CN104865499A - 一种特高压直流输电线路区内外故障识别方法 - Google Patents

Abstract

本发明涉及一种特高压直流输电线路区内外故障识别方法，属高压直流输电系统继电保护领域。首先采集故障电压数据；将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，将所有的每一层的高频系数的奇异谱熵组成特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；再设定训练集标签和测试集标签；对训练集进行训练；再设定预测标签和预测精度的存储位置；将测试集输入到SVM分类器进行测试，得到分类结果和预测精度；再确定存储在预测标签存储空间中的分类结果是否正确。本发明能同时将三种不同位置的故障进行识别，而且该方法简单、有效，计算时间短，在整个分类过程中可以实现自动化。

Description

一种特高压直流输电线路区内外故障识别方法

技术领域

本发明涉及一种特高压直流输电线路区内外故障识别方法，属于高压直流输电系统继电保护技术领域。

背景技术

目前直流线路保护中均以行波保护为主保护，以微分欠压保护、差动保护为后备保护。行波保护和微分欠压保护在高阻接地故障时容易拒动，电流差动保护灵敏度不高，保护动作较慢。利用边界对高频量衰减特性的暂态保护是特高压直流输电线路保护的发展方向，近几年学者们研究的利用边界对高频量衰减特性的暂态保护方法通常没有考虑特高压直流超长输电线路的衰减特性，因而不能实现真正意义上的全线保护，另外，现有的暂态保护方法通常是采用双端或单端暂态保护方法，均需要两步，方可将本侧区外故障、区内故障和逆变侧区外故障进行识别。因此有必要研究具有更高可靠性和能实现全线保护的特高压直流输电线保护方法。

发明内容

本发明提供了一种特高压直流输电线路区内外故障识别方法，以用于区分整流侧区外故障、区内故障和逆变侧区外故障，解决了目前电力学者提出的方法不能实现全线保护或能实现全线保护而判据不可靠的问题。

本发明所述方法的具体步骤如下：

Step1、特高压直流输电系统发生故障后，整流侧数据采集装置采集故障电压行波首波头到达后50ms时窗内的故障电压数据；

Step2、将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，计算每一层的小波重构高频系数的奇异谱熵，将所有的每一层的奇异谱熵组成一个m×n维的特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；

Step3、在SVM程序的始端设定训练集标签和测试集标签，它们均为预先设定好的数值；

Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数C、δ；其中，对训练集进行SVM训练得到C、δ两个最佳参数的过程中，训练集标签是用来对训练集中的几种故障电压信号进行标记的；

Step5、在SVM程序的终端设定预测标签和预测精度的存储位置，此时预测标签和预测精度的存储空间是没有数值的；

Step6、将测试集输入到SVM分类器进行测试，得到分类结果和预测精度，再把分类结果存储到步骤Step5中预先设定好的预测标签存储空间中，测试精度存储到步骤Step5中预先设定好的预测精度存储空间中；

Step7、再确定存储在预测标签存储空间中的分类结果是否正确；

当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时，说明分类完全正确，测试精度为100％；

当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时，与测试集标签不一样的分类结果便是分类错误的，返回步骤Step4，重新训练。

所述步骤Step2中，其提取特征向量矩阵的具体步骤如下：

Step2.1、对待分析的电压信号先进行相模变换，取1模进行小波变换，分解层数为j，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到j个1801×200维的矩阵A_j；

Step2.2、对每层的矩阵A_j进行奇异值分解SVD，则每层能够得到200个奇异值；

Step2.3、对每层奇异值进行奇异谱熵运算，然后将每层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h_j]，其中，h₁,h₂,…,h_j分别为每层的熵值，且对应的频段为高频段到低频段。

