基于支持向量机的双回路定向中继研究

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开。因此它可以被称为保护功能的特殊属性。SVM超平面优于阈值，因为它提供了有助于准确地对模式进行分类的余量，而不是取决于单个值的阈值。阈值由用户决定，而超平面由SVM在训练过程中构建，其中只有训练模式（输入和目标）由用户给出。由于SVM是一种基于学习的算法，它具有适应变化的能力。因此，它不仅可以在正常运行条件下，而且可以在极端运行条件故障（如跨线故障）中准确地对故障和无故障状况进行分类。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开。因此它可以被称为保护功能的特殊属性。SVM超平面优于阈值，因为它提供了有助于准确地对模式进行分类的余量，而不是取决于单个值的阈值。阈值由用户决定，而超平面由SVM在训练过程中构建，其中只有训练模式（输入和目标）由用户给出。由于SVM是一种基于学习的算法，它具有适应变化的能力。因此，它不仅可以在正常运行条件下，而且可以在极端运行条件故障（如跨线故障）中准确地对故障和无故障状况进行分类。此外，该论文的组织如下。在“跨越故障和电路间故障”一节中，给出了DWT和SVM的简要概述。在“特征提取和模式分类技术”部分中，描述了基于SVM的故障方向估计方法。在“基于提议的小波和基于SVM的定向中继”一节中，给出了测试结果。“不同故障条件下的测试结果”部分介绍了所提出的方案与早期报道的技术的比较。结论在“与早期报道的技术的比较”一节中举例说明。第一章跨线故障和电路间故障除了正常的并联故障（LG，LLG，LL和LLL）之外的两种类型的故障是在这项工作中考虑的是跨线故障和电路间故障。本文使用“跨线故障”一词来表示在不同位置的一个电路的不同阶段发生的故障。“电路间故障”一词用于在同一位置的两个电路的两个不同相之间发生的那些故障。在多电路传输线中通常可以看到电路间故障。图1显示了跨线和电路间故障的图示。图1a显示了跨越式断层，20km处的A1G断层和60km处的B1G断层发生在0.08s时，而图1b显示了在0.08s时间内60km处的A1B2G断路间故障。图1.（a）显示20km处的A1G断层和60km处0.08s的B1G断层的电路。（b）显示电路间故障的电路：在0.08秒时的A1B2G故障。第二章特征提取和模式分类技术在本节中，描述了用于特征提取和模式识别和分类的技术的简要介绍。在这项研究中，DWT已被用于处理测试系统的电流信号。这些DWT处理的信号作为输入应用于SVM模块，SVM模块确定故障的存在及其方向，无论是正向还是反向，识别其部分并识别故障阶段。第三章小波变换3.1离散小波变换电力系统中的干扰是非周期性的，非平稳的并且持续时间短。离散小波变换（DWT）已被许多文献用作信号分析和处理中的重要新工具[6,7,16,17]。在小波分析中，首先要做的是选择母小波，接下来是决定分解的水平。已经使用的不同类型的小波是Daubechies，Biorthogonal，Coiflets和Symlets，其中Daubechies小波被广泛使用[16,17,27-33]。小波分解将原始信号分成2个分量即。细节系数和近似系数向量。计算量随着影响保护速度的分解级数而增加。信号f（k）的DWT在（1）中给出。f[k]是采样波形（p×1向量）a=a0m和b=ka0m分别是缩放和翻译的离散参数。在回顾了与小波在故障分析中的应用有关的各种论文[27-33]后，发现大多数研究人员使用db4母小波。根据参考文献[32]，对于像传输中的突然故障这样的短暂和快速瞬态，4阶DB小波更好，因此在这项工作中使用了4阶DB小波。原始信号（0-1kHz）首先传递到高通滤波器和低通滤波器，并被分解为1级细节CD1（500Hz-1kHz）和近似系数CA1（0-500Hz），然后是电平-1个近似系数（0-500Hz）进一步分解为2级细节CD2（250-500Hz）和近似系数CA2（0-250Hz）。此外，水平-2近似系数CA2（0-250Hz）进一步分解为水平-3细节CD3（125-250Hz）和近似系数CA3（0-125Hz）。