基于多小波包和人工神经网络的电力系统故障类型识别研究.pdf

《基于多小波包和人工神经网络的电力系统故障类型识别研究.pdf》由会员分享，可在线阅读，更多相关《基于多小波包和人工神经网络的电力系统故障类型识别研究.pdf（75页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、西南交通大学硕士学位论文基于多小波包和人工神经网络的电力系统故障类型识别研究姓名：李东敏申请学位级别：硕士专业：电力系统及其自动化指导教师：刘志刚20080401西南交通大学硕士研究生学位论文第1 页摘要随着电力系统的发展，输电线路的电压等级越来越高，输电距离也越来越长，它们对电力系统的安全稳定运行具有举足轻重的作用。在我国高压输电系统中广泛采用单相重合闸，准确有效的选相元件是高压输电线路发挥自动重合闸功能的重要前提，同时当发生故障时准确地选择出故障相对确保继电保护的正确动作具有重要的意义。本文首次研究和提出了基于多小波包理论的电力系统故障类型识别的新方法，旨在研究多小波和多小波包理论在电力系

2、统故障诊断与继电保护方面的可行性，也致力于尝试解决故障识别的问题。多小波可以同时具有对称性、正交性、短支撑性、高阶消失矩性质，这是传统小波所无法比拟的。本文系统地阐述了多小波和多小波包的基本理论，分析了电力系统故障识别的研究现状和多小波包的应用现状，并指出存在的问题。通过建立了一5 0 0k V 输电线路的P S C A D E M T D C 仿真模型，用来产生不同工况下的各种输电线路短路信号。多小波包具有比传统小波包更优良的性质，能够从故障信号中提取到更丰富和更精细的信息，因此本文将多小波包引入电力系统故障识别的应用中，提出了基于多小波包能量特征量和人工神经网络的电力系统故障类型识别方法。

3、先对故障电流信号进行适当的多小波包分解，并计算各频带能量，然后构造多小波包特征向量，并以此向量作为训练样本对B P 神经网络进行训练，实现故障类型的识别。由于输电线路故障信号的频带能量提取仅对整个频带进行统计，而没考虑信号的时变性，因此，为进一步表征信号在某个时间段的能量大小，文中尝试采用提取故障信号的多小波包时频局部能量来进行故障识别。信息熵是对系统不确定性程度的描述，熵在电力系统中的应用研究已取得了一定的成果。本文考虑到对故障信号进行多小波包分解后得到多小波包分解系数序列矩阵，是多小波包分解对信号的一种划分。把多小波包变换后的系数矩阵处理成一个概率分布序列，它反映了这个信号分布的稀疏程度，

4、同时根据信息熵的基本理论，将多小波包分解系数概率分布序列与信息熵相结合定义多小波包系数熵。在此基础上提出基于多小波包系数西南交通大学硕士研究生学位论文第页熵和人工神经网络的电力系统故障类型识别方法。先对采集到的故障电流信号进行适当的多小波包分解，并计算各频带的系数熵，然后构造多小波包特征向量，并以此向量作为训练样本对R B F 神经网络进行训练，实现故障类型的识别。经过大量的仿真试验，验证了基于多小波包和人工神经网络的电力系统故障类型识别方法有效可行，优于基于传统小波包和人工神经网络的方法，且该方法不易受系统各种不同工况的影响。关键词：电力系统；故障类型识别；多小波包；传统小波包；人工神经网络

5、；多小波包频带局部能量：多小波包系数熵；西南交通大学硕士研究生学位论文第1 I I 页A b s t r a c tW i t ht h ed e v e l o p m e n to fp o w e rs y s t e m，t h ev o l t a g eo fp o w e rt r a n s m i s s i o nl i n e si sb e c o m i n gh i g h e ra n dt h ed i s t a n c eo fp o w e rt r a n s m i s s i o nl i n e si sb e c o m i n gl o n g

6、 e r T h e ya r ev e r yi m p o r t a n tt ot h es a f eo p e r a t i o no fp o w e rs y s t e m I nt h ep o w e rs y s t e mo fo u rc o u n t r yt h e r ea r em a n ys i n g l ep h a s er e c l o s i n gd e v i c e si nt h eh i g hv o l t a g et r a n s m i s s i o ns y s t e m，S Oa ne f f e c t i