所述步骤Step1中，数据采集装置采样频率为40kHz。

所述步骤Step2中，故障电压采用1模分量。

本发明所述方法的原理为：

直流输电系统发生故障时，线路边界和线路对故障暂态信息高频分量的衰减作用，结合图1所示的特高压直流输电双极系统来具体说明。f₁、f₂、f₃分别为整流侧区外(左侧标号3和4之间)、区内(标号8)及逆变侧区外(右侧标号3和4之间)故障点。利用小波变换对整流侧保护安装处(标号7)检测到的信号进行多尺度分解，提取信号在每一层的高频系数。当逆变侧区外f₃(右侧标号3和4之间)处发生故障时，故障信号经过逆变侧边界(右侧标号4、5、6组成)和线路(标号8)的双重衰减作用到达整流侧保护安装处(标号7)，提取的高频系数的幅值衰减最剧烈；当整流侧区外f₁(左侧标号3和4之间)处发生区外故障时，故障信号经本侧边界(左侧标号4、5、6组成)的衰减到达整流侧保护安装处(标号7)，衰减相对较弱，提取的高频系数的幅值大于逆变侧区外f₃(右侧标号3和4之间)处发生故障时的高频系数幅值；当区内f₂(标号8)处发生故障，故障信号经过线路的衰减作用到达整流侧保护安装处(标号7)，在线路(标号8)长度为一定范围之内时，这种衰减作用与以上两种衰减相比，衰减最弱，提取的高频系数的幅值最大，但当线路(标号8)长度超过一定范围时，线路(标号8)的衰减作用将超过边界(左侧标号4、5、6组成)的衰减作用，此时无法将整流侧区外故障(左侧标号3和4之间)和区内故障(标号8)正确识别；

因奇异值的大小是反映不同故障状态之间的差异，奇异谱熵又可以定量地描述这种变化程度。谱熵越小，说明谱越集中；谱熵越大，说明谱在整个频率成分上分布的越均匀。故可以分别将整流侧区外接地故障、区内接地故障和逆变侧区外接地故障三种不同位置故障信号进行3尺度分解，并将每层上的小波奇异谱熵组成特征向量。可以发现在低频段h₃上，整流侧区外接地故障、区内接地故障和逆变侧区外接地故障的奇异熵值相差不大，这是因为在线路边界和线路对低频信号的衰减可近似认为是零，能量在该频段的分布比较集中，能量分布的不确定性比较小。而在高频段h₁、h₂上，整流侧区外故障、区内故障和逆变侧区外故障三者的奇异谱熵值均比较大且有明显差别，区内<整流侧区外<逆变侧区外。这是因为逆变侧区外接地故障时，高频信号要经过线路边界和线路的双重衰减作用才能到达整流侧保护安装处，高频信号衰减剧烈，能量在该频段的分布相对均匀，能量分布的不确定性增大。同时，对于同种位置的故障信息，小波奇异谱熵值具有相对稳定性。故本文可以将整流侧区外故障、区内故障以及逆变侧区外故障的奇异谱熵组成的特征向量作为SVM的输入量，利用SVM的智能分类方法对故障信息进行分类。

在图1所示的特高压直流输电线路单端暂态保护原理图中，两端直流输电系统主要由整流站、直流输电线路(标号8)和逆变站组成。

直流输电换流站由基本的换流单元组成，主要包括换流变压器2、换流器3、平波电抗器4、直流滤波器5和PLC滤波器6和保护装置7，因为为单端暂态保护原理图，故只有一端的换流站有保护装置7。它是可进行功率反送的两端直流输电工程，如果从左侧的交流系统1向右侧的交流系统1送电，则左侧的换流站(左侧两个换流变压器2、两个换流器3、两个平波电抗器4、两个直流滤波器5、两个PLC滤波器6、保护装置7组成)为整流站，右侧的换流站(右侧两个换流变压器2、两个换流器3、两个平波电抗器4、两个直流滤波器5、两个PLC滤波器6组成)为逆变站；当功率反送时，则右侧换流站(右侧两个换流变压器2、两个换流器3、两个平波电抗器4、两个直流滤波器5、两个PLC滤波器6组成)为整流站，左侧换流站(左侧两个换流变压器2、两个换流器3、两个平波电抗器4、两个直流滤波器5、两个PLC滤波器6、保护装置7组成)为逆变站。即两端的交流系统1既可以作为送端也可以作为受端，当功率正送时，它们给整流器(左侧换流变压器2)和逆变器(右侧换流变压器2)提供换向电压；当功率反送时，它们给整流器(右侧换流变压器2)和逆变器(左侧换流变压器2)提供换向电压，创造实现换流的条件。同时送端电力系统作为直流输电的电源，提供传输的功率，而受端系统则相当于负荷，接受和消纳由直流输电送来的功率。

