CN113419141B - 直流线路故障定位方法及装置 - Google Patents

Abstract

本申请涉及一种直流线路故障定位方法及装置，基于包含多个预设故障点的参考故障波形的大量故障样本，通过分解、时域特征提取和降维建立一种有效的距离回归模型，降低了人为因素对模型的影响，使距离回归模型具有较好的泛化能力，提高了距离回归模型在小数据集上的鲁棒性，应用距离回归模型时，在获取直流线路两端的故障电流波形和故障电压波形后，对故障波形进行与建立距离回归模型相似的分解、时域特征提取和降维等处理步骤，使处理后的故障波形更好地适用于距离回归模型，将处理后的故障波形代入距离回归模型后可以得到准确的故障点位置，提高了直流线路故障定位方法的使用可靠性。

Description

直流线路故障定位方法及装置

技术领域

本申请涉及直流输电工程技术领域，特别是涉及一种直流线路故障定位方法及装置。

背景技术

高压直流输电工程一般用于远距离、大容量输电，其线路一般长达数百千米，输电走廊地形复杂、环境和气候条件差异巨大，容易发生故障。超高压、特高压柔性直流输电技术故障耐受能力弱，直流线路故障点的快速和准确测距定位对于迅速清除故障、减少故障持续时间、限制故障影响范围和提高直流输电工程运维水平具有重要意义。

直流线路发生短路故障后其电容通过线路电阻放电，使得线路产生的电场和磁场相互转化形成故障电流行波和故障电压行波，以接近光速向线路两端传播，故障行波包含了故障位置、过渡电阻等大量故障信息，通过对故障行波进行分析可以得到故障点与换流站之间的距离。

传统的检测故障点的方法包括单端行波测距法和双端行波测距法，均需要确定波速、通过故障行波的波头识别读取波头到达时刻。但是这两种方法均受到线路参数的频变特性的影响，行波不同频率的分量会具有不同的衰减速率和波速，即行波的色散效应，这会导致行波波形发生畸变，降低测距精度。且实际工程应用中波速一般采用接近光速的经验值，这也带来了较为明显的误差。此外，波头识别常用的小波变换方法需要人为选定合适的母小波与分解层数，存在一定的主观性因素，可能影响小波分解的质量，导致传统的故障测距方法精度低，使用不可靠。

发明内容

基于此，有必要针对传统的故障测距方法使用不可靠的问题，提供一种直流线路故障定位方法及装置。

一种直流线路故障定位方法，包括以下步骤：

获取直流线路两端的故障电流波形和故障电压波形；

对所述故障电流波形和所述故障电压波形进行分解，得到各个波形的高频分量，并从所述高频分量中得到最高频分量；

提取所述各个波形的最高频分量的时域特征参数，形成时域特征序列；

利用主成分分析对所述时域特征序列进行降维，形成故障特征属性的主成分矩阵；

将所述主成分矩阵代入距离回归模型，得到所述直流线路中的故障点位置；所述距离回归模型为对直流线路中两个以上预设故障点的参考故障波形进行与处理所述故障电流波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，所述参考标签向量为各所述预设故障点与直流线路的换流站的距离。

一种直流线路故障定位装置，包括：

波形获取模块，用于获取直流线路两端的故障电流波形和故障电压波形；

分解模块，用于对所述故障电流波形和所述故障电压波形进行分解，得到各个波形的高频分量，并从所述高频分量中得到最高频分量；

提取模块，用于提取所述各个波形的最高频分量的时域特征参数，形成时域特征序列；

降维模块，用于利用主成分分析对所述时域特征序列进行降维，形成故障特征属性的主成分矩阵；

代入模块，用于将所述主成分矩阵代入距离回归模型，得到所述直流线路中的故障点位置；所述距离回归模型对基于直流线路中两个以上预设故障点的参考故障波形进行与处理所述故障电流波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，所述参考标签向量为各所述预设故障点与直流线路的换流站的距离。

