
1.2.2 Непрерывные адаптивные структурные модели сигналов ЭЭС 26
1.2.3 Цифровые адаптивные структурные модели сигналов ЭЭС 30
1.2.4 Адаптивные структурные модели цифровых сигналов ЭЭС с локальными нарушениями закономерностей 31
1.2.5 Свойства классической модели при адаптации к сигналу с выбросами .33
1.2.6 Модель с неявной коррекцией отсчетов-выбросов 35
1.2.7 Универсальная модель сигнала ЭЭС в виде составного оператора 38
2 Определение параметров стационарного режима ЭЭС 42
2.1 Общий адаптивный алгоритм определения стационарного участка изменения оценки параметра сигнала ЭЭС 42
2.2 Определение и удаление тренда 43
2.3Определение частоты сети 46
2.3.1 Классификация алгоритмов определения частоты сети 46
2.3.2 Алгоритм с адаптивным оператором 48
2.3.3 Алгоритмы с составным оператором 49
2.3.4 Определение стационарного участка изменения оценки частоты 50
2.3.5 Настройка оператора заграждения 52
2.3.6 Сравнение алгоритмов 53
3 Структурный анализ цифровых сигналов ЭЭС 56
3.1 Основные задачи структурного анализа входных сигналов цифровых систем РЗ и А 56
3.2 Классическая и модифицированная методика настройки модели сигналов ЭЭС 59
3.2.1 Настройка неадаптивного оператора 65
3.2.2 Определение границ интервалов однородности 66
3.2.3 Обработка коротких участков 68
3.2.4 Настройка компонентного оператора 70
4 Совершенствование методов структурного анализа сигналов ЭЭС 73
4.1 Предельные возможности метода наименьших квадратов при обработке сигналов ЭЭС 73
4.2 Повышение эффективности методов структурного анализа цифровых сигналов ЭЭС 76
4.3 Адаптивная вариация частоты дискретизации 79
4.4 Алгоритм декомпозиции цифровых сигналов ЭЭС по собственным модам 80
4.5 Пример обработки сигнала реального процесса в ЭЭС 85
5 Практическое применение алгоритмов и моделей структурного анализа цифровых сигналов ЭЭС .92
5.1 Использование алгоритмов структурного анализа в программном комплексе «Интеллектуальный осциллограф IntelOsc» 92
5.2 Использование алгоритмов структурного анализа в программном комплексе ОМП 96
Заключение 101
Список литературы
- Коррекция отсчетов с выбросами в сигнале ЭЭС
- Адаптивные структурные модели цифровых сигналов ЭЭС с локальными нарушениями закономерностей
- Классификация алгоритмов определения частоты сети
- Адаптивная вариация частоты дискретизации
Введение к работе
Актуальность темы.
Многие алгоритмы релейной защиты и автоматики (РЗ и А) электроэнергетических систем (ЭЭС) основаны на использовании схемных моделей энергообъектов. Измерения электрических величин производятся обычно с одной стороны защищаемого объекта, а модели строятся по оценкам параметров основной гармоники электрических величин. Поскольку параметры объекта с другой стороны недоступны для непосредственного определения и порядок модели, как правило, превышает число информативных параметров измеряемых величин, то для обеспечения корректности настройки модели объекта приходится накладывать ограничения на область ее применения или заведомо фиксировать некоторые параметры модели, что, естественно, сужает возможности алгоритмов. Очевидно, что дальнейшее расширение возможностей моделей объектов и алгоритмов РЗ и А связано с развитием методов построения моделей защищаемого энергообъекта на основе определения структуры сигнала (структурного анализа), поскольку в этом случае появляется возможность восполнить недостаток информации за счет уравнений для отдельных составляющих сигнала.
Кроме того, интегрирование цифровых устройств РЗ и А в среду цифровых подстанций подразумевает применение алгоритмов обработки, способных распознать структуру сигнала ЭЭС в темпе развития процесса. В настоящее время оценка параметров входных величин в таких устройствах осуществляется, как правило, с использованием фильтра Фурье. Фильтр Фурье оптимален для обработки сигналов лишь стационарного режима ЭЭС, а при обработке сигналов переходного режима он имеет значительную погрешность определения комплексной амплитуды основной гармоники из-за наличия составляющих свободного режима в сигнале. Поэтому для обеспечения требуемой точности оценки входных электрических величин ЭЭС необходимо рассматривать распознавание сигналов как решение задачи идентификации структуры сигнала текущего режима на множестве собственных мод свободного процесса ЭЭС и составляющих принужденного режима. Решению этой задачи и посвящена настоящая работа.
