一种基于极线电压机器学习判别机制的线路故障识别方法技术

本发明专利技术涉及一种基于极线电压机器学习判别机制的线路故障识别方法，假设线路发生单极接地故障，沿线路MN设置区内故障点，在采样率10kHz下，进行电磁暂态仿真，分别获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇，选取其1ms内的数据进行PCA聚类分析，取两个主成分PC1和PC2构成的2维PCA空间。在此PCA空间上形成反映线路故障和外部故障的两类聚类点簇，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型。将测试数据经PCA聚类分析得到的投影o′t，并输入预测模型PCA-SVM进行分类判别，判断其是否为直流线路故障。

【技术实现步骤摘要】

本专利技术涉及，属于直流输电线路保护

技术介绍
目前我国已投运的直流输电线路保护主要以变化率和变化量为基础的所谓行波保护、微分欠电压保护、纵联差动保护和低电压保护等。对直流线路保护的研究往往关注对现有实际应用的保护判据进行改进，且往往采用单一定值来进行保护整定。由于UHVDC线路输送距离通常较远，线路故障原因很复杂，有如雷击线路致绝缘子闪络、普通短路、鸟害、覆冰、脱冰弹跳、山火故障以及线路对树放电形成的非线性时变高阻故障，往往很难用显式的数学关系来表征和解析这些故障，因此仅仅依靠调整保护定值很难可靠实现全线速动。运行表明，线路故障也存在重复性，往往存在线路相近甚或相同位置常发同类原因的故障之现象。数学原理上PCA聚类分析是通过对数据坐标的平移和旋转，使得簇类内部的任意两个样本数据之间有较高的相似度，而属于不同簇类的两个样本数据间具有较高的差异度。采用PCA-SVM机器学习的智能分类判断等方法，能够快速、可靠识别线路故障模态与区外故障模态，该保护算法抗谐波、雷击、采样值抖动等干扰能力强、具有鲁棒性。
技术实现思路
本专利技术要解决的技术问题是针对直流输电线路线路发生外部故障和线路故障时，提出。本专利技术的技术方案是:，假设线路发生单极接地故障，沿线路MN由远及近每隔5km设置区内故障点，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障。在采样率10kHz下，进行电磁暂态仿真，分别获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇，选取其lms内的数据进行PCA聚类分析，取两个主成分PC^PC2构成的2维PCA空间。在此PCA空间上形成反映线路故障和外部故障的两类聚类点簇，计算测试样本数据在PCA聚类空间PC^PCs坐标轴上的投影ot(qi，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型。将测试数据经PCA聚类分析得到的投影ο/，并输入预测模型PCA-SVM进行分类判别，判断其是否为直流线路故障。具体步骤如下:(1)建立样本数据库，线路发生单极接地故障，沿线路MN每隔5km设置区内故障位置，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障。在采样率10kHz下，进行电磁暂态仿真，获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇；(2 )PCA聚类分析，选取lms时窗内极线故障电压曲线簇作为样本数据进行PCA聚类分析，建立由PC1和PC2坐标轴构成的PCA聚类空间，在此聚类空间内形成明显相区分的线路故障和区外故障两种模态的聚类点簇；(3)建立PCA-SVM故障识别模型，计算测试样本数据在PCA聚类空间Ρ&、Ρ(:2坐标轴上的投影ot(qi，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型；(4)线路故障的识别，将测试数据经PCA聚类分析得到的投影ο/输入预测模型PCA-SVM进行分类判别，若SVM输出为0，则判断为直流输电线路内部故障;若SVM输出为1，则判断为直流输电线路外部故障。本专利技术的有益效果是:(1)采用PCA聚类分析可以有效提取电压曲线簇样本数据主要特征的信息并将其投影到主元空间，在PCjPPC2坐标空间上形成线路故障和外部故障的不同聚类点簇，实现直流线路故障和外部故障的有效刻画、表征和识别。(2)利用极线故障电压PCA-SVM机器学习判别机制分析，不需要整定保护定值，判据具有自适应性。【附图说明】图1为直流线路仿真系统。图2为正极线路量测端的故障电压曲线簇:图中，区外故障有:考虑整流侧出口故障，过渡电阻分别设为0 Ω、10 Ω和100 Ω ;整流侧交流系统故障，包括A相接地故障，AB两相接地故障，ABC三相接地故障;逆变侧故障包括逆变侧出口故障和逆变侧交流系统故障；图3为基于PCA-SVM的直流线路故障识别结果。