基于故障初始角過渡電阻與機器學習的線路母線保護方法
【技術領域】
[0001] 本發明涉及電網輸電線路與母線的保護技術，尤其涉及到利用故障暫態信息，基 于過渡電阻、故障初始角與機器學習的輸電線路與母線的智能保護方法，所提出的方法適 用高壓、超高壓和特高壓電網的線路與母線的保護。
【背景技術】
[0002] 目前，在輸電網中廣泛采用的保護主要是以工頻量變化量為故障特征的保護，保 護動作一般需要20~40ms，同時基于工頻電氣量變化的保護容易受到輸電線路分布電容電 流的影響、電流互感器飽和、電力系統振蕩和過渡電阻等因素的影響。隨著電網的不斷發 展，要求繼電保護切除故障的時間更短，同時對保護可靠性的要求也更高。20世紀80年代提 出的基于故障產生的故障高頻分量的行波保護具有超高速動作特性，并且不受電流互感器 飽和、電力系統振蕩等影響。因此，自從基于故障暫態保護被提出以來，暫態保護受到電網 繼電保護工作者與學者的廣泛關注。暫態保護從基本原理上分有通道通信保護無通道通信 保護。盡管暫態保護被認為是一種很有前景的保護，但是暫態保護在實際應用中性能并不 穩定，可靠性不高，究其原因暫態保護中利用的故障暫態特征量容易受到故障初始角和過 渡電阻的影響，但傳統的暫態保護并沒有考慮二者的影響。中國發明專利公開說明書CN 2013100656942(基于過渡電阻與故障角歸算輸電線路自適應單端暫態保護)和文獻"A new method for non-unit protection of power transmission lines based on fault resistance and fault angle reduction'，（International Journal of Electrical Power&Energy Systems，Vol .55,2014)公開了一種基于按故障初始角與過渡電阻歸算后暫 態量的單端暫態保護方法。相對于傳統暫態方法，該保護方法克服了故障初始角與過渡電 阻對保護的負面影響，使得可靠性得到了大幅提高。該保護方法很新穎，但仍然存在缺陷和 不足，比如它在判斷故障時，仍然采用的是傳統的故障動作值整定的方法，對于不同的故障 條件(不同的故障初始角、過渡電阻）下的故障都采用相同的整定值，而故障特征在不同故 障初始角和過渡電阻條件下歸算后的值相差較大，難以達到理想的效果，其歸算精度有待 進一步提高，以便更好地消除故障初始角與過渡電阻對保護的影響，以達到進一步提高保 護可靠性與保護靈敏度的目的。
【發明內容】
[0003] 本發明的目的在于克服現有技術不足，提供了一種可靠性更高的用于保護輸電線 路與母線的基于故障初始角過渡電阻與機器學習的線路母線保護方法，基本原理是：（1)輸 電網發生短路故障時，產生大量的高頻暫態電流、電壓信號，高頻暫態信號向各個傳播路徑 傳播，在通過兩端母線時，由于母線上有很大的對地分布等效電容，很大一部分暫態高頻分 量被母線的對地分布等效電容旁路分流掉，同一頻段的高頻暫態信號在通過母線后，變得 弱小很多，并且頻率越高被旁路掉的越多；（2)不同故障初始角與過渡電阻的故障條件下， 故障產生的高頻分量差別很大；（3)將包括故障特征、故障初始角、過渡電阻組成的向量作 為機器學習的輸入向量；（4)將在保護區內與保護區外的典型故障位置(典型故障位置可以 包括母線、線路兩端出口附近位置、線路中間位置)與典型故障條件(典型故障條件，可以為 過渡電阻為1歐、50歐、100歐、150歐、300歐，與故障初始角可以為0°、5°、45°、85°、90°，兩者 之間的組合)下的的故障樣本(每個故障樣本的信息包括故障特征、故障初始角、過渡電阻 的組成的機器學習的輸入向量)組成典型故障樣本集，機器學習的輸入向量包含故障特征、 故障初始角、過渡電阻，并應用這些典型故障樣本集對機器學習進行訓練；（5)應用訓練好 了的機器學習進行故障判斷，相當于針對不同的故障條件整定了一個相應的保護動作整定 值，可消除故障初始角與過渡電阻對保護不利影響，大幅提高保護可靠性。