В диссертации отражены результаты работ, выполненных автором в течение ряда лет в ФГБОУ ВПО «Чувашский государственный университет имени И.Н. Ульянова» в сотрудничестве и по заданию ЦДУ ЕЭС РФ, ОАО «ВНИИР» и ООО «НПП Бреслер».
Цель работы заключается в совершенствовании методов и алгоритмов структурного анализа входны х сигнал ов цифровых систем РЗ и А, способных формировать информационно емкие модели, полнее учитывающие физику процесса в ЭЭС и, значит, повышающ ие техническое совершенство цифровых систем РЗ и А.
Задачи исследования.
-
Разработка структурных моделей цифровых сигналов ЭЭС.
-
Развитие методов структурного анализа цифровых сигналов ЭЭС.
-
Разработка адаптивного алгоритма декомпозиции сигналов ЭЭС по собственным модам.
-
Разработка и исследование адаптивных алгоритмов для автоматического распознавания стационарного участка изменения оценки параметра сигнала, определение частоты сети и т.д.
-
Разработка алгоритмов построения моделей сигналов ЭЭС с локальными нарушениями закономерностей.
-
Применение разработанных алгоритмов в интеллектуальном программном комплексе анализа процессов в ЭЭС и в программном обеспечении микропроцессорного устройства определения места повреждения (ОМП).
Методы исследования. Исследования проводились c использованием методов теоретических основ электротехники и теории автоматического управления, методов цифровой обработки сигналов, математического и имитационного моделирования.
Достоверность полученных результатов обеспечивается корректным использованием математического аппарата, программных вычислительных комплексов, экспериментальной проверкой разработанных алгоритмов структурного анализа входных сигналов в серийно поставляемых микропроцессорных устройствах ОМП на ЛЭП.
Основные положения, выносимые на защиту.
-
Адаптивные структурные модели входных сигналов РЗ и А, способные к распознаванию сигнала неизвестной структуры на фоне шумов измерений и с локальными нарушениями закономерностей, и алгоритмы их настройки.
-
Алгоритмы декомпозиции сигналов ЭЭС по собственным модам и адаптивной вариации частоты дискретизации при обработке многокомпонентных сигналов, значительно повышающие разрешающую способность метода структурного анализа сигналов.
-
Адаптивные алгоритмы определения стационарного участка изменения оценки параметра сигнала ЭЭС, позволяющие автоматически выявлять стационарный участок изменения оценки параметра сигнала и формировать оценку параметра сигнала с заданной точностью.
Научная новизна работы.
-
Разработанные адаптивные структурные модели сигналов РЗ и А с локальными нарушениями закономерностей отличаются от известных более широкими функциональными возможностями, позволяя прецизионно определять структуру сигнала в переходных режимах ЭЭС.
-
Предложенные алгоритмы декомпозиции сигналов ЭЭС по собственным модам и адаптивной вариации частоты дискретизации отличаются от известных большей точностью и лучшей распознаваемостью, позволяя повысить достоверность многокомпонентных моделей сигналов.
-
Разработанные адаптивные алгоритмы определения стационарного участка изменения оценки параметра сигнала ЭЭС отличаются от известных большей чувствительностью, способностью автоматически выявлять стационарный участок и формировать оценку параметра сигнала в сетях с повышенным уровнем высших гармоник.
Практическая ценность работы.
1 Разработанные адаптивные структурные модели сигналов РЗ и А с локальными нарушениями закономерностей могут быть использованы в
интеллектуальных программных комплексах анализа аварийных процессов в ЭЭС.
-
Предложенные алгоритмы декомпозиции сигналов ЭЭС по собственным модам и адаптивной вариации частоты дискретизации применимы в различных цифровых системах РЗ и А, основанных на использовании моделей защищаемого объекта, построенных на основе структурного анализа сигналов ЭЭС, в частности, в составе программного комплекса ОМП.
