基于故障初始角过渡电阻与机器学习的线路母线保护方法

基于故障初始角过渡电阻与机器学习的线路母线保护方法
【技术领域】
[0001] 本发明涉及电网输电线路与母线的保护技术，尤其涉及到利用故障暂态信息，基 于过渡电阻、故障初始角与机器学习的输电线路与母线的智能保护方法，所提出的方法适 用高压、超高压和特高压电网的线路与母线的保护。
【背景技术】
[0002] 目前，在输电网中广泛采用的保护主要是以工频量变化量为故障特征的保护，保 护动作一般需要20~40ms，同时基于工频电气量变化的保护容易受到输电线路分布电容电 流的影响、电流互感器饱和、电力系统振荡和过渡电阻等因素的影响。随着电网的不断发 展，要求继电保护切除故障的时间更短，同时对保护可靠性的要求也更高。20世纪80年代提 出的基于故障产生的故障高频分量的行波保护具有超高速动作特性，并且不受电流互感器 饱和、电力系统振荡等影响。因此，自从基于故障暂态保护被提出以来，暂态保护受到电网 继电保护工作者与学者的广泛关注。暂态保护从基本原理上分有通道通信保护无通道通信 保护。尽管暂态保护被认为是一种很有前景的保护，但是暂态保护在实际应用中性能并不 稳定，可靠性不高，究其原因暂态保护中利用的故障暂态特征量容易受到故障初始角和过 渡电阻的影响，但传统的暂态保护并没有考虑二者的影响。中国发明专利公开说明书CN 2013100656942(基于过渡电阻与故障角归算输电线路自适应单端暂态保护)和文献"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)公开了一种基于按故障初始角与过渡电阻归算后暂 态量的单端暂态保护方法。相对于传统暂态方法，该保护方法克服了故障初始角与过渡电 阻对保护的负面影响，使得可靠性得到了大幅提高。该保护方法很新颖，但仍然存在缺陷和 不足，比如它在判断故障时，仍然采用的是传统的故障动作值整定的方法，对于不同的故障 条件(不同的故障初始角、过渡电阻）下的故障都采用相同的整定值，而故障特征在不同故 障初始角和过渡电阻条件下归算后的值相差较大，难以达到理想的效果，其归算精度有待 进一步提高，以便更好地消除故障初始角与过渡电阻对保护的影响，以达到进一步提高保 护可靠性与保护灵敏度的目的。

【发明内容】

[0003] 本发明的目的在于克服现有技术不足，提供了一种可靠性更高的用于保护输电线 路与母线的基于故障初始角过渡电阻与机器学习的线路母线保护方法，基本原理是：（1)输 电网发生短路故障时，产生大量的高频暂态电流、电压信号，高频暂态信号向各个传播路径 传播，在通过两端母线时，由于母线上有很大的对地分布等效电容，很大一部分暂态高频分 量被母线的对地分布等效电容旁路分流掉，同一频段的高频暂态信号在通过母线后，变得 弱小很多，并且频率越高被旁路掉的越多；（2)不同故障初始角与过渡电阻的故障条件下， 故障产生的高频分量差别很大；（3)将包括故障特征、故障初始角、过渡电阻组成的向量作 为机器学习的输入向量；（4)将在保护区内与保护区外的典型故障位置(典型故障位置可以 包括母线、线路两端出口附近位置、线路中间位置)与典型故障条件(典型故障条件，可以为 过渡电阻为1欧、50欧、100欧、150欧、300欧，与故障初始角可以为0°、5°、45°、85°、90°，两者 之间的组合)下的的故障样本(每个故障样本的信息包括故障特征、故障初始角、过渡电阻 的组成的机器学习的输入向量)组成典型故障样本集，机器学习的输入向量包含故障特征、 故障初始角、过渡电阻，并应用这些典型故障样本集对机器学习进行训练；（5)应用训练好 了的机器学习进行故障判断，相当于针对不同的故障条件整定了一个相应的保护动作整定 值，可消除故障初始角与过渡电阻对保护不利影响，大幅提高保护可靠性。