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P^P2;进一步计算两个高频分量处理量的比值Rati 012 = P1A32,并将高频分量 处理量比值Ration作为故障特征；
[0066] 步骤3:判别故障类型与故障选相；
[0067] 步骤4:计算过渡电阻与故障初始角；
[0068]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；
[0069]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；
[0070] 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；
[0071] 技术方案7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。
[0072] 作为本发明线路母线保护方法的技术方案8,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以及两个高频分量处理量的比值、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：
[0073] 步骤1:从被保护线路提取故障电流信号(或故障电压信号)的两个高频分量：
[0074] 即在被保护线路CB的C端，不断采集故障电流h(或电故障压U1)，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^的2个频段的高频分量i hl、ih2(或故障电压U1的2 个频段的高频分量Uhl、Uh2);
[0075] 步骤2:计算两个高频分量的处理量以及两个高频分量处理量的比值，并以这两个 高频分量处理量和两个高频分量处理量的比值构建故障特征:计算高频分量iw、ih 2(或uhl、 uh2)的高频分量处理量，分别表示为P1、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ihi、ih2的能量Ρι、Ρ2;进一步计算两个高频分量处理 量的比值Ratio12 = P1A32,并将?1、？2、1^丨〇12作为故障特征 ；
[0076] 步骤3:判别故障类型与故障选相；
[0077] 步骤4:计算过渡电阻与故障初始角；
[0078]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；
[0079] 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；
[0080] 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；
[0081] 技术方案8的有益效果是，故障高频分量通过母线时，大量高频分量被母线对地分 布等效电容旁路分流掉，同时频率越高分流的越多这一原理得到了完整体现，可靠性更高。
[0082] 作为本发明线路母线保护方法的技术方案9,基于两个故障电流信号(或故障电压 信号）的高频分量处理量及两个故障信号的高频分量处理量的差值、故障初始角和过渡电 阻保护一条母线和连接于该母线上的两条线路的方法，保护对象为图1中的线路CB、CD和母 线C，可以包含下述步骤：
[0083] 步骤1:提取被保护的连接于同一条母线的两条线路的故障电流信号(或故障电压 信号）的高频分量：即分别在母线C的两回出线CB和CD的始端不断采集故障电流或故 障电压m、u2)，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 ii、i2表示(或转为数字信号后的电压信号仍然用m、u2表示），提取故障电流^、。的高频分 量ilh、i2h(或故障电压Ul、U2的尚频分量Ulh、U2h);
[0084] 步骤2:计算两个高频分量的处理量以及两个高频分量处理量的差值，并以这两个 高频分量处理量和两个高频分量处理量的差值构建故障特征：由高频分量iih、i 2h(或ulh、 u2h)计算出它们的高频分量处理量P^P2;以高分量处理量的一种，高频分量的能量为例，即 根据公另
计算iih、i2h的能量Pi、P2，其中η为正整数，η可取200;进一步 计算高频分量处理量的差值Cliff12 = P1-P2,并将PhP^diff 12-起作为故障特征；
[0085] 步骤3:判别故障类型与故障选相；
[0086] 步骤4:计算过渡电阻与故障初始角；
[0087 ]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；
[0088] 步骤6:将被保护线路CB、CD和母线C的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；
[0089] 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所在的区域，判断故障 是发生在线路CB上，还是⑶上，还是母线C上，还是在保护区外；
[0090] 技术方案9的有益效果是保护区域是传统方法的3倍，这样可以大大节约投资，按 传统方法配置保护设备则可以实现双重化保护而无需增加投资。
[0091] 作为本发明线路母线保护方法的技术方案10,基于两个故障电流信号（或故障电 压信号）的高频分量处理量差值、故障初始角和过渡电阻保护连接于同一条母线上的两条 线路的方法，保护对象为图1中的连接于同一条母线C的两条线路CB和CD，可以包含下述步 骤：
[0092] 步骤1:从被保护的两条线路上各提取故障电流信号（或故障电压信号）的一个高 频分量：即分别在母线C的两回出线CB和CD的始端不断采集故障电流h、i 2(或故障电压m、 U2)，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、i2表示 (或转为数字信号后的电压信号仍然用m、u 2表示），提取故障电流I1U2的高频分量ilh、i 2h (或故障电压Ul、U2的高频分量Ulh、U2h);