-
Разработанные адаптивные алгоритмы определения стационарного участка изменения оценки параметра сигнала ЭЭС могут использоваться в программном обеспечении различных устройств РЗ и А и формировать, например, оценку частоты сети с гарантированной точностью.
Апробация работы. Основные положения работы и ее результаты докладывались и обсуждались на всероссийских научно-технических конференциях “Динамика нелинейных дискретных электротехнических и электронных систем” (г. Чебоксары, 1995–2013 гг.), всероссийских научно-технических конференциях “Информационные технологии в электротехнике и электроэнергетике” (г. Чебоксары, 1996–2010 гг.) и на итоговых научно-технических конференциях ФГБОУ ВПО «Чувашский государственный университет имени И.Н. Ульянова». Разработанный программный комплекс «Интеллектуальный осциллограф IntelOsc» был представлен во Всероссийск ом выставочном центре (г. Москва) и отмечен дипломом и медалью (1997 г.).
Реализация результатов работы. Полученные в диссертации теоретические и прикладные алгоритмы и модели были использованы в разработке по заданию ЦДУ ЕЭС РФ интеллектуального программного комплекса «Интеллектуальный осциллограф IntelOsc». Программный комплекс используется для анализа аварийных процессов в энергосистеме. Программный комплекс удостоен диплома и медали Всероссийского выставочного центра (г. Москва).
Разработанные модели и алгоритмы составляют основу программного обеспечения микропроцессорного регистратора аварийных событий «Бреслер-0107.010», производимого ООО «НПП Бреслер» (г. Чебоксары). Модели и алгоритмы структурного анализа позволили повысить точность результатов обработки сигналов и анализа аварийных режимов ЭЭС.
Предложенные алгоритмы структурного анализа показали высокую эффективность в программе ОМП, поставляемой вместе с микропроцессорным терминалом «Бреслер-0107.090» (производство ООО «НПП Бреслер»), и позволяют значительно повысить точность определения места повреждения.
Теоретические вопросы структурного анализа цифровых сигналов ЭЭС, разработанные в диссертации, используются в учебном процессе при подготовке магистров по программе 140400.68 «Автоматика энергосистем» в дисциплине «Цифровая обработка электроэнергетических сигналов» в ФГБОУ ВПО «Чувашский государственный университет имени И.Н. Ульянова».
Публикации. Содержание диссертационной работы нашло отражение в 24 научных рабо тах, в том числе в 4 статьях, опубликованных в изданиях из перечня ВАК. Предложенный в работе адаптивный алгоритм определения частоты сети защищен патентом на изобретение.
Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения, списка литературы (102 наименования) и 1 приложения. Общий объем составляет 127 стр., в том числе основного текста 102 стр., 29 рисунков, 5 таблиц.
Коррекция отсчетов с выбросами в сигнале ЭЭС
В первой главе даны необходимые определения и рассмотрены основные характеристики сигналов ЭЭС. Дается классификация моделей сигналов ЭЭС. Рассмотрены непрерывная и цифровая модели входных сигналов систем РЗ и А, которые могут быть построен ы на основе взвешенных предыдущих реализаций самого сигнала. Модели обеспечивают оценивание корней изображения сигнала, а значит, формируют основу для идентификации структуры сигнала и могут быть использованы в структурном анализе сигналов ЭЭС для задач РЗ и А. Обосновывается выбор класса нерекурсивных адаптивных моделей, обладающих способностью отображать в своем ядре структуру сигналов ЭЭС. Предложены адаптивные структурные модели входных сигналов цифровой РЗ и А. Особое внимание обращено на цифровую обработку сигналов ЭЭС, содержащих импульсные шумы (выбросы). Предложены адаптивные структурные модели, определяющие структуру цифровых сигналов ЭЭС на фоне импульсных помех и не требующие предварительной обработки искаженны х выбросами сигналов. Показано, что модель сигнала ЭЭС можно рассматривать в виде составного оператора, состоящего из адаптивного и неадаптивного операторов.