与此相应，本发 明另一个要解决的问题是提供一种能得到一种可靠性高、克服了过渡电阻与故障初始角影 响的线路母线保护方法的故障初始角的计算方法。为了为叙述的简洁与方便，定义本发明 方法中所述的高频分量处理量，指的是故障信号的高频分量的高频分量能量或高频分量瞬 时幅值积分或高频分量熵或高频分量复杂度或高频分量奇异度或高频分量模极大值或它 们的差值或它们的比值或其它高频分量处理量中的一种。定义本发明方法中所述的机器学 习，指的是支持向量机、或神经网络、或遗传算法、K最近邻(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、 分类与 回归树 (CART, Classification and Regression Trees)算法等机器学习中的一种。
[0004] 就本发明的线路母线保护方法而言，实施步骤包括：（1)提取故障电流信号（或故 障电压信号）的高频分量；（2)构建包含故障高频信息的故障特征，故障高频信息为故障信 号(故障信号为故障电流信号或故障电压信号）的高频分量处理量、或高频分量处理量的比 值、或高频分量处理量的差值、或为故障信号行波方向、或故障信号方向、或故障信号高频 分量;高频分量处理量为高频分量的能量、或高频分量瞬时幅值积分、或高频分量瞬时幅值 和、或高频分量瞬时幅值、故障信号熵、或故障信号复杂度、高频分量熵、或高频分量复杂 度、或高频分量奇异度、或高频分量模极大值；（3)判别故障类型与故障选相；（4)计算过渡 电阻与故障初始角；（5)构造包括故障特征、故障初始角、过渡电阻的机器学习的输入向量； (6)机器学习的训练，应用典型故障样本集对机器学习进行训练;机器学习训练好后，在进 行故障判断时，该步骤可以省略、跳过；（7)实际故障判断，应用训练好了的机器学习进行故 障判断。
[0005] 本发明提出的基于故障初始角过渡电阻与机器学习的线路母线保护方法，有如下 有益效果：
[0006] (1)无需人工进行具体保护动作值的整定，智能地完成故障判断，避免了人工整定 保护动作值所可能产生的错误
[0007] (2)由于机器学习的输入向量中包含了故障初始角与过渡电阻，通过机器学习的 方法智能地进行故障判断，它相当于针对不同的故障条件分别整定一个合适的动作值；由 此可见该发明的保护方法通过机器学习的方式智能地消除故障初始角与过渡电阻对保护 的不利影响，大幅提高了保护可靠性；
[0008] (3)本发明方法的机器学习在训练过程中，无需所有故障条件下的故障样本数据， 而仅仅需要典型故障样本数据，不仅减轻了机器学习的训练负担，更重要的是使本发明方 法具有实际可行性；
[0009] (4)本发明方法属于暂态保护范畴，具有传统暂态保护的优点，动作速度快，不受 电流互感器饱和、系统震荡或系统短路容量的影响；
[0010] (5)本发明方法具有传统暂态保护的优势外，还真正做到能保护线路全长；
[0011] (6)本发明方法对母线对地分布电容要求小，能很好地适用普通的高压、超高压、 特高压输电线路和母线的保护。
[0012] 作为本发明线路母线保护方法的技术方案1，基于故障电流信号（或故障电压信 号）的多个高频分量处理量、支持向量机、故障初始角和过渡电阻保护一条线路的方法，保 护对象为图1中的线路CB，可以包含下述步骤：
[0013] 步骤1:提取故障电流信号（或故障电压信号）的两个或三个或三个以上的多个高 频分量:即在被保护线路CB的C端，不断采集故障电流或电压m)，经模数转换将模拟信号 转换为数字信号，转为数字信号后的电流信号仍然用^表示(或电压信号仍然用m表示），提 取故障电流ii的3个频段的高频分量i hl、ih2、ih3(或电压m的3个频段的高频分量uhl、u h2、 Uh3);
