巴西圣保罗大学电气工程系的研究团队在电力变压器保护领域取得重要进展，提出了一种结合差动逻辑与人工神经网络（ANNs）的替代性保护技术。该研究旨在解决传统差动保护在区分变压器内部故障与励磁涌流时的局限性，特别是在变压器 energization（ energization 即通电/ energization 过程）期间，励磁涌流极易被误判为内部故障，导致断路器误动作。
电力变压器作为电网核心设备，其保护可靠性至关重要。传统差动保护通过比较变压器两侧电流差异来识别故障，但在正常励磁或外部故障切除时，电流互感器（CT）饱和或变压器铁芯饱和可能产生虚假差流。传统方法依赖二次谐波制动逻辑，即当二次谐波含量超过16%时判定为励磁涌流。然而，该方法存在响应滞后风险，且内部故障时也可能出现二次谐波，导致保护拒动或误动。
研究团队采用EMTP-ATP电磁暂态仿真软件构建138/13.8kV、25MVA的三相变压器模型，模拟了包括内部故障、励磁涌流、外部故障及负荷切除在内的270种工况。通过FORTRAN语言开发完整的差动保护算法，并利用SNNS神经网络仿真器训练多层感知机（MLP）模型。训练采用反向传播（Backpropagation）算法，通过前向计算与反向误差修正，优化网络权重以最小化输出误差。
实验结果显示，新架构在区分内部故障与励磁涌流方面展现出显著优势。神经网络能够捕捉波形中的非线性特征，不仅提高了识别准确率，还缩短了保护动作时间。与传统谐波制动方法相比，该方法在复杂工况下表现出更强的鲁棒性，有效避免了因CT饱和或铁芯饱和导致的误判。
巴西作为拉美地区电力基础设施较完善的国家，其电网对变压器保护技术的需求日益增长。圣保罗大学作为该国顶尖工科院校，其研究成果反映了拉丁美洲在智能电网保护领域的技术积累。该研究不仅验证了人工智能在电力系统保护中的可行性，也为发展中国家提升电网智能化水平提供了技术路径参考。
对于中国电力行业而言，该研究启示我们：在特高压与智能电网建设背景下，传统保护逻辑需与人工智能技术深度融合。国内变压器保护设备厂商可借鉴其仿真数据构建与训练方法，结合国产芯片与算法优化，开发具备自适应学习能力的新一代差动保护装置，进一步提升电网在极端工况下的安全运行能力。
