基于ANFIS的特高压输电线路故障分类识别方法

高压输电线路故障性质辨识方法摘要：在我国经济实力逐渐壮大，科学技术不断创新的今天，电力事业得到了迅猛发展，电力系统的规模也在不断地扩大。

高压远距离输电线路日益增多，输电线路无论在传输功率还是电压等级上都在不断提高，进而高压输电线路将来逐渐会成为电力系统最主要的输电网络。

高压和特高压输电线路将来不仅要承担输送大功率电能的任务，还要负责联络各大电网，使其能够联网运行。

关键词：高压输电线路；故障性质；辨识方法引言随着时代的发展，电力的应用已经普及到了生活的方方面面，自适应重合闸技术的核心是可靠、快速区分永久性故障和瞬时性故障。

为使故障点快速熄弧，降低恢复电压幅值，现有输电线路的中性点大多安装并联电抗器。

对带并联电抗器的高压输电线路发生瞬时性故障进行研究，得出输电线路出现恢复电压拍频现象的原理，并总结出拍频周期的计算公式。

根据输电线路恢复电压特性绘制出包络曲线。

输电线路永久性和瞬时性故障包络曲线斜率区分度很高，基于此，提出了输电线路故障性质辨识方法。

1故障性质识别判据高压输电线路发生单相接地型永久性故障时，线路对地电容存储的能量通过大地迅速放电，无法形成电磁振荡，故故障点电压中无自由分量电压，无法出现拍频特征现象，开关彻底分开，电弧熄灭后，故障点的恢复电压的极值接近一致，极值点间斜率几乎为零。

而线路发生瞬时性故障时，由于拍频现象的出现，极值大小差距很大，两正极值点间斜率远大于零。

根据上述分析，不同故障极值点间斜率的不同，提出新判据：采集输电线路首端恢复电压阶段的电压并求出其极值，根据极值构造出包络线曲线，实时计算出两相邻正极值点间包络曲线上各点的斜率值，用斜率平均值作为比对值。

当计算出的平均斜率明显大于零时，判断输电线路发生瞬时性故障，反之，判定为永久性故障。

2高压输电线路故障性质辨识方法2.1故障分析法（1）双端数据的故障分析法。

在故障测距时，该种方法主要是依据一端电压、两端电流进行，如基于线路两侧零序电流的比值，可以将单相接地故障的位置测算出来。

高压输电线路故障定位方法分析发布时间：2022-11-22T05:10:05.056Z 来源：《科学与技术》2022年30卷第7月第14期作者：刘利青[导读] 近年来电力系统的规模不断发展壮大,高压和超高压电网也得到了迅猛发展,同时对输电线路故障定位提出了更高的要求。

快速、准确、智能地查找故障点便于及时检修,缩短停电时间,对电力系统的安全稳定以及经济运行都起着重要的意义。

刘利青内蒙古超高压供电公司内蒙古呼和浩特市 010000摘要：近年来电力系统的规模不断发展壮大,高压和超高压电网也得到了迅猛发展,同时对输电线路故障定位提出了更高的要求。

快速、准确、智能地查找故障点便于及时检修,缩短停电时间,对电力系统的安全稳定以及经济运行都起着重要的意义。

关键词：故障定位；高压输电；方法分析引言高压输电是电力系统的命脉，它能否安全、稳定的运行直接关系到电力企业的发展状况。

但是在高压输电运行的过程中，经常会遇见这样那样的问题，尤其是在一些地形复杂的地区，在远距离高压输电的过程中，很容易受到树枝、污秽、雷击等环境因素影响，导致线路绝缘水平的降低，从而导致线路发生闪络、对地故障等，而由于其线路传输距离远，所经过的地形条件复杂，一旦其发生故障，在故障点的查找过程中具有很大的难度，加大故障定位点技术的研究力度，以便于快速准确的做好高压直流输电线路的故障定位工作是非常有必要的。

1.现代电力系统高压输电线路的常见故障类型分析高压输电线路是现代电力系统中的重要组成成分，随着电力行业的快速发展，其馈线的数量和电容电流的数值日益增加，当系统处于长期运行状态时，则较容易导致系统故障的蔓延，进而引发系统的过电压和设备损坏，对现代电网输电线路安全以及稳定运行构成隐患。

在高压输电系统运行过程中，故障率最高的原件就是直流系统故障，高压直流输电线具有输电距离远，所经过地形条件复杂，并且输电线路直接在空气中裸露，没有相关的保护措施，受到各方面因素的影响，很容易就发生各种事故其中最常见的就是对地闪络、雷击等故障，具体表现为：对地闪络，通常情况下高压直流输电线路中都有很多的杆塔，并且在杆塔上配备有相应的绝缘，但由于输电线路在运行过程中是直接在空气中裸露，自然环境不可避免的会对杆塔的绝缘产生影响，一旦线路出现相应的故障，很容易导致线路电压出现突变，线路就会发生放电现象，从而对整个高压输电系统的正常运行产生严重的影响；雷击故障，由于直流输电线路包含有两个电压极性相反的极，在同性相斥、异性相吸的基本原理下点云很容易向不通极性的直流极线放电，通常情况，直流输电线遭受雷击的时间非常短，但就是在这个非常短的时间内，会导致直流电压迅速升高，就在这个升高的过程中，若其电压值超出了雷击绝缘处所能够承受的最值，那么高压直流输电线路出现故障的相应概率就会大大增加。

