下载文档原格式
电力系统输电线路故障测距方法研究摘要：本文首先全面地介绍了故障测距在国内外发展历程和研究现状。
根据各测距算法采用的原理不同，将现有的各种测距算法分为行波法、阻抗法、故障分析法以及智能法，然后逐类对各种算法的理论基础和应用条件上进行了分析、对比和讨论，并在此基础上总结得出了各测距算法的优点及存在的问题，指出了每种测距算法的适用范围和应用局限性。
其次设计了一套高压输电线路新型故障测距装置，该测距装置采用专门设计的高速采样单元捕获暂态电流行波信号，采用全球定位系统GPS为线路两端提供精度高达s 1的统一时标,从而可实现高精度的双端行波法测距。
为了验证本论文提出的故障定位方法的可行性，通过分析研究，其结果说明本系统的实验方案确实可行。
理论和仿真结果表明，本文所作的工作提高了行波故障测距在不同线路结果情况下的适应性、精度和可靠性。
关键词：输电线路；故障测距；电力系统；行波；全球定位系统(GPS) Research about the measure of faultlocation in power system transmissionlineAbstract：The development and general situation of the research in this field in China and in other countries is introduced in this paper. All the existing algorithms can be classified into 4 main methods those are traveling wave location, impedance location, fault analysis location and Intelligence location .Then the principle and application condition of each algorithm are presented and discussed. Based on the analysis and comparison of each algorithm, the corresponding merits and application limitation are concluded.In this article, a new design scheme of the fault locator for HV transmission lines is presented. By using high-speed data acquisitioning unit designed specially to capture traveling waves of transient current, using Global Positioning System (GPS) to supply high precise time tagging for both ends and using wavelet transform theories to identify the head of the traveling waves, the fault locator can realize high precise double-ended traveling waves location. At the same time, using two-terminal voltages and currents sampled by the medium-speed sampling and processing unit synchronized by the Pulse Per Second (1PPS) of GPS, can realize accurate double ended steady state location.In order to verifying the feasibility of the fault location method, which is presented in this thesis, the experiment is performed based on the locale condition. The