平波电抗器4、直流滤波器5和PLC滤波器6构成直流输电线路的边界；8为直流输电线路，利用正负两极导线和两端换流站的正负两极相连，构成直流侧的闭环回路；两端接地极系统9所形成的大地回路，可作为输电系统的备用导线。

本发明的有益效果是：

1、与目前提出多数是需要两步才可将这三个不同位置的故障进行识别的区内外故障识别方法相比，这里提出的方法可以同时将整流侧区外、区内和逆变侧区外这三个不同位置的故障区别开来，能够实现全线保护；

2、目前也有基于实测电压与计算电压相关性的区内外故障识别方法可以将这三个不同位置的故障同时识别，实现全线保护，但这种方法中采用了由计算数据得到的计算波形，数据存在不精确性，提出的判据不可靠，而这里所提方法不存在这种问题，只要训练得到最佳的SVM分类器参数，就可以得到与实际结果相同的分类结果。

3、针对小样本数据，支持向量机可以较好的统计学习，所以在运用此种方法进行区内外故障识别时，不需要采集太多的数据就能将不同位置的故障识别，简单、快速。

附图说明

图1为本发明中特高压直流输电线路暂态保护原理图；

图1中：1-交流系统，2-换流变压器，3-换流器，4-平波电抗器，5-直流滤波器，6-PLC滤波器，7-保护装置，8-直流输电线路，9-接地极系统；

图2为本发明的SVM算法流程图。

具体实施方式

实施例1：如图1-2所示，一种特高压直流输电线路区内外故障识别方法，所述方法的具体步骤为：

Step1、特高压直流输电系统发生故障后，整流侧数据采集装置采集故障电压行波首波头到达后50ms时窗内的故障电压数据；

Step2、将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，计算每一层的小波重构高频系数的奇异谱熵，将所有的每一层的奇异谱熵组成一个m×n维的特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；

Step3、在SVM程序的始端设定训练集标签和测试集标签，它们均为预先设定好的数值；

Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数C、δ；其中，对训练集进行SVM训练得到C、δ两个最佳参数的过程中，训练集标签是用来对训练集中的几种故障电压信号进行标记的；

Step5、在SVM程序的终端设定预测标签和预测精度的存储位置，此时预测标签和预测精度的存储空间是没有数值的；

Step6、将测试集输入到SVM分类器进行测试，得到分类结果和预测精度，再把分类结果存储到步骤Step5中预先设定好的预测标签存储空间中，测试精度存储到步骤Step5中预先设定好的预测精度存储空间中；

Step7、再确定存储在预测标签存储空间中的分类结果是否正确；

当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时，说明分类完全正确，测试精度为100％；

当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时，与测试集标签不一样的分类结果便是分类错误的，返回步骤Step4，重新训练。

实施例2：如图1-2所示，一种特高压直流输电线路区内外故障识别方法，所述方法的具体步骤为：

Step1、特高压直流输电系统发生故障后，整流侧数据采集装置采集故障电压行波首波头到达后50ms时窗内的故障电压数据；

Step2、将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，计算每一层的小波重构高频系数的奇异谱熵，将所有的每一层的奇异谱熵组成一个m×n维的特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；

Step3、在SVM程序的始端设定训练集标签和测试集标签，它们均为预先设定好的数值；

Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数C、δ；其中，对训练集进行SVM训练得到C、δ两个最佳参数的过程中，训练集标签是用来对训练集中的几种故障电压信号进行标记的；

Step5、在SVM程序的终端设定预测标签和预测精度的存储位置，此时预测标签和预测精度的存储空间是没有数值的；

Step6、将测试集输入到SVM分类器进行测试，得到分类结果和预测精度，再把分类结果存储到步骤Step5中预先设定好的预测标签存储空间中，测试精度存储到步骤Step5中预先设定好的预测精度存储空间中；

Step7、再确定存储在预测标签存储空间中的分类结果是否正确；

当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时，说明分类完全正确，测试精度为100％；

当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时，与测试集标签不一样的分类结果便是分类错误的，返回步骤Step4，重新训练。

所述步骤Step2中，其提取特征向量矩阵的具体步骤如下：

Step2.1、对待分析的电压信号先进行相模变换，取1模进行小波变换，分解层数为j，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到j个1801×200维的矩阵A_j；