[0014] 步骤2:计算两个或三个或三个以上的多个高频分量的高频分量处理量，并以这两 个或三个或三个以上的多个高频分量处理量构建故障特征：由高频分量i hl、ih2、ih3(或UW、 Uh2、uh3)计算它们的高频分量处理量，分别表示为P1、P 2、P3;以高分量处理量的一种，高频分 量的能量为例，即根据公式
计算故障高频分量ihl、ih2、 ih3的能量PhP^P3;并将高频分量处理量PhP2J3-起作为故障特征；
[0015] 步骤3:判别故障类型与故障选相；
[0016] 步骤4:计算过渡电阻与故障初始角；
[0017]步骤5 :构建包括故障特征、故障初始角、过渡电阻的机器学习--支持向量 机--的输入向量；
[0018] 步骤6:机器学习一一支持向量机一一的训练:将被保护线路CB内部与外部区域的 典型故障位置、典型故障条件下的故障样本(每个故障样本的信息包括故障特征、故障初始 角、过渡电阻组成的输入向量)组成典型故障样本集;应用典型故障样本集对机器学习一一 支持向量机--进行训练；
[0019] 步骤7:故障判断:将实际故障情况下的包括故障特征、故障初始角、过渡电阻组成 的向量输入到训练好了的机器学习一一支持向量机一一中，机器学习一一支持向量机一一 自动判断故障是否在保护区内；
[0020] 技术方案1的有益效果是所有高频分量的信息得到充分利用，可靠性提高。
[0021] 作为本发明线路母线保护方法的技术方案2,基于故障电流信号（或故障电压信 号）多个高频分量处理量、神经网络、故障初始角和过渡电阻一条线路的保护方法，保护对 象为图1中的线路CB，可以包含下述步骤：
[0022]步骤1:提取故障电流信号（或故障电压信号）两个或三个或三个以上的多个的高 频分量:即在被保护线路CB的C端，不断采集故障电流h(或故障电压m)，经模数转换将模拟 信号转换为数字信号，转为数字信号后的电流信号仍然用^表示(或电压信号仍然用m表 示），提取故障电流ii的3个频段的高频分量i hl、ih2、ih3(或故障电压m的3个频段的高频分量 Uhl、Uh2、Uh3);
[0023] 步骤2:计算两个或三个或三个以上的多个高频分量的高频分量处理量，并以这两 个或三个或三个以上的多个高频分量处理量构建故障特征：由高频分量i hl、ih2、ih3(或UW、 Uh2、Uh3)计算出它们的高频分量处理量，分别表示为P1、P 2、P3;以高分量处理量的一种，高频 分量的能量为例，即根据公式
计算故障高频分量ihl、 ih2、ih3的能量P1、p2、p3;并将高频分量处理量P 1、p2、p3-起作为故障特征；
[0024] 步骤3:判别故障类型与故障选相；
[0025] 步骤4:计算过渡电阻与故障初始角；
[0026] 步骤5:构建包括故障特征、故障初始角、过渡电阻的机器学习 一一神经网络一一 的输入向量；
[0027]步骤6:机器学习 一一神经网络一一的训练:将被保护线路CB内部与外部区域的典 型故障位置、典型故障条件下的故障样本(每个故障样本的信息包括故障特征、故障初始 角、过渡电阻组成的输入向量)组成的输入向量组成典型故障样本集;应用典型故障样本集 对机器学习 神经网络 进彳丁训练；
[0028] 步骤7:实际故障判断:将实际故障情况下的包括故障特征、故障初始角、过渡电阻 组成的向量输入到训练好了的机器学习一一神经网络一一中，机器学习一一神经网络一一 自动判断故障是否在保护区内；
[0029] 技术方案2的有益效果是所有高频分量的信息得到充分利用，可靠性提高。
[0030] 作为本发明线路母线保护方法的技术方案3,基于故障电流信号（或故障电压信 号）的一个高频分量处理量、故障初始角和过渡电阻保护一条线路的方法，保护对象为图1 中的线路CB，可以包含下述步骤：