result shows that the experimental scheme of this thesis is feasible. The analysis and simulation results indicate that the studies in this dissertation can improve the accuracy, reliability and adaptability of traveling wave fault location.Keywords:power transmission line; Traveling wave; power system；Global Positioning System (GPS) ；fault location第1章绪论1.1 引言电能作为洁净的二次能源，在当代社会的能源比重原来越发挥着它不可替代的作用。
人工智能算法在电力系统故障检测中的研究摘要：随着电力系统规模的不断扩大，系统故障的检测和诊断变得越来越关键。
传统的故障检测方法往往依赖于专家经验和规则，存在着局限性和不足之处。
而近年来，人工智能算法的快速发展为电力系统故障检测带来了全新的机遇。
本文将探讨人工智能算法在电力系统故障检测中的研究，并分析其应用前景和挑战。
1. 引言电力系统是现代社会不可或缺的基础设施之一，其安全稳定运行对于社会经济的发展至关重要。
然而，电力系统常常面临着各种故障，如输电线路短路、变压器故障等。
及时准确地检测和诊断故障是确保电力系统运行的关键环节。
2. 传统故障检测方法的局限性传统的电力系统故障检测方法主要依赖于专家经验和规则。
这些方法通常需要人工分析系统的各种参数和状态数据，以确定系统是否存在故障。
然而，这种方法存在着一些局限性。
首先，专家经验和规则是基于过去的案例和数据，可能无法适应新的故障情况。
其次，人工分析需要大量的时间和精力，效率低下，并且受到主观因素的影响。
因此，传统方法无法满足日益复杂的电力系统故障检测需求。
3. 人工智能算法在电力系统故障检测中的应用近年来，随着人工智能算法的快速发展，越来越多的研究者开始探索将人工智能算法应用于电力系统故障检测中。
人工智能算法包括神经网络、遗传算法、支持向量机等。
这些算法利用系统的历史数据和实时监测数据，通过训练和学习来识别故障。
3.1 神经网络神经网络是一种模拟人脑神经元之间相互连接的计算模型。
在电力系统故障检测中，神经网络可以通过输入系统的测量值，并经过训练，生成一个能够准确识别故障的模型。
实践证明，神经网络在电力系统故障检测中具有较高的准确率和灵敏度。
3.2 遗传算法遗传算法是一种模拟生物进化过程的优化算法。
在电力系统故障检测中，遗传算法可以通过优化问题的目标函数，自动搜索解空间中的最优解。
研究表明，遗传算法在电力系统故障检测中有着良好的性能和适应性。
3.3 支持向量机支持向量机是一种基于统计学习理论的分类方法。
配电线路短路故障测距优化算法研究摘要：配电线路故障测距技术依据线路故障时的故障特征自动判明故障位置，有利于及时修复线路，保障供电可靠性。
配电线路多为辐射状结构，具有供电距离短、分支多、存在架空-电缆混合输电模式、不换位等特点，使得配电线路故障测距问题远较输电线路复杂、困难；另外，由于配电线路短，如果测距误差大，就失去了测距的意义，因此要求配电线路故障测距具有高精度，遗憾的是，现有的测距方法精度不高，不能满足该要求。
针对短路故障测距，以适用于配电线路特点、提高测距精度为研究目标，本文提出了改进的阻抗测距法，该方法采用分布式参数模型，有效提高了测距精度，能更真实地反映线路信息。
关键词：配电线路；改进阻抗测距1引言配电线路在短路故障时，电气量变化明显，和中性点接地系统相似，因此输电线路的故障测距方法对于配电线路短路故障测距有很大的借鉴价值。
配电网多为单电源辐射状结构，遍布范围广，常带有多个终端，终端一般无测量装置，不能获得故障信息。
因此故障测距只有依靠单端电气量的测距方法。
这里着重介绍基于单端电气量的输电线路故障测距方法。