Во второй главе предлагается общий адаптивный алгоритм определения стационарного участка изменения оценки параметра сигнала. Рассмотрены его приложения в новых адаптивных алгоритмах прецизионного определения частоты сети и параметров основной гармоники. Поскольку эти алгоритмы часто работают в переходных режимах ЭЭС, то они должны обладать способностью автоматического определения достижения оцениваемыми параметрами областей гарантированной точности. Разработанные алгоритмы способны автоматически выявлять стационарный участок и формировать оценку частоты в сетях с повышенным уровнем высших гармоник. В третьей главе рассмотрены общие задачи структурного анализа цифровых сигналов ЭЭС. Показано, что структурный анализ не требует априорных сведений о структуре и степени сложности сигнала, важно лишь предположение, что сигнал представляет собой реакцию линейной системы, инвариантной к сдвигу по времени. Определены требования к структурным моделям сигналов цифровых систем РЗ и А. Показано, что модели, используемые при структурном анализе, должны быть адаптивными, то есть не иметь заведомо заданную структуру. Методы структурного анализа должны обеспечивать их адаптацию к сигналам ЭЭС независимо от структуры самого сигнала и конкретных параметров его компонентов. И сами методы структурного анализа должны адаптивно изменяться в зависимости от сложности и требуемого уровня качества анализа. Благодаря этому, структурный анализ позволяет расширить технические возможности алгоритмов цифровой РЗ и А, открывая возможность расширения базиса моделей защищаемого объекта за счет моделей на основе различных компонентов сигнала (например, дополнительная модель поврежденной линии электропередачи для апериодической составляющей в задаче определения места повреждения).
В четвертой главе исследованы предельные возможности метода наименьших квадратов (МНК) при обработке сигналов ЭЭС. Указаны пути совершенствования методов структурного анализа, позволяющие повысить достоверность и робастность получаем ых моделей цифровых сигналов ЭЭС. Предлагаются новые алгоритмы структурного анализа, направленные на повышение распознающей способности моделей. Рассматриваемые алгоритмы адаптивно меняют стратегию структурного анализа, создавая эффективные условия для настройки стр укт урных моделей сигналов. Разработан алгоритм декомпозиции сигналов ЭЭС по собственным модам, заключающийся в последовательном исключении из сигнала идентифицированных составляющих. Последовательная декомпозиция сигнала по собственным модам позволяет на каждом шаге алгоритма вычленить из структурной модели оператор, подавляющий все остальные компоненты и ослабляющий шум сигнала, формируя тем самым разностный сигнал, пропорциональный распознаваемой элементарной составляющей. Также предложен алгоритм адаптивной вариации частоты дискретизации при обработке многокомпонентных сигналов. Согласно алгоритму, необходимо проводить раздельную, с различной частотой дискретизации, обработку низко- и высокочастотных составляющих сигнала. Сочетание алгоритмов декомпозиции сигналов ЭЭС по собственным модам и адаптивной вариации частоты дискретизации эффективно повышает разрешающую способность структурного анализа сигналов ЭЭС.
Адаптивные структурные модели цифровых сигналов ЭЭС с локальными нарушениями закономерностей
Нарушение этих неравенств свидетельствует о неправильном выборе порога 8 обнаружения выброса.
Как показал опыт обработки реальных осциллограмм сигналов ЭЭС, использование для обнаружения выброса алгоритма с «плавающим» порогом 6(к) = Срс(к), где величина х{к) определялась по (1.9), = 0,85- 0,9, дает вполне удовлетворительные результаты.
Далее локализованный выброс корректируется с помощью фильтров-интерполяторов. В качестве исправленного значения отсчета-выброса берется величина, полученная фильтром (1.10) или (1.11), либо среднее от оценок (1.10) и (1.11).
Таким образом корректированный сигнал, несмотря на имеющиеся в нем небольшие локальные искажения, вполне пригоден для построения экстраполирующей модели. Более точные алгоритмы коррекции выбросов рассматриваются в разделе 1.2.4 настоящей работы.
