CN110247420A - 一种hvdc输电线路故障智能识别方法 - Google Patents

Abstract

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。

Description

一种HVDC输电线路故障智能识别方法

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；

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。

进一步地，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。

进一步地，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。

进一步地，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l Hz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_R80F_I10…F_I80)_1×16 (5)

式(5)中，R表示整流侧，I表示逆变侧。

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。

进一步地，在选取S变换多个特征频率下的分量信号时，选取S变换频率f_j(j＝1，2，3，4，5，6，7，8)kHz下八个分量信号；在计算各个特征频率下的能量和比值时，计算各频率下正、负极故障电流行波2ms时间窗内400个采样数据的能量和比值；利用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时，得到的多尺度S变换能量和比值的故障极特征向量为：

K＝(K_R1…K_R8K_I1…K_I8)_1×16 (6)

式(6)中，R表示整流侧，I表示逆变侧。

进一步地，多尺度S变换能量和比值的计算公式为：

式(7)中，I_mpj和I_mnj分别表示正极和负极故障电流行波S变换的j Hz分量，R表示整流侧，I表示逆变侧，a＝1表示所取2ms数据窗内的第一个采样点，N_K为2ms数据窗内的采样点数。

进一步地，步骤3中，组合特征样本向量为：

式(8)中，F为区内外故障特征向量，K为故障极特征向量。

进一步地，步骤4中，建立随机森林故障智能识别模型的具体步骤为：

首选利用Booststrap法重采样产生每棵决策树的训练集：对组合特征样本向量θ中的样本向量进行编号为{θ₁，θ₂，…，θ₃₂}，单次有放回地从中抽取一个样本θ_i，共计抽取32次，组合成新的集合θ^*构成训练集；

然后构建每棵决策树：在每个非叶子节点上选择属性前，从Q个属性中随机抽取(q<Q)个属性作为当前节点的分类属性集，并以这q个属性中最好的分裂方式对该节点进行分裂，通过节点分裂构建一棵完整的决策树，每棵决策树任其生长，不进行剪枝处理，直至生长到叶子节点，利用每个训练集，生成对应的决策树；

最后形成随机森林：利用生成的各个决策树对测试样本进行测试，测试样本由组合特征样本向量θ抽取，汇总各决策树的输出类别，以所有决策树输出最多的类别作为测试样本的识别类别，即为测试样本的故障类型识别结果。

本发明的有益效果在于：利用多尺度S变换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；通过获取多尺度采样信号的信息来提高保护算法的容错性，利用随机森林的学习及泛化能力实现HVDC输电线路故障的智能识别，克服了传统行波保护只利用行波波头信息造成的判据可靠性不高和容错性不佳的问题，同时具有一定的抗噪能力，该方法受过渡电阻、噪声等因素的影响较小，能正确识别HVDC输电线路区内外故障并进行准确的故障选极。