2短路故障测距法的研究现状和在实际应用中存在的问题2.1短路故障测距法的研究现状1979年M.T.Sant 和Y.G.Paithankar最早提出基于工频电气量的单端故障测距思想，它主要针对单侧电源线路[1]；1982年Takagi[2]和1983年A.Wiszniewski[3]先后提出了使用故障分量网络来考虑负荷电流的影响，并引入故障分量电流分布系数来消除系统阻抗的影响；同时，Schweitzer[4]等人还提出了用迭代法减小过渡电阻对故障测距的影响；1985年L.Eriksson[5]在考虑系统运行方式的前提下，通过解二次方程计算故障距离。
80年代后国内的故障测距技术随微机技术发展而不断深入。
1982年蔡德礼、叶一麟[6]提出了通过有限次迭代计算修正故障电流相位进行测距的方法；1985年杨奇逊[7]利用R-L模型方程的阻抗算法实现距离保护装置。
基于人工智能的电力线路故障定位算法研究电力线路故障定位一直是电力系统运维中的重要问题之一。
随着信息技术的不断发展和人工智能的应用，基于人工智能的电力线路故障定位算法逐渐成为一种有效的解决方案。
本文将基于人工智能的电力线路故障定位算法进行研究，探讨其原理、应用和优势。
首先，人工智能技术在电力线路故障定位中的应用是基于大数据分析和机器学习的。
通过对电力系统数据的采集和处理，结合机器学习算法，可以对电力线路的故障位置进行准确推断。
而传统的定位方法通常依赖于专业人员的经验和手动测量，存在准确性不高和效率低下的问题。
人工智能技术能够通过对大量历史数据和实时数据的学习和分析，自动识别故障模式，提高故障定位的准确性和效率。
其次，基于人工智能的电力线路故障定位算法主要包括两个步骤：数据预处理和故障定位模型构建。
在数据预处理阶段，需要对采集到的电力系统数据进行清洗、归一化和特征提取等操作，以便于后续的故障定位模型构建。
在故障定位模型构建阶段，常用的机器学习算法包括神经网络、支持向量机和随机森林等。
这些算法能够通过训练模型学习故障模式，并对未知故障位置进行推断。
基于人工智能的电力线路故障定位算法的应用范围广泛。
首先，它可以应用于传统的电力系统，实现对线路故障的准确定位，提高电力系统的可靠性和稳定性。
其次，随着智能电网的发展，智能电表和传感器的广泛应用，基于人工智能的故障定位算法可以实现对分布式电力系统的故障位置快速定位，提高对电力线路的监测和管理能力。
此外，基于人工智能的电力线路故障定位算法还可以应用于电动汽车充电设施的故障检测和定位，提高充电设备的使用效率和安全性。
相比传统的电力线路故障定位方法，基于人工智能的算法具有一定的优势。
首先，它减少了人工干预的需求，提高了故障定位的自动化程度，并减少了人力成本。
其次，基于人工智能的算法能够快速处理大量数据，实现实时故障定位，并及时采取措施进行修复，避免进一步损失。
另外，基于人工智能的电力线路故障定位算法具有较高的准确性和鲁棒性，可以适应不同场景下的故障定位需求。
电力系统中基于人工智能的电网故障定位技术研究1.引言电力系统是现代社会不可或缺的基础设施之一，为保障电网的可靠运行，准确快速地定位并处理电网故障显得尤为重要。
传统的电力系统故障定位方法主要依赖人工分析和经验积累，存在诸多不足之处。
然而，随着人工智能技术的快速发展，基于人工智能的电网故障定位技术逐渐崭露头角，成为改进与创新电网故障定位方法的重要途径。
2.电力系统故障定位现状传统的电力系统故障定位方法主要基于电力工程师的经验与人工分析，如巡视法、断路法等。
这些方法耗时耗力，并且对专业知识要求较高，容易受主观因素的影响。
同时，电力系统的规模日益庞大，变电站、线路、设备数量增加，传统方法已难以满足快速定位故障的需求。
3.基于人工智能的电网故障定位技术概述基于人工智能的电网故障定位技术借助现代计算机技术与人工智能算法，通过对电网数据进行分析、学习和预测，实现电网故障的准确定位。
常用的人工智能算法包括神经网络、遗传算法、支持向量机等。
4.电网数据的采集与处理电力系统中，各种设备产生着大量的数据，包括电流、电压、温度等信息。
而这些数据对于故障定位具有重要的参考价值。
基于人工智能的电网故障定位技术需要对这些数据进行采集、预处理和挖掘。
例如，可以使用数据挖掘算法来发现潜在的规律和特征。
5.基于神经网络的电网故障定位技术神经网络是一种模拟人脑神经元工作方式的计算模型，可以学习复杂的非线性关系。
在电网故障定位中，可以利用神经网络对大量的历史数据进行训练，建立一个准确的故障定位模型。
通过输入故障相关的指标，神经网络可以输出故障发生位置的概率分布。