基于ANFIS的特高压输电线路故障分类识别方法林圣;何正友;陈双;钱清泉【摘要】A novel fault type classification approach for ultra-high voltage ( UHV) transmission lines was proposed based on the adaptive-network-based fuzzy inference system ( ANFIS) to distinguish the ten common fault types, including single line to ground faults, line to line to ground faults, line to line faults, and three-phase fault. In this approach, the standard deviation and inter-quartile range of fault components of one cycle post-fault-current are taken as the characteristic quantities of fault classification. The influence of noise and harmonic on the characteristic quantities was analyzed. A fault classification model based on the ANFIS was established.A large number of simulations were carried out in PSCAD/EMTDC ( power systems computer aided design/electromagnetic transients including direct current). The results indicate that the proposed approach is capable to identify fault types fast with a high accuracy up to 99.5%. Furthermore, the approach is insensitive to different fault initial angles, fault distances and fault resistances and has a good adaptability for different noise levels, harmonics, transform characteristics of current transformer (CT) and sampling frequencies.%提出了一种基于自适应神经模糊推理系统(ANFIS)的特高压输电线路故障分类识别方法,以分类识别10种常见的输电线路故障.该方法以故障后1个工频周期内故障电流分量的标准差和四分位距作为故障分类识别的特征量.分析了噪声和谐波对这2个特征量的影响；建立了基于ANFIS的故障分类识别模型.大量仿真试验表明:提出的故障分类识别方法能快速、准确地识别各类故障,并且不易受故障初始角、故障位置和过渡电阻的影响,对噪声、谐波、电流互感器传变特性及采样频率有良好的适应性,分类识别正确率能达到99.5%.【期刊名称】《西南交通大学学报》【年(卷),期】2011(046)004【总页数】9页(P611-619)【关键词】自适应神经模糊推理系统;故障分类;特征提取;特高压输电线路;适应性【作者】林圣;何正友;陈双;钱清泉【作者单位】西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031;西南交通大学电气工程学院,四川成都610031【正文语种】中文【中图分类】TM7732010年8月，1 000 kV晋东南—南阳—荆门特高压(ultra-high voltage，UHV)交流试验示范工程通过国家的验收，标志着我国进入了特高压交直流混合电网运行时代，这对于推动电力发展方式转变，促进电力就地平衡转为全国资源统筹平衡将发挥重大作用.但随着电压等级的升高，输电线路的故障也将带来更为严重的危害与影响.快速、准确的故障分类是快速恢复供电的前提，也是故障分析的一个重要部分.特高压输电线路是联系各大电网之间的桥梁，若其故障不能得到及时排除，将给整个电网带来致命性的危害.因此，对于特高压输电而言，研究更快速、更可靠的故障分类方法对保障电力系统的安全性与经济性具有重要的意义[1-2］.输电线路发生故障时，其故障特征存在一定的模糊性与复杂性;同时，由于噪声、谐波、互感器的传变特性等因素的影响，使得不同类型的故障并不是线性可分的，需要利用有效的分类方法才能将其分类识别，如基于暂态量[3-4］、数学形态学[5-6］、分形理论[7］、支持向量机[8］、模糊推理[9-10］、人工神经网络[11-12］的分类识别方法等.这些分类方法都有各自的优点，同时也存在自身的不足:一方面基于暂态特征的分类识别方法需要借助一定的数学工具来提取暂态量，增加了算法的复杂度，同时，在过零点故障时由于暂态特征不明显，使得算法具有一定的局限性;而基于时域工频电流特征的分类识别方法易受故障时刻、故障位置及过渡电阻的影响.另一方面，不同的故障分类器本身均具有一定的局限性，如模糊推理虽然能够模拟人的推理过程，解决信息的不确定性与模糊性，但其并不具备学习泛化的能力，同时，其隶属度函数的参数需要靠人工经验给出，主观性较强;而人工神经网络虽然具有较好的学习泛化能力，但其推理过程是一个“黑匣子”，不能很好地表达人脑的推理过程，缺少透明度.自适应神经模糊推理系统(adaptive-networkbased fuzzy inference system，ANFIS)是模糊推理系统与神经网络的有机结合体:具有神经网络的结构与训练学习能力，能够通过训练学习自适应地调整模糊隶属度函数的参数(前提参数)和解模糊参数(结论参数)，自动生成模糊推理规则.近年来，ANFIS 在负荷预测[13］、电价预测[14］以及故障定位[15-16］等方面愈来愈受到研究工作者的青睐，而其在故障分类识别中的应用却少有报道.