7、v ep h a s es e l e c t o ri st h eb a s et om a k er e c l o s i n gd e v i c ew o r kc o r r e c t l y A n di tism o r es i g n i f i c a n tt Or e c o g n i z ef a u l tt y p ea n ds e l e c tf a u l tp h a s et oe n s u r er e l a yp r o t e c t i o nr i g h ta c t i o nw h e nf a u l to c c u r

8、 so nt r a n s m i s s i o nl i n e s I nt h et h e s i san e wa p p r o a c ho ff a u l tt y p er e c o g n i t i o nb a s e do nm u l t i w a v e l e tp a c k e tt h e o r yi sf i r s ts t u d i e da n dp r o p o s e d W h e t h e rm u l t i w a v e l e ta n dm u l t i w a v e l e tp a c k e tt h

9、e o r yi se f f e c t i v ea n df e a s i b l eo np o w e rs y s t e mf a u l td i a g n o s i sa n dr e l a yp r o t e c t i o ni st h em a i np u r p o s eo ft h et h e s i s，a n dt r y i n gt os o l v ep o w e rf a u l tr e c o g n i t i o ni sa l s ot h ek e yp o i n ti nt h et h e s i s M u l t

10、 i w a v e l e tc a ns i m u l t a n e o u s l yo w ns y m m e t r y,o r t h o g o n a l i t y,s h o r ts u p p o r ta n dh i g ho r d e rv a n i s hm o m e n t s，h o w e v e rt r a d i t i o n a lw a v e l e tc a n n o tp o s s e s sa l lt h e s ep r o p e r t i e sa tt h es a m et i m e I nt h et

11、h e s i st h eb a s i ct h e o r yo fm u l t i w a v e l e ta n dm u l t i w a v e l e tp a c k e ti si n t r o d u c e d T h ep r e s e n ta p p l i c a t i o ns i t u a t i o no fp o w e rf a u l tr e c o g n i t i o na n dm u l t i w a v e l e tp a c k e ti sa n a l y z e d，a n dt h ee x i s t e

12、n tp r o b l e m sa r ep o i n t e do u t A5 0 0k Vt r a n s m i s s i o nl i n em o d e lw i t hP S C A D E M T D Ci sb u i l t，a n dd i f f e r e n tc o n d i t i o ns h o r tc i r c u i tf a u l ts i g n a l sa r es i m u l a t e db a s e do nt h em o d e l M u l t i w a v e l e tp a c k e t so w

13、 nb e t t e rp r o p e r t i e st h a nt r a d i t i o n a lw a v e l e tp a c k e t s C o m p a r e dw i t ht r a d i t i o n a lw a v e l e tp a c k e td e c o m p o s i t i o n，m u l t i w a v e l e tp a c k e tc a nw i t h d r a wm o r ea b u n d a n ta n dr e f i n e df a u l tf e a t u r e sf

14、r o mo r i g i n a lf a u l ts i g n a l s S oi nt h et h e s i sm u l t i w a v e l e tp a c k e ti si n t r o d u c e dt ot h ea p p l i c a t i o no ff a u l tr e c o g n i t i o ni np o w e rs y s t e m An o v e lp o w e rf a u l tr e c o g n i t i o nm e t h o db a s e do nm u l t i w a v e l e

15、 tp a c k e te n e r g yf e a t u r e sa n da r t i f i c i a ln e u r a ln e t w o r ki sp r o p o s e d F i r s t l y,t h ea p p r o p r i a t em u l t i w a v e l e tp a c k e td e c o m p o s i t i o no ft h es a m p l e df a u l tc u r r e n ts i g n a li sp e r f o r m e da n de a c hf r e q u

16、 e n c yb a n de n e r g yo ff a u l tc u r r e n t si sc a l c u l a t e d T h e ne i g e n v e c t o ro fm u l t i w a v e l e tp a c k e to ft h ec u r r e n ts i g n a lI Sc o n s t r u c t e d，a n db yt a k i n gt h ee i g e n v e c t o ra st r a i n i n gs a m p l e st h eb a c kp r o p a g a