6.基于遗传算法的电网故障定位技术遗传算法是一种模拟生物进化过程的优化算法，通过将优势个体的基因信息交叉和突变，逐代演化出更加适应环境的解决方案。
在电网故障定位中，可以使用遗传算法优化故障位置的搜索过程，提高效率和精度。
7.基于支持向量机的电网故障定位技术支持向量机是一种常用的机器学习算法，通过建立合适的分类器来解决分类问题，可以将电网故障定位任务转化为一个分类问题，通过对已知故障数据进行训练，构建一个合适的分类器，并用于对新故障进行定位。
电力网络中的故障测距与定位方法研究一、引言电力系统是现代社会中不可或缺的基础设施之一，而电力故障的发生给供电可靠性和电能质量带来了严重威胁。
因此，准确快速地测距和定位电力故障对于维护电网稳定运行至关重要。
本文将探讨电力网络中的故障测距与定位方法的研究。
二、故障测距方法的研究1. 电力传输线故障测距方法传输线故障测距方法是一种常用的故障测距手段，其基本原理是利用测量传输线两端的电压、电流以及传输线的参数等信息，通过计算得出故障距离。
在此基础上，研究者们通过改进传输线模型、信号处理算法以及测量设备的精度等方面，不断提高测距的准确性和实时性。
2. 输电线路故障测距方法与传输线不同，输电线路往往具有较长的传输距离和复杂的网络拓扑，因此故障测距方法需要考虑这些特点。
研究者们通过采用多种故障检测技术，如电压改变率法、自适应滤波法等，结合计算机辅助分析方法，实现对输电线路故障的测距与定位。
三、基于机器学习的故障定位方法研究近年来，随着人工智能领域的快速发展，机器学习技术在电力系统故障测距与定位中得到了广泛应用。
机器学习算法可以通过对大量历史故障数据的学习，建立故障模型，从而实现对未知故障的判断和定位。
这种方法具有较高的准确性和实时性，能够有效应对电力网络的复杂性和高速性。
四、故障定位方法的实践应用除了学术研究，故障测距与定位方法已经在实际的电力系统中得到了应用。
例如，在某地的配电网中，通过引入高精度测量设备和先进的信号处理算法，成功地实现了对短路故障的准确定位。
而在某高压输电线路的应用中，结合机器学习算法和无线传感器网络技术，实现了对不同类型故障的精确测距。
五、故障测距与定位方法的挑战与展望虽然故障测距与定位方法在过去几十年取得了显著的进展，但仍然存在一些挑战。
例如，电力系统的复杂性导致了测距与定位方法的复杂性。
此外，故障数据的采集与处理也对方法的准确性和实时性提出了更高的要求。
为了解决这些问题，需要进一步研究和改进现有方法，同时结合新颖的算法和技术，提高故障测距与定位的性能。
输电线路故障诊断智能算法评估输电线路是电力系统中起到输送电能的重要组成部分，其稳定运行对于电力系统的安全运行是至关重要的。
然而，由于多种原因，如恶劣的天气、设备老化、外部干扰等，输电线路故障频繁发生，导致供电中断和经济损失。
因此，开发一种高效准确的输电线路故障诊断智能算法是电力系统领域的一个重要研究方向。
输电线路故障诊断通常通过监测和分析电路中的电流、电压、功率等参数来实现。
随着传感器技术和通信技术的发展，我们可以获取大量的实时线路运行数据，为线路故障诊断提供了更多的信息。
然而，由于数据量庞大且含有噪声，如何准确地从中提取有用的信息并进行故障诊断成为一个挑战。
在传统的电力系统中，人工经验是主要的故障诊断方法。
这种方法的局限性在于：一方面，由于故障的类型多样且可能随时变化，人工经验往往无法覆盖所有情况，容易出现误诊断；另一方面，人工诊断需要大量的时间和精力，无法满足实时性要求。
因此，研发一种自动化的线路故障诊断智能算法势在必行。
针对输电线路故障诊断问题，目前已有多种智能算法被提出并应用于实际。
以下是对其中几种典型的智能算法进行评估。
首先，模糊逻辑算法是一种常用的线路故障诊断算法。
它通过根据输入的模糊语言变量和规则库，利用模糊推理和模糊控制原理进行故障诊断。
模糊逻辑算法能够处理不确定性和模糊性，适用于各种复杂线路故障诊断。
然而，模糊逻辑算法存在计算复杂度高、推理结果不唯一等问题，导致其在实际应用中的精确性和实时性有待提高。
其次，神经网络算法也被广泛应用于输电线路故障诊断。
神经网络算法以其自适应学习和非线性建模的特点，能够从大量历史数据中学习和识别故障模式，并对未知样本进行分类。
在训练阶段，神经网络通过调整其内部连接权重来拟合样本数据，使得其输出尽可能接近真实值。
然而，神经网络算法在训练过程中可能产生过拟合问题，过度依赖于历史数据，导致对新数据的适应性差。