本文依据1 000 kV特高压交流试验示范工程的工程参数在PSCAD/EMTDC中建立特高压输电线路的仿真模型，在考虑噪声、谐波和电流互感器(current transformer，CT)传变特性的基础上提取故障后1个工频周期内采样电流故障分量的标准差和四分位距作为故障分类识别的特征向量，并建立基于ANFIS的故障分类识别模型，以实现输电线路10种故障类型(单相接地故障Ag、Bg、Cg;两相接地故障 ABg、BCg、CAg;两相相间短路故障AB、BC、CA和三相短路故障ABC)的分类识别.1 ANFIS的基本原理1.1 ANFIS 网络结构ANFIS将人工神经网络的自学习功能和模糊推理系统的模糊语言表达能力有机地结合起来，进行优势互补[17］.输电线路的故障特征是非线性的，而Sugeno模糊模型为一非线性模型，可以表达复杂系统的动态性和非线性.因此，基于Sugeno模糊模型的ANFIS能够较好地分类识别出输电线路不同的故障类型.经典的两输入、两规则基于Sugeno模型的ANFIS的网络结构如图1所示.图1 ANFIS结构框架Fig.1 Structure frame of ANFIS图1为5层前馈网络，其中:第1层将输入变量模糊化，输出对应模糊集的隶属度:其中:O1i、O2i分别表示第 1、2个节点的输出;Ai和Bi是与该节点相关的模糊语言变量;函数μ为满足条件的隶属度函数.本文隶属度函数采用高斯(Gauss)函数和钟形(bell)函数，其表达式分别为:式中:{ai，ci}或{ai，bi，ci}为第 1 层节点的参数集，称为前提参数.第2层实现模糊规则激励度的计算.此层节点为固定节点，结构图中用∏表示，每个节点的输出表示一条规则的激励强度:第3层将激励强度归一化，结构图中用N表示，第i个节点的输出¯wi为前一层的输出wi与全部规则w值之和的比值:第4层该层的每个节点i均为具有节点函数的自适应节点，其节点函数为线性函数fi，节点输出:其中:参数pi、qi和ri为后件参数，也叫结论参数，需通过ANFIS的训练学习确定.第5层为一个带有∑的固定节点，其功能是计算所有规则的最终输出，以作为系统的总输出:1.2 ANFIS 学习算法ANFIS通过混合算法对各参数进行训练学习:对前提参数采用反向传播算法进行调整，而对于结论参数则采用线性最小二乘估计算法.在每一次迭代中，先固定前提参数，输入量沿网络正向传递，直至第4层，此时采用最小二乘估计算法对结论参数进行调整，随后，输入量继续沿网络正向传播直至输出;此后，获得的误差将沿网络反向传播以调节第1层的前提参数.这种混合学习算法不但减小了梯度下降所要搜索的空间，而且可以大大提高参数的收敛速度，减少学习训练时间[17］.2 特征选择2.1 输电线路仿真模型图2为晋东南—南阳—荆门特高压交流试验示范工程输电线路示意图，线路全长644.6 km，晋东南—南阳段为363 km，南阳为1 000 kV开关站;线路采用中性点直接接地方式，阻抗角最高达88.35°;两段线路两侧均配置有高压电抗器，其中性点经小电抗接地[18］.在PSCAD/EMTDC中建立输电线路仿真模型，线路参数为:在此模型上仿真输电线路发生的10类常见故障，对每类故障考虑:故障初始角从0°依次递增10°至180°(故障初始角定义为A相电压的相角)，故障位置从距晋东南母线0 km处依次递增40 km至360 km处及南阳开关站处，过渡电阻从0 Ω依次增加5 Ω 至20 Ω、此后依次增加10 Ω 至100 Ω、此后依次增加100 Ω 至1 000 Ω、此后依次增加500 Ω 至3 000 Ω，共得试验样本19×11×26×10=54 340组.图2 特高压输电线路示意Fig.2 Schematic drawing of UHV transmission lines 2.2 特征提取根据电力系统故障动态记录技术准则[19］，对于高速故障记录采样率一般不低于5 kHz(本文采样率fs为10 kHz);交流电流量的线性测量范围为工频有效值的0.1～20倍.因此，通过CT获得的A相电流如图3所示.图中实线表示线路中电流的实际值;虚线为考虑线性测量范围时CT的输出情况;点划线为CT饱和的极限情况，实际工程中并不存在此种情况，但本文将考虑此情况以验证所提出的故障分类识别方法对CT传变特性的适应性.以故障后1个周波内的三相采样电流iA、iB、iC及零序电流(iA+iB+iC)/3的故障分量作为本文的研究对象，式中:x代表A、B、C三相及零序分量(下文中以下标zs表示);T为工频周期.图3 CT输出电流(Ag故障，过渡电阻R=20 Ω)Fig.3 Output of CT(Ag fault，R=20 Ω)统计参数中的变异数(variability)是对分布的延伸和聚类状态程度的定量化描述，能较好地刻画信号的特点，因此，本文将提取故障分量的标准差(standard deviation)和四分位距(inter-quartile range)，并以其归一化值作为故障分类的特征向量.(1)标准差式中:Stdx和stdx表示x相的标准差及其归一化值;n=200，为1个周期内的采样点数.(2)四分位距式中:Iqrx和iqrx表示x相的四分位距及其归一化值;Λ(i′x)和Γ(i′x)分别表示i′x的第 3 四分位数和第1四分位数.由此，可构造2个特征向量:2.3 特征分析对于各类型的故障，提取故障初始角为0°、30°、60°、90°、120°、150°、180°;故障位置为距晋东南母线 0、40、80、160、320、363 km;过渡电阻为 0、5、10、50、100、500、800、1 000、2 000 Ω，共组试验样本数据的标准差和四分位距，其归一化量如图4和图5所示.图4 不同故障的故障电流分量标准差Fig.4 Standard deviation of fault current components for different fault types图5 不同故障的故障电流分量四分位距Fig.5 Inter-quartile range of fault current components for different fault types图中对于零序分量的特征仅给出两相故障的情况，从图可知:(1)A、B、C三相电流的特征值能较好地刻画故障相，通过零序分量的特征值能有效地判断故障是否为接地故障.