Модель позволяет сделать сигналы ЭЭС объектами теоретического изучения и расчетов. Использование модели дает возможность описывать именно те свойства сигнала, которые для данной задачи объективно выступают как наиболее важные. Априорных сведений о структуре исследуемых сигналов, как правило, недостаточно. Поэтому современные методы моделирования применяют адаптивные алгоритмы [40 - 43], способные извлечь всю информацию, необходимую для построения модели, из отсчетов самого сигнала.
Во множестве практических случаев построения моделей основным допущением является линейность систем [17, 44]. Предполагается, что нелинейность не оказывает существенного влияния на поведение системы. Сигнал ЭЭС подвержен воздействию различного рода шумов, носящих, строго говоря, случайный характер. Но специфика сигналов ЭЭС заключается в том, что они являются реакцией мощных систем и вследствие этого проявляют явно детерминированный характер. Поэтому при анализе сигналов ЭЭС обычно полагают, что шумы не коррелированны с сигналом и представляют стационарный нормально распределенный случайный процесс сравнительно низкого уровня. Во множестве практи ческих приложений эти допущения не вызывают сомнений [14, 38, 41, 45].
В зависимости от задачи модели сигналов могут быть различными, но все их множество можно разделить на две группы [40].
К первой группе относятся модели, используемые для экстраполяции или интерполяции сигнала. Эти модели должны определять с заданной точностью отсчеты сигнала, но могут и не отражать в должной мере его структуру. Их называют экстраполирующими моделями.
Вторая группа моделей используется при определении структуры сигнала. Эти модели должны отражать физическую сущность происходящих в ЭЭС процессов и адекватно отображать их особенности. Вполне возможно, что моделям этой группы свойственны относительно большие невязки в представлении отсчетов сигнала, но им должна быть присуща способность не включать в себя несущественные компоненты и составляющие шума. Подобные модели будем называют информационными. Различие в предназначении моделей определяет и разницу в методах их построения.
Экстраполирующие модели должны обеспечивать минимально возможное расхождение между отсчетами исходного сигнала и модели. Оценку величины ошибки удобно вести с помощью функции потерь, например Е = е (к), (1-12) к=т где е{к) = х{к) - х{к) - невязка; к - дискретное время; х{к) - отсчеты исходного сигнала; х{к) - оценка отсчета х(к), полученная моделью; т -порядок модели. Порядок модели должен быть несколько больше порядка моделируемого сигнала с той целью, чтобы модель часть своих ресурсов могла отвести на учет возможных шумов. В зависимости от условий настройки экстраполирующей модели в ее структуру могут быть включены составляющие, не имеющие прямой связи с физикой процесса, происходящего в ЭЭС. Причем параметры этих составляющих во многом определяются условиями адаптации модели и могут сильно варьироваться. Но важно, что компоненты, порождаемые ЭЭС, составляют ядро экстраполирующей модели. Экстраполирующие модели могут быть применены в имитационном моделировании при генерировании (продолжении во времени) отсчетов сигнала, архивировании данных и т.д.
Задача информационных моделей заключается в адекватном представлении физики процесса в системе. Поэтому информационные модели должны содержать по возможности только те компоненты, которые порождаются системой в соответствии с корнями ее характеристического уравнения. Это требование носит очень жесткий характер, поскольку известно, что решетчатые функции могут иметь бесчисленное множество огибающих. Ограничение области распознавания базисом собственных функций, к сожалению, не снимает проблемы неоднозначности модели. Поэтом у нужны меры, так или иначе придающие направленность настройке информационной модели. Одной из таких мер является ввод в структуру модели в явной форме заведомо ожидаемых компонентов сигнала. Для сигналов ЭЭС наиболее характерно включение в состав модели первой, третьей и пятой гармоник [43, 46, 47]. Это позволяет сразу сосредоточить в модели наиболее информативную часть сигнала.
Классификация алгоритмов определения частоты сети
Структурный анализ заключается в разделении сигнала на интервалы с однородным компонентным составом (интервалы однородности) и формировании компонентной модели сигнала на каждом из них. Модель должна быть физически адекватной процессам в ЭЭС, в связи с чем базис ее составляющих должен соответствовать базису собственных функций системы.