與此相應，本發 明另一個要解決的問題是提供一種能得到一種可靠性高、克服了過渡電阻與故障初始角影 響的線路母線保護方法的故障初始角的計算方法。為了為敘述的簡潔與方便，定義本發明 方法中所述的高頻分量處理量，指的是故障信號的高頻分量的高頻分量能量或高頻分量瞬 時幅值積分或高頻分量熵或高頻分量復雜度或高頻分量奇異度或高頻分量模極大值或它 們的差值或它們的比值或其它高頻分量處理量中的一種。定義本發明方法中所述的機器學 習，指的是支持向量機、或神經網絡、或遺傳算法、K最近鄰(k-Nearest NeighborJNNAv^ 算法、或K-Means算法、或C4.5算法、Apriori算法、最大期望（EM ,Expectation-Maximization) 算法、 PageRank算法、 Adaboost算法、 Naive Bayes算法、 分類與 回歸樹 (CART, Classification and Regression Trees)算法等機器學習中的一種。
[0004] 就本發明的線路母線保護方法而言，實施步驟包括：（1)提取故障電流信號（或故 障電壓信號）的高頻分量；（2)構建包含故障高頻信息的故障特征，故障高頻信息為故障信 號(故障信號為故障電流信號或故障電壓信號）的高頻分量處理量、或高頻分量處理量的比 值、或高頻分量處理量的差值、或為故障信號行波方向、或故障信號方向、或故障信號高頻 分量;高頻分量處理量為高頻分量的能量、或高頻分量瞬時幅值積分、或高頻分量瞬時幅值 和、或高頻分量瞬時幅值、故障信號熵、或故障信號復雜度、高頻分量熵、或高頻分量復雜 度、或高頻分量奇異度、或高頻分量模極大值；（3)判別故障類型與故障選相；（4)計算過渡 電阻與故障初始角；（5)構造包括故障特征、故障初始角、過渡電阻的機器學習的輸入向量； (6)機器學習的訓練，應用典型故障樣本集對機器學習進行訓練;機器學習訓練好后，在進 行故障判斷時，該步驟可以省略、跳過；（7)實際故障判斷，應用訓練好了的機器學習進行故 障判斷。
[0005] 本發明提出的基于故障初始角過渡電阻與機器學習的線路母線保護方法，有如下 有益效果：
[0006] (1)無需人工進行具體保護動作值的整定，智能地完成故障判斷，避免了人工整定 保護動作值所可能產生的錯誤
[0007] (2)由于機器學習的輸入向量中包含了故障初始角與過渡電阻，通過機器學習的 方法智能地進行故障判斷，它相當于針對不同的故障條件分別整定一個合適的動作值；由 此可見該發明的保護方法通過機器學習的方式智能地消除故障初始角與過渡電阻對保護 的不利影響，大幅提高了保護可靠性；
[0008] (3)本發明方法的機器學習在訓練過程中，無需所有故障條件下的故障樣本數據， 而僅僅需要典型故障樣本數據，不僅減輕了機器學習的訓練負擔，更重要的是使本發明方 法具有實際可行性；
[0009] (4)本發明方法屬于暫態保護范疇，具有傳統暫態保護的優點，動作速度快，不受 電流互感器飽和、系統震蕩或系統短路容量的影響；
[0010] (5)本發明方法具有傳統暫態保護的優勢外，還真正做到能保護線路全長；
[0011] (6)本發明方法對母線對地分布電容要求小，能很好地適用普通的高壓、超高壓、 特高壓輸電線路和母線的保護。
[0012] 作為本發明線路母線保護方法的技術方案1，基于故障電流信號（或故障電壓信 號）的多個高頻分量處理量、支持向量機、故障初始角和過渡電阻保護一條線路的方法，保 護對象為圖1中的線路CB，可以包含下述步驟：