上述直流线路故障定位方法及装置，获取直流线路两端的故障电流波形和故障电压波形后，对故障电流波形和故障电压波形进行分解，得到各个波形的最高频分量，提取各个波形的最高频分量的时域特征参数，形成时域特征序列，利用主成分分析对时域特征序列进行降维，形成故障特征属性的主成分矩阵，将主成分矩阵代入距离回归模型，得到直流线路中的故障点位置，距离回归模型为基于直流线路中两个以上预设故障点的参考故障波形，对参考故障波形进行与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维后，与参考标签向量结合得到，参考标签向量为各预设故障点与直流线路的换流站的距离。基于包含多个预设故障点的参考故障波形的大量故障样本，通过分解、时域特征提取和降维建立一种有效的距离回归模型，降低了人为因素对模型的影响，使距离回归模型具有较好的泛化能力，提高了距离回归模型在小数据集上的鲁棒性，应用距离回归模型时，在获取直流线路两端的故障电流波形和故障电压波形后，对故障波形进行与建立距离回归模型相似的分解、时域特征提取和降维等处理步骤，使处理后的故障波形更好地适用于距离回归模型，将处理后的故障波形代入距离回归模型后可以得到准确的故障点位置，提高了直流线路故障定位方法的使用可靠性。

在其中一个实施例中，所述对所述故障电流波形和所述故障电压波形进行分解，得到各个波形的高频分量，并从所述高频分量中得到最高频分量，包括：

对所述故障电流波形和所述故障电压波形进行自适应噪声完备经验模态分解，获取各个波形的本征模态分量集合；

从所述本征模态分量集合中取最高频的本征模态分量，得到各个波形的最高频本征模态分量。

在其中一个实施例中，所述时域特征参数包括均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和信息熵中的至少一个。

在其中一个实施例中，所述将所述主成分矩阵代入距离回归模型，得到所述直流线路中的故障点位置之前，还包括：

构建距离回归模型；所述距离回归模型为对直流线路中两个以上预设故障点的参考故障波形进行与处理所述故障电流波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，所述参考标签向量为各所述预设故障点与直流线路的换流站的距离。

在其中一个实施例中，所述构建距离回归模型，包括：

获取直流线路中两个以上预设故障点的参考故障波形；

对所述参考故障波形进行分解，得到各个波形的参考高频分量，并从所述参考高频分量中得到参考最高频分量；

提取所述各个波形的参考最高频分量的时域特征参数，形成参考时域特征序列；

利用主成分分析对所述参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵；

将所述参考主成分矩阵与参考标签向量结合得到距离回归模型。

在其中一个实施例中，所述获取直流线路中两个以上预设故障点的参考故障波形，包括：

在第一换流站与第二换流站之间按照预设步长选取两个以上的预设故障点；所述第一换流站和所述第二换流站分别为设置于所述直流线路两端的换流站；

对各所述预设故障点进行不同类型短路故障与不同大小过渡电阻接地故障的仿真，得到参考故障波形。

在其中一个实施例中，所述对所述参考故障波形进行分解，得到各个波形的参考高频分量，并从所述参考高频分量中得到参考最高频分量，包括：

对距离所述预设故障点发生故障的预设时间段内的参考故障波形进行自适应噪声完备经验模态分解，获取各个波形的参考本征模态分量集合；

从所述参考本征模态分量集合中取最高频的本征模态分量，得到各个波形的参考最高频本征模态分量。

在其中一个实施例中，所述利用主成分分析对所述参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵，包括：

计算所述参考时域特征序列与所述参考标签向量的相关系数；

利用主成分分析对所述相关系数大于预设强相关阈值对应的参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵。

在其中一个实施例中，所述将所述参考主成分矩阵与参考标签向量结合得到距离回归模型，包括：

对所述参考主成分矩阵的向量归一化后，与参考标签向量结合，得到距离回归模型。

附图说明

图1为一个实施例中直流线路故障定位方法的流程图；

图2为另一个实施例中直流线路故障定位方法的流程图；

图3为一个实施例中构建距离回归模型的流程图；

图4为另一个实施例中构建距离回归模型的流程图；

图5为一个实施例中直流线路故障定位方法的详细流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本申请进行更加全面的描述。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

在一个实施例中，提供一种直流线路故障定位方法，该方法用于对直流线路中的故障进行定位，通过得到的故障点与换流站之间的距离，找到故障点的位置，从而对故障排除、直流输电系统的维护提供了有效依据。请参见图1，该直流线路故障定位方法包括以下步骤：

步骤S110：获取直流线路两端的故障电流波形和故障电压波形。

直流线路发生短路故障后其电容通过线路电阻放电，使得线路产生的电场和磁场相互转化形成故障电流行波和故障电压行波，以接近光速向线路两端传播，到达直流线路两端的换流器。故障电流波形和故障电压波形包含了直流线路中的故障位置、过渡电阻等大量故障信息，因而通过获取直流线路两端的故障电流波形和故障电压波形，可以作为故障功能定位的基础，包含的信息丰富，有利于准确定位。