附图说明

图1为本发明的识别方法流程图；

图2为本发明的随机森林结构图；

图3为双极HVDC输电系统结构图；

图4为区内故障附加网络结构图；

图5为逆变侧区外故障附加网络结构图；

图6为区内故障时相关波形图；

图7为区内故障时多尺度S变换波动指数图；

图8为区外故障时相关波形图；

图9为区外故障时多尺度S变换波动指数图；

图10为训练集测试结果对比图；

图11为不同故障位置的随机森林故障智能识别模型测试结果图；

图12为不同过渡电阻的随机森林智能故障识别模型测试结果图；

图13为不同故障距离的随机森林智能故障识别模型测试结果图；

图14为峰值数据丢失相关波形图；

图15为峰值附近采样数据丢失识别结果图；

图16为采样数据随机丢失相关波形图；

图17为采样数据随机丢失识别结果图；

图18为噪声干扰测试结果图。

具体实施方式

下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例1：

作为本发明提供的HVDC输电线路故障智能识别方法的设计基础，作如下六点原理说明：

一、双极HVDC输电系统结构说明

双极高压直流输电系统结构如图3所示。其中，i_R1，i_R2和i_I1，i_I2分别表示整流侧正负极电流、逆变侧正负极电流；F₁～F₆分别为故障点，其中，F₂、F₄代表区内正极、负极故障；F₁、F₅代表整流侧区外正、负极故障，F₃、F₆代表逆变侧区外正、负极故障。本发明考虑的输电系统故障主要为单极接地故障，保护安装在换流站直流线路内侧，区内以直流线路单极接地故障为例，区外以平波电抗器外侧单极接地故障为例。

二、故障行波基本理论

当HVDC输电线路发生故障时，行波从故障点开始沿着线路向两侧传播且在波阻抗不连续处发生折反射，对于线路上距离故障点为x的任意一点，可得该点的暂态电压、电流为：

式中，t为观察时间，L和C为单位长度线路的电感和电容，u₊(u_-)、i₊(i_-)分别为沿x正(反)方向传播的电压、电流正(反)向行波。行波的获取是利用电流互感器的高频信号传变能力，由高速A/D采集系统记录故障产生的暂态行波信号，利用S变换进行信号处理，得到所需要数据窗内的相应频率的数据。

三、区内故障行波特征分析

根据故障叠加原理，故障后测量点处测得的故障量可以等效为故障前的稳态分量和故障附加分量的叠加。由于故障点存在附加电压源，将产生故障点向线路传播的故障行波。HVDC输电线路区内故障时的故障附加分量及行波传播特性如图4所示，图中IED1、IED2分别表示输电线路整流侧和逆变侧安装的保护单元，u_k为故障叠加电压源。线路整流侧测点IED1处的故障行波中既有反行波u_R-、i_R-，也有前行波u_R+、i_R+。类似地，逆变侧测量点IED2处的故障行波中既有反行波u_I-、i_I-，也有前行波u_I+、i_I+，测点IED1、IED2处的故障电压行波和电流行波可表示为：

根据高压直流输电线路及其边界对故障暂态信号的衰减特性，当区内发生故障时，故障行波经输电线路衰减到达测量点IED1、IED2，因此测量点测得的暂态信号衰减幅度较小。

四、区外故障行波特征分析

HVDC输电线路区外故障时的故障附加分量及行波传播特性如图5(实线表示整流侧区外，虚线表示逆变侧区外)所示。根据输电线路及其边界对故障暂态信号的衰减特性，当区外发生故障(以整流侧区外故障为例)时，故障行波经整流侧边界元件衰减到达测量点IED1，经边界元件和线路的双重衰减到达IED2，因此两端测量点测得的信号衰减幅度较大。

五、区内故障多尺度波动指数特征分析

当图3所示系统于区内正极线F2点发生接地故障(其中过渡电阻10Ω，F2点距整流侧保护安装处200km)时，整流侧和逆变侧线模电流及其S变换特征频率(以10kHz为例)波形如图6中的a-d波形所示，区内故障时的多尺度S变换波动指数如图7所示。分析可知，区内故障时的波动指数较大，且所取信号的S变换特征频率越高，其对应的突变点附近时窗内采样数据的波动指数越小。

六、区外故障多尺度波动指数特征分析

当图3所示系统于整流侧平波电抗器外侧F₁点发生接地故障(其中过渡电阻10Ω)时，两侧的线模电流及其S变换特征频率(以10kHz为例)波形如图8中a-d所示。对比图6中b波形和图8中的b波形、图6中d波形和图8中的d波形可知，区内故障时特征频率10kHz信号幅值远大于区外故障时特征频率10kHz幅值。区外故障时多尺度S变换波动指数如图9所示，分析可知，区外故障时的波动指数较小，且随着特征频率的增加，波动指数均呈减小的趋势。对比图7和图9可得，区内故障时的多尺度波动指数均大于区外故障时的多尺度波动指数，且选取的特征信号频率越低，区内和区外故障时的波动指数差异越明显。