Выполнение структурного анализа требует решения следующего инвариантного базиса задач [61]:
1) предварительная обработка сигнала [62 – 64], включающая в себя коррекцию выбросов, обнаружение и удаление тренда. Коррекция искажений входного сигнала, вызванных аналого-цифровым трактом регистратора, является одним из условий обеспечен ия надежности и качества получаемой модели сигнала ЭЭС; 2) определение частоты сети [56]. Для этого необходимы алгоритмы, учитывающие наличие в сигнале ЭЭС повышенного уровня высших гармоник и слагаемых переходного процесса. Решение данной задачи подробно рассмотрено в главе 2;
3) построение адапти вной модели сигнал а на тек ущем отрезке сиг нала [18]. Это начальная стадия построения модели сигнала ЭЭС;
4) формирование экстраполирующей модели на текущем интервале однородности сигнала [53]. Основное предназначение данной модели заключается в обеспечении минимального расхождения между отсчетами исходного сигнала и модели. Для этого порядок модели, как правило, должен быть несколько выше порядка моделируемого сигнала, чтобы часть своих ресурсов модель могла использовать для учета шумов АЦП и вычислений. В зависимости от условий настройки в структуру экстраполирующей модели могут быть включены составляющие, не имеющие прямой связи с физикой процесса в ЭЭС. Но важно то, что компоненты, порождаемые ЭЭС, составляют ядро экстраполирующей модели и инвариантны при корректных условиях построения модели. Экстраполирующие модели могут применяться в имитационном моделировании при генерировании (продолжении во времени) отсчетов сигнала, архивировании данных и т.д.;
5) определение границ интервала однородности сигнала. В цифровом сигнале ЭЭС можно выделить интервалы, соответствующие различным режимам работы системы. Каждому из данных интервалов будет соответствовать свой компонентный состав сигнала ЭЭС [53]. Следовательно, на цифровой осциллограмме можно выделить интервалы, на протяжении которых состав сигнала будет однороден и описывается определенной для каждого интервала совокупностью составляющих; 6) локализация коротких участков однородности. Текущий интервал однородности может оказаться короче, чем блок отсчетов, используемых для настройки модели. Тогда в настройке будут задействованы отсчеты соседнего интервала, из-за чего модель будет настроена неверно. Для избежания подобных ситуаций предусматривается специальная процедура проверки длины интервала однородности, подробно рассмотренная в [18];
7) выявление и прецизионная коррекция ложных отсчетов сигнала. Данная задача тесно связана с предыдущими двумя задачами. Нарушения закономерности сигнала выявляются экстраполирующим фильтром. Предсказанные фильтром отсчеты проверяются по алгоритму, описанному в [18], и либо относятся к определенному интервалу однородности, либо некоторые из них являются ложными и подлежат коррекции с помощью специальных адаптивных структурных моделей сигналов с локальным нарушением закономерности, подробно рассмотренных в главе 1;
8) определение компонентного состава сигнала. Для оценки амплитуд и фаз компонентов настраивается так называемая компонентная модель. Базис компонентной модели должен соответствовать базису собственных сигналов ЭЭС, определяемому ее характеристическим уравнением. Выбор стратегии настройки экстраполирующей модели, анализ корней характеристического уравнения позволяют с помощью специальных алгоритмов [18] исключить из компонентной модели лишние компоненты;
9) обеспечение компактности [70 –73] компонентной модели. Повышение компактности модели может быть достигнуто путем исключения из компонентного оператора составляющих, согласующихся с корнями шумов вычислений и АЦП. Шумам в модели часто соответствуют компоненты с большими коэффициентами затухания или относительно малыми амплитудами. В связи с этим оценивается значимость таких составляющих сигнала и устанавливается степень их пренебрежимости [74];
10) реконструкция сигналов, искаженных измерительным трактом регистратора. Сигнал ЭЭС, записанный цифровым регистратором, претерпевает изменения под действием измерительного тракта и может содержать составляющую, порожденную свободным процессом в измерительном тракте. Для прецизионной оценки параметров входного сигнала необходимо исключить из него составляющие свободного процесса измерительного тракта и компенсировать искажения, вносимые измерительным трактом, т.е. реконструировать входной сигнал [18].