17、t i o n(B P)n e u r a ln e t w o r ki st r a i n e dt oi m p l e m e n tt h ef a u l tr e c o g n i t i o n T h em a i nd e f e c to ff r e q u e n c yb a n de n e r g yf e a t u r ee x t r a c t i o nm e t h o di sj u s tc a l c u l a t i n gt h ew h o l ef r e q u e n c yb a n de n e r g ya n dn o

18、 tt h i n k i n gt h ef a u l ts i g n a l sa st i m e v a r y i n gs i g n a l s S oi no r d e rt oe x p r e s sc o m p r e h e n s i v e l yf a u l ts i g n a l st h em e t h o dw i t he x t r a c t i n gf r e q u e n c yb a n dl o c a l e n e r g yi sp r o p o s e da n da p p l i e dt Or e c o g

19、n i z ef a u l t s I n f o r m a t i o ne n t r o p yi su s e dt od e s c r i b eu n c e r t a i n t ya n dc o m p l e x i t yd e g r e eo fs y s t e m s I nr e c e n ty e a r se n t r o p yh a sg a i n e ds o m ea c h i e v e m e n t si np o w e rs y s t e m T h r o u g hm u l t i w a v e l e tp a

20、c k e td e c o m p o s i t i o n，as e q u e n c eo fc o e f f i c i e n tm a t r i c e si so b t a i n e d T h e s em a t r i c e sa r et h o u g h ta s ak i n do fd i v i d i n gf o r m so fo r i g i n a ls i g n a l s T h e nt h e s ec o e f f i c i e n tm a t r i c e sa r et r a n s f o r m e di

21、n t op r o b a b i l i t yd i s t r i b u t i o ns e q u e n c e sw h i c hr e f l e c tt h es p a r s ed e g r e eo ft h ec o e f f i c i e n tm a t r i c e s A c c o r d i n gt of u n d a m e n t a lp r i n c i p l eo fi n f o r m a t i o ne n t r o p y,t h r o u g hc o m b i n i n gm u l t i w a

22、v e l e tp a c k e td e c o m p o s i t i o nc o e f f i c i e n tp r o b a b i l i t yd i s t r i b u t i o ns e q u e n c e sw i t hi n f o r m a t i o ne n t r o p ym u l t i w a v e l e tp a c k e tc o e f f i c i e n te n t r o p y(M P C E)i sd e f i n e d An o v e lp o w e rf a u l tr e c o g

23、n i t i o nm e t h o db a s e do nM P C Ea n da r t i f i c i a ln e u r a ln e t w o r ki sp r o p o s e d F i r s t l y,t h ea p p r o p r i a t em u l t i w a v e l e tp a c k e td e c o m p o s i t i o no ft h es a m p l e df a u l tc u r r e n ts i g n a li sp e r f o r m e da n de a c hM P C E

24、o ff a u l tc u r r e n ti sc a l c u l a t e d T h e ne i g e n v e c t o ro fm u l t i w a v e l e tp a c k e to ft h ec u r r e n ts i g n a li sc o n s t r u c t e d，a n db yt a k i n gt h ee i g e n v e c t o ra st r a i n i n gs a m p l e st h er a d i a lb a s i sf u n c t i o n(R B F)n e u r

25、 a ln e t w o r ki st r a i n e dt oi m p l e m e n tt h ef a u l tr e c o g n i t i o n T h r o u g hal o to fs i m u l a t i o nr e s u l t st h em e t h o db a s e do nm u l t i w a v e l e tp a c k e ta n da r t i f i c i a ln e u r a ln e t w o r ki sp r o v e dt ob ee f f e c t i v ea n df e a

26、 s i b l e，a n dt h em e t h o di sb e t t e rt h a nt h eo n eb a s e do nt r a d i t i o n a lw a v e l e tp a c k e ta n dA N N A n o t h e ra d v a n t a g eo ft h em e t h o di sn o ts e n s i t i v et od i f f e r e n to p e r a t i o nc o n d i t i o n s 西南交通大学硕士研究生学位论文第V 页ImImmmm _ _-_-_ _ _

