一种三段线缆混合直流输电线路故障区段识别的智能方法
【技术领域】
[0001]本发明涉及一种三段线缆混合直流输电线路故障区段识别的智能方法，属于电力系统继电保护技术领域。
【背景技术】
[0002]高压直流输电具有占地面积小、输送容量大、电能损耗小、输送距离远等优点，在我国电力系统得到了广泛应用。对于一些特殊的直流输电工程，如横跨大江、穿越海峡的输电线路，单一的架空线路很难满足运行的经济性和可靠性，需要建设线缆混合的输电线路。研究适用于高压直流线缆混合线路的故障测距技术，能够有效的提高输电线路的可靠性和经济性，对电力系统的安全运行具有重要意思。
[0003]目前，线缆混合高压直流输电线路故障测距方法主要有两种:阻抗法和行波法。基于故障时线路的阻抗进行测距的方法基本原理为:输电线路发生故障时，线路两端可测量可到故障电压和故障电流，通过计算可得出故障时线路的阻抗，与单位的线路阻抗进行比较从而得到故障点到测距装置的距离。阻抗法原理简单，但其测距误差较大，这一测距误差主要起源于该测距方法的原理性缺陷，对参数模糊化造成的误差考虑较少。线缆混合线路由于电气参数不一致，使用阻抗法测距会使得误差更加显著。基于故障行波的测距方法是目前世界上应用最广泛的故障测距方法，利用线路故障时产生的电压或电流行波在线路上的传播时间和传播距离之间的对应关系进行测距。行波测距具有原理简单、测距精度高、测距速度快等优点。但是对于线缆混合输电线路，其电气参数不一致，导致行波传播速度也不一致，测距公式也有很大差别，需要更加具体的研究。通常利用单端电压行波对高压直流线缆混合线路进行测距。
[0004]高压直流线缆混合线路单端电压行波法故障测距的基础和关键环节是识别故障线路区段。一般根据ANN或SVM分类功能可实现故障线路区段辨识，若采用SVM，通常可以构建DWT-SVM或PCA-SVM判别模型和算法，这里阐述三段线缆混合高压直流输电线路故障线路区段识别的PCA-SVM判别模型和算法。
【发明内容】
[0005]本发明的目的是提供一种三段线缆混合直流输电线路故障区段识别的智能方法，用以解决上述问题。
[0006]本发明的技术方案是:一种三段线缆混合直流输电线路故障区段识别的智能方法，由仿真获得三段线缆混合线路正极线路发生短路故障时测量端故障电压行波曲线簇，选取其故障电压初始行波到达Μ端之前的2个采样点，故障电压初始行波到达Μ端之后28个采样点的180条全部初始电压行波曲线在PCA空间进行聚类分析。将故障电压行波曲线簇在PCJP PC 2坐标轴上的投影值q廊q 2作为SVM的输入属性，根据SVM的输出判断故障区段。SVM输出1为架空线路h故障，SVM输出0为电缆线路12故障，SVM输出2为架空线路13故障，这样可以建立三段线缆混合线路故障区段识别的PCA-SVM方法，通过仿真实验证明，该方法可以准确的识别三段线缆混合直流输电线路故障区段。
[0007]具体步骤如下:
[0008]第一步、在三段线缆混合直流输电线路中，利用仿真数据形成样本数据库:于架空线路^起端Μ观测，分别假设架空线路1 ρ电缆线路12和架空线路1 3正极线路发生短路故障，沿线路MN全长共设180个故障位置，过渡电阻设为0 Ω。
[0009]第二步、将仿真获得的180条全部初始电压行波曲线进行归一化处理，即在1MHz采样率下，选取其故障电压初始行波到达Μ端之前的2个采样点，故障电压初始行波到达Μ端之后28个采样点的电压数据进行均值为零、方差为1的归一化处理。
[0010]第三步、对上述归一化处理后的数据进行主成分分析，得到电压曲线在第一主成分(PQ)和第二主成分(PC2)上的投影(qi，q2)。
[0011]第四步、将第三步得到的投影值(qi，q2)作为SVM的输入属性，构建PCA-SVM的线路故障段识别机制，并规定SVM输出1为架空线路h故障，SVM输出0为电缆线路1 2故障，SVM输出2为架空线路13故障。
[0012]第五步、当三段线缆混合直流线路不同线路发生故障时，得量测端所获得达Μ端之前的2个采样点，故障电压初始行波到达Μ端之后28个采样点的电压数据，经过数据归一化处理，将该故障样本投入相对应的主成分聚类空间中，得到其在第一主成分(PCJ轴上的投影值V:和第二主成分(PC 2)轴上的投影值q' 2；
[0013]第六步、根据权利要求书中步骤四中所得的投影值q' jPq' 2作为SVM的输入属性，根据SVM的输出结果判断出故障区段。即
[0014]若SVM输出1，则架空线路h故障；
[0015]若SVM输出0，则电缆线路12故障；
[0016]若SVM输出2，则架空线路13故障。
[0017]本发明的原理是:
[0018]对于三段线缆混合直流输电线路，架空线部分和电缆部分的波阻抗不同，故障位于不同线路段时的初始电压行波的幅值和陡度具有很大差别。将这种时域故障初始行波的幅值和陡度差别映射到PCA空间，得到故障初始电压行波曲线簇在PC；*标轴的投影值Q1当故障位于架空线路13，其故障初始行波曲线簇在PC:坐标轴的投影值卩:大于零；当故障位于架空线路li和电缆线路1 2，其故障初始行波曲线簇在PCi*标轴的投影值q i均小于零。这样，根据qi值可以实现架空线路1 i和架空线路13故障线路段的两者之间的识别，以及实现电缆线路12和架空线路13故障线路段的两者之间识别，但不能实现架空线路1:和电缆线路12故障区段的识别。
[0019]支持向量机(SVM)是建立在统计学习理论基础上的一种小样本机器学习方法，用于解决二分类问题，SVM的主要思想可以概括为两点:(1)它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；(2)它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化，并且在整个样本空间的期望风险以某个概率满足一定上界。将三段线缆混合线路故障初始电压行波曲线簇在PCJP PC 2坐标轴上的投影值qJP q2作为SVM的输入属性，根据SVM的输出可以实现架空线路1:、电缆线路12及架空线路13故障区段的识别。
[0020]本发明的有益效果是:
[0021]本方法利用故障初始电压行波对三段线缆混合直流输电线路正极线路发生短路故障进行故障识别，为行波测距提供依据，通过大量仿真实验证明，该方法可以准确、可靠的识别三段线缆混合直