如图1所示，本发明提供的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。

利用多尺度S变换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；通过获取多尺度采样信号的信息来提高保护算法的容错性，利用随机森林的学习及泛化能力实现HVDC输电线路故障的智能识别，克服了传统行波保护只利用行波波头信息造成的判据可靠性不高和容错性不佳的问题，同时具有一定的抗噪能力，该方法受过渡电阻、噪声等因素的影响较小，能正确识别HVDC输电线路区内外故障并进行准确的故障选极。

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；

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。

对于双极直流输电系统，为避免极间耦合的影响，需要利用相模变换技术将耦合的两极线路解耦为相互独立的单相系统，因此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可有效避免极间耦合的影响。

进一步地，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。

进一步地，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。

进一步地，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l Hz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_R80F_I10…F_I80)_1×16 (5)

式(5)中，R表示整流侧，I表示逆变侧。

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。

进一步地，在选取S变换多个特征频率下的分量信号时，选取S变换频率f_j(j＝1，2，3，4，5，6，7，8)kHz下八个分量信号；在计算各个特征频率下的能量和比值时，计算各频率下正、负极故障电流行波2ms时间窗内400个采样数据的能量和比值；利用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时，得到的多尺度S变换能量和比值的故障极特征向量为：

K＝(K_R1…K_R8K_I1…K_I8)_1×16 (6)

式(6)中，R表示整流侧，I表示逆变侧。

进一步地，多尺度S变换能量和比值的计算公式为：

式(7)中，I_mpj和I_mnj分别表示正极和负极故障电流行波S变换的j Hz分量，R表示整流侧，I表示逆变侧，a＝1表示所取2ms数据窗内的第一个采样点，N_K为2ms数据窗内的采样点数。

进一步地，步骤3中，组合特征样本向量为：

式(8)中，F为区内外故障特征向量，K为故障极特征向量。

如图2所示，进一步地，步骤4中，建立随机森林故障智能识别模型的具体步骤为：

首选利用Booststrap法重采样产生每棵决策树的训练集：对组合特征样本向量θ中的样本向量进行编号为{θ₁,θ₂,…,θ₃₂}，单次有放回地从中抽取一个样本θ_i，共计抽取32次，组合成新的集合θ^*构成训练集；

然后构建每棵决策树：在每个非叶子节点上选择属性前，从Q个属性中随机抽取(q<Q)个属性作为当前节点的分类属性集，并以这q个属性中最好的分裂方式对该节点进行分裂，通过节点分裂构建一棵完整的决策树，每棵决策树任其生长，不进行剪枝处理，直至生长到叶子节点，利用每个训练集，生成对应的决策树；

最后形成随机森林：利用生成的各个决策树对测试样本进行测试，测试样本由组合特征样本向量θ抽取，汇总各决策树的输出类别，以所有决策树输出最多的类别作为测试样本的识别类别，即为测试样本的故障类型识别结果。

为了验证本发明的HVDC输电线路故障智能识别方法的性能，进行了如下的仿真实验：

在PSCAD/EMTDC中建立图3所示±500kV直流输电系统仿真模型，模型参数参考三峡-常州直流输电工程。其中送电功率为3000MW，额定电压500kV，额定电流3kA。输电线路模型采用频率相关模型，杆塔结构采用DC2，输电线路长度设为1000km。本发明选取采样频率200kHz，选取故障后2ms时间窗内的采样数据计算波动指数和能量和比值，得到波动指数特征向量F＝(F_R10…F_R80F_R10…F_R80)_1×16与能量和比值特征向量K＝(k_R1…k_R8K_I1…K_I8)_1×16，每个样本的组合特征向量为θ＝(F_R10…F_R80F_I10…F_I80K_R1…K_R8K_I1…K_I8)_1×32，因此每个样本的输入维度为1×32，样本输入集的维度为1×32×N，N表示样本集中的样本总数。为验证算法性能，本发明选择在不同故障位置、不同过渡电阻以及不同故障距离等情况下对HVDC输电系统进行仿真实验。

