1] 作为本发明线路母线保护方法的技术方案16,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高频分量处理量的比值、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：
[0142] 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Ul、U2)，提取故障电流il、i2的高频分量ilh、i2h(或故障电压Ul、U2的高频分量Ulh、U2h);
[0143] 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：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Ratioi2 = Pi/P2,并将Pi、P2、Ratioi2-起作为故障特征；
[0144] 步骤3:判别故障类型与故障选相；
[0145] 步骤4:计算过渡电阻与故障初始角；
[0146] 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；
[0147] 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；
[0148] 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；
[0149] 作为本发明线路母线保护方法的技术方案17,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：
[0150] 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);
[0151] 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 的比值，并以两个高频分量处理量的比值构建故障特征：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 = Ρι/Ρ2,并将高频分量处理量比值Ratio1^t为故障特征；
[0152] 步骤3:判别故障类型与故障选相；
[0153] 步骤4:计算过渡电阻与故障初始角；
[0154] 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；
[0155] 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；
[0156] 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CD上，还是在保护区外。作为本发明线路母线保护方法的技术方案 18,基于一条母线的所有出线的故障电流信号（或故障电压信号）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所连接所有线路，可以包含下 述步骤：
[0157] 步骤1:从一条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I 1U2U3表示(或转为数字信号后的电压信号仍然用m、u2、u 3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、 U3h)；
[0158] 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、P 2、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；
[0159]步骤3:判别故障类型与故障选相；
[0160] 步骤4:计算过渡电阻与故障初始角；
[0161] 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；
[0162] 步骤6:机器学习的训练:将被保护线路CB、CD、CG的内部与外部区域(外部区域如 母线C、B、G、D，线路AB、DE)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；
[0163] 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，机器学习自动准确判断是否故障是发生在线路CB 上、还是在线路⑶上、还是在线路CG上，还是保护区外。
[0164] 就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的故障初始角计算 方法而言，本发明为解决所述技术问题的计算初始故障角的方法包括以下步骤：
[0165]步骤1:计算故障点到保护安装处的故障距离L;
[0166] 步骤2:检测故障时刻保护安装处的故障角θ〇;
[0167] 步骤3:计算线路的相位系数α;
[0168] 步骤4:计算故障初始角0￡，0￡ = 0『€[·!^
[0169] 本发明的故障初始角计算方法的有益效果是，故障初始角的计算误差很小，对于 架空线路，一般工频条件下，相位系数α * 0.06度/km，计算故障距离L的误差在200m以内时， 故障初始角的计算误差在0.012度以内，计算故障距离L的误差在IOOm以内时，故障初始角 的计算误差在0.006度以内。
【附图说明】
[0170]图1所示的为500kV超高压输电网络示意图，其中，线路AB长为180km，线路BC长为 342km，线路CD 长为 360km，线路DE 长度为 266km，线路 CG长度为 270km; Si = 35GVA，S2 = IOGVA， S3 = 20GVA，S4 = 5GVA，S5 = 12GVA;线路参数Xi、Ri、Ci、Xo、Ro、Co分别为Xi = 0 · 2783 Ω /km，Ri = 0 · 0270 Ω /km，X。= 0 · 6494 Ω /km，Ro = 0 · 1948 Ω /km，Ci = 0 · 0127yF/km，Co = 0 · 0090yF/km;各 母线对地电容为6000PF。