(2)随着噪声强度的增加，不同故障类型的特征值重叠、混合程度将增加，当信噪比(signal to noise ratio，SNR)下降到某一水平时，各类故障将不再线性可分.故需借助有效的分类器才能将其分类识别.谐波的存在也将影响故障特征的分布，且其规律与噪声的影响类似:随着谐波含量的增加，不同故障特征混叠的情况将加剧.由于篇幅有限，本文仅给出总谐波失真(total harmonic distortion，THD)为5%的情况，如图6和图7所示.(3)单一特征在系统环境较为恶劣的情况下不能有效地分类识别不同的故障类型，故需要采取两个或多个特征融合的手段来实现准确的分类识别.图6 THD为5%时故障电流分量的标准差Fig.6 Standard deviation of fault current components while THD=5%图7 THD为5%时故障电流分量的四分位距Fig.7 Inter-quartile range of fault current components while THD=5%3 基于ANFIS分类模型的建立与实现3.1 基于ANFIS的故障分类模型通过上述特征分析，可建立2个ANFIS分层识别故障相与故障接地性，以实现10种故障类型的完全分离与准确分类，其模型如图8所示.图8 基于ANFIS的故障分类模型Fig.8 Model of fault type classification based on ANFIS其中两个ANFIS分别实现不同的功能:先将故障特征向量T1输入ANFIS(phase)进行故障相的分类识别，当识别故障为两相故障时，再将故障特征向量T2输入ANFIS(ground)以判断是否为接地故障，如此便可实现10种故障类型的分类识别.3.2 ANFIS结构及参数选择由于ANFIS(phase)的输入特征向量T1含有6个不同的特征值，因此其具有6个输入，由2.3节可知不同故障类型的特征向量T1主要集中分布于正方体的7个顶角，故对其的每个输入均可选择2个隶属度函数，此处函数类型选为高斯函数，因此ANFIS可采用网格分割方式自动生成64条推理规则.同理，ANFIS(ground)具有2个输入，但从图5(b)和图7可知，当噪声达到一定水平时，某些工况下接地故障的特征值将小于非接地故障的特征值，故对其的每个输入均选取3个钟形隶属度函数，以期达到更准确的识别效果.ANFIS(ground)具有9条模糊推理规则.由于ANFIS的输出不一定为整数，因此本文采用四舍五入的原则对ANFIS的输出取整.3.3 ANFIS 训练选取2.3节所述的试验样本作为ANFIS的训练样本集(试验中SNR为20 dB，THD为10%，且考虑CT的线性测量范围)分别对ANFIS(phase)和ANFIS(ground)进行训练，训练误差分布如图9所示.可知，仅对 ANFIS(phase)训练200次，其输出误差便可接近0.01，再次证明了ANFIS采用的混合学习算法能有效地提高参数的收敛速度，减少训练时间.ANFIS(ground)的训练误差精度不如ANFIS(phase)，但在此误差精度下亦能得到较好的分类识别正确率;若想得到更好的训练效果可考虑融合更多的特征量，如全距(range)，同时可以考虑增加模糊隶属度的个数，但这将牺牲更多的训练时间.3.4 基于ANFIS的故障分类方法验证图9 ANFIS训练误差Fig.9 Training error of ANFISs利用2.1节所述试验工况下得到的试验样本对基于ANFIS的特高压输电线路故障分类识别方法进行测试，以验证其正确性.对各种故障类型下的测试统计结果如表1所示.由于测试样本中含过渡电阻高达3 000 Ω的试验样本(每类故障中过渡电阻为2 500和3 000 Ω的样本均有209组)，故能很好地检验证该方法对高阻故障的适应性.表1 故障分类测试结果统计Tab.1 Classification results of different fault typesAg 5 434 0 100.00 Bg 5 434 0 100.00 Cg 5 434 0 100.00 ABg 5 434 2699.52 BCg 5 434 24 99.56 CAg 5 434 25 99.54 AB 5 434 0 100.00 BC 5 434 0 100.00 CA 5 434 0 100.00 ABC 5 434 14 99.74从表1的统计结果可以看出，基于ANFIS的特高压输电线故障分类识别方法能准确地分类识别出不同类型的故障，且基本不受故障初始角、故障位置及过渡电阻的影响.表1中测试样本仅考虑了CT的传变特性，因此，下文将在考虑噪声、谐波等因素影响的基础上来考察该方法的适应性.4 适应性分析4.1 对噪声的适应性分析表2为故障电流在受不同噪声强度影响的情况下(THD为3%，fs=10 kHz)，基于ANFIS的故障分类识别方法对各故障类型分类识别结果的统计情况，其中，每种故障类型的测试样本均为5 434组.从表2可以看出，噪声的存在将影响故障分类识别的正确率，但其影响程度并不大，即使在电流信号受到SNR为20 dB的噪声干扰时，该方法亦具有很高的正确率，说明此方法对噪声具有较强的适应性.表2 不同噪声强度下故障分类测试结果统计Tab.2 Classification results with different noisy environments %Ag 100.00 100.00 99.78 Bg 100.00 100.00 99.89 Cg 100.00 100.00 99.94 ABg 99.6 99.61 99.52 BCg 99.54 99.56 99.56 CAg 99.71 99.69 99.71 AB 100.00 100.00 99.87 BC 100.00 100.00 99.87 CA 100.00 100.00 99.87 ABC 99.48 99.47 99.484.2 对谐波的适应性分析表3为系统含有不同程度的谐波成分时(SNR为20 dB，fs=10 kHz)，该方法对各故障类型分类识别结果的统计情况，其中每种故障类型的测试样本亦为5 434组.