此外，神经网络算法的训练时间较长，对于实时故障诊断存在挑战。
基于人工智能的电力系统故障预测研究随着技术的不断发展，人工智能已经成为了许多领域中的重要工具。
电力系统作为我们日常生活中经常使用的重要设施，也开始应用人工智能技术来实现更加智能化和自动化的管理。
在这种情况下，基于人工智能的电力系统故障预测研究成为了一个非常重要的话题。
首先，我们需要了解一下什么是人工智能。
人工智能是一种模拟人脑智能的技术，它通过机器学习和深度学习等技术来模拟人类大脑的思维方式，进行数据处理和分析。
人工智能技术在电力系统中的应用可以帮助我们更加准确地评估电力系统的健康状况，从而预测可能出现的故障情况，提高电力系统的可靠性和安全性。
电力系统在运行过程中可能会出现各种故障，例如设备损坏、短路、过载等问题，这些故障如果不及时发现和处理，可能会对整个系统造成严重的影响，包括停电、损失等问题。
因此，故障预测成为了电力系统管理的重要环节。
在传统的故障预测方法中，通常采用经验和统计模型进行预测。
这种方法需要人工输入大量的历史数据，并建立复杂的数学模型来进行数据分析和预测。
然而，这种方法的缺点是容易受到人为因素和误差的影响，预测结果也难以准确反映实际情况。
因此，随着人工智能技术的逐渐普及，人们开始寻求更加智能、自动化的故障预测方法。
基于人工智能的故障预测方法主要基于机器学习和深度学习技术。
这些技术可以通过数据挖掘和分析来发现电力系统中潜在的故障因素，并建立准确的模型来进行预测。
借助这些预测模型，我们能够在故障发生之前就进行预警和预防，提高电力系统的稳定性和可靠性。
目前，基于人工智能的电力系统故障预测方法已经得到了广泛的应用，例如预测变压器的特征和失效风险、预测输电线路的缺陷和损伤等。
在这些应用中，机器学习和深度学习技术可以自动化地对数据进行分析和处理，从而发现电力系统中潜在的故障因素，提高预测结果的准确性和可信度。
总之，基于人工智能的电力系统故障预测研究在未来将会成为一个非常重要的领域。
通过应用人工智能技术，我们可以更加准确地预测和预防电力系统中潜在的故障，提高电力系统的可靠性和安全性，推动电力系统的智能化和自动化发展。
电力系统中基于智能算法的故障检测与诊断方法研究电力系统是现代社会中不可或缺的基础设施，但由于种种原因，系统中的故障问题时有发生。
故障的及时检测与诊断对于维护电力系统的可靠运行至关重要。
然而，传统的故障检测与诊断方法存在一些局限性，无法满足日益复杂和高效的需求。
因此，基于智能算法的故障检测与诊断方法的研究变得尤为重要。
智能算法是一种基于计算机智能模拟人类思维和行为的技术。
它可以通过分析大量的电力系统数据，识别潜在的故障模式，并准确地定位故障位置，从而有效地进行故障检测与诊断。
以下是基于智能算法的故障检测与诊断方法的研究内容。
首先，通过数据采集与预处理，获取并准备用于故障检测与诊断的电力系统数据。
这些数据可以包括电流、电压、功率以及各种传感器信息等。
在预处理过程中，需要对数据进行滤波、降噪和特征提取等操作，以确保后续算法的高效运行和准确性。
其次，基于智能算法的故障检测与诊断方法需要建立合适的故障模型。
这些模型可以通过机器学习、人工神经网络或遗传算法等方法进行训练和优化。
在训练过程中，使用已知的故障样本和正常样本训练模型，以便以后能够准确地检测和诊断未知的故障情况。
然后，利用建立的故障模型，对电力系统数据进行故障检测。
智能算法可以从大量的数据中进行模式识别和异常检测，以快速发现系统中的异常情况。
一旦检测到故障存在，就可以通过模型定位故障的具体位置，为后续的维修工作提供准确的指导。
除了故障检测，智能算法还可以用于故障诊断。
基于已有的故障模型和系统数据，智能算法可以对故障进行分类和诊断。
通过分析故障的特征、规律和影响范围，可以找出故障的原因，并提出相应的修复建议。
这有助于提高故障处理的效率和准确性。
在实际应用中，基于智能算法的故障检测与诊断方法还需要考虑一些实际因素，例如数据采集的实时性、算法的计算复杂性和可扩展性等。
为了提高系统的可靠性和准确性，还可以引入多个智能算法进行协同工作，相互验证和补充，以提高故障检测与诊断的准确性和鲁棒性。
基于人工智能算法的设备故障预测技术研究近年来，随着人工智能技术的快速发展，越来越多的企业开始意识到人工智能在设备故障预测方面的应用价值。