[0031] 步骤1:提取故障电流信号（或故障电压信号）的高频分量：即在被保护线路CB的C 端，不断采集故障电流h(或故障电压m)，经模数转换将模拟信号转换为数字信号，转为数 字信号后的电流信号仍然用h表示(或转为数字信号后的电压信号仍然用m表示），提取故 障电流i 1的高频分量ih(或故障电压m的高频分量Uh);
[0032]步骤2:计算高频分量的高频分量处理量，并以这个高频分量处理量构建故障特 征：由高频分量ih(或Uh)计算出它的高频分量处理量，表示为Pi;以高分量处理量的一种，高 频分量的能量为例，即根据公式f 计算故障高频分量ih的能量；以故障高频分量处 产1 理量卩:作为故障特征；
[0033] 步骤3:判别故障类型与故障选相；
[0034] 步骤4:计算过渡电阻与故障初始角；
[0035]步骤5:构建包括故障特征、故障初始角、过渡电阻的机器学习的输入向量；
[0036]步骤6:机器学习的训练:将被保护线路CB内部与外部区域的典型故障位置、典型 故障条件下的故障样本(每个故障样本的信息包括故障特征、故障初始角、过渡电阻组成的 输入向量)组成的输入向量组成典型故障样本集;应用典型故障样本集对机器学习进行训 练；
[0037]步骤7:实际故障判断:将实际故障情况下的包括故障特征、故障初始角、过渡电阻 组成的向量输入到训练好了的机器学习中，机器学习自动判断故障是否在保护区内。
[0038]作为本发明线路母线保护方法的技术方案4,基于故障电流信号（或故障电压信 号）的一个高频分量瞬时幅值积分(或瞬时幅值和或瞬时幅值）、故障初始角和过渡电阻保 护一条线路的方法，保护对象为图1中的线路CB，可以包含下述步骤：
[0039]步骤1:提取故障电流信号（或故障电压信号）的高频分量：即在被保护线路CB的C 端，不断采集故障电流h(或故障电压m)，经模数转换将模拟信号转换为数字信号，转为数 字信号后的电流信号仍然用h表示(或电压信号仍然用m表示）；
[0040]步骤2 :计算尚频分量的尚频分量处理量或瞬时幅值积分或瞬时幅值和或瞬时幅 值，并以这个高频分量处理量或瞬时幅值积分或瞬时幅值和或瞬时幅值构建故障特征：以 高分量处理量中的一种，高频分量能量瞬时幅值积分为例，应用希尔伯特黄变换计算出故 障电流ii (或故障电压m)的高频分量的瞬时幅值IA，按公式
将IA在一段时 间上进行积分得到高频分量的瞬时幅值积分Ι0ΙΑ，以故障高频分量瞬时幅值积分IOIA作为 故障特征；
[0041 ]步骤3:判别故障类型与故障选相；
[0042]步骤4:计算过渡电阻与故障初始角；
[0043]步骤5:构建包括故障特征、故障初始角、过渡电阻的机器学习的输入向量；
[0044] 步骤6:机器学习的训练:将被保护线路CB内部与外部区域的典型故障位置、典型 故障条件下的故障样本(每个故障样本的信息包括故障特征、故障初始角、过渡电阻组成的 输入向量)输入向量组成典型故障样本集;应用典型故障样本集对机器学习进行训练；
[0045] 步骤7:实际故障判断:将实际故障情况下的包括故障特征、故障初始角、过渡电阻 组成的向量输入到训练好了的机器学习中，机器学习自动判断故障是否在保护区内。
[0046] 作为本发明线路母线保护方法的技术方案5,基于故障电流信号（或故障电压信 号）的熵、故障初始角和过渡电阻保护一条线路的方法，保护对象为图1中的线路CB，可以包 含下述步骤：
[0047] 步骤1:提取故障电流信号(或故障电压信号）：即在被保护线路CB的C端，不断采集 故障电流^(或故障电压m)，经模数转换将模拟信号转换为数字信号，转为数字信号后的电 流信号仍然用h表示(或电压信号仍然用m表示）；