从表3可以看出，电流谐波对故障分类识别的正确率带来的影响较小，即便当总谐波失真达到10%时，该方法也能正确地分类识别出不同的故障类型，证明其对谐波有较强的适应性.4.3 对CT传变特性的适应性分析为考察该故障分类识别方法对CT传变特性的适应性，笔者对超出CT线性测量范围的CT输出电流做如下处理:用CT最大线性输出值叠加一20 dB的噪声作为CT的输出，即考察如图3所示CT饱和的极限情况.表4为故障分类识别结果的统计情况(SNR为 20dB，THD为 1%，fs=10 kHz)，其统计结果表明该故障分类识别方法对CT的传变特性有很好的适应性.表3 不同谐波含量时故障分类测试结果统计Tab.3 Classification resultsvs.different harmonic environments %Ag 99.89 99.78 99.91 99.93 Bg 99.98 99.89 99.96 99.94 Cg 99.98 99.94 99.94 99.93 ABg 99.45 99.52 99.21 98.34 BCg 99.6 99.56 99.25 98.64 CAg 99.54 99.71 99.72 99.82 AB 99.8 99.8799.82 99.74 BC 99.78 99.87 99.85 99.74 CA 99.83 99.87 99.74 99.67 ABC 99.52 99.48 99.52 99.43表4 CT饱和时故障分类测试结果统计Tab.4 Classification results considering the CT line range limitAg 2 721 6 99.78 Bg 2 717 5 99.82 Cg 2 717 5 99.82 ABg 2 717 37 98.64 BCg 2 717 35 98.71 CAg 2 717 33 99.78 AB 2 717 0 100.00 BC 2 717 0 100.00 CA 2 717 0 100.00 ABC 2 717 138 94.924.4 对采样频率的适应性分析以5 kHz为采样率对2.1节所述试验工况下的各类故障重新进行仿真试验，组成新的测试样本对基于ANFIS的故障分类识别方法进行测试，以验证其对采样率的适应性.表5为测试结果的统计情况(SNR为30 dB，THD为5%)，从表可以看出，虽然故障电流的采样频率减半，但对故障分类识别的影响却很小，表明该故障分类识别方法对采样频率有很好的适应性.表5 fs=5 kHz时故障分类测试结果统计Tab.5 Classification results when fs=5 kHzAg 5 434 1 99.98 Bg 5 434 1 99.98 Cg 5 434 0 100.00 ABg 5 434 4399.21 BCg 5 434 37 99.32 CAg 5 434 12 99.78 AB 5 434 0 100.00 BC 5 4340 100.00 CA 5 434 0 100.00 ABC 5 434 15 99.725 结论在对特高压输电线路不同故障类型的特征量进行充分分析的基础上，提出了一种基于ANFIS的故障分类识别方法，通过大量的仿真试验与分析，得到以下结论: (1)以三相及零序电流故障分量的标准差和四分位距组成的特征向量能够较好地刻画出特高压输电线路不同故障类型的特征.(2)基于ANFIS的故障分类识别方法能够快速、准确地分类识别出不同的故障类型，且不易受故障初始角、故障距离及过渡电阻的影响.(3)基于ANFIS的特高压输电线路故障分类识别方法基本不受噪声、谐波、CT传变特性和采样频率的影响，具有良好的适应性和工程应用前景.参考文献:【相关文献】[1]BO Zhiqian，AGGARWAL R K，JOHNS A T，et al.A new approach to phase selection using fault generated high frequency noise and neural networks[J］.IEEE Transactions on Power Delivery，1997，12(1):106-115.[2]SILVA K M，SOUZA B A，BRITO N D.Fault detection and classification in transmission lines based on wavelet transform and ANN[J］.IEEE Transactions on Power Delivery，2006，21(4):2058-2063.[3]段建东，张保会，周艺，等.基于暂态量的超高压输电线路故障选相[J］.中国电机工程学报，2006，26(3):1-6.DUAN Jiandong，ZHANG Baohui，ZHOU Yi ，et al.Transient-basedfaulty phase selection in EHV transmission lines[J］.Proceedings of the CSEE，2006，26(3):1-6.[4]刘志刚，曾怡达，钱清泉.多小波的多分辨率分析在电力信号处理中的应用[J］.西南交通大学学报，2004，39(3):318-323.LIU Zhigang， ZENG Yida， QIAN Qingquan.Application of multiwavelet multiresoulution analysis in signal processing ofpowersystem[J］. JournalofSouthwest Jiaotong University，2004，39(3):318-323.[5]邹力，赵青春，林湘宁，等.基于数学形态学的电力系统振荡中故障识别和改进的选相方法[J］.中国电机工程学报，2006，26(13):37-42.ZOU Li， ZHAO Qingchun， LIN Xiangning， et al.Mathematicalmorphology based faultdetectorand improved phase selector in power swing[J］.Proceedings of the CSEE，2006，26(13):37-42.