由于工频（50Hz）信号信息包含0-125Hz的近似系数CA3，因此选择它来分析故障情况。不需要进一步分解，因为可能存在于信号中的谐波可以是三阶或更高，即150Hz或更高，（三相系统不包含偶数谐波，二阶100Hz）已被去除在分解到第3级之后。如果分解进行到第4级，则会增加更多的计算复杂性和时间。这就是为进一步处理选择第3级近似系数的原因。已经模拟了不同的故障情况并且使用DWT使用（1）处理电流信号并且使用DB-4将其分解到级别3，获得电流信号的近似系数。图2中示出了在60ms时的“跨线故障和电路间故障”部分中25km处的A1G故障期间的电流信号。图2a和b分别示出了电路1和电路2的三相电流。图2c示出了电路1的小波处理电流信号。由于A1G故障在电路-1中，因此A1相电流幅度显着增加;然而，由于双回路线路中的互耦效应，电路-2的相应A2相的电流幅度也受到影响。图2d示出了电路-2的小波处理电流信号。从图2c可以清楚地看出，故障相A1的小波处理信号的幅度远高于其他健康相信号。因此，所选择的特征清楚地区分了缺陷和健康阶段。这些小波处理的信号用作所提出的基于SVM的方案的输入。图2.在60千米时的“跨线故障和电路间故障”部分中，在25千米的A1G故障期间获得的电流信号。（a）电路-1的三相电流。（b）电路-2的三相电流。（c）电路-1的小波处理电流。（d）电路-2的小波处理电流。3.2支持向量机（SVM）SVM是具有相关学习算法的监督学习方法，以便于分析故障数据，识别故障模式并用于分类和回归分析[25]。SVM通过使用内核技巧进行分类，并将其输入隐式映射到高维特征空间[26]。在这项工作中，SVM用于估计可以使用多类SVM实现的故障方向。故障部分识别/方向估计是多类问题（其中多类输出无故障，初级部分故障，前向和反向断面）。多类SVM使用支持向量为实例分配标签。因此单个多类问题可以简化为多个二元分类问题[26]。但故障相识别是一个两类问题（故障或无故障），因为它识别特定相是否有故障。SVM在故障诊断中的应用有两个阶段：使用已知目标进行训练和使用未知样本进行测试，这些已在下一节“建议小波和基于SVM的定向中继”和“不同故障条件下的测试结果”中详细描述。用DWT获得的预处理数据作为输入提供给SVM模块用于训练。形成输入训练数据的相应目标，然后用SVM训练网络。然后通过重新替换误差（均方误差）计算训练SVM网络的性能。然后通过针对为不同任务设计的训练的SVM网络测试故障情况来获得输出。第四章基于小波和SVM的定向中继所考虑的电力系统网络的单线图如图3所示。该网络由三个线路部分组成，两个线路部分连接到两端的400kV电源。传输线是使用附录A中给出的分布参数建模的双电路线，其也考虑了并联电容的影响。在本研究中，我们打算设计一个方向继电器，因此“断路跨线故障和电路间故障”部分被认为是由安装在总线-2的建议继电器保护的主线路，如图2和3所示。图3和4示出了所提出的基于SVM的方案的流程图。电流信号记录在采用1kHz采样频率采样的总线-2的双回路线路的一端。使用db-4小波分析两个电路的电流信号，并使用MATLAB软件的小波分析工具箱分解多达3个细节和近似系数，如图4所示。从图4可以清楚地看出，保护方案由总共八个SVM模块组成。SVM1模块用于故障方向检测/故障部分识别。SVM2-7模块设计用于双回路线路的每相的故障分类和故障相位识别，SVM8设计用于接地/中性线。如图4所示，当系统中发生故障时，首先检测故障并使用SVM1识别故障部分。选择预处理步骤后得到的电路-1和电路-2在时域中的三相电流信号的近似小波系数作为SVM1模块的输入，用于故障方向检测。用于故障方向检测的SVM1模块是一个多类SVM，它提供四个级别0,1,2和3来区分四个类别。无故障（0输出）或（1或2或3）故障分别在图1或2或3中，如图4所示。用于故障方向检测的SVM模块的输入由（2）给出。进一步用于故障分类和故障相识别，开发了由SVM2到SVM7表示的单独的6个SVM模块，其中特定的DWT处理的相电流信号仅表示：SVM2将电路-1的“A1”相电流（Iaw1）作为输入来识别特定阶段是否有缺陷。