步骤S120：对故障电流波形和故障电压波形进行分解，得到各个波形的高频分量，并从高频分量中得到最高频分量。

具体地，获取到故障电压波形和故障电流波形后，对获取到的故障电压波形和故障电流波形进行分解，获得各个波形的高频分量集合，然后从高频分量集合中取最高频的高频分量，得到各个波形的最高频分量。

步骤S130：提取各个波形的最高频分量的时域特征参数，形成时域特征序列。

获取到各个波形的最高频分量后，逐一提取各个波形的最高频分量的时域特征参数。时域特征参数的类型并不是唯一的，可根据实际需求选择，例如可包括均方根、波形因子、峰值因子和样本熵、排列熵、Kolmogorov复杂度等。将每次获取到的故障电压波形和故障电流波形中的时域特征参数提取出来后，形成时域特征序列，将第i次获得的故障电流波形和/或故障电压波形的时域特征序列表示为

。

步骤S140：利用主成分分析对时域特征序列进行降维，形成故障特征属性的主成分矩阵。

获取到时域特征序列后，利用主成分分析（Principal components analysis,PCA）对特征向量进行降维，即进行PCA降维，用于提取数据的主要特征分量，形成故障特征属性的主成分矩阵，故障特征属性的主成分矩阵可以表示为

。

步骤S150：将主成分矩阵代入距离回归模型，得到直流线路中的故障点位置。

其中，距离回归模型为对直流线路中两个以上预设故障点的参考故障波形进行与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，参考标签向量为各预设故障点与直流线路的换流站的距离。可以理解，距离回归模型为在获取直流线路两端的故障电流波形和故障电压波形之前，就已经经过训练得到。

建立距离回归模型的过程中，也是采用与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维等步骤，只是处理对象不是获取到的真实的故障电压波形和故障电流波形，而是替换成直流线路中两个以上预设故障点的参考故障波形，对参考故障波形进行与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维后，得到故障特征属性的参考主成分矩阵，然后再将参考主成分矩阵与参考标签向量结合得到距离回归模型。其中，参考标签向量为各预设故障点与直流线路的换流站的距离，可以表示为

。

进一步地，两个以上的预设故障点是预先在直流线路中设置好的。为了提高距离回归模型的准确性，需要扩大样本量，因此预设故障点的数量大于两个，数量越多，得到的距离回归模型的准确性越高。此外，故障波形的多种时域特征信息被引入到距离回归模型中，利用批量仿真获取多个尺度的大量故障样本，根据直流线路故障波形的固有特性，利用机器学习方法，建立一种有效的故障智能化测距模型。

距离回归模型可以为事先已经通过仿真模拟得到的，存储在存储器中的模型。在需要对直流线路的真实故障进行定位时，先对获取到的故障电压波形和故障电流波形进行与建立距离回归模型的过程中相同的分解、时域特征提取和降维过程，得到故障特征属性的主成分矩阵。然后再调用已经得到的距离回归模型，将主成分矩阵代入到距离回归模型中，得到故障点与换流站之间的距离，从而得到直流线路中的故障点位置，完成直流线路故障定位。

在一个实施例中，请参见图2，步骤S120包括步骤S122和步骤S124。

步骤S122：对故障电流波形和故障电压波形进行自适应噪声完备经验模态分解，获取各个波形的本征模态分量集合。

对故障电流波形和故障电压波形进行分解的方式并不是唯一的，在本实施例中，对故障电流波形和故障电压波形进行CEEMDAN（Complete EEMD with adaptive noise，自适应噪声完备经验模态）分解，获取各个波形的本征模态分量集合，使得重构信号中的噪声残余更小，降低了筛选次数。另一方面，各组信号经CEEMDAN分解出第一阶固有模态分量后，立即进行集合平均，避免了各组IMF分解结果差异造成最后集合平均难以对齐的问题，也避免了其中某一阶IMF分解效果不好时影响后续分解，进行自适应噪声完备经验模态分解有利于提高分解后的数据准确性。

步骤S124：从本征模态分量集合中取最高频的本征模态分量，得到各个波形的最高频本征模态分量。

对第i次获得的故障电流波形和故障电压波形进行自适应噪声完备经验模态分解，得到故障电流波形和/或故障电压波形的前n个IMF（Intrinsic Mode Functions，本征模态分量）集合为