Step2.2、对每层的矩阵A_j进行奇异值分解SVD，则每层能够得到200个奇异值；

Step2.3、对每层奇异值进行奇异谱熵运算，然后将每层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h_j]，其中，h₁,h₂,…,h_j分别为每层的熵值，且对应的频段为高频段到低频段。

实施例3：如图1-2所示，一种特高压直流输电线路区内外故障识别方法，所述方法的具体步骤为：

Step1、特高压直流输电系统发生故障后，整流侧数据采集装置采集故障电压行波首波头到达后50ms时窗内的故障电压数据；

Step2、将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，计算每一层的小波重构高频系数的奇异谱熵，将所有的每一层的奇异谱熵组成一个m×n维的特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；

Step3、在SVM程序的始端设定训练集标签和测试集标签，它们均为预先设定好的数值；

Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数C、δ；其中，对训练集进行SVM训练得到C、δ两个最佳参数的过程中，训练集标签是用来对训练集中的几种故障电压信号进行标记的；

Step5、在SVM程序的终端设定预测标签和预测精度的存储位置，此时预测标签和预测精度的存储空间是没有数值的；

Step6、将测试集输入到SVM分类器进行测试，得到分类结果和预测精度，再把分类结果存储到步骤Step5中预先设定好的预测标签存储空间中，测试精度存储到步骤Step5中预先设定好的预测精度存储空间中；

Step7、再确定存储在预测标签存储空间中的分类结果是否正确；

当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时，说明分类完全正确，测试精度为100％；

当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时，与测试集标签不一样的分类结果便是分类错误的，返回步骤Step4，重新训练。

所述步骤Step2中，其提取特征向量矩阵的具体步骤如下：

Step2.1、对待分析的电压信号先进行相模变换，取1模进行小波变换，分解层数为j，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到j个1801×200维的矩阵A_j；

Step2.2、对每层的矩阵A_j进行奇异值分解SVD，则每层能够得到200个奇异值；

Step2.3、对每层奇异值进行奇异谱熵运算，然后将每层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h_j]，其中，h₁,h₂,…,h_j分别为每层的熵值，且对应的频段为高频段到低频段。

所述步骤Step1中，数据采集装置采样频率为40kHz。

所述步骤Step2中，故障电压采用1模分量。

实施例4：如图1-2所示，一种特高压直流输电线路区内外故障识别方法，所述方法的具体步骤为：

Step1、特高压直流输电系统发生故障后，整流侧数据采集装置采集故障电压行波首波头到达后50ms时窗内的故障电压数据；所述步骤Step1中，数据采集装置采样频率为40kHz；

Step2、将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，计算每一层的小波重构高频系数的奇异谱熵，将所有的每一层的奇异谱熵组成一个m×n维的特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；所述步骤Step2中，故障电压采用1模分量；

所述步骤Step2中，计算整流侧区外接地故障、区内接地故障和逆变侧区外接地故障电压信号的特征向量矩阵；

第一，计算得到整流侧区外接地故障的特征向量矩阵的具体步骤如下：

Step2.1、取4组整流侧区外接地故障电压信号数据，对数据进行相模变换，取1模进行小波变换，分解层数为6，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到4组数据，每一组包含6个1801×200维的矩阵A_j(j＝1,2,3,4,5,6)；

Step2.2、对每层的矩阵A_j(j＝1,2,3,4,5,6)进行奇异值分解SVD，则每层能够得到200个奇异值；那么每一组数据就会得到6层(每层能够得到200个奇异值)这样的值；

Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算，然后将这6层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h_j]，其中，h₁,h₂,…,h_j分别为每层的熵值，且对应的频段为高频段到低频段，如表1所示为整流侧区外接地故障特征向量，由此根据T＝[h₁,h₂,…,h_j]得到整流侧区外特征向量矩阵T；

表1 整流侧区外接地故障特征向量

第二，计算得到整流侧区内接地故障的特征向量矩阵的具体步骤如下：

Step2.1、取16组区内接地故障电压信号数据，对数据进行相模变换，取1模进行小波变换，分解层数为6，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到16组数据，每一组包含6个1801×200维的矩阵A_j(j＝1,2,3,4,5,6)；