随机森林的训练样本由HVDC输电系统发生不同故障时采样数据不受噪声干扰和采样数据受噪声干扰两部分组成。本发明考虑区内故障包括正极故障(LPG)和负极故障(LNG)这2种情况，考虑故障距离(距整流侧保护安装处)1km、100km、200km、300km、400km、500km、600km、700km、800km、900km、999km共11种情况，考虑过渡电阻0Ω、10Ω、100Ω、200Ω、400Ω、600Ω共6种情况，因此区内不受噪声干扰数据样本共2×11×6＝132个。考虑区外故障(EPG、ENG)包括，整流侧正、负极故障(RPG、RNG)，逆变侧正、负极故障(IPG、ING)共4种情况，过渡电阻取法和区内一致，因此区外不受噪声干扰数据样本共4×6＝24个。区外噪声干扰数据样本取法和区外无噪声干扰数据样本保持一致，也是4×6＝24个。因此本发明的训练样本总数为2×11×6+4×6+4×6＝180个。将训练样本输入到随机森林中进行训练，训练完成后即可得到随机森林智能故障识别模型，将不同于训练样本的测试样本数据输入到该智能故障识别模型中，即可得到识别结果。

把故障特征训练样本输入随机森林中进行训练，得到一个训练好的随机森林HVDC线路智能故障识别模型。将故障特征训练样本作为测试样本输入训练好的随机森林智能故障识别模型中进行测试，得到测试结果对比如图10所示。由图10可知，训练样本在随机森林智能故障识别模型中的测试结果正确率为100％，因此，所建立的智能故障模型能准确的识别HVDC输电线路故障。

分别将不同故障位置、不同过渡电阻、不同故障距离的故障特征测试样本输入HVDC输电线路智能故障识别模型，进行故障识别，并对测试结果进行分析。为验证保护算法对不同故障位置的适应性，分别选取图3所示系统正极线路F₂点、负极线路F₄点、区外整流侧平波电抗器外侧正极F₁点、负极F₅点、区外逆变侧平波电抗器外侧正极F₃点、负极F₆点发生接地故障共6个样本进行测试。在相同故障距离和过渡电阻的情况下，对不同故障位置构建测试样本集，输入训练好的随机森林模型进行测试，测试结果对比如图11所示，表2所示为对应故障情况的仿真验证结果。

表2和图11表明，该故障识别模型不受HVDC输电线路故障位置的影响，能够实现准确的区内外故障识别和故障选极，且正确率能达到100％。

为验证不同过渡电阻特别是线路发生远端高阻故障时保护算法的性能，分别选取图3所示系统区内正极F₂点、负极F₄点、区外整流侧正极F₁、负极F₅点、逆变侧正极F₃、负极F₆点发生不同过渡电阻接地故障，共24个样本进行测试。对不同过渡电阻构建测试样本集，输入训练好的随机森林模型进行测试，测试结果对比如图12所示，表3所示为对应故障情况的仿真验证结果。

表3和图12表明，该故障识别模型能够对不同过渡电阻故障进行准确的区内外故障识别和故障选极，耐受过渡电阻能力强，特别是对输电线路远端高阻故障能进行正确识别，且正确率能达到100％。

为了验证不同故障距离情况下保护算法的性能，分别选取图3所示系统区内不同故障距离下，正极F₂点故障、负极F₄点故障，共12个样本进行测试。将发生不同距离的故障情况构建测试样本集，输入训练好的随机森林模型进行测试，测试结果对比如图13所示，表4所示为对应故障情况的仿真验证结果。