，在这个集合中，选取最高频的本征模态分量，得到各个波形的最高频本征模态分量，即

。

在一个实施例中，时域特征参数包括均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和信息熵中的至少一个。时域特征参数的类型并不是唯一的，在本实施例中，时域特征参数包括均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和信息熵中的至少一个，即时域特征参数可以包括均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和信息熵中的其中一个或部分，也可以包括所有这些参数。均方根是信号的平方的平均（信号→平方→平均值），代表了信号的能量，是二阶矩。偏度也叫偏斜度、偏态，偏度和峭度有一定的相关性，峭度是四阶中心矩和标准差的四次方的比值，偏度是三阶中心矩和标准差的三次方的比值，偏度与峭度都可以表征曲线分布。波形因子是均方根与整流平均值的比值，峰值因子是信号峰值与均方根的比值，代表的是峰值在波形中的极端程度，脉冲因子是信号峰值与整流平均值（绝对值的平均值）的比值，裕度因子是信号峰值与方根幅值的比值，信息熵是对波形信息源复杂程度的度量。这些特征都可以较好地表征信号的时域特征，一般来说，时域特征参数包括的参数类型越多，时域特征参数的类型越丰富，信号要表征的内容越准确。可以理解，在其他实施例中，时域特征参数也可以包括其他类型的参数，只要本领域技术人员认为可以实现即可。

在一个实施例中，请参见图2，步骤S150之前，直流线路故障定位方法还包括步骤S200。

步骤S200：构建距离回归模型。

其中，距离回归模型为对直流线路中两个以上预设故障点的参考故障波形进行与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，参考标签向量为各预设故障点与直流线路的换流站的距离。

建立距离回归模型的过程中，也是采用与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维等步骤，只是处理对象不是获取到的真实的故障电压波形和故障电流波形，而是替换成直流线路中两个以上预设故障点的参考故障波形，对参考故障波形进行与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维后，得到故障特征属性的参考主成分矩阵，然后再将参考主成分矩阵与参考标签向量结合得到距离回归模型。其中，参考标签向量为各预设故障点与直流线路的换流站的距离，可以表示为

。

进一步地，两个以上的预设故障点是预先在直流线路中设置好的。为了提高距离回归模型的准确性，需要扩大样本量，因此预设故障点的数量大于两个，数量越多，得到的距离回归模型的准确性越高。此外，故障波形的多种时域特征信息被引入到距离回归模型中，利用批量仿真获取多个尺度的大量故障样本，根据直流线路故障波形的固有特性，利用机器学习方法，建立一种有效的故障智能化测距模型。

距离回归模型可以为事先已经通过仿真模拟得到的，存储在存储器中的模型。在需要对直流线路的真实故障进行定位时，先对获取到的故障电压波形和故障电流波形进行与建立距离回归模型的过程中相同的分解、时域特征提取和降维过程，得到故障特征属性的主成分矩阵。然后再调用已经得到的距离回归模型，将主成分矩阵代入到距离回归模型中，得到故障点与换流站之间的距离，从而得到直流线路中的故障点位置，完成直流线路故障定位。

在一个实施例中，请参见图3，步骤S200包括步骤S210至步骤S250。

步骤S210：获取直流线路中两个以上预设故障点的参考故障波形。

具体地，建立两端高压直流输电系统仿真模型，将线路两端换流站分别记为换流站a、换流站b，在直流线路上换流站a与换流站b之间设置两个以上的预设故障点，预设故障点的位置与故障类型是已知的，然后在换流站处获取预设故障点的参考故障波形。

步骤S220：对参考故障波形进行分解，得到各个波形的参考高频分量，并从参考高频分量中得到参考最高频分量。

获取到参考故障波形后，对参考故障波形进行分解，获得各个波形的参考高频分量集合，然后从参考高频分量集合中取最高频的高频分量，得到各个波形的参考最高频分量。

步骤S230：提取各个波形的参考最高频分量的时域特征参数，形成参考时域特征序列。

获取到各个波形的参考最高频分量后，逐一提取各个波形的参考最高频分量的时域特征参数。时域特征参数的类型并不是唯一的，可根据实际需求选择，例如可包括均方根、波形因子峰值因子和信息熵等。将故障样本中每个波形的时域特征参数提取出来后，形成参考时域特征序列，从而将第i个故障样本的参考时域特征序列表示为