Step2.2、分别对每一组数据的每层的矩阵A_j(j＝1,2,3,4,5,6)进行奇异值分解SVD，则每层能够得到200个奇异值，那么每一组数据就会得到6层(每层能够得到200个奇异值)这样的值；

Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算，然后将这6层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h₆]，其中，h₁,h₂,…,h₆分别为每层的熵值，且对应的频段为高频段到低频段，如表2所示为整流侧区内接地故障特征向量，由此根据T＝[h₁,h₂,…,h_j]得到整流侧区内特征向量矩阵T；

表2 整流侧区内接地故障特征向量

第三，计算得到逆变侧区外接地故障的特征向量矩阵的具体步骤如下：

Step2.1、取4组逆变侧区外接地故障电压信号数据，对数据进行相模变换，取1模进行小波变换，分解层数为6，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到4组数据，每一组包含6个1801×200维的矩阵A_j(j＝1,2,3,4,5,6)；

Step2.2、分别对每一组数据的每层的矩阵A_j(j＝1,2,3,4,5,6)进行奇异值分解SVD，则每层能够得到200个奇异值，那么每一组数据就会得到6层(每层能够得到200个奇异值)这样的值；

Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算，然后将这6层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h₆]，其中，h₁,h₂,…,h₆分别为每层的熵值，且对应的频段为高频段到低频段，如表3所示为逆变侧区外接地故障特征向量，由此根据T＝[h₁,h₂,…,h_j]得到逆变侧区外特征向量矩阵T；

表3 逆变侧区外接地故障特征向量

Step3、在SVM程序的始端设定训练集标签和测试集标签，它们均为预先设定好的数值；

具体的，Step2中，将特征向量矩阵中的数据划分为训练集和测试集，结合Step3总设定训练集标签和测试集标签具体的如下：

分别取表1中的前两组数据、表2中的前8组数据、表3中的前2组数据组合得到接地故障的训练集，如表4所示：

表4 接地故障训练集

对表4中编号1-12的数据设定训练集标签从上至下分别为[1 1 2 2 2 2 2 2 2 2 3 3]，即训练集标签为表5中的y，如表5所示：

表5 接地故障训练集及对应的训练集标签

再分别取表1中的后2组数据、表2中的后8组数据、表3中的后2组数据组合得到接地故障的测试集，如表6所示：

表6 接地故障测试集

对表6中编号1-12的数据设定测试集标签从上至下分别为[1 1 2 2 2 2 2 2 2 2 3 3]，即测试集标签为表7中的y，如表7所示:

表7 接地故障测试集及对应的测试集标签

Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数C、δ；其中，对训练集进行SVM训练得到C、δ两个最佳参数的过程中，训练集标签是用来对训练集中的几种故障电压信号进行标记的；此时，得到C＝2，δ＝2；

Step5、在SVM程序的终端设定预测标签和预测精度的存储位置，此时预测标签和预测精度的存储空间是没有数值的；

Step6、将测试集输入到SVM分类器进行测试，得到分类结果和预测精度，再把分类结果存储到步骤Step5中预先设定好的预测标签存储空间中，测试精度存储到步骤Step5中预先设定好的预测精度存储空间中；

Step7、再确定存储在预测标签存储空间中的分类结果是否正确；

当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时，说明分类完全正确，测试精度为100％；

当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时，与测试集标签不一样的分类结果便是分类错误的，返回步骤Step4，重新训练。

根据上述步骤得到C＝2，δ＝2，以及预测标签中的分类结果与表7中的测试集标签完全对应相同，说明分类完全正确，测试精度为100％；表8中y表示第Step3步中设定的测试集标签，表9中的输出的y表示存储到预测标签空间中的分类结果；

表8 测试集及对应的测试集标签

表9 测试集及预测标签中的分类结果

在表8中，设定整流侧区外接地故障特征向量矩阵用标签1表示，区内接地故障特征向量矩阵用标签2表示，逆变侧区外接地故障特征向量矩阵用标签3表示。表9中，当输出的y为1时，表示为整流侧区外接地故障；当输出的y为2时，表示为区内接地故障；当输出的y为3时，表示为逆变侧区外接地故障。

表10为识别结果：

表10 识别结果

实施例5：如图1-2所示，一种特高压直流输电线路区内外故障识别方法，所述方法的具体步骤为：

Step1、特高压直流输电系统发生故障后，整流侧数据采集装置采集故障电压行波首波头到达后50ms时窗内的故障电压数据；所述步骤Step1中，数据采集装置采样频率为40kHz；