[0013] 步驟1:提取故障電流信號（或故障電壓信號）的兩個或三個或三個以上的多個高 頻分量:即在被保護線路CB的C端，不斷采集故障電流或電壓m)，經模數轉換將模擬信號 轉換為數字信號，轉為數字信號后的電流信號仍然用^表示(或電壓信號仍然用m表示），提 取故障電流ii的3個頻段的高頻分量i hl、ih2、ih3(或電壓m的3個頻段的高頻分量uhl、u h2、 Uh3);
[0014] 步驟2:計算兩個或三個或三個以上的多個高頻分量的高頻分量處理量，并以這兩 個或三個或三個以上的多個高頻分量處理量構建故障特征：由高頻分量i hl、ih2、ih3(或UW、 Uh2、uh3)計算它們的高頻分量處理量，分別表示為P1、P 2、P3;以高分量處理量的一種，高頻分 量的能量為例，即根據公式
計算故障高頻分量ihl、ih2、 ih3的能量PhP^P3;并將高頻分量處理量PhP2J3-起作為故障特征；
[0015] 步驟3:判別故障類型與故障選相；
[0016] 步驟4:計算過渡電阻與故障初始角；
[0017]步驟5 :構建包括故障特征、故障初始角、過渡電阻的機器學習--支持向量 機--的輸入向量；
[0018] 步驟6:機器學習一一支持向量機一一的訓練:將被保護線路CB內部與外部區域的 典型故障位置、典型故障條件下的故障樣本(每個故障樣本的信息包括故障特征、故障初始 角、過渡電阻組成的輸入向量)組成典型故障樣本集;應用典型故障樣本集對機器學習一一 支持向量機--進行訓練；
[0019] 步驟7:故障判斷:將實際故障情況下的包括故障特征、故障初始角、過渡電阻組成 的向量輸入到訓練好了的機器學習一一支持向量機一一中，機器學習一一支持向量機一一 自動判斷故障是否在保護區內；
[0020] 技術方案1的有益效果是所有高頻分量的信息得到充分利用，可靠性提高。
[0021] 作為本發明線路母線保護方法的技術方案2,基于故障電流信號（或故障電壓信 號）多個高頻分量處理量、神經網絡、故障初始角和過渡電阻一條線路的保護方法，保護對 象為圖1中的線路CB，可以包含下述步驟：
[0022]步驟1:提取故障電流信號（或故障電壓信號）兩個或三個或三個以上的多個的高 頻分量:即在被保護線路CB的C端，不斷采集故障電流h(或故障電壓m)，經模數轉換將模擬 信號轉換為數字信號，轉為數字信號后的電流信號仍然用^表示(或電壓信號仍然用m表 示），提取故障電流ii的3個頻段的高頻分量i hl、ih2、ih3(或故障電壓m的3個頻段的高頻分量 Uhl、Uh2、Uh3);
[0023] 步驟2:計算兩個或三個或三個以上的多個高頻分量的高頻分量處理量，并以這兩 個或三個或三個以上的多個高頻分量處理量構建故障特征：由高頻分量i hl、ih2、ih3(或UW、 Uh2、Uh3)計算出它們的高頻分量處理量，分別表示為P1、P 2、P3;以高分量處理量的一種，高頻 分量的能量為例，即根據公式
計算故障高頻分量ihl、 ih2、ih3的能量P1、p2、p3;并將高頻分量處理量P 1、p2、p3-起作為故障特征；
[0024] 步驟3:判別故障類型與故障選相；
[0025] 步驟4:計算過渡電阻與故障初始角；
[0026] 步驟5:構建包括故障特征、故障初始角、過渡電阻的機器學習 一一神經網絡一一 的輸入向量；
[0027]步驟6:機器學習 一一神經網絡一一的訓練:將被保護線路CB內部與外部區域的典 型故障位置、典型故障條件下的故障樣本(每個故障樣本的信息包括故障特征、故障初始 角、過渡電阻組成的輸入向量)組成的輸入向量組成典型故障樣本集;應用典型故障樣本集 對機器學習 神經網絡 進彳丁訓練；
[0028] 步驟7:實際故障判斷:將實際故障情況下的包括故障特征、故障初始角、過渡電阻 組成的向量輸入到訓練好了的機器學習一一神經網絡一一中，機器學習一一神經網絡一一 自動判斷故障是否在保護區內；
[0029] 技術方案2的有益效果是所有高頻分量的信息得到充分利用，可靠性提高。