。

步骤S240：利用主成分分析对参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵。

获取到参考主成分矩阵后，利用主成分分析对参考时域特征序列进行降维，即进行PCA降维，用于提取数据的主要特征分量，形成故障特征属性的参考主成分矩阵，参考主成分矩阵可表示为

。

步骤S250：将参考主成分矩阵与参考标签向量结合得到距离回归模型。

得到参考主成分矩阵后，将参考主成分矩阵与参考标签向量进行结合，构建主成分矩阵

与故障点距离y的映射关系的距离回归模型

，在获得不同预设故障点对应的参考主成分矩阵和参考标签向量，可对上一次得到的距离回归模型进行训练，以提高距离归回模型的准确性。

在一个实施例中，请参见图4，步骤S210包括步骤S212和步骤S214。

步骤S212：在第一换流站与第二换流站之间按照预设步长选取两个以上的预设故障点。

其中，第一换流站和第二换流站分别为设置于直流线路两端的换流站，将第一换流站记为换流站a，将第二换流站记为换流站b。在第一换流站与第二换流站之间按照预设步长选取两个以上的预设故障点时，一般来说，预设步长越小，得到的预设故障点的数量越多。预设步长的取值并不是唯一的，在本实施例中，预设步长可以为2%、5%乃至10%等。可以理解，在其他实施例中，预设步长也可以为其他取值，只要本领域技术人员认为可以实现即可。

步骤S214：对各预设故障点进行不同类型短路故障与不同大小过渡电阻接地故障的仿真，得到参考故障波形。

设置好预设故障点后，对各预设故障点进行不同大小过渡电阻接地故障的仿真，得到参考故障波形。各预设故障点处设置的过渡电阻的组织大小可以全不相同，或者存在部分阻值相同的过渡电阻，可以用来进行信号自查。过渡电阻的阻值大小并不是唯一的，在本实施例中，过渡电阻的阻值可以为0.1Ω至1000Ω内的阻值，例如0.1Ω、0.3Ω和1000Ω等，也可以为不在该范围内的其他阻值，具体可根据实际需求选择，只要本领域技术认为可以实现即可。对不同位置的预设故障点进行不同大小过渡电阻接地故障的大批量仿真，获取换流站a、b端直流线路大量包含电流、电压波形信息的故障样本，并以故障点与换流站a的距离作为指标构建样本标签。

在一个实施例中，请参见图4，步骤S220包括步骤S222和步骤S224。

步骤S222：对距离预设故障点发生故障的预设时间段内的参考故障波形进行自适应噪声完备经验模态分解，获取各个波形的参考本征模态分量集合。

为了采集故障前后短时间内产生的包含丰富的故障信息的高频直流故障行波，对距离预设故障点发生故障的预设时间段内的参考故障波形进行自适应噪声完备经验模态分解，获取各个波形的参考本征模态分量集合。预设时间段的具体取值并不是唯一的，在本实施例中，预设时间段的取值为0.25s。对两端换流站的故障发生前后0.25s的参考故障波形进行自适应噪声完备经验模态分解，获得各个波形的参考本征模态分量集合。

步骤S224：从参考本征模态分量集合中取最高频的本征模态分量，得到各个波形的参考最高频本征模态分量。

对距离预设故障点发生故障的预设时间段内的参考故障波形进行自适应噪声完备经验模态分解，获取各个波形的参考本征模态分量集合，第i个故障样本的换流站a、b端直流线路电流和电压波形的前n个IMF分量集合为

。在这个集合中，选取最高频的本征模态分量，得到各个波形的参考最高频本征模态分量，即

。

在一个实施例中，请参见图4，步骤S240包括步骤S242和步骤S244。

步骤S242：计算参考时域特征序列与参考标签向量的相关系数。

获取到参考时域特征序列后，计算参考时域特征序列与参考标签向量的相关系数，具体可以为计算参考时域特征序列与参考标签向量的皮尔逊相关系数。以参考时域特征序列表示为

，参考标签向量为

为例，将故障样本库的每一个时域特征向量与标签向量进行皮尔逊相关系数的计算，计算公式如下：

其中

为特征向量

与标签向量

的协方差，

分别为向量

、

的标准差。

步骤S244：利用主成分分析对相关系数大于预设强相关阈值对应的参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵。