SVM2-7的输出为“1”或“2”。为了检测故障回路中是否存在接地，零序电流信号也作为SVM8模块的输入，如图4的流程图所示。如果没有故障，那么SVM1的输出将为'0'并且SVM2-SVM8的输出即A1，B1，C1，A2，B2，C2，G将为'1'，表示无故障，如图3和图4的流程图所示。在图4和5中可以看出，在故障前状态（Null-40ms）期间，SVM1的输出为0，此后在40ms的“跨线故障和电路间故障”部分中出现故障，输出44毫秒后，级别变为2。如果第2节中存在A1G故障，那么SVM1的输出将显示2级（表示第2部分为故障）和SVM2的输出A1，并且SVM8的G将在故障开始后的一段时间后显示2表示故障类别2所有其他输出B1，C1，A2，B2，C2将为'1'，表示这些阶段是健康的（不是故障的1级）。因此，将识别故障回路中涉及的故障部分，相和地，并且故障被分类为单线对地故障（LG）。SVM需要先进行培训才能用于检测测试阶段的故障。已经通过改变不同故障参数的组合来研究各种故障情况，如表1所示，用于训练和测试所提出的SVM模块。为训练SVM模块而研究的故障案例总数为1200。另一方面，经过训练的SVM模块已通过考虑故障类型的广泛变化进行测试，包括电路间和跨线故障，故障位置，故障初始角度，故障电阻和功率流角;总测试故障案例为14,400。值得一提的是，SVM不需要大型训练数据集（仅1200），但在测试过程中表现良好且正确，所有故障参数和功率流角度也有很大差异，如表1所示。图4.提出的方案的流程图。从每个故障情况中提取每个电路的电流的近似小波系数和半周期长度的零序电流样本（即10个样本）的样本。从所研究的每个故障情况（4800）中，已经提取了在发生故障之后的10个样本数量以形成大小为48,000的输入矩阵。在60左右，也没有添加任何故障样本。因此，用于设计培训模块的样本数量为48,060。基于径向基核函数设计了不同的SVM模块，用于故障方向检测和故障相识别。在PC上训练需要20分钟（i3,2.4GHz，4GBRAM）。但是，一旦网络被训练，SVM网络在进行不同故障情况的测试时会给出准确的结果。表格1故障参数变化。第5章在不同故障条件下的测试结果用于输电线路保护的继电器的主要目的是为输电线路提供初级保护和后备保护。针对不同的故障情况，检查了所提出的用于故障方向检测和故障相识别的SVM继电器的性能。继电器提供初级和备用保护（到相邻的反向和前向部分），在不同故障条件下，线路长度达到95％。所提出的SVM方案已经针对大约14,400个测试故障情况进行了测试，考虑了不同类型的故障，包括电路间故障，边界端附近发生的跨线故障，相邻正向或反向线路段发生的故障以及故障定位，功率等变化参数流动角度，故障电阻，故障初始角度。这里给出了一些测试结果。5.1在边界附近发生故障时的性能-近距离和远端故障所提出的SVM方案在该小节中测试接近中继点总线-2（近端故障）和靠近远端总线-3（远端故障）的故障。通常，基于行波的传统中继方案无法检测到近端故障。此外，基于相位角比较的中继方案的到达设置通常仅为80-85％，因此在线路长度的85％和100％之间发生的故障不会被立即检测到，而是在根据备用保护方案的一些延迟之后。所提出的方案正确地检测近端和远端故障，识别其部分并识别故障的相位。这已经通过测试各种边界位置故障得到验证，故障位置范围从0.1km到1.0km，步长为0.2km。为了评估所提出技术的范围设定;研究了不同位置的不同类型的断层，这些断层位于85至95km之间，增量为2km。为了描述在时域中提出的基于SVM的区段标识符和故障故障相位标识符的测试结果，在第2节中95km处的A1G故障具有高故障电阻Rf=100O，Ui=0°，ti=40ms被认为是并分别如图5a和b所示。图5a的x轴显示以ms为单位的时间，y轴显示输出电平，对于无故障为“0”，对于第1节，第2节和第3节中的故障分别为“1”，“2”和“3”。从图5a可以看出，基于SVM的故障检测器/部分标识符的输出在40ms故障开始之前为低（0），在44ms时间达到2级（表示第2部分）并保持在此水平完成200毫秒的模拟时间。