[0093] 步骤2:计算步骤1提取的两个故障信号的高频分量处理量和两个高频分量处理量 的差值，并以两个高频分量处理量的差值构建故障特征：由高频分量iih、i 2h(或ulh、u2h)计算 出它们的高频分量处理量Ρι、Ρ 2;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iih、i2h的能量Ρι、Ρ2;进一步计算高频分量处理量的差值diffi2 = P1-P2，并将高频分量处理量差值虹打12作为故障特征；
[0094] 步骤3:判别故障类型与故障选相；
[0095] 步骤4:计算过渡电阻与故障初始角；
[0096] 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；
[0097] 步骤6:机器学习的训练：将被保护线路CB和CD的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；
[0098] 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所在的区域，判断故障 是发生在线路CB上，还是⑶上，还是在保护区外；
[0099] 技术方案10的有益效果是保护区域是传统方法的2倍，这样可以大大节约投资，按 传统方法配置保护设备则可以实现双重化保护而无需增加投资。
[0100] 作为本发明线路母线保护方法的技术方案11，基于两个故障电流信号（或故障电 压信号）的高频分量处理量差值、故障初始角和过渡电阻作为故障方向判断元件保护一条 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：
[0101]步骤1:从连接于同一条母线的两条线路上各提取故障电流信号（或故障电压信 号）的高频分量：即分别在母线C的两回出线CB和CD的始端不断采集故障电流h、i2(或故障 电压m、u 2)，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 ii、i2表示(或转为数字信号后的电压信号仍然用m、u2表示），提取故障电流^、。的高频分 量ilh、i2h(或故障电压Ul、U2的尚频分量Ulh、U2h);
[0102] 步骤2:计算两个故障信号的高频分量处理量的差值，并以两个高频分量处理量的 差值作为判断故障方向的故障特征，构建故障特征：由高频分量ilh、i2h(或Ulh、U2h)计算出它 们的高频分量处理量Pl、P 2;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ilh、i2h的能量PhP 2;进一步计算高频分量处理量的差值Cliff12 = P1-P2,并将用于判断故障方向的高频分量处理量差值diff12作为判断故障方向的故障特 征；
[0103] 步骤3:判别故障类型与故障选相；
[0104] 步骤4:计算过渡电阻与故障初始角；
[0105] 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；
[0106] 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；
[0107] 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方向；如果本端保护判 断故障方向为正方向，则向对端发送"正向故障"信号，否则向对端发送"负向故障"信号或 者不向对端发送信号；如果本端保护判断故障方向为正，且收到对端保护发来的"正向故 障"信号，则判断为保护区域内故障，否则判为保护区外故障。
[0108] 作为本发明线路母线保护方法的技术方案12,基于两个故障电流信号（或故障电 压信号）的高频分量处理量比值、故障初始角和过渡电阻作为故障方向判断元件保护一条 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：
[0109] 步骤1:从连接于同一条母线的两条线路上各提取故障电流信号（或故障电压信 号）的高频分量：即分别在母线C的两回出线CB和CD的始端不断采集故障电流h、i2(或故障 电压m、u2)，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 ii、i2表示(或转为数字信号后的电压信号仍然用m、u2表示），提取故障电流^、。的高频分 量ilh、i2h(或电压Ul、U2的尚频分量Ulh、U2h);
[0110] 步骤2:计算两个故障信号的高频分量处理量的比值，并以两个高频分量处理量的 比值作为判断故障方向的故障特征，构建故障特征：由高频分量iih、i2h(或Ulh、U2h)计算出它 们的高频分量处理量Ρι、Ρ 2;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iih、i2h的能量Ρι、Ρ2;进一步计算高频分量处理量的比值Ration = Pi/P2,并将用于判断故障方向的高频分量处理量比值Ratio12作为判断故障方向的故障 特征；
[0111] 步骤3:判别故障类型与故障选相；
[0112] 步骤4:计算过渡电阻与故障初始角；
[0113] 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；
[0114] 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；
[0115] 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方向；如果本端保护判 断故障方向为正方向，则向对端发送"正向故障"信号，否则向对端发送"负向故障"信号或 者不向对端发送信号；如果本端保护判断故障方向为正，且收到对端保护发来的"正向故 障"信号，则判断为保护区域内故障，否则判为保护区外故障。
[0116] 作为本发明线路母线保护方法的技术方案13,基于母线的所有出线故障电流信号 (或故障电压信号）信号的高频分量处理量、故障初始角和过渡电阻护母线的方法，保护对 象为图1中的母线C，可以包含下述步骤：