比较相关系数与预设强相关阈值的大小，以相关系数为皮尔逊相关性系数，预设强相关阈值为δ为例，比较皮尔逊相关性系数的绝对值与预设强相关阈值的大小。若R>δ,则认为A和B具有强相关联，即该特征属性能够表征故障距离。若R<δ,则即该特征不能表征故障距离。筛选与故障点距离皮尔逊相关系数的绝对值达到δ以上（即形成统计意义上的极强相关）的特征属性形成新的参考时域特征序列

。利用主成分分析对参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵

。

在一个实施例中，请参见图4，步骤S250包括步骤S252。

步骤S252：对参考主成分矩阵的向量归一化后，与参考标签向量结合，得到距离回归模型。

对参考主成分矩阵的向量归一化后，可以将处理后的数据限制在一定的范围内，便于后续数据处理，也能使数据计算时收敛加快。对对参考主成分矩阵的向量归一化后，与参考标签向量结合，可以提高得到的距离回归模型的工作性能。

为了更好的理解上述实施例，以下结合一个具体的实施例进行详细的解释说明。在一个实施例中，直流线路故障定位方法是一种结合自适应噪声完备经验模态分解、时域特征值与支持向量回归的直流线路接地故障测距定位方法。在该方法中，故障波形的多种时域特征信息被引入到距离回归模型中。利用批量仿真获取多个尺度的大量故障样本，根据直流线路故障波形的固有特性，利用机器学习方法，建立一种有效的故障智能化测距模型。排除了降低传统基于公式的测距方法故障点位置识别精度的因素的影响，同时拓展了人工智能技术在电力系统的应用。

具体地，请参见图5，直流线路故障定位方法包括以下步骤：

（1）建立两端高压直流输电系统仿真模型，将线路两端换流站分别记为换流站a、换流站b并在直流线路上按照一定的步长（如2%、5%乃至10%）对不同的相对位置进行不同故障类型（如极1接地、极2接地、两极短路、两极短路接地）和不同大小过渡电阻（如0.1Ω、0.3Ω、…，不超过1000Ω）接地故障的大批量仿真，获取换流站a、b端直流线路大量包含电流、电压波形信息的故障样本，并以故障点与换流站a的距离作为指标构建样本标签；

（2）为了采集故障后短时间内产生的包含丰富的故障信息高频直流故障行波，对两端换流站的故障发生前后0.25s的电气量波形进行自适应噪声完备经验模态分解，获得各个波形的多个本征模态分量集合，第i个故障样本的换流站a、b端电流和电压波形的前n个IMF分量集合为

，取最高频的IMF分量作为构造故障特征的波形，即

；

（3）逐一提取各个故障样本波形的最高频IMF分量的时域特征，包括均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子、信息熵等，故障样本中每个波形的初级特征向量用上述属性表示，从而将第i个故障样本的初级特征向量表示为

，从而将故障波形样本数据库转化为特征矩阵

，标签y _i 设定为第i个故障样本的故障点与换流站a的距离，标签向量为

；

（4）设定皮尔逊相关性系数的强相关阈值δ，将故障样本库的每一个时域特征向量

与标签向量

进行皮尔逊相关系数的计算，计算公式如下：

其中

为特征向量

与标签向量

的协方差，

分别为向量

、

的标准差。比较皮尔逊相关性系数的绝对值与所设定的阈值的大小，若R>δ,则认为A和B具有强相关联，即该特征属性能够表征故障距离；若R<δ,则即该特征不能表征故障距离。筛选与故障点距离皮尔逊相关系数的绝对值达到δ以上（即形成统计意义上的极强相关）的特征属性形成新的特征向量

。利用主成分分析对特征向量进行降维，形成故障特征属性的主成分矩阵

；

（5）对主成分矩阵的向量归一化后，与标签向量结合，用于训练支持向量回归模型，构建主成分向量

与故障点距离y的映射关系的距离回归模型

。应用该距离回归模型时，将线路两端故障电流、电压波形依次经过上述步骤2、3处理、依据步骤4的分析结果形成故障向量的主成分后，将其代入该回归模型，求得故障点位置y。

本申请由于采用自适应的CEEMDAN算法进行波形多尺度分解和高频分量提取，克服了需要人为确定小波分解母小波与分解层数的局限性，同时由于采用机器学习算法对特征与故障距离进行拟合，避免依据人为给定故障行波波速带来的测距误差。本方案充分利用高压直流输电系统的多重仿真技术获取的海量故障波形数据信息，基于CEEMDAN分解得到的高频分量进行信息提取和故障点位置进行机器学习回归算法拟合。构建了大量故障波形的时域特征集后，利用相关性分析方法自动进行波形时域特征的筛选，降低了人为因素对模型的影响，确保该算法具有较好的泛化能力，同时使用PCA降维，降低了支持向量回归模型训练的时间复杂度和空间复杂度并提高了测距模型在小数据集上的鲁棒性。