27、 _ _ _-_ _-K e yw o r d s：P o w e rs y s t e m；F a u l tr e c o g n i t i o n；M u l t i w a v e l e tp a c k e t；T r a d i t i o n a lw a v e l e tp a c k e t；A r t i f i c i a ln e u r a ln e t w o r k；M u l t i w a v e l e tp a c k e tf r e q u e n c yb a n dl o c a l e n e r g y；M u l t i w a v e

28、 l e tp a c k e tc o e f f i c i e n te n t r o p y；西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于1 保密口，在年解密后适用本授权书：2 不保密使用本授权书。(请在以上方框内打“4)学位论文作者签名：霪孽犯日期：句、，指导老师签名：了v 毛n 穆日期：妒秒甲7-西南交通大学学位论

29、文创新性声明本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确的说明。本人完全意识到本声明的法律结果由本人承担。西南交通大学硕士研究生学位论文第1 页第1 章绪论1 1 课题的研究意义随着电力负荷的飞速增长，电力系统的规模越来越大，超高压输电线也越来越多，这些输电线的任务是将距离遥远的大容量电厂的巨大功率送至负荷中心，或者作为大电力系统间的联络线担负着功率交换的任务，它们对电力系统的安全稳定运行具有举足轻重的作用。如何提高长距离输电线

30、的传输能力，提高并列运行的电力系统的运行稳定性，是一个极为重要的问题。为此在长距离输电线路上常常装设了串联电容补偿以缩短其有效距离，同时由于线路在高压的运行条件下电晕损耗较大，为了尽量减少其损耗线路一般采用分裂导线。由于线路距离长加之采用分裂导线，使线路的分布电容大大增加，为了补偿分布电容的影响以防止过电压，长距离输电线路还往往要装设并联电抗器。由于这些因素的存在使得暂态分量中包含了低频分量、高频分量以及衰减的直流分量等，故障暂态分量中包含比工频分量更多的诸如故障点的位置、故障方向、故障类型等故障信息。电力系统线路故障绝大多数为单相故障，2 2 0k V 及以上超高压输电线路的重合闸广泛采用单

31、相重合闸，故障选相是单相重合闸的首要条件，当发生单相接地短路时，选相元件选出故障相来实现单相跳闸，在两相和三相短路时实现三相跳闸。假如发生单相故障，保护选为多相或者选不出相，就有可能把发生单相瞬时故障的线路中断供电，如果是重要线路，甚至可能引发更严重的稳定性问题，如把多相永久故障选为单相故障，势必给系统造成较大冲击，系统的动态稳定性就要受到严重考验。随着微机保护在电力系统中的广泛应用，对选相元件也越来越有更高的要求，即不仅要准确的判别出单相故障的相别，并且还要准确的判别相间故障的相别，选相元件的作用不仅要为自动重合闸服务，同时也为保护装置的测量元件(如距离元件)的正确动作服务，并且能够提供准确

32、判别故障类型所必需的数据。尽管各大微机保护研制厂家已在线路保护的选相问题上做了大量的改进，但是线路微机保护的选错相事故仍然时有发生。西南交通大学硕士研究生学位论文第2 页除上述之外，在距离保护中能准确地选出故障相有利于提高耐过渡电阻能力，在新型行波保护【1 3 1、暂态量保护 4-7 1 和行波测距【8 9】中合适模量的选用问题等，这些都需要快速、可靠的故障类型识别元件的支持，而且现代化大电网的安全运行越来越依赖于对各种信息的有效分析和处理。电力系统发生大面积复杂故障后，调度人员仅仅依靠来自S C A D A 系统的保护和开关接点的变位信息难以做出准确的判断，来自故障录波装置记录的模拟量信息越

