[发明专利]一种HVDC输电线路故障智能识别方法

权利要求书

1.一种HVDC输电线路故障智能识别方法，其特征在于，包括如下步骤：

步骤1，对HVDC输电线路的整流侧和逆变侧故障后的故障电流行波进行采集；

步骤2，根据采集的故障电流行波建立多尺度S变换波动指数区内外故障特征向量以及多尺度S变换能量和比值的故障极特征向量；

步骤3，将多尺度S变换波动指数区内外故障特征向量以及多尺度S变换能量和比值的故障极特征向量进行组合，建立能同时反映区内外故障特征和故障极特征的组合特征样本向量；

步骤4，为组合特征样本向量中的各个样本向量进行编号作为随机森林的训练样本数据，再按照编号顺序将训练样本数据输入随机森林中进行训练，从而建立随机森林故障智能识别模型；

步骤5，利用实时采集的电流行波数据建立实时数据的组合特征样本向量，再利用随机森林故障智能识别模型对实时数据的组合特征样本向量进行分析，识别出当前HVDC输电线路是否存在区内外故障；

步骤2中，根据采集的故障电流行波建立多尺度S变换波动指数区内外故障特征向量的具体步骤为：

首先，利用凯伦贝尔极模变换法对采集的故障电流行波进行解耦获得线模电流分量；

然后，对线模电流分量进行离散S变换；

最后，选取S变换多个特征频率下的分量信号，分别计算各个特征频率下的波动指数，利用得到的各个波动指数组成多尺度S变换波动指数区内外故障特征向量；

在选取S变换多个特征频率下的分量信号时，在整流侧和逆变侧均选取S变换频率f_l(l＝10,20,30,40,50,60,70,80)kHz下的八个分量信号；在计算各个特征频率下的波动指数时，计算各频率下故障电流行波2ms时间窗内400个采样数据的波动指数，波动指数的计算公式为：

式(4)中，M为采样时间窗内的采样点数，l为故障行波S变换的lHz分量；在组成多尺度S变换波动指数区内外识别故障特征向量时，利用上述八个频率下的波动指数组成区内外故障特征向量表示为：

F＝(F_R10,…,F_R80,F_I10,…,F_I80)_1×16 (5)

式(5)中，R表示整流侧，I表示逆变侧。

2.根据权利要求1所述的HVDC输电线路故障智能识别方法，其特征在于，利用凯伦贝尔极模变换法对采集的故障电流行波进行解耦时，凯伦贝尔变换解耦公式为：

式(1)中，i_G(t)和i_L(t)分别为地模电流分量和线模电流分量，R表示整流侧，i_R1(t)和i_R2(t)为整流侧正、负极电流。

3.根据权利要求1所述的HVDC输电线路故障智能识别方法，其特征在于，对线模电流分量进行离散S变换时，设定i_L[kT](k＝0,1,2,…,N-1)为线模电流分量i_L(t)采样得到的离散时间序列，T为采样间隔，N为采样点数，则i_L[kT]的离散傅里叶变换函数为：

式(2)中，n＝0,1,…N-1，则线模电流分量i_L(t)的离散S变换公式为：

利用式(3)对线模电流分量i_L(t)进行离散S变换。

4.根据权利要求1所述的HVDC输电线路故障智能识别方法，其特征在于，步骤2中，根据采集的故障电流行波建立多尺度S变换能量和比值的故障极特征向量的具体步骤为：

首先，对采集的故障电流行波进行离散S变换，且故障电流行波包括正极故障电流行波和负极故障电流行波；

然后，选取S变换多个特征频率下的分量信号，分别计算各个特征频率下的能量和比值，利用得到的各个能量和比值组成多尺度S变换能量和比值的故障极特征向量。