【具体实施方式】
[0171] 下面主要以故障信号的高频分量处理量中的一种一一故障电流信号的高频分量 能量为例，结合附图对本发明的【具体实施方式】进行描述，但本发明的实施方式不限于此。
[0172] 本发明线路母线保护方法的实施方式1(对应技术方案1)，基于故障信号的多个高 频分量处理量(高频分量处理量以高频分量能量为例）、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(a)中的线路CB，可以包含下述步骤：
[0173]步骤1:提取故障电流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h，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表示，提取故障电流ii的3个频段的高频分量ihl、ih2、i h3;采样频率 可取200kHz，故障电流高频分量ihi、ih2、ih3分别可取12.5kHz~25kHz、25kHz~50kHz、50kHz ~IOOkHz;
[0174]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:高频分量处理量以高频分量能 量为例，即根据公另
计算故障高频分量ihl、ih2、ih3的能量 ?1、？2、？3，并将?1、？2、？3-起作为故障特征;其中11为正整数，可取200;
[0175] 步骤3:判别故障类型与故障选相；
[0176] 步骤4:计算过渡电阻与故障初始角；
[0177] 步骤5:将包括故障特征、故障初始角、过渡电阻、故障类型、故障区域标签组成的 向量作为机器学习一一支持向量机一一的输入向量;故障区域标签可取值为合适的实数； 在本实施例中规定，区内故障时，故障区域标签=1，区外故障时，故障区域标签=2;
[0178] 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包括故障特征、故障初始角、过渡电阻、故障类型、故障区 域标签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;本实施例的A相接地短路，机器学习训练的故障样本集中的Pi、P 2、P3如 表1~4所示；
[0179] 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、故障类型、故障区域标签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，则机器学习 支持向量机 自动判断故障所在的区域;在实际故障判断过程中，可 以将故障区域标签先假定为2,即为保护区外故障，故障区域的判断以机器学习 一一支持向 量机一一判断的为准;本实施例的情况是:线路CB上A相接地故障，PhP^P3分别为2071500、 469682、325111，故障初始角为45度，过渡电阻为50欧，判断结果为:线路CB区内故障，判断 正确；
[0180]表1不同故障条件下线路CBlF1的点距离母线C为1!故障时的P1, PdPP3的最大值
[0182]表2不同故障条件下线路ABlF2的点距离母线B为I2故障时的P1,PdPP 3的最大值
[0184]表3不同故障条件下线路⑶上F3的点距离母线C为I3故障时的P1,PdPP 3的最大值
[0187]表4不同故障条件下线路CG上F4的点距离母线C为14故障时的P1,PdPP 3的最大值
[0189]本发明线路母线保护方法的实施方式2(对应技术方案2)，基于故障信号的多个高 频分量处理量(高频分量处理量以高频分量能量为例）、神经网络、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(a)中的线路CB，可以包含下述步骤：
[0190]步骤1:提取故障电流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h，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表示，提取故障电流ii的3个频段的高频分量i hl、ih2、ih3;采样频率 可取200kHz，故障电流高频分量ihi、ih2、ih3分别可取12.5kHz~25kHz、25kHz~50kHz、50kHz ~IOOkHz;
[0191]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:高频分量处理量以高频分量能 量为例，即根据公式
计算故障高频分量ihl、ih2、ih3的能量 ?1、？2、？3，并将?1、？2、？3-起作为故障特征;其中11为正整数，可取200;
[0192] 步骤3:判别故障类型与故障选相；
[0193] 步骤4:计算过渡电阻与故障初始角；
[0194] 步骤5:将包括故障特征、故障初始角、过渡电阻、故障类型、故障区域标签组成的 向量作为机器学习 神经网络 的输入向量;故障区域标签可取值为合适的实数;在 本实施例中规定，区内故障时，故障区域标签=1，区外故障时，故障区域标签=2;
[0195] 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包括故障特征、故障初始角、过渡电阻、故障类型、故障区域 标签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神经网 络--进行训练;本实施例的A相接地短路，机器学习训练的故障样本集中的Pi、P 2、P3如表1 ~4所示；
[0196] 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、故障类型、故障区域标签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 神经网络 自动判断故障所在的区域;在实际故障判断过程中，可以将故 障区域标签先假定为2,即为保护区外故障，故障区域的判断以机器学习 一一神经网络一一 判断的为准;本实施例的情况是：线路CB上A相接地故障，PhP^P3分别为2071500、469682、 325111，故障初始角为45度，过渡电阻为50欧，判断结果为:线路CB区内故障，判断正确。
