[发明专利]一种HVDC输电线路故障智能识别方法

说明书

本发明提供了一种HVDC输电线路故障智能识别方法，步骤包括：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；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；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；建立随机森林故障智能识别模型；再利用随机森林故障智能识别模型识别出当前HVDC输电线路是否存在区内外故障。该HVDC输电线路故障智能识别方法利用波动指数反映区内外故障特征、能量和比值反映故障极特征，采用组合特征样本集作为随机森林智能算法的输入向量，利用同一网络实现区内外故障判断和故障极选择，不需要门槛值整定。

技术领域

本发明涉及一种输电线路故障识别方法，尤其是一种HVDC输电线路故障智能识别方法。

背景技术

我国幅员辽阔，能源与负荷中心的不平衡分布决定了HVDC输电技术在我国的广泛应用，以实现资源的合理利用和优化配置。高压直流输电线路长，发生故障的几率较高，故障的正确识别与诊断对电力系统尤为关键。

对于同杆并架的双极直流线路，两极线路间具有电磁耦合作用。分析HVDC输电线路两侧平波电抗器和直流滤波器构成的现实物理边界幅频特性发现，现实物理边界对高频信号具有阻滞作用，这为利用高频能量建立判据提供了思路。根据HVDC输电线路边界元件对高频暂态信号的衰减特性，现有技术分别利用小波能量、极波信息熵测度、多重分形理论和高频暂态能量等来定量描述、分析和估计故障特征，实现区内外故障判别。这些方法能有效识别区内外故障，但阈值整定没有理论依据，需要大量仿真验证。

另外现有技术还利用测量波阻抗和波阻抗相位实现区内外故障识别，但是这些算法对采样频率和硬件设备要求高。还有现有技术通过计算波形相似度的方法实现区内外故障的判别，但是数据发生扰动时，相似度的误差较大，抗干扰能力较差，易发生误判。还有现有技术利用故障时两极线路的电流突变量极性相反的特性，实现故障识别，但是当出现数据丢失时误差较大。还有现有技术提出了一种基于多分辨奇异谱熵和支持向量机的高压直流输电线路区内外故障识别方法，利用小样本数据将本侧区外、区内以及对侧区外故障区分开，但是该方法所用训练样本和测试样本均较少，其抗过渡电阻能力和抗干扰能力还有待验证。

发明内容

本发明的目的在于提供一种HVDC输电线路故障智能识别方法，能够在不同故障距离和不同过渡电阻情况下实现区内外故障识别和故障选极，且耐受过渡电阻能力强，还具有一定的抗干扰能力。

为了实现上述发明目的，本发明提供了一种HVDC输电线路故障智能识别方法，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。

进一步地，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；