表4和图13表明，该故障识别模型不受故障距离的影响，能在不同故障距离情况下实现的故障识别和故障选极，且正确率能达到100％。由表3-表4和图11-图13可知，在故障后2ms内，基于随机森林的HVDC输电线路智能故障识别模型不受故障位置和故障距离的影响，能有效识别HVDC输电线路区内外故障并进行故障选极。该方法利用同一网络同时实现区内外故障识别和故障选极，耐受过渡电阻能力强。

在现有直流输电线路保护中，行波保护速度较快，但是一直存在着可靠性问题。其主要原因是在复杂的运行工况下，噪声干扰和高阻故障使得保护单元获得的暂态行波信号比较微弱，导致波头信息提取困难，因此只利用故障行波的波头信息会导致保护可靠性降低。同时，对于只利用行波峰值信息的HVDC输电线路保护，当出现数据畸变或峰值信息丢失的情况时，保护会失效。为了克服上述传统保护的不足，本发明结合随机森林构建HVDC输电线路智能故障识别模型。以下分别就考虑数据丢失和噪声干扰做详细讨论。

在实际工程运行中，对于只利用行波峰值信息建立的保护判据，可能出现峰值信息丢失的情况，此时保护容易失效。为克服上述传统HVDC输电线路保护的不足，本发明提出了利用多尺度信号波动指数、能量和比值和随机森林相结合的方法。

(1)故障行波波头附近数据丢失的故障识别算法分析

为了验证故障行波波头附近数据丢失情况下保护算法的性能，分别选取图3所示系统区内正极_F2点、负极F₄点、整流侧负极区外F₅点故障、逆变侧正极区外F₃点故障共4种故障情况进行仿真，在特征频率10kHz下考虑电流行波波头附近数据信息丢失20、40、60、80、100个共5种情况，得到4×5＝20组故障行波波头附近数据丢失的测试样本。图14所示为图3所示系统区内正极F₂点故障(过渡电阻10Ω，F₂点距整流侧保护安装处500km)时故障行波波头附近数据丢失的相关波形。将上述20组行波波头附近数据丢失的测试样本输入随机森林智能故障识别模型中进行测试，测试结果对比如图15所示，表5所示为对应故障情况的仿真验证结果。

(2)采样点数据随机丢失的故障识别算法分析

为了验证行波数据随机丢失情况下保护算法的性能，选取图3所示系统区内正极F₂点、负极F₄点、整流侧区外负极F₅点故障、逆变侧区外正极F₃点故障共4种故障情况进行仿真，在特征频率10kHz下考虑电流行波2ms数据窗内采样数据随机丢失20、40、60、80、100个共5种情况，得到4×5＝20组行波数据随机丢失的测试样本。图16所示为区内负极F₄点故障(过渡电阻10Ω，F₄距整流侧保护安装处500km)时故障行波数据随机丢失的相关波形。

将上述20组故障行波数据随机丢失的测试样本输入随机森林智能故障识别模型中进行测试，测试结果和样本标签对比如图17所示，表6所示为对应故障情况的仿真验证结果。

分析表5-表6和图14-图17可知，无论是发生波头数据丢失还是数据随机丢失的情况，本发明所提算法均能能准确实现不同故障距离的故障识别和故障选极，且正确率能达到100％。算法对故障后2ms时间内的采样数据计算波动指数，利用多尺度信号的波动指数建立特征样本集，通过随机森林进行故障识别。采用多尺度信号波动指数信息作为特征样本集有利于避免行波波头信息丢失的影响，当某一尺度信号丢失时，其他尺度信号的特征仍然能起到故障识别的作用，因此在一定程度上减小了采样值数据丢失和弱行波信号的影响。根据理论分析和仿真结果可知，本发明所提算法受采样点数据丢失的影响较小，能够可靠识别故障区域。

为了验证在噪声影响情况下保护算法的性能，选取图3所示系统区内正极F₂点、负极F₄点、区外整流侧负极F₅点、逆变侧正极F₃点故障共4种故障情况进行仿真，噪声干扰分别考虑SNRs＝55、60、65、70db共4种情况，得到4×4＝16组噪声干扰测试样本。将上述16组噪声干扰测试样本输入随机森林智能故障识别模型中进行测试，测试结果对比如图18所示，表7所示为对应故障情况的仿真验证结果。