【具体实施方式】，假设线路发生单极接地故障，沿线路丽由远及近每隔5km设置区内故障点，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障。在采样率10kHz下，进行电磁暂态仿真，分别获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇，选取其lms内的数据进行PCA聚类分析，取两个主成分PCjPPC2构成的2维PCA空间。在此PCA空间上形成反映线路故障和外部故障的两类聚类点簇，计算测试样本数据在PCA聚类空间PC^PCs坐标轴上的投影otU^qd，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型。将测试数据经PCA聚类分析得到的投影ο/，并输入预测模型PCA-SVM进行分类判别，判断其是否为直流线路故障。具体步骤如下:(1)建立样本数据库，线路发生单极接地故障，沿线路MN每隔5km设置区内故障位置，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障。在采样率10kHz下，进行电磁暂态仿真，获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇；(2)PCA聚类分析，选取lms时窗内极线故障电压曲线簇作为样本数据进行PCA聚类分析，建立由PC1和PC2坐标轴构成的PCA聚类空间，在此聚类空间内形成明显相区分的线路故障和区外故障两种模态的聚类点簇；(3)建立PCA-SVM故障识别模型，计算测试样本数据在PCA聚类空间Ρ&、Ρ(:2坐标轴上的投影ot(qi，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型；(4)线路故障的识别，将测试数据经PCA聚类分析得到的投影ο/输入预测模型PCA-SVM进行分类判别，若SVM输出为0，则判断为直流输电线路内部故障;若SVM输出为1，则判断为直流输电线路外部故障。采用图1所示的仿真系统，按照上述步骤(1)和(2)，得到线路故障和外部故障在PCA空间上的聚类结果如图3所示。实施例1:故障距离Μ端位置为100km，过渡电阻100 Ω。(1)根据权利要求书中的步骤(1)?(2)得到SVM的输出结果为0;(2)根据权利要求书中的步骤(3)判断为线路故障。实施例2:故障距离Μ端位置为400km，过渡电阻100 Ω。(1)根据权利要求书中的步骤(1)?(2)得到SVM的输出结果为0;(2)根据权利要求书中的步骤(3)判断为线路故障。实施例3:故障距离Μ端位置为1000km，过渡电阻100 Ω。(1)根据权利要求书中的步骤(1)?⑵得到得到SVM的输出结果为0;(2)根据权利要求书中的步骤(3)判断为线路故障。实施例4:整流侧出口故障，过渡电阻10 Ω。(1)根据权利要求书中的步骤(1)?⑵得到得到SVM的输出结果为1;(2)根据权利要求书中的步骤(3)判断为区外故障。实施例5:逆变侧交流系统A相接地故障，过渡电阻10Ω。(1)根据权利要求书中的步骤(1)?(2)得到得到SVM的输出结果为1;(2)根据权利要求书中的步骤(3)判断为区外故障。【主权项】1.，其特征在于:假设线路发生单极接地故障，沿线路MN由远及近每隔5km设置区内故障点，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障，在采样率10kHz下，进行电磁暂本文档来自技高网...

【技术保护点】
一种基于极线电压机器学习判别机制的线路故障识别方法，其特征在于：假设线路发生单极接地故障，沿线路MN由远及近每隔5km设置区内故障点，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障，在采样率10kHz下，进行电磁暂态仿真，分别获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇，选取其1ms内的数据进行PCA聚类分析，取两个主成分PC1和PC2构成的2维PCA空间，在此PCA空间上形成反映线路故障和外部故障的两类聚类点簇，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型，将测试数据经PCA聚类分析得到的投影o′t，并输入预测模型PCA‑SVM进行分类判别，判断其是否为直流线路故障。

【技术特征摘要】

【专利技术属性】
技术研发人员：束洪春，陈叶，田鑫萃，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53