基于人工智能算法的设备故障预测技术可以帮助企业实现设备的智能预警，提高生产效率和产品质量。
本文将从技术原理、应用场景和优势三个方面探讨基于人工智能算法的设备故障预测技术研究。
一、技术原理基于人工智能算法的设备故障预测技术是一种利用机器学习和数据分析技术实现的智能化预测方案。
其主要原理是通过对设备运行数据进行采集、分析和挖掘，结合机器学习算法实现故障预测。
常用的机器学习方法包括支持向量机(SVM)、随机森林(RF)、神经网络(NN)、人工神经网络(ANN)、逻辑回归等。
对于设备故障预测而言，数据源十分重要。
主要从以下几个方面采集数据：设备的运行状态、性能参数、环境参数、操作人员的操作记录、过往的设备故障等。
一旦采集到的数据超过规定阈值或达到某个特定状态，机器学习可以检测到这种情况，并向操作者发送预警信息。
二、应用场景基于人工智能算法的设备故障预测技术可以应用在各种物理设备和工业设备上，如重型机电设备、飞机、火车、汽车等。
丰富的应用场景包括：工业生产、电力系统、航空航天、交通运输等。
在大型生产线中，设备故障会导致整个生产链断裂，影响企业的生产效率和产品质量。
而通过基于人工智能算法的设备故障预测技术，企业可以提前预警，并对故障进行维修和更换，保证生产的连续性和质量。
三、优势1. 预测精度高通过机器学习算法，根据历史数据和先验经验，可以对设备的运行状态进行精准预测，避免设备故障对企业造成的损失。
2. 系统自适应性强智能预测系统可以根据不同设备的特性和运行环境进行调整和优化，提高预测的准确性和适应性。
3. 筛选信息合理通过数据分析，可以剔除数据噪声和无用信息，从而减少了故障预测的误报率。
4. 成本节约通过提前预测故障，企业可以合理规划设备的维护周期，避免不必要的维护和修理费用。
Smart Grid 智能电网, 2016, 6(2), 64-72Published Online April 2016 in Hans. /journal/sg/10.12677/sg.2016.62008A Fault Locator for Transmission Line Basedon Artificial Intelligent AlgorithmYu ZouQinzhou Power Supply Bureau, Guangxi Power Grid Co., Ltd., Qinzhou GuangxiReceived: Mar. 24th, 2016; accepted: Apr. 8th, 2016; published: Apr. 11th, 2016Copyright © 2016 by author and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY)./licenses/by/4.0/AbstractConsidering the transmission line with multi-branch, a dynamic fault location algorithm based on intelligent algorithm is presented in this paper. Based on the measured voltage and current at two terminals, a discrimination index is proposed by which the faulted section can be located first. Af-ter that the equivalent voltage and current at the branch node is obtained by the equivalent calcu-lation of the healthy branches. It corrects the results of fault location method based on genetic al-gorithm by the way of neural network algorithm, with the ranging accuracy improved when there are faults at two terminals of transmission line. The proposed algorithm