[6]林湘宁，刘沛，高艳.基于故障暂态和数学形态学的超高速线路方向保护[J］.中国电机工程学报，2005，25(4):13-18.LIN Xiangning，LIU Pei，GAO Yan.Ultra-high-speed line directionalprotection based on transientand mathematical morphology[J］. Proceedingsof the CSEE，2005，25(4):13-18.[7]孙雅明，王俊丰.基于分形理论的输电线路故障类型识别新方法[J］.电力系统自动化，2005，29(12):23-28.SUN Yaming，WANG Junfeng.New approach of fault type recognition of transmission lines based on fractal theory[J］. Automation of Electric Power Systems，2005，29(12):23-28.[8]BHALJA B，MAHESHWARI R P.Wavelet-based fault classification scheme for a transmission line using a support vector machine[J］.Electric Power Components and Systems，2008，36(10):1017-1030.[9]PRADHAN A K，ROUTRAY A，PATI S，et al.Wavelet fuzzy combined approach for fault classification of a series-compensated transmission line[J］. IEEE Transaction on Power Delivery，2004，19(4):1612-1618.[10]张斌，何正友，钱清泉.基于小波能量熵和模糊逻辑的故障选相元件[J］.电网技术，2006，30(15):30-35.ZHANG Bin， HE Zhengyou， QIAN Qingquan.A faulty phase selector based on wavelet energy entropy and fuzzy logic[J］.Power System Technology，2006，30(15):30-35.[11]MAHANTY R N，GUPTA P D.Application of RBF neural network to fault classification and location in transmission lines[J］.IEE PROC，2004，151(2):201-212.[12]林圣，何正友，臧天磊，等.基于粗神经网络的输电线路故障分类方法[J］.中国电机工程学报，2010，30(28):72-79.LIN Sheng，HE Zhengyou，ZANG Tianlei，et al.Novel approach of fault type classification in transmission lines based on rough membership neural networks[J］. Proceedings ofthe CSEE， 2010，30(28):72-79.[13]雷绍兰，孙才新，周湶，等.基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法[J］.中国电机工程学报，2005，25(22):78-82.LEI Shaolan，SUN Caixin，ZHOU Quan，et al.Shortterm load forecasting method based on RBF neural network and ANFISsystem[J］.Proceedings of the CSEE，2005，25(22):78-82.[14]吴兴华，周晖.基于减法聚类及自适应模糊神经网络的短期电价预测[J］.电网技术，2007，31(19):69-73.WU Xinhua， ZHOU Hui. Forecastingbasedon subtractive clustering and adaptive neuro-fuzzy inference system[J］. PowerSystem Technology，2007，31(19):69-73.[15]REDDY M B， MOHANTA D K. Performance evaluation of an adaptive-network-based fuzzy inference system approach for location of faults on transmission lines using montecarlo simulation[J］. IEEE Transactions on Fuzzy Systems，2008，16(4):909-919. [16]ADEH J，AFRADI H.A new and accurate fault location algorithm for combined transmission lines using adaptive network-based fuzzy inference system[J］.Electric Power Systems Research，2009，79(11):1538-1545.[17]JANG J R. ANFIS:adaptive-network-based fuzzy inference systems[J］.IEEE Transactions on Systems Man and Cybernetics，1993，23(3):665-685.[18]刘振亚.特高压电网[M］.北京:中国经济出版社，2005:36.[19]中华人民共和国电力工业部.DL/T 553—94 220～500 kV电力系统故障动态记录技术准则[S］.北京:中国电力出版社，1995.。