上述直流线路故障定位方法，获取直流线路两端的故障电流波形和故障电压波形后，对故障电流波形和故障电压波形进行分解，得到各个波形的最高频分量，提取各个波形的最高频分量的时域特征参数，形成时域特征序列，利用主成分分析对时域特征序列进行降维，形成故障特征属性的主成分矩阵，将主成分矩阵代入距离回归模型，得到直流线路中的故障点位置，距离回归模型为基于直流线路中两个以上预设故障点的参考故障波形，对参考故障波形进行与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维后，与参考标签向量结合得到，参考标签向量为各预设故障点与直流线路的换流站的距离。基于包含多个预设故障点的参考故障波形的大量故障样本，通过分解、时域特征提取和降维建立一种有效的距离回归模型，降低了人为因素对模型的影响，使距离回归模型具有较好的泛化能力，提高了距离回归模型在小数据集上的鲁棒性，应用距离回归模型时，在获取直流线路两端的故障电流波形和故障电压波形后，对故障波形进行与建立距离回归模型相似的分解、时域特征提取和降维等处理步骤，使处理后的故障波形更好地适用于距离回归模型，将处理后的故障波形代入距离回归模型后可以得到准确的故障点位置，提高了直流线路故障定位方法的使用可靠性。

在一个实施例中，提供一种直流线路故障定位装置，包括波形获取模块、分解模块、提取模块、降维模块和代入模块，波形获取模块用于获取直流线路两端的故障电流波形和故障电压波形，分解模块用于对故障电流波形和故障电压波形进行分解，得到各个波形的高频分量，并从高频分量中得到最高频分量，提取模块用于提取各个波形的最高频分量的时域特征参数，形成时域特征序列，降维模块用于利用主成分分析对时域特征序列进行降维，形成故障特征属性的主成分矩阵，代入模块用于将主成分矩阵代入距离回归模型，得到直流线路中的故障点位置。距离回归模型对基于直流线路中两个以上预设故障点的参考故障波形进行与处理故障电流波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，参考标签向量为各预设故障点与直流线路的换流站的距离。

在一个实施例中，直流线路故障定位装置还包括模型构建模块，模型构建模块用于在代入模块将主成分矩阵代入距离回归模型，得到直流线路中的故障点位置之前，构建距离回归模型，距离回归模型对基于直流线路中两个以上预设故障点的参考故障波形进行与处理故障电流波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，参考标签向量为各预设故障点与直流线路的换流站的距离。

上述直流线路故障定位装置，获取直流线路两端的故障电流波形和故障电压波形后，对故障电流波形和故障电压波形进行分解，得到各个波形的最高频分量，提取各个波形的最高频分量的时域特征参数，形成时域特征序列，利用主成分分析对时域特征序列进行降维，形成故障特征属性的主成分矩阵，将主成分矩阵代入距离回归模型，得到直流线路中的故障点位置，距离回归模型为基于直流线路中两个以上预设故障点的参考故障波形，对参考故障波形进行与处理故障电流波形和故障电压波形匹配的分解、时域特征提取和降维后，与参考标签向量结合得到，参考标签向量为各预设故障点与直流线路的换流站的距离。基于包含多个预设故障点的参考故障波形的大量故障样本，通过分解、时域特征提取和降维建立一种有效的距离回归模型，降低了人为因素对模型的影响，使距离回归模型具有较好的泛化能力，提高了距离回归模型在小数据集上的鲁棒性，应用距离回归模型时，在获取直流线路两端的故障电流波形和故障电压波形后，对故障波形进行与建立距离回归模型相似的分解、时域特征提取和降维等处理步骤，使处理后的故障波形更好地适用于距离回归模型，将处理后的故障波形代入距离回归模型后可以得到准确的故障点位置，提高了直流线路故障定位方法的使用可靠性。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种直流线路故障定位方法，其特征在于，包括以下步骤：