因此，检测到高阻故障，并且在4ms时间内将第2部分识别为故障部分。图5b示出了基于SVM的故障分类器/故障相位标识符在时域中的输出的三维图。这里，图5b的x轴表示以毫秒为单位的时间，y轴表示基于SVM的基于SVM的故障分类器和故障相位标识符的7个输出，并且z轴表示输出1或2的水平。来自图5中所示的测试结果。5b在40ms故障开始之前，所有7个输出均为1级（无故障等级-1），并且相位“A1”和接地“G”在43ms和46时达到2级（故障等级-2）ms时间并保持在此水平，完整的模拟时间为200ms。所有其他输出B1，C1，A2，B2和C2始终显示1级（无故障等级-1）。因此，故障相A1被识别并在6ms内被分类为线对地（LG）故障。表2中示出了边界位置处的各种类型的故障的测试结果。从表2中可以观察到，所提出的方法花费四分之一周期时间（5ms）来估计在近边界处的故障情况下的截面。5.2在不同的功率流角度下的性能所提出的基于SVM的继电器已经针对具有不同功率流角度±15，±25，±35和±45的故障情况进行了测试。不同功率流角和故障检测时间的测试结果如表3所示。提出的基于SVM的方法准确地估计故障部分并对故障进行分类。表3中给出的测试结果表明，在不同的功率流角度下，所提出的方案的故障检测时间被发现在四分之一周期内。图5.第2节中95km的A1G故障期间的测试结果，Rf=100Ω，Ui=0°，ti=40ms。（a）基于SVM的故障检测器/部分标识符。（b）基于SVM的时域故障分类器/故障相位标识符。表2近端和远端故障的测试结果。5.3在发生跨线故障时的性能当单个LG故障同时在两个不同位置的同一电路的不同阶段发生时，它被称为跨线故障。所提出的方案也针对这种情况进行了测试，并且一些保持故障初始角度Ui=0（ti=60ms）和故障电阻Rf=0Ω固定的测试结果在表4中给出。进一步的图6显示了测试结果。在跨线断层期间的时域中表示A1G断层发生在90km处，B1G断层发生在95km处的段2中，Rf=0Ω，Ui=0°，ti=60ms。从表4中所示的测试结果可以看出，在半周期时间内检测到所有跨线故障。图6.在第2节中，90km的越野B1G故障和95km的C1G的测试结果，Rf=0Ω，Ui=0°，ti=60ms。（a）基于SVM的故障检测器/部分标识符。（b）基于SVM的时域故障分类器/故障相位标识符。5.4电路间故障时的性能提出的基于SVM的方法用不同的电路间故障进行测试。这里考虑了截面-2中91km处的接地电路间故障A1B2G，Rf=0Ω，Ui=0°，ti=60ms，测试结果如图7a和b所示。图7a示出了故障部分标识符的输出，该故障部分标识符在60ms的故障开始之后开始改变并且达到63ms的时间，即在部分-2中检测到故障。图7b示出了故障分类器和故障相位标识符的7个输出，其为60ms。在67ms时间相A1之后，B2和G变为“因此，故障被归类为A1B2G电路间故障。还使用所提出的方法测试了其他电路间故障。所提出的基于SVM的中继方案在存在接地的电路间故障时完美地工作。图7.在第2节91km处的电路间故障A1B2G期间的测试结果，其中Rf=0Ω，Ui=0°，ti=60ms40ms。（a）基于SVM的故障检测器/部分标识符。（b）基于SVM的时域故障分类器/故障相位标识符。5.5后备保护期间的性能所提出的方案在初级部分提供95％的线路长度保护，并且还为95％的相邻线路部分提供备用保护。通过第1节和第3节中的故障案例研究验证了备用保护能力。当保护线路部分的主继电器不响应故障时，提供备用保护。提供有意的时间延迟以检查主继电器是否已操作且断路器是否已打开其接触。通常，时间延迟大约为六到七个周期。在A1G故障期间基于SVM的故障检测器/部分标识符的测试结果在不同的线路部分中Rf=0Ω，Ui=0°，ti=40ms，在距离总线2101km处的“简介”部分中说明，在图8a-f中示出了距离公交车2公里1公里处以及在距公交车2公里101公里的“特征提取和模式分类技术”部分中的“越野故障和电路间故障”部分。在这里，我们假设反向线路段-1和前线路段-2中的故障的主要保护失败。考虑A1G故障，其中Rf=0Ω，Ui=0°,ti=40ms