[0117] 步骤1:从母线的所有出线上分别提取故障电流信号（或故障电压信号）的一个高 频分量：即分别在连接于母线C的所有支路的始端即线路CB、CD、CG的始端不断采集故障电 流ii、i 2、i3(或故障电压!^、!^、!!。，经模数转换将模拟信号转换为数字信号^专为数字信号 后的电流信号仍然用ii、i 2、i3表示(或转为数字信号后的电压信号仍然用m、u2、u3表示），提 取故障电流11、12、13的高频分量：1111、1211、1311(或故障电压111、112、113的高频分量1111 1、11211、11311);
[0118] 步骤2:计算每条线路的故障信号的高频分量处理量，并以所有线路的故障信号的 高频分量处理量构建故障特征：由高频分量iih、i 2h、i3h(或mh、u2h、U3h)计算出它们的高频分 量处理量P I、P2、P 3 ;以尚分量处理量的一种，尚频分量的能量为例，即根据公式
计算ilh、i2h、i3h的能量?1、？2、？3;并将?1、？2、？3-起作为故 障特征；
[0119] 步骤3:判别故障类型与故障选相；
[0120] 步骤4:计算过渡电阻与故障初始角；
[0121] 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；
[0122] 步骤6:机器学习的训练:将被保护线路CB、CD、CG和母线C的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；
[0123] 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，机器学习自动准确判断是否为被保护母线区内 故障。
[0124] 作为本发明线路母线保护方法的技术方案14,基于母线一条出线的故障电流信号 (或故障电压信号）的高频分量处理量以及行波方向、故障初始角和过渡电阻保护一条母线 与连接于该母线的一条线路的方法，保护对象为图1中的线路CB与母线C，可以包含下述步 骤：
[0125] 步骤1:从母线的一条出线上提取故障电流信号(或电压信号）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^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的高频分量ih(或电压Ui的高频分量Uh);
[0126] 步骤2:计算故障信号的高频分量处理量、判断故障行波的方向，并以故障信号的 高频分量处理量和故障行波方向构建故障特征：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
^算故障高 频分量ih的能量，其中η为正整数;规定正方向为行波由母线传向线路，即故障方向dirct被 确定为正，用1表示即dirct = l;负方向为行波由线路传向母线，即该故障方向被确定为负， 用2表示即dirct = 2;将故障高频分量能量Pi、故障方向dirct-起作为故障特征；
[0127] 步骤3:判别故障类型与故障选相；
[0128] 步骤4:计算过渡电阻与故障初始角；
[0129] 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；
[0130] 步骤6:机器学习的训练:将被保护线路CB和母线C的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；
[0131] 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所在的区域，判断故障 是发生在线路CB上，还是在母线C上，还是在保护区外；
[0132] 技术方案14的有益效果是，该方法是属于母线分布式保护方法，只需从一条线路 的故障电流中的提取故障暂态信息，无需同其他保护单元交换信息就可以进行故障判断， 基于这种原理的每个保护单元具有完全的独立性，一个保护单元出现故障或退出运行，不 影响其它保护单元的正常运行，这种保护适合安装在开关站现场，符合继电保护装置分散 下放安装到开关站的发展趋势要求;并且保护区域是传统方法的2倍。
[0133] 作为本发明线路母线保护方法的技术方案15,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以及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：
[0134]步骤1:从被保护线路提取故障电流信号(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(或电故障压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1: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);
[0135] 步骤2:计算两个高频分量的处理量以及两个高频分量处理量的差值，并以这两个 高频分量处理量和两个高频分量处理量的差值构建故障特征:计算高频分量iw、ih 2(或Uhl、 Uh2)的高频分量处理量，分别表示为P1、P2;以高分量处理量的一种，高频分量的能量为例， 即根据公另
计算ihi、ih2的能量Pi、P2;进一步计算两个高频分量处理 量的差值(Iiff12 = P1-P2,并将PhP^diff 12作为故障特征；
[0136] 步骤3:判别故障类型与故障选相；
[0137] 步骤4:计算过渡电阻与故障初始角；
[0138] 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；
[0139] 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；
[0140] 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中，机器学习自动判断故障是否在保护区内；
[014