获取直流线路两端的故障电流波形和故障电压波形；

对所述故障电流波形和所述故障电压波形进行分解，得到各个波形的高频分量，并从所述高频分量中得到最高频分量；

提取所述各个波形的最高频分量的时域特征参数，形成时域特征序列；

利用主成分分析对所述时域特征序列进行降维，形成故障特征属性的主成分矩阵；

将所述主成分矩阵代入距离回归模型，得到所述直流线路中的故障点位置；所述距离回归模型为对直流线路中两个以上预设故障点的参考故障波形进行与处理所述故障电流波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，所述参考标签向量为各所述预设故障点与直流线路的换流站的距离；

所述对所述故障电流波形和所述故障电压波形进行分解，得到各个波形的高频分量，并从所述高频分量中得到最高频分量，包括：

对所述故障电流波形和所述故障电压波形进行自适应噪声完备经验模态分解出的第一阶固有模态分量进行集合平均，得到各个波形的本征模态分量集合；

从所述本征模态分量集合中取最高频的本征模态分量，得到各个波形的最高频本征模态分量。

2.根据权利要求1所述的直流线路故障定位方法，其特征在于，所述时域特征参数包括均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和信息熵中的至少一个。

3.根据权利要求1所述的直流线路故障定位方法，其特征在于，所述将所述主成分矩阵代入距离回归模型，得到所述直流线路中的故障点位置之前，还包括：

构建距离回归模型；所述距离回归模型为对直流线路中两个以上预设故障点的参考故障波形进行与处理所述故障电流波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，所述参考标签向量为各所述预设故障点与直流线路的换流站的距离。

4.根据权利要求3所述的直流线路故障定位方法，其特征在于，所述构建距离回归模型，包括：

获取直流线路中两个以上预设故障点的参考故障波形；

对所述参考故障波形进行分解，得到各个波形的参考高频分量，并从所述参考高频分量中得到参考最高频分量；

提取所述各个波形的参考最高频分量的时域特征参数，形成参考时域特征序列；

利用主成分分析对所述参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵；

将所述参考主成分矩阵与参考标签向量结合得到距离回归模型。

5.根据权利要求4所述的直流线路故障定位方法，其特征在于，所述获取直流线路中两个以上预设故障点的参考故障波形，包括：

在第一换流站与第二换流站之间按照预设步长选取两个以上的预设故障点；所述第一换流站和所述第二换流站分别为设置于所述直流线路两端的换流站；

对各所述预设故障点进行不同类型短路故障与不同大小过渡电阻接地故障的仿真，得到参考故障波形。

6.根据权利要求4所述的直流线路故障定位方法，其特征在于，所述对所述参考故障波形进行分解，得到各个波形的参考高频分量，并从所述参考高频分量中得到参考最高频分量，包括：

对距离所述预设故障点发生故障的预设时间段内的参考故障波形进行自适应噪声完备经验模态分解，获取各个波形的参考本征模态分量集合；

从所述参考本征模态分量集合中取最高频的本征模态分量，得到各个波形的参考最高频本征模态分量。

7.根据权利要求4所述的直流线路故障定位方法，其特征在于，所述利用主成分分析对所述参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵，包括：

计算所述参考时域特征序列与所述参考标签向量的相关系数；

利用主成分分析对所述相关系数大于预设强相关阈值对应的参考时域特征序列进行降维，形成故障特征属性的参考主成分矩阵。

8.根据权利要求4所述的直流线路故障定位方法，其特征在于，所述将所述参考主成分矩阵与参考标签向量结合得到距离回归模型，包括：

对所述参考主成分矩阵的向量归一化后，与参考标签向量结合，得到距离回归模型。

9.一种直流线路故障定位装置，其特征在于，包括：

波形获取模块，用于获取直流线路两端的故障电流波形和故障电压波形；

分解模块，用于对所述故障电流波形和所述故障电压波形进行自适应噪声完备经验模态分解出的第一阶固有模态分量进行集合平均，得到各个波形的本征模态分量集合；从所述本征模态分量集合中取最高频的本征模态分量，得到各个波形的最高频本征模态分量；

提取模块，用于提取所述各个波形的最高频分量的时域特征参数，形成时域特征序列；

降维模块，用于利用主成分分析对所述时域特征序列进行降维，形成故障特征属性的主成分矩阵；

代入模块，用于将所述主成分矩阵代入距离回归模型，得到所述直流线路中的故障点位置；所述距离回归模型对基于直流线路中两个以上预设故障点的参考故障波形进行与处理所述故障电流波形匹配的分解、时域特征提取和降维后，再与参考标签向量结合得到，所述参考标签向量为各所述预设故障点与直流线路的换流站的距离。

Images