Step2、将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，计算每一层的小波重构高频系数的奇异谱熵，将所有的每一层的奇异谱熵组成一个m×n维的特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；所述步骤Step2中，故障电压采用1模分量；

所述步骤Step2中，计算整流侧区外雷击故障、区内接地故障和逆变侧区外雷击故障电压信号的特征向量矩阵；

第一，计算得到整流侧区外雷击故障的特征向量矩阵的具体步骤如下：

Step2.1、取4组整流侧区外雷击故障电压信号数据，对数据进行相模变换，取1模进行小波变换，分解层数为6，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到4组数据，每一组包含6个1801×200维的矩阵A_j(j＝1,2,3,4,5,6)；

Step2.2、分别对每一组数据的每层的矩阵A_j(j＝1,2,3,4,5,6)进行奇异值分解SVD，则每层能够得到200个奇异值，那么每一组数据就会得到6层(每层能够得到200个奇异值)这样的值；

Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算，然后将这6层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h₆]，其中，h₁,h₂,…,h₆分别为每层的熵值，且对应的频段为高频段到低频段，如表11所示为整流侧区外雷击故障特征向量，由此根据T＝[h₁,h₂,…,h_j]得到整流侧区外特征向量矩阵T；

表11 整流侧区外雷击故障特征向量

第二，计算得到整流侧区内雷击故障的特征向量矩阵的具体步骤如下：

Step2.1、取16组区内雷击故障电压信号数据，对数据进行相模变换，取1模进行小波变换，分解层数为6，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到16组数据，每一组包含6个1801×200维的矩阵A_j(j＝1,2,3,4,5,6)；

Step2.2、分别对每一组数据的每层的矩阵A_j(j＝1,2,3,4,5,6)进行奇异值分解SVD，则每层能够得到200个奇异值，那么每一组数据就会得到6层(每层能够得到200个奇异值)这样的值；

Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算，然后将这6层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h₆]，其中，h₁,h₂,…,h₆分别为每层的熵值，且对应的频段为高频段到低频段，如表12所示为整流侧区内雷击故障特征向量，由此根据T＝[h₁,h₂,…,h_j]得到整流侧区内特征向量矩阵T；

表12 区内雷击故障特征向量

第三，计算得到逆变侧区外雷击故障的特征向量矩阵的具体步骤如下：

Step2.1、取4组逆变侧区外雷击故障电压信号数据，对数据进行相模变换，取1模进行小波变换，分解层数为6，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到4组数据，每一组包含6个1801×200维的矩阵A_j(j＝1,2,3,4,5,6)；

Step2.2、分别对每一组数据的每层的矩阵A_j(j＝1,2,3,4,5,6)进行奇异值分解SVD，则每层能够得到200个奇异值，那么每一组数据就会得到6层(每层能够得到200个奇异值)这样的值；

Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算，然后将这6层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…,h₆]，其中，h₁,h₂,…,h₆分别为每层的熵值，且对应的频段为高频段到低频段，如表13所示为逆变侧区外雷击故障特征向量，由此根据T＝[h₁,h₂,…,h_j]得到逆变侧区外特征向量矩阵T；

表13 逆变侧区外雷击故障特征向量

Step3、在SVM程序的始端设定训练集标签和测试集标签，它们均为预先设定好的数值；

具体的，Step2中，将特征向量矩阵中的数据划分为训练集和测试集，结合Step3总设定训练集标签和测试集标签具体的如下：

分别取表11中的前两组数据、表12中的前8组数据、表13中的前2组数据组合得到雷击故障的训练集，如表14所示；

表14 雷击故障训练集

对表14中编号1-12的数据设定训练集标签从上至下分别为[1 1 2 2 2 2 2 2 2 2 3 3]，即训练集标签为表15中的y，如表15所示；

表15 雷击故障训练集及所对应的训练集标签

分别取表11中的后组数据、表12中的后8组数据、表13中的后2组数据组合得到雷击故障的测试集，如表16所示；

表16 雷击故障测试集

对表16中编号1-12的数据设定测试集标签从上至下分别为[1 1 2 2 2 2 2 2 2 2 3 3]，即测试集标签为表17中的y，如表17所示：

表17 雷击故障测试集及测试集标签

Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数C、δ；其中，对训练集进行SVM训练得到C、δ两个最佳参数的过程中，训练集标签是用来对训练集中的几种故障电压信号进行标记的；此时，得到C＝32，δ＝32；