33、来越成为事故分析和系统恢复的重要依据，但对于一个复杂的大电网来说其故障录波数据是海量的，这给基于录波数据的故障识别系统也提出了新的要求。因此在电力系统发生故障时快速、准确地识别出故障并将故障元件从系统中隔离是恢复系统正常运行、减少供电中断时间和增强供电可靠性的必要条件。综上所述，研究电力系统故障类型的识别有着较强的现实意义。1 2 课题相关内容的国内外研究现状1 2 1 多小波及多小波包理论的研究现状小波分析作为一种新兴的理论，是数学发展史上的重要成果，它无论对数学还是工程应用都产生了深远影响。自诞生到现在在短短的时间内就取得了巨大的发展，在诸如理论数学、应用数学、信号处理、图像处理、语音识别

34、与合成、自动控制、天体物理、流体力学、分形等众多领域取得了很好的应用成果。小波理论在电力系统领域中，如在信号滤波与去噪、暂态信号检测与分类、谐波分析、继电保护、故障测距、数据压缩及故障录波、设备故障诊断等方面均有相应的研究与应用。对称性、正交性、短支撑性、高阶消失矩是信号处理中十分重要的性质，D a u b e c h i e s 已证明实系数小波不能同时具有这些性质，这限制了小波的应用，人们不得不在这些性质之间进行折衷。如选择近似对称的正交小波等。实的紧支撑正交小波除H a a r d,波之外，不具有对称性，但H a a r d,波不连续，在实际中并不实用。紧支撑正交多小波却可以同时具有对称

35、性反对称性，从而使其在信号处理时具有线性相位。自从多小波理论出现以来，其在理论上所表现出来的独特优势，迅速成为新的研究热点，在不同的应用领域得到了人们的广泛重视。多小波可以同时具有对称性、正交性、短支撑性、高阶消失矩这些性质，这是传统西南交通大学硕士研究生学位论文第3 页小波所无法比拟的，正是多小波这些独特优势引起了许多科研人员的极大关注，使多小波理论在近几年迅速发展起来并在信号处理方面得到广泛的应用，其中包括一维信号处理(如一维信号的去噪和压缩等)和二维信号处理(如图像的去噪和压缩编码等)。多小波理论在电力系统中的应用主要集中在对电力系统故障暂态信号的时频分析【10 1、去噪【1 1 舶】、

36、故障数据压缩 1 7-1 9】等。文献 2 0 2 1 对多小波理论在电力系统中的应用进行了整体地把握和展望。在电力系统中局部放电信号的检测是反映大型电力设备绝缘状况的重要手段，而对局部放电信号的检测中，首先要解决的是噪声抑制问题，文献 2 2 禾1 J 用多小波相邻系数法对局部放电信号进行去噪。文献 2 3 利用G H M 多小波对几种典型的电能质量信号进行检测分析，准确提取暂态信号的时间特征，并对电能质量问题进行诊断、定位和分类。多小波包与传统小波包类似，是多小波的进一步扩展。基于多小波的时频分析没有对高频部分进行细分，而多小波包可以对高频部分做迸一步分解，获得任意细节的频带信息，并且多小

37、波包分解后每层的分解系数均为r 维，利用这r 维系数可以获得更为丰富的故障信息，因此多小波包分析具有更为精细的逼近和更丰富的信息【2 4。26。目前多小波包在电力系统中的应用还比较少，文献 2 4 1 基于最优多小波包来实现对电力系统故障信号的压缩。文献 2 5 采用多小波包来实现图像的压缩。文献 2 6 1 提出了一种全新的基于多小波包的齿轮箱故障诊断方法。在机械故障诊断领域，小波分析已经被应用在利用齿轮振动信号进行的故障诊断中，由于小波函数空间在高尺度上频带较宽，因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断。通过多小波包变换，可以自动并精确地划分不同多小波包结点

38、的频率段，从而对频率段较窄的瞬变故障信号进行精确的诊断。1 2 2 人工神经网络在电力系统中的研究现状人工神经网络得以广泛应用的主要原因是因为它的学习能力、多输入并行处理能力、非线性映射以及容错能力，而且通过新的学习获得自适应性的能力。作为一种成熟的非线性分析工具，神经网络具有很好的函数逼近性质，可以使用大量的现场数据，利用其自学习功能对其进行在线训练，西南交通大学硕士研究生学位论文第4 页不断提高计算精度。人工神经网络在电力系统中的应用研究最早可以追溯到D i l l o n 等人在第五次K S C C 会议上发表的一篇用自适应模式识别和自组织技术进行短期负荷预测的文章。随着技术的发展，传统