基于特高压输电线路的故障识别探究摘要：在我国进入21世纪快速发展的新时期，经济在快速发展，社会在不断进步，近几年的统计数据表明，自然灾害引起的特高压直流输电线路跳闸事故较多，其原因复杂且随机多变，进行准确的故障原因辨识有一定的难度。

因此需要一种融合多信息源的原因辨识方法，以对各种故障原理及过程的理解为前提，对特定故障的特征进行挖掘分析，以此形成原因辨识的依据。

其中故障特征包括电气量和非电气量两种，不同原因下的电气量特征存在着相似性，且区分度较小，仅依靠一种是无法准确识别的。

目前还没有一套完整的针对特高压直流输电线路故障原因辨识的方法，在输电线路发生故障后，无法为运行检修人员提供决策上的辅助。

基于此，本文提出一种基于电气量和非电气量等多源信息融合的特高压直流输电线路故障原因辨识方法。

关键词：特高压直流输电线路；雷击故障；故障辨识引言目前己步入2022年，社会各界对电能的需求也在水涨长高，因此电能的可靠供给对国计民生的作用愈发重要。

与此同时，由于我国疆域辽阔，东西部的国内生产总值有着云泥之别，因此东西部地区对电力的需求也大相径庭。

东部地区经济发达，用电需求巨大，但这些地区的发电成本也远远高于西部地区，而以内蒙为首的西部地区发电成本低，用电需求少，这使得我国产生了电力资源不平衡的问题。

为使电力系统的网损成本、投资成本、发电成本综合较低，我国电网提出了“西电东送、南电北送”的远距离输电方式[2]。

随着电网的广泛互联，大规模的跨区域电力输送与日俱增，如何保障电力系统的安全、稳定运行，成为电力部门的一项艰巨任务。

1输电线路故障定位方法的研究现状对于现代输电系统的特征，需对线路维修人员的工作重心做出合理的调整，线路维修人员要从查找故障位置的工作上抽身出来，将更多的精力放在为电力系统制定极具针对性的保护方案上，在此过程中，故障定位技术至关重要，可为线路维护人员提供有力的依据以帮助其尽快确定线路的局部绝缘情况，以防引发次生故障，这对输电系统运行的安全性和稳定性有着重要意义，对于定位原理的差异可将定位法分为行波法、故障分析法;对于电气量获取途径的差异则可将其分为单端法、双端法。

基于CNN-SVM的高压输电线路故障识别方法
田鹏飞;于游;董明;姜志筠;包鹏宇;吴国鼎;张天东;胡钋
【期刊名称】《电力系统保护与控制》
【年(卷),期】2022(50)13
【摘要】高压输电线路故障识别对保证电网安全稳定运行具有重要意义。

提出了一种基于CNN-SVM的高压输电线路故障分段识别方法。

针对传统故障识别方法数据特征提取过程复杂的问题,通过深度学习的CNN模型,将故障特征以时序矩阵形式输入其卷积层与池化层,从而简化特征提取与计算过程。

此外,针对高压输电线路故障特征不明显导致相间故障识别率较低的问题,提出将故障相间电流差及非故障相负序与零序分量作为特征,输入到SVM模型,进而判断相间故障接地类型。

仿真结果表明,所提方法准确率高,与其他深度学习方法相比,在相间故障识别的准确率上提升尤为显著。

【总页数】7页(P119-125)
【作者】田鹏飞;于游;董明;姜志筠;包鹏宇;吴国鼎;张天东;胡钋
【作者单位】国网辽宁省电力有限公司;国网大连供电公司;武汉大学
【正文语种】中文
【中图分类】TM7
【相关文献】
1.基于ANFIS的特高压输电线路故障分类识别方法
2.基于多重分形谱的高压直流输电线路区内外故障识别方法
3.基于双向长短期记忆网络的高压输电线路短路故
障识别方法4.大气环境下高压电网输电线路故障识别方法5.基于CBAM-FCN的高压输电线路发展性故障识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。

高压输电系统的形象识别与故障定位一、引言高压输电系统是现代社会电力供应的重要组成部分，承担着电能传输的重要任务。

然而，由于线路覆盖范围广、线路变化复杂等原因，其形象识别与故障定位一直是一个具有挑战性的问题。

本文将探讨高压输电系统的形象识别方法以及故障定位技术，以提高电网的稳定运行和可靠性。

二、高压输电系统的形象识别技术形象识别是指通过对输电线路、变电站等组成要素进行特征提取和图像处理，从而实现电网系统的自动化监控和运行状态的判断。

在高压输电系统中，形象识别技术可以分为以下几个方面：1. 图像获取技术：采用红外热像仪、无人机等技术，对输电设备进行全面、准确的图像采集。

2. 图像处理技术：通过图像处理算法，对采集的图像进行降噪、增强、分割等处理，提取出关键特征信息。

3. 特征提取和分类技术：采用机器学习、深度学习等方法，对提取的特征进行分析和分类，实现对输电线路等要素的自动识别和分类。

三、高压输电系统的故障定位技术故障定位是指针对输电线路、变电站等组成要素发生的故障进行定位，准确找出故障点并及时修复，保证电网的正常运行。

故障定位技术主要包括以下几个方面：1. 电缆故障定位技术：利用高频脉冲方法、反射法等技术，对电缆中的故障点进行定位，并确定故障类型。

2. 绝缘子污秽定位技术：利用红外热像仪等设备，对绝缘子表面的污秽程度进行检测和定位。

3. 输电线路的故障定位技术：采用全波反射法、时域反射法等技术，对输电线路中的短路、接地等故障进行定位。

4. 变电站的故障定位技术：采用图像处理技术，对变电站的开关设备、继电器等进行故障诊断和定位。

四、高压输电系统形象识别与故障定位的应用案例为了更好地说明高压输电系统的形象识别和故障定位技术的重要性和实用性，以下列举一个典型应用案例：某省某高压输电线路的电力系统遭遇了一次严重的故障，导致线路断电。