[0030] 作為本發明線路母線保護方法的技術方案3,基于故障電流信號（或故障電壓信 號）的一個高頻分量處理量、故障初始角和過渡電阻保護一條線路的方法，保護對象為圖1 中的線路CB，可以包含下述步驟：
[0031] 步驟1:提取故障電流信號（或故障電壓信號）的高頻分量：即在被保護線路CB的C 端，不斷采集故障電流h(或故障電壓m)，經模數轉換將模擬信號轉換為數字信號，轉為數 字信號后的電流信號仍然用h表示(或轉為數字信號后的電壓信號仍然用m表示），提取故 障電流i 1的高頻分量ih(或故障電壓m的高頻分量Uh);
[0032]步驟2:計算高頻分量的高頻分量處理量，并以這個高頻分量處理量構建故障特 征：由高頻分量ih(或Uh)計算出它的高頻分量處理量，表示為Pi;以高分量處理量的一種，高 頻分量的能量為例，即根據公式f 計算故障高頻分量ih的能量；以故障高頻分量處 產1 理量卩:作為故障特征；
[0033] 步驟3:判別故障類型與故障選相；
[0034] 步驟4:計算過渡電阻與故障初始角；
[0035]步驟5:構建包括故障特征、故障初始角、過渡電阻的機器學習的輸入向量；
[0036]步驟6:機器學習的訓練:將被保護線路CB內部與外部區域的典型故障位置、典型 故障條件下的故障樣本(每個故障樣本的信息包括故障特征、故障初始角、過渡電阻組成的 輸入向量)組成的輸入向量組成典型故障樣本集;應用典型故障樣本集對機器學習進行訓 練；
[0037]步驟7:實際故障判斷:將實際故障情況下的包括故障特征、故障初始角、過渡電阻 組成的向量輸入到訓練好了的機器學習中，機器學習自動判斷故障是否在保護區內。
[0038]作為本發明線路母線保護方法的技術方案4,基于故障電流信號（或故障電壓信 號）的一個高頻分量瞬時幅值積分(或瞬時幅值和或瞬時幅值）、故障初始角和過渡電阻保 護一條線路的方法，保護對象為圖1中的線路CB，可以包含下述步驟：
[0039]步驟1:提取故障電流信號（或故障電壓信號）的高頻分量：即在被保護線路CB的C 端，不斷采集故障電流h(或故障電壓m)，經模數轉換將模擬信號轉換為數字信號，轉為數 字信號后的電流信號仍然用h表示(或電壓信號仍然用m表示）；
[0040]步驟2 :計算尚頻分量的尚頻分量處理量或瞬時幅值積分或瞬時幅值和或瞬時幅 值，并以這個高頻分量處理量或瞬時幅值積分或瞬時幅值和或瞬時幅值構建故障特征：以 高分量處理量中的一種，高頻分量能量瞬時幅值積分為例，應用希爾伯特黃變換計算出故 障電流ii (或故障電壓m)的高頻分量的瞬時幅值IA，按公式
將IA在一段時 間上進行積分得到高頻分量的瞬時幅值積分Ι0ΙΑ，以故障高頻分量瞬時幅值積分IOIA作為 故障特征；
[0041 ]步驟3:判別故障類型與故障選相；
[0042]步驟4:計算過渡電阻與故障初始角；
[0043]步驟5:構建包括故障特征、故障初始角、過渡電阻的機器學習的輸入向量；
[0044] 步驟6:機器學習的訓練:將被保護線路CB內部與外部區域的典型故障位置、典型 故障條件下的故障樣本(每個故障樣本的信息包括故障特征、故障初始角、過渡電阻組成的 輸入向量)輸入向量組成典型故障樣本集;應用典型故障樣本集對機器學習進行訓練；
[0045] 步驟7:實際故障判斷:將實際故障情況下的包括故障特征、故障初始角、過渡電阻 組成的向量輸入到訓練好了的機器學習中，機器學習自動判斷故障是否在保護區內。
[0046] 作為本發明線路母線保護方法的技術方案5,基于故障電流信號（或故障電壓信 號）的熵、故障初始角和過渡電阻保護一條線路的方法，保護對象為圖1中的線路CB，可以包 含下述步驟：
[0047] 步驟1:提取故障電流信號(或故障電壓信號）：即在被保護線路CB的C端，不斷采集 故障電流^(或故障電壓m)，經模數轉換將模擬信號轉換為數字信號，轉為數字信號后的電 流信號仍然用h表示(或電壓信號仍然用m表示）；
