基于支持向量机的双回路定向中继研究.docVIP

摘要 传统的距离中继算法不能检测可能在双回路线路中发生的电路间故障，跨线故障，高电阻故障。本文提出了基于组合离散小波变换（DWT）和支持向量机（SVM）的定向中继和故障分类方案，包括电路间故障，跨线故障和高阻故障。 SVM模块设计用于使用单终端数据进行正向或反向故障识别和故障分类。仅使用当前方法。测试的建议方法包括故障类型，故障定位，故障初始角度，故障电阻，电路间故障和跨线故障。基于SVM的所提出的方法不需要任何操作阈值，这是保护功能的特殊属性。由于SVM不是基于与某些Thres的比较，而是最初SVM采用各种故障模式进行训练，这些故障模式是离线过程，然后在线测试经过训练的SVM以在短时间内检测和分类故障。测试结果表明，可以在半个周期内识别出所有类型的并联故障。所提出的方案既为95％的线路部分提供了初级保护，也为95％的相邻反向和前向线路部分提供了后备保护。 关键词：定向中继；离散小波变换；故障检测；故障分类；支持向量机 绪 论 电网在空间和时间上是复杂的，非线性和非平稳系统，在许多层面上具有不确定性。传输线承载并从发电站向负载中心传输电力，并且与电力网的其他组件相比，发生故障的可能性要大得多。双回路传输线中可能出现的故障数量较多，如LG，LL，LLG，LLL，LLLG，电路间故障[1,2]，跨线故障[1,2]，高阻故障等，需要使用相对更复杂和可靠的保护方案。双回路线路的保护存在各种困难，这些困难是由故障电阻，故障前潮流条件引起的;电路之间存在的相互耦合，以及在这些线路上可能发生的各种故障。在保护双回路线路时，相互耦合通常被认为是主要关注点。传统的距离中继算法无法检测到电路间故障，跨线故障，高阻故障。这使得开发有效保护系统的任务非常具有挑战性，这是将传统电网转换为智能电网所需的。 高速定向中继和故障分类是高度互联网络中任何传输线保护系统的主要目标，以提高可靠性。过去开发了各种定向中继算法，采用电压和电流电压序列分量的相角差[3,4]，数学形态学[5]，行波[6,7]和基于模糊逻辑的智能技术[8]，人工神经网络[9]。 然而，这些技术并未确定故障阶段。 在过去的二十年中，使用不同的技术对输电线路中的故障进行了分类。基于组合的无监督/监督神经网络，已经提出了用于双回路线路的故障分类技术[10]。在[11]中已经提出了一种用于电路间故障的改进的数字距离中继方案。此外，已经开发了基于ANN的智能方案[12]，用于提供保护中继的不同功能，即故障检测（正向和反向）、分类、区域/区段估计，以提供对线路长度的95％的主要保护。但基于人工神经网络的方案的缺点是它需要大量的故障案例（模式）进行培训。另一种称为SVM的人工智能技术范例已被用于电力系统中的故障分析[13-24]。 SVM的主要优点是它需要较少的训练模式和较少的训练时间。 [13]的作者提出了使用支持向量机的先进串联补偿传输线的故障分类和部分识别。进一步的SVM和径向基函数神经网络[14]已被用于传输线的距离中继。在[15]中，SVM已用于输电线路中的故障检测。此外，SVM还与小波一起用于[16,17]中的故障区域识别和分类，以及[18]中串联补偿传输线的故障分类。 SVM已被用于[19,20]中的故障分类/定位和[21]中的故障诊断。在[22]中使用Hilbert-Huang变换和最小二乘支持向量机提出了另一种自激感应发电机系统的故障分类方案。在[23,24]中，支持向量机也被用于配电系统中的故障定位估计。但所有这些方法[16-24]都没有确定故障的方向。 在本文中，支持向量机已被用于检测故障（正向和反向），识别其部分，对故障类型进行分类并识别传输线中的故障相位。所提出的方案使用仅在一端测量的三相电流信号的第三级近似DWT系数。本研究考虑了不同故障参数的变化，如故障类型（所有并联故障，电路间故障，跨线故障）、故障位置、故障电阻、故障初始角度、近距故障和边界故障等。 与ANN或径向基函数神经网络不同，所提出的基于SVM的方案不需要大的训练数据集。 与基于相位比较[3,4]，模糊逻辑[8]的其他技术相比，所提出的基于SVM的方法不需要任何操作阈值。这背后的原因是，SVM的工作不是基于与某个阈值的比较，而是最初SVM使用各种故障模式进行训练，这些故障模式是离线过程，然后训练的SVM在线测试以检测和分类短时间内的故障（通常少于一个周期）。该方法不需要任何阈值，因为基于SVM的方法基于监督学习算法。它从训练数据中学习，该数据涉及故障状态和正常操作条件的输入和目标模式。在训练过程中，SVM以超平面的形式创建一个假想的决策边界，两边都有边距。通过使用支持向量构造超平面，通过SVM将训练数据分成不同的类（两类或多类）。超平面不是像阈值那样的单一值;它是一个假想的决策边界，它将已定义问题的不同类别分