only demands the meas-ured voltage and current on the two terminals, and inherits the advantages of fault location me-thod based on genetic algorithm, which is independent of fault type, fault resistance at fault point, etc., the influence on ranging accuracy by line parameters deviation is greatly reduced. The pro-posed method is simulated by PSCAD, and the results verified the correctness and high precision of the algorithm.KeywordsTransmission Lines with Multi-Branch, The Principle of Superposition, Fault Location, GeneticAlgorithm, Artificial Intelligence Algorithm线路故障测距的人工智能算法研究邹宇广西电网有限责任公司钦州供电局，广西钦州邹宇收稿日期：2016年3月24日；录用日期：2016年4月8日；发布日期：2016年4月11日摘要本文提出了一种基于智能算法的动态故障测距算法，用于带有多支路的输电线路故障测距。
该算法通过测量输电线两侧的电流、电压值，得到相对应的判别指标，从而可预先识别出故障对应的区域；然后将非故障分支进行等效，得到合并后的电气量；再对故障处的分支应用基于遗传算法的双端测距法进行初步的测距，并利用神经网络算法对所得到的测距结果进行进一步的调整，提高了线路故障的测距精度。
本文所提出的计算方法只需使用变电站故障后状态下所测得的电压和电流值，并继承了基于遗传算法的故障测距方法的优点，不受故障点位置与过渡电阻的影响，且减小了线路参数偏差对最后结果的影响。
使用PSCAD对所提出的方法进行验证，结果表明所提出方法的正确性和高精度性。
关键词多支路线路，叠加原理，故障测距，遗传算法，人工智能算法1. 引言植被生长、雷击、大风等自然现象以及人为的原因如缺乏检修维护、部件老化等等，都有可能会增加线路故障的发生，从而导致停电以及系统安全性的降低[1]。
电网的安全有赖于输电线路的可靠运行，因此如何更好的开展故障测距对于保证电网的安全稳定运行是十分重要的[2]。
为了减少故障造成的影响，需要快速对故障进行定位，一般使用的故障定位方法有两种。
第一种是基于数学模型的方法，通过变电站测得的阻抗函数来确定故障点的距离，也称之为阻抗法；另一种方法是基于知识的分类方法，使用数据挖掘技术从故障数据库中进行学习，以帮助确定线路的故障段。
而第一种方法由于其易于理解，方便推广得到了更多的应用。
阻抗法通常还包括单端和双端测距算法，单端定位算法[3] [4]属于早期的方法，其精度较低，因此更多使用的是双端测距算法[5]-[8]，该方法不受故障点位置与过渡电阻的影响，可达到很好的效果。
随着电力需求的增长，电网建设却无法满足这种需求，出现了很多小型用户直接接入输电线路的情况。
因此T接线路的故障测距方法得到了广大科研人员的重视。
文献[9]-[11]等提出了适用于T接线路的测距算法，但是都需要假设所测的各条线路的参数可测量。
由于这种临时搭接的线路往往是暂时用于输电[12]，在工程应用上是不会增加测量装置的。
因而文献[13] [14]提出一种仅使用线路两侧的测量数据，开展故障测距的算法，但是依然只考虑了T接的情况。
文献[15]提出了一种使用双端PMU测量数据进行带有多条线路接入的线路的故障测距方法，实现了多条线路均可以计算相应的故障附加分量的正序量，然后根据所提出的判别指标，判断故障区域。
通过将非故障分支进行等值变换，将多支路的传输线路故障定位转换成一般性的故障定位问题。
通常，线路参数对环境温度、湿度、地形等因素较为敏感，特别是线路的长度这一关键信息因环境的改变而不同，从而会影响到故障测距结果的精度，但是上述方法都无法计及这一影响，尤其是对需要多次判断的测距过程，这一影响尤为明显。