从表8和图18可以看出，该智能故障识别模型在一定程度上不受噪声干扰的影响，具有一定的抗噪能力，同时智能算法的应用也使得保护更具准确性。

本发明提出了基于电流故障行波多尺度S变换波动指数和随机森林的HVDC输电线路智能故障识别方法。针对大部分行波保护只利用行波波头信息，当行波波头幅值较小或出现采样数据丢失时，保护算法存在可靠性不足等问题，新原理通过S变换提取不同尺度下的故障行波信号计算故障后2ms内采样数据的波动指数，构建区内外故障识别特征样本集，利用多尺度能量和比值构建选极特征样本集。最后利用组合特征样本集训练随机森林，利用随机森林对特征的学习实现故障识别。理论推导和仿真实验结果表明：

(1)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。

(2)通过获取多尺度采样信号的信息来提高保护算法的容错性，利用随机森林的学习及泛化能力实现HVDC输电线路故障的智能识别，克服了传统行波保护只利用行波波头信息造成的判据可靠性不高和容错性不佳的问题，同时具有一定的抗噪能力，该算法受过渡电阻、噪声等因素的影响较小，能正确识别HVDC输电线路区内外故障并进行准确的故障选极。

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (10)

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。

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，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。

3.根据权利要求2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。

4.根据权利要求2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。

5.根据权利要求2所述的HVDC输电线路故障智能识别方法，其特征在于，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。

6.根据权利要求5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。

7.根据权利要求6所述的HVDC输电线路故障智能识别方法，其特征在于，在选取S变换多个特征频率下的分量信号时，选取S变换频率f_j(j＝1,2,3,4,5,6,7,8)kHz下八个分量信号；在计算各个特征频率下的能量和比值时，计算各频率下正、负极故障电流行波2ms时间窗内400个采样数据的能量和比值；利用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时，得到的多尺度S变换能量和比值的故障极特征向量为：

K＝(K_R1 … K_R8 K_I1 … K_I8)_1×16 (6)

式(6)中，R表示整流侧，I表示逆变侧。

8.根据权利要求6所述的HVDC输电线路故障智能识别方法，其特征在于，多尺度S变换能量和比值的计算公式为：

式(7)中，I_mpj和I_mnj分别表示正极和负极故障电流行波S变换的j Hz分量，R表示整流侧，I表示逆变侧，a＝1表示所取2ms数据窗内的第一个采样点，N_K为2ms数据窗内的采样点数。

9.根据权利要求7所述的HVDC输电线路故障智能识别方法，其特征在于，步骤3中，组合特征样本向量为：

式(8)中，F为区内外故障特征向量，K为故障极特征向量。

10.根据权利要求9所述的HVDC输电线路故障智能识别方法，其特征在于，步骤4中，建立随机森林故障智能识别模型的具体步骤为：

首选利用Booststrap法重采样产生每棵决策树的训练集：对组合特征样本向量θ中的样本向量进行编号为{θ₁，θ₂，…，θ₃₂}，单次有放回地从中抽取一个样本θ_i，共计抽取32次，组合成新的集合θ^*构成训练集；

然后构建每棵决策树：在每个非叶子节点上选择属性前，从Q个属性中随机抽取(q<Q)个属性作为当前节点的分类属性集，并以这q个属性中最好的分裂方式对该节点进行分裂，通过节点分裂构建一棵完整的决策树，每棵决策树任其生长，不进行剪枝处理，直至生长到叶子节点，利用每个训练集，生成对应的决策树；

最后形成随机森林：利用生成的各个决策树对测试样本进行测试，测试样本由组合特征样本向量θ抽取，汇总各决策树的输出类别，以所有决策树输出最多的类别作为测试样本的识别类别，即为测试样本的故障类型识别结果。