高压同杆双回线路故障识别及其选相算法研究

作     者：杨亮 

作者单位：四川轻化工大学 

学位级别：硕士

导师姓名：吴浩

授予年度：2021年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

主      题：同杆双回线路 故障识别 故障选相 机器学习 多任务特征共享网络 

摘      要：同杆双回线路因其输电走廊占地少、线路架设成本低以及输送电能容量大等优点,在输电系统中得到了广泛的应用。但随着输电网络电压等级的升高,原有故障诊断算法已经不能适应新型电网的保护要求。为此,一些专家针对高压同杆双回线路的故障诊断算法展开了研究。论文在已有研究的基础之上,结合机器学习,进行了高压同杆双回线路故障识别及其选相算法的研究与实验。主要研究内容如下。(1)研究了一种基于多分辨奇异值分解与随机森林(Multi-resolution singular value decomposition&Random Forest,MRSVD-RF)的同杆双回线路故障识别算法。分析发现:在发生单回线故障时,同一线路两端行波电流的突变方向相同;发生同名相故障时,同一线路两端行波电流的突变方向也相同;然而在发生区外故障时,同一线路两端行波电流的突变方向却相反。基于故障后线路两端的电流变化特征,通过提取故障后线路两端的行波电流数据,选取相模变换后的同向模量电流进行6层多分辨奇异值分解,将计算得到的每层电流积分值作为特征,对RF模型进行训练和测试,实现区内外故障识别。(2)研究了基于小波能量比的同杆双回线路故障识别算法。对故障后两端特定时窗内的反行波模量电流进行小波分解,计算各层小波能量的比值并作为特征,使用少数类过采样技术(Synthetic Minority Over-sampling Technique,SMOTE)平衡区内外样本后,训练支持向量机(Support Vector Machine,SVM)模型,对区内外故障进行识别。(3)研究了基于波形相似度的同杆双回线路故障识别算法。该方法比较近故障端的前行波电流波形和远故障端的反行波电流波形之间的相似程度,用滑动窗方法提取余弦相似度系数作为特征,训练概率神经网络(Probabilistic Neural Network,PNN)模型进行故障识别。(4)在故障识别算法的基础之上,还研究了基于多任务学习的同杆双回线路故障选相算法。该方法将各相上的故障电流数据进行截取和拼接,组成基于一维卷积神经网络(One-dimensional Convolutional Neural Network,1D-CNN)和双向长短记忆神经网络(Bidirectional Long Short-term Memory,Bi-LSTM)的多任务特征共享网络的输入,通过多任务学习,实现同杆双回线路的故障选相。通过实验验证了本文所提故障识别和故障选相方法在不同故障初始角、故障过渡电阻和故障类型等故障情况下的故障识别和选相效果,结果表明本文所提的算法不受故障初始角、故障过渡电阻和故障类型等因素影响,能够在多种故障情况下准确进行故障识别和选相,并具有良好的抗噪性能、抗CT饱和能力,且不受故障位置的影响。