Step5、在SVM程序的终端设定预测标签和预测精度的存储位置，此时预测标签和预测精度的存储空间是没有数值的；

Step6、将测试集输入到SVM分类器进行测试，得到分类结果和预测精度，再把分类结果存储到步骤Step5中预先设定好的预测标签存储空间中，测试精度存储到步骤Step5中预先设定好的预测精度存储空间中；

Step7、再确定存储在预测标签存储空间中的分类结果是否正确；

当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时，说明分类完全正确，测试精度为100％；

当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时，与测试集标签不一样的分类结果便是分类错误的，返回步骤Step4，重新训练。

根据上述步骤得到C＝32，δ＝32，以及预测标签中的分类结果与表18中的测试集标签完全对应相同，说明分类完全正确，测试精度为100％。表18为y表示Step3步设定的测试集标签，表19中输出y表示存储到预测标签空间中的分类结果；

表18 测试集及对应的测试集标签

表19 测试集及预测标签中的分类结果

在表18中，设定整流侧区外雷击故障特征向量用标签1表示，区内雷击故障特征向量用标签2表示，逆变侧区外雷击故障特征向量用标签3表示。表19中，当输出的y为1时，表示为整流侧区外雷击故障；当输出的y为2时，表示为区内雷击故障；当输出的y为3时，

表示为逆变侧区外雷击故障，表20为识别结果；

表20 识别结果

分析表10和表20中所示仿真结果可知，通过训练得到最佳的C和δ，可以达到最佳的测试精度。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种特高压直流输电线路区内外故障识别方法，其特征在于：所述方法的具体步骤如下：

Step1、特高压直流输电系统发生故障后，整流侧数据采集装置采集故障电压行波首波头到达后50ms时窗内的故障电压数据；

Step2、将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，计算每一层的小波重构高频系数的奇异谱熵，将所有的每一层的奇异谱熵组成一个m×n维的特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；

Step3、在SVM程序的始端设定训练集标签和测试集标签，它们均为预先设定好的数值；

Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数C、δ；其中，对训练集进行SVM训练得到C、δ两个最佳参数的过程中，训练集标签是用来对训练集中的几种故障电压信号进行标记的；

Step5、在SVM程序的终端设定预测标签和预测精度的存储位置，此时预测标签和预测精度的存储空间是没有数值的；

Step6、将测试集输入到SVM分类器进行测试，得到分类结果和预测精度，再把分类结果存储到步骤Step5中预先设定好的预测标签存储空间中，测试精度存储到步骤Step5中预先设定好的预测精度存储空间中；

Step7、再确定存储在预测标签存储空间中的分类结果是否正确；

当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时，说明分类完全正确，测试精度为100％；

当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时，与测试集标签不一样的分类结果便是分类错误的，返回步骤Step4，重新训练。

2.根据权利要求1所述的特高压直流输电线路区内外故障识别方法，其特征在于：所述步骤Step2中，其提取特征向量矩阵的具体步骤如下：

Step2.1、对待分析的电压信号先进行相模变换，取1模进行小波变换，分解层数为j，然后对每层高频系数进行重构，对每层重构信号进行相空间重构，其中取采样点为2000，进行200维相空间重构，得到j个1801×200维的矩阵A_j；

Step2.2、对每层的矩阵A_j进行奇异值分解SVD，则每层能够得到200个奇异值；

Step2.3、对每层奇异值进行奇异谱熵运算，然后将每层的奇异谱熵值组合，得到特征向量矩阵T：T＝[h₁,h₂,…，h_j]，其中，h₁,h₂,…,h_j分别为每层的熵值，且对应的频段为高频段到低频段。

3.根据权利要求1所述的特高压直流输电线路区内外故障识别方法，其特征在于：所述步骤Step1中，数据采集装置采样频率为40kHz。

4.根据权利要求1所述的特高压直流输电线路区内外故障识别方法，其特征在于：所述步骤Step2中，故障电压采用1模分量。