[0197] 本发明线路母线保护方法的实施方式3(对应技术方案3)，基于故障信号的一个高 频分量处理量(高频分量处理量以高频分量能量为例）、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(a)中的线路CB，可以包含下述步骤：
[0198] 步骤1:提取故障电流信号的高频分量：即在被保护线路CB的C端，不断采集故障电 流^，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， 提取故障电流ii的高频分量ih;采样频率可取200kHz，故障电流高频分量ih可取50kHz~ 100kHz；
[0199] 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：高频分量处理量以高频分量能量为例，即根据公式月=1^ 2计算故障高频分量ih的能 i=i 量，以故障高频分量的能量Pi作为故障特征;其中η为正整数，可取200;
[0200] 步骤3:判别故障类型与故障选相；
[0201] 步骤4:计算过渡电阻与故障初始角；
[0202] 步骤5:将包括故障特征、故障初始角、过渡电阻、故障类型、故障区域标签组成的 向量作为机器学习的输入向量;故障区域标签可取值为合适的实数;在本实施例中规定，区 内故障时，故障区域标签=1，区外故障时，故障区域标签=2;
[0203]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 障条件下的包括故障特征、故障初始角、过渡电阻、故障类型、故障区域标签组成的输入向 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;本实施例的A相接地短 路，机器学习训练的故障样本集中的Pi如表1~4所示；
[0204] 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、故障类型、故障区域标签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;在实际故障判断过程中，可以将故障区域标签先假定为2,即为保护区外 故障，故障区域的判断以机器学习判断的为准;本实施例的情况是:线路CB上A相接地故障， 故障初始角为45度，P 1Ssotisoo,过渡电阻为5〇欧，判断结果为：线路CB区内故障，判断正 确。
[0205] 本发明线路母线保护方法的实施方式4(对应技术方案4)，基于故障信号的一个高 频分量瞬时幅值积分、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(a)中 的线路CB，可以包含下述步骤：
[0206]步骤1:提取故障电流信号的高频分量：即在被保护线路CB的C端，不断采集故障电 流^，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； 采样频率可取200kHz;
[0207]步骤2:计算高频分量的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，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1: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;其中τ 为积分时间常数数，可取〇. 〇〇 I s;
[0208]步骤3:判别故障类型与故障选相；
[0209] 步骤4:计算过渡电阻与故障初始角；
[0210] 步骤5:将包括故障特征、故障初始角、过渡电阻、故障类型、故障区域标签组成的 向量作为机器学习的输入向量;故障区域标签可取值为合适的实数;在本实施例中规定，区 内故障时，故障区域标签=1，区外故障时，故障区域标签=2;
[0211] 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 障条件下的包括故障特征、故障初始角、过渡电阻、故障类型、故障区域标签组成的输入向 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;本实施例的A相接地短 路，机器学习训练的故障样本集中的IOIA如表5~8所示；
[0212] 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、故障类型、故障区域标签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;在实际故障判断过程中，可以将故障区域标签先假定为2,即为保护区外 故障，故障区域的判断以机器学习判断的为准;本实施例的情况是:线路CB上A相接地故障， IOIA为2053,故障初始角为45度，过渡电阻为50欧，判断结果为：线路CB区内故障，判断正 确；
[0213]表5不同故障条件下线路CBlF1的点距离母线C为1!故障时的IOIA的最大值
[0215]表6不同故障条件下线路ABlF2的点距离母线B为I2故障时的IOIA的最大值
[0217]表7不同故障条件下线路CD上F3的点距离母线C为I3故障时的IOIA的最大值
[0219]表8不同故障条件下线路CG上F4的点距离母线C为I 4故障时的IOIA的最大值
[0221] 本发明线路母线保护方法的实施方式5(对应技术方案5)，基于故障信号的熵、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(a)中的线路CB，可以包含下述 步骤：
[0222] 步骤1:提取故障电流信号：即在被保护线路CB的C端，不断采集故障电流h，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;采样频率 可取200kHz;
[0223] 步骤2:计算故障信号的熵，并以这个熵构建故障