通过使用红外热像仪对整个线路进行检测，发现线路的一个绝缘子上有明显的过热现象。

专利名称：一种特高压直流输电线路区内外故障识别方法专利类型：发明专利
发明人：陈仕龙,曹蕊蕊,毕贵红,杨具瑞,谢佳伟,李兴旺,荣俊香,罗璐,王彦武
申请号：CN201510236260.3
申请日：20150511
公开号：CN104865499A
公开日：
20150826
专利内容由知识产权出版社提供
摘要：本发明涉及一种特高压直流输电线路区内外故障识别方法，属高压直流输电系统继电保护领域。

首先采集故障电压数据；将检测到的故障电压信号进行小波多尺度分解，得到每一层的小波重构高频系数，将所有的每一层的高频系数的奇异谱熵组成特征向量矩阵，将特征向量矩阵中的数据划分为训练集和测试集；再设定训练集标签和测试集标签；对训练集进行训练；再设定预测标签和预测精度的存储位置；将测试集输入到SVM分类器进行测试，得到分类结果和预测精度；再确定存储在预测标签存储空间中的分类结果是否正确。

本发明能同时将三种不同位置的故障进行识别，而且该方法简单、有效，计算时间短，在整个分类过程中可以实现自动化。

申请人：昆明理工大学
地址：650093 云南省昆明市五华区学府路253号
国籍：CN
更多信息请下载全文后查看。

专利名称：一种输电线路故障分类方法及装置
专利类型：发明专利
发明人：陈松波,黄绍川,阮伟聪,叶志健,叶万余,胡金磊,龚翔,黄景林,彭显刚
申请号：CN202010719017.8
申请日：20200723
公开号：CN111856209A
公开日：
20201030
专利内容由知识产权出版社提供
摘要：本发明实施例公开了一种输电线路故障分类方法及装置，方法包括：获取输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号；计算故障波形信号和正常波形信号之间的波形异化系数；归一化处理波形异化系数，并将归一化处理后的波形异化系数构建成待分类输入特征向量；通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得输电线路的故障类型。

本发明实施例提供的技术方案提高了对输电线路的故障分类的效率，保证了故障分类的准确性和适用性，降低了成本，从而提高了供电系统的可靠性。

申请人：广东电网有限责任公司清远供电局
地址：511500 广东省清远市清城区北江一路38号
国籍：CN
代理机构：北京品源专利代理有限公司
代理人：孟金喆
更多信息请下载全文后查看。

运营维护技术 2023年5月25日第40卷第10期· 219 ·的形式传递给Decoder 模型。

Decoder 模型则可根据神经元状态和输入的信息，按照时间排序进行解码，形成链式输出，直至输出所有神经元序列，至此完成对故障采样数据的解码工作。

在此模式下，以Encoder 模型最后一个时间输入的LSTM 神经元状态作为中间状态。

2　验证与分析为进一步验证基于Seq 2Seq 技术的输电线路故障识别系统的故障检测效率，获取输电线路的故障样本数据，在计算机Keras 平台上进行模拟验证。

文章所提出的输电线路故障识别系统可验证6种输电线路故障类型，包括单相短路故障、两相短路故障、三相短路故障、相间短路故障、单相断线故障、两相断线故障以及三相断线故障。

通过故障数据处理方法完成输电线路故障样本处理，以此得出本次模拟验证中的故障样本集合。

将故障样本随机分为6份，每份包含150个故障样本。

分别利用文章所提出的故障识别系统、基于人工免疫算法的故障识别系统、基于SVM 算法的故障识别系统、基于GRNN 算法的故障识别系统、基于RBF 算法的故障识别系统以及基于DT 算法的故障识别系统进行故障识别诊断，保证验证结果的客观性与准确性。

通过Keras 平台的模拟验证，不同方法对于输电线路故障识别的结果如图3所示。

与其他5种输电线路故障类型识别方法相比，文100.0%97.8%89.6%94.5%91.3%93.5%8486889092949698100本文方法人工免疫算法SVW算法识别方法GRNN算法RBF算法DT算法准确率/%图3　输电线路故障类型识别结果章所提出的基于Seq 2Seq 技术的输电线路故障识别方法精度更高，故障判定准确度可达到100%。

其中，SVW 算法判定输电线路故障准确率明显低于其他识别方法，这是因为SW 算法在故障判定时需要对故障特征的电气特征量开展筛选工作，但此过程进行时常常会忽略一部分较为隐秘且关键的故障类型识别信息[7]。