[0048]步驟2:計算故障信號的熵，并以這個熵構建故障特征:計算故障電流信號h(故障 電壓信號U1)的熵，比如根據公式
十算出信號h的熵E (S)，其中Sn表示信號^在一個正交小波基上的投影系數;并以故障信號的熵E(S)作為故障 特征；
[0049] 步驟3:判別故障類型與故障選相；
[0050] 步驟4:計算過渡電阻與故障初始角；
[0051] 步驟5:構建包括故障特征、故障初始角、過渡電阻的機器學習的輸入向量；
[0052] 步驟6:機器學習的訓練:將被保護線路CB內部與外部區域的典型故障位置、典型 故障條件下的故障樣本(每個故障樣本的信息包括故障特征、故障初始角、過渡電阻組成的 輸入向量)組成典型故障樣本集;應用典型故障樣本集對機器學習進行訓練；
[0053] 步驟7:實際故障判斷:將實際故障情況下的包括故障特征、故障初始角、過渡電阻 組成的向量輸入到訓練好了的機器學習中，機器學習自動判斷故障是否在保護區內。
[0054] 作為本發明線路母線保護方法的技術方案6,基于故障電流信號（或故障電壓信 號）的兩個高頻分量處理量的差值、故障初始角和過渡電阻保護一條線路的方法，保護對象 為圖1中的線路CB，可以包含下述步驟：
[0055] 步驟1:提取故障電流信號(或故障電壓信號）的兩個高頻分量:即在被保護線路CB 的C端，不斷采集故障電流h(或故障電壓m)，經模數轉換將模擬信號轉換為數字信號，轉為 數字信號后的電流信號仍然用^表示(或轉為數字信號后的電壓信號仍然用m表示），提取 故障電流ii的2個頻段的高頻分量i hl、ih2(或故障電壓m的2個頻段的高頻分量uhl、uh2);
[0056] 步驟2:計算兩個高頻分量的高頻分量處理量的差值，并以高頻分量處理量的差值 構建故障特征：由高頻分量ihl、ih 2(或uhl、uh2)計算它們的高頻分量處理量，分別表示為 P2;以高分量處理量的一種，高頻分量的能量為例，即根據公式
計算 ihl、ih2的能量P1、P2，其中η為正整數，可取200;進一步計算兩個高頻分量處理量的差值 diff12 = P1-P2，并將高頻分量處理量差值虹打12作為故障特征；
[0057] 步驟3:判別故障類型與故障選相；
[0058] 步驟4:計算過渡電阻與故障初始角；
[0059]步驟5:構建包括故障特征、故障初始角、過渡電阻的機器學習的輸入向量；
[0060] 步驟6:機器學習的訓練:將被保護線路CB內部與外部區域的典型故障位置、典型 故障條件的故障樣本(每個故障樣本的信息包括故障特征、故障初始角、過渡電阻組成的輸 入向量)組成的輸入向量組成典型故障樣本集;應用典型故障樣本集對機器學習進行訓練；
[0061] 步驟7:實際故障判斷:將實際故障情況下的包括故障特征、故障初始角、過渡電阻 組成的向量輸入到訓練好了的機器學習中，機器學習自動判斷故障是否在被保護的線路 上；
[0062] 技術方案6的有益效果是多個高頻分量的信息得到充分利用，可靠性提高。
[0063] 作為本發明線路母線保護方法的技術方案7,基于故障電流信號（或故障電壓信 號）的兩個高頻分量處理量比值、故障初始角和過渡電阻保護一條線路的方法，保護對象為 圖1中的線路CB，可以包含下述步驟：
[0064]步驟1:提取故障電流信號(或故障電壓信號）的兩個高頻分量:即在被保護線路CB 的C端，不斷采集故障電流h(或故障電壓m)，經模數轉換將模擬信號轉換為數字信號，轉為 數字信號后的電流信號仍然用^表示(或轉為數字信號后的電壓信號仍然用m表示），提取 故障電流ii的2個頻段的高頻分量i hl、ih2(或提取故障電壓m的2個頻段的高頻分量uhl、 Uh2);
[0065] 步驟2:計算兩個高頻分量的高頻分量處理量的比值，并以高頻分量處理量的比值 構建故障特征：由高頻分