Адаптивная вариация частоты дискретизации
Для передачи цифровых осциллограмм на удаленные терминалы программный комплекс дополняется модулем компрессии данных [84-86] и обеспечивает пересылку данных по каналам связи. Компрессия данных, основанная на структурном анализе сигналов, позволяет уменьшить объем передаваемой информации в 100 раз и более.
При общении с пользователем комплекс поддерживает принцип дружественного интерфейса, обеспечивая полноценную работу пользователя без специальной подготовки. Необходимые качества интерфейса достигаются путем использования следующих принципов: все функции комплекса выполняются путем нажатия одной клавиши. При этом пользователю предоставляется оперативная подсказка, избавляющая его от рутинного запоминания правил работы с комплексом; сохранение живучести комплекса при грубых ошибках пользователя с объяснением причин ошибок и способов их устранения; многоуровневая система помощи для всех режимов работы комплекса. Комплекс обладает многооконной системой обработки информации, позволяющей осуществлять гибкую настройку графического интерфейса, просматривать осциллограммы аналоговых и дискретных сигналов и строить векторные диаграммы (рис. 5.2 и рис. 5.3).
Пример отображения векторных диаграмм с помощью разработанного программного комплекса «Интеллектуальный осциллограф IntelOsc» Система настройки позволяет иметь множество модификаций конфигураций программного комплекса [99]. Это означает, что один и тот же аварийный процесс может быть рассмотрен в большом количестве различных сочетаний аналоговых и дискретных сигналов. Для получения более полной информации об осциллограммах в программном комплексе предусмотрена указка. С помощью указки можно определить значение времени, номер отсчета, мгновенные или действующие значения токов и напряжений в моменты времени, соответствующие положению указки. Для любого момента времени можно построить векторные диаграммы (рис. 5.3). Имеется возможность производить коррекцию сигналов от случайных выбросов в данных, которые могут возникать при регистрации Рис. 5.4 Результаты структурного анализа сигнала ЭЭС. ( – отмечены отсчеты исходного сигнала) сигнала в силу ряда причин. На экран также могут выводиться виртуальные каналы токов и напряжений. Под виртуальными понимаются каналы, рассчитываемые по записанным регистратором осциллограммам. Они в исходном файле данных отсутствуют. В программном комплексе могут рассчитываться симметричные составляющие токов и напряжений по осциллограммам, помеченным специальным образом в файле конфигурации.
Программный комплекс позволяет автономно, без привлечения иных средств, обрабатывать сигналы, выполнять их структурный анализ (рис. 5.4) и проводить исследования новых методов обработки сигналов [92].
Программный комплекс был удостоен диплома Всероссийского выставочного центра России. За разработку программного комплекса диссертант в составе авторского коллектива награжден медалью ВВЦ России. Разработанный программный комплекс включен в состав программного обеспечения цифрового регистратора аварийных процессов «Бреслер-0107.010» (ООО «НПП Бреслер»), поставляемого в энергосистемы России и стран СНГ
Регистратор сигналов записывает осциллограммы предшествующего и аварийного режимов. Осциллограммы подвергаются структурному анализу с использованием предложенных в диссертации алгоритмов. Результатом структурного анализа в данном случае являются векторы токов и напряжений основной гармоники предшествующего и аварийного режимов. Они в совокупности с параметрами линии электропередачи необходимы для формирования алгоритмической модели системы [100]. С использованием односторонних или двухсторонних методов ОМП, описанных в [101, 102], оцениваются электрические величины в предполагаемом месте повреждения, определяется координата места повреждения x f и величина переходного сопротивления Rf . Покажем применение разработанных алгоритмов структурного анализа в составе комплекса ОМП на примере обработки реальных осциллограмм (рис. 5.7.), записанных на ЛЭП 220 кВ Афипская – Горячий Ключ (Краснодарский край) длиной 41,873 км. Осциллограммы предшествующего и аварийного режимов, записанных со стороны подстанции Афипская с частотой дискретизации fs = 1000 Гц, представлены 500 отсчетами. Для задачи одностороннего ОМП структурному анализу были подвергнуты осциллограммы фазных напряжений и токов.
Похожие диссертации на Совершенствование методов структурного анализа входных сигналов цифровых систем релейной защиты и автоматики