[0048]步骤2:计算故障信号的熵，并以这个熵构建故障特征:计算故障电流信号h(故障 电压信号U1)的熵，比如根据公式
十算出信号h的熵E (S)，其中Sn表示信号^在一个正交小波基上的投影系数;并以故障信号的熵E(S)作为故障 特征；
[0049] 步骤3:判别故障类型与故障选相；
[0050] 步骤4:计算过渡电阻与故障初始角；
[0051] 步骤5:构建包括故障特征、故障初始角、过渡电阻的机器学习的输入向量；
[0052] 步骤6:机器学习的训练:将被保护线路CB内部与外部区域的典型故障位置、典型 故障条件下的故障样本(每个故障样本的信息包括故障特征、故障初始角、过渡电阻组成的 输入向量)组成典型故障样本集;应用典型故障样本集对机器学习进行训练；
[0053] 步骤7:实际故障判断:将实际故障情况下的包括故障特征、故障初始角、过渡电阻 组成的向量输入到训练好了的机器学习中，机器学习自动判断故障是否在保护区内。
[0054] 作为本发明线路母线保护方法的技术方案6,基于故障电流信号（或故障电压信 号）的两个高频分量处理量的差值、故障初始角和过渡电阻保护一条线路的方法，保护对象 为图1中的线路CB，可以包含下述步骤：
[0055] 步骤1:提取故障电流信号(或故障电压信号）的两个高频分量:即在被保护线路CB 的C端，不断采集故障电流h(或故障电压m)，经模数转换将模拟信号转换为数字信号，转为 数字信号后的电流信号仍然用^表示(或转为数字信号后的电压信号仍然用m表示），提取 故障电流ii的2个频段的高频分量i hl、ih2(或故障电压m的2个频段的高频分量uhl、uh2);
[0056] 步骤2:计算两个高频分量的高频分量处理量的差值，并以高频分量处理量的差值 构建故障特征：由高频分量ihl、ih 2(或uhl、uh2)计算它们的高频分量处理量，分别表示为 P2;以高分量处理量的一种，高频分量的能量为例，即根据公式
计算 ihl、ih2的能量P1、P2，其中η为正整数，可取200;进一步计算两个高频分量处理量的差值 diff12 = P1-P2，并将高频分量处理量差值虹打12作为故障特征；
[0057] 步骤3:判别故障类型与故障选相；
[0058] 步骤4:计算过渡电阻与故障初始角；
[0059]步骤5:构建包括故障特征、故障初始角、过渡电阻的机器学习的输入向量；
[0060] 步骤6:机器学习的训练:将被保护线路CB内部与外部区域的典型故障位置、典型 故障条件的故障样本(每个故障样本的信息包括故障特征、故障初始角、过渡电阻组成的输 入向量)组成的输入向量组成典型故障样本集;应用典型故障样本集对机器学习进行训练；
[0061] 步骤7:实际故障判断:将实际故障情况下的包括故障特征、故障初始角、过渡电阻 组成的向量输入到训练好了的机器学习中，机器学习自动判断故障是否在被保护的线路 上；
[0062] 技术方案6的有益效果是多个高频分量的信息得到充分利用，可靠性提高。
[0063] 作为本发明线路母线保护方法的技术方案7,基于故障电流信号（或故障电压信 号）的两个高频分量处理量比值、故障初始角和过渡电阻保护一条线路的方法，保护对象为 图1中的线路CB，可以包含下述步骤：
[0064]步骤1:提取故障电流信号(或故障电压信号）的两个高频分量:即在被保护线路CB 的C端，不断采集故障电流h(或故障电压m)，经模数转换将模拟信号转换为数字信号，转为 数字信号后的电流信号仍然用^表示(或转为数字信号后的电压信号仍然用m表示），提取 故障电流ii的2个频段的高频分量i hl、ih2(或提取故障电压m的2个频段的高频分量uhl、 Uh2);
[0065] 步骤2:计算两个高频分量的高频分量处理量的比值，并以高频分量处理量的比值 构建故障特征：由高频分