文献[16]提出了基于遗传算法的输电线路故障测距方法，通过遗传算法的特性，在一个大概范围即可实现故障测距。
但是在目前测量设备的采样率下，一定的误差是无法避免的，因此结果精度不高。
文献[17]进一步对该方法进行了修正，使用混合智能算法修正了所得到的结果，进一步提高了结果的精度。
邹宇综上所述，根据各种方法的利弊，本文提出一种基于智能算法的动态故障测距算法，用于带有多支路的输电线路故障测距。
该算法通过测量输电线两侧的电流、电压值，得到相对应的判别指标，从而可预先识别出故障对应的区域；然后将非故障分支进行等效，得到合并后的电气量；再对故障处的分支应用基于遗传算法的双端测距法进行初步的测距。
2. 基于遗传算法的故障测距算法遗传算法是一种模拟遗传机制的智能优化算法，通过一系列的选择进化手段生成比上一代更优的优秀个体。
如图1所示的故障后的无支路的传输线路，线路两端的正序电压、电流分量分别记为()11,S S V I 、()11,R R V I ，输电线路的故障测距算法判据为由两端测量结果计算得到的电压差最小，因此可以看成是一种使电压差最小化的优化算法，建立问题的优化模型，有：通过优化计算后可得故障点位置[16]，如式(1)~(3)所示：()1ln 2N M D Lγ=(1)()()111111111e 22L S C S R C R MV Z I V Z I γ−=+−+ (2) ()()111111111e 22L R C R S C S N V Z I V Z I γ=−−+ (3)其中D 为故障点F 到线路R 端占线路总长L 的百分比；1γ、1C Z 为线路的正序传播系数、特征阻抗。
3. 多线路接入输电线路的故障测距算法3.1. 输电线路的正序网络当传输线路带有两条支路时，如图2所示。
图2中支路用11B T 、22B T 来表示。
根据线性叠加原理和对称分量法，可将故障电力网络等值为无故障网络与故障后的正序、负序和零序网。
点F 发生故障后，其正序网络如图3所示。
其中(),sup ,sup ,S S V I 、(),sup ,sup ,R R V I 为两侧的测量值的正序电压、电流分量，1T Z 、2T Z 为两线路接入母线端的等效正序阻抗，D 、1tap D 、2tap D 为故障点F 及分支接点1B 、2B 到R 端的距离与整个输电线的百分比。
3.2. 故障区域的判断根据式(1)可计算得到指标D ，但是由于分支的存在该结果必然是不正确的；因此需要进一步进行判断。
将输电线路改为集中参数模型，如图4所示。
图4中，有13tap D L L =，()123tap D L L L =+。
1) 当故障发生在支路2B R 或线路接入点22B T 时，若1D 为故障点位置，则满足11tap D D ≤。
化简方程可得,sup S V 、,sup R V 的表达式：()()()112,sup 11,sup 21,sup ,sup311,sup ,sup ,supS F S S T S T T V V L Z I L Z I I L D L Z I I I =++++−++ (4),sup 11,sup R F R V V D LZ I =− (5)其中1Z 为线路单位正序阻抗。
邹宇Figure 1. Transmission line without branch 图1. 无线路接入的传输线路Figure 2. Transmission line with two branches 图2. 两支路传输线路Figure 3. Positive sequence network after fault 图3. 故障后的正序网络Figure 4. Lumped parameter model of positive sequence network after fault 图4. 故障后正序网络的集中参数模型通过整理，我们可得：()()()()121,sup 1,sup231,sup 31,sup 0S R T T D D I D D I L L D L I L D L I −+−++−+−=(6) 对式(6)两边均取实部，可得：()()121,sup 2,sup1,sup ,sup Re Re Re T T S R k I k I D D I I+−=+(7) 其中()12310k L L D L L =+−>，()2310k L D L L =−≥。