39、神经网络越来越多地应用于电力系统的各个方面，如电力系统负荷预测、电力系统运行优化、电力系统保护与控制、电力系统故障定位和故障诊断、电力变压器状态监测、小电流接地系统综合智能选线等。目前人工神经网络在对电力系统故障信号识别方面，文献 2 7 4 0 对下面介绍得四种故障信号的识别做出有意义地尝试和应用。(1)短路类型识别：文献 2 7 3 0】利用结合提升小波和神经网络构造的新型小波神经网络模型来对电力系统故障进行识别。文献 2 9 采用自适应M o r l e t,J、波网络构造相应的信号分类器，对A 相中的电流进行信号分类(正常、A 相接地、非A 相接地)。文献【3 3 对同杆双回线的故障识

40、别提出了将故障识别分配到多个网络的方法即每种故障模式各与一个B P 人工神经网络对应。文献 3 1】提出一种基于小波包能量熵神经网络的电力系统故障诊断方法，实现对系统智能化故障诊断。文献 3 2】采用具有二个隐蔽层，非线性处理单元传递函数取s i g m o i d 函数的四层B P 网络，选取故障前一个周波及故障后一个周波的三相电流幅值作网络的特征输入量来训练网络对故障类型进行识别。文献 4 0】首先利用模糊神经网络实现传统I 段保护的功能，在此基础上，对输电线9 0 以外的故障，利用神经网络的再次训练，实现进一步的故障判别，通过神经网络的学习训练，这种方法能准确区分区内、区外故障。(2)变

41、压器故障识别：文献 2 8】将S u p e rS A B 神经网络算法应用于主变压器溶解气体故障诊断。文献 3 7 1 1 3 8】将小波神经网络优良的分类诊断能力和最小二乘加权融合方法相结合，采用油气分析实现电力变压器的故障诊断，先对色谱分析法检测到的特征气体含量进行数值预处理，提取出故障识别所需的特征量，再应用不同结构的B P 子网络分别进行识别，接着用最小二乘加权融合法对各个子网络的输出结果进行决策信息融合，通过对融合结果的分析，得到变压器故障的识别结果。(3)振荡与故障识别：文献 3 4 结合最优联合时频处理交叉干扰及神经网络自学习分类识别的优点，提出了一种在有色噪声干扰下识别电力系

42、统故障和振荡的方法。将经过自适应高斯基表示(A G P)分析处理的电力西南交通大学硕士研究生学位论文第5 页信号特征向量输入B P 神经网络分类器进行识别。文献 3 5】利用小波神经网络来实现高压输电线路距离保护中基于暂态信号的系统振荡闭锁元件，充分训练学习后的小波网络正确、快速地识别系统振荡和各种故障情况。文献 3 6】运用A N N 中对模式识别最具优势的B P 网络来实现一种双重判据的方案来区分振荡与故障状态。(4)电能质量：文献 3 9 提出一种新的基于小波和B P 神经网络技术的电能质量辨识方法，先对各种电能质量信号进行时域、频域和幅值分析，并从小波变换结果中提取与信号时域、频域和幅

43、值量相关的几个特征量来表征不同电能质量信号，通过将提取出的特征量输入B P 神经网络来对电能质量信号进行辨识。1 2 3 电力系统故障类型识别的研究现状传统的故障识别元件主要是基于工频量，采用突变量选相与稳态量选相的组合方案，有阻抗选相元件、对称分量选相元件、序分量电流相位比较选相元件、模分量选相元件以及两相电流差突变量选相元件。这些选相元件能在大多数简单故障下正确选择故障相，但受系统运行方式、故障接地电阻等影响较大，选相结果往往不理想，而且其选相速度不能满足超高速保护的快速跳闸要求，因此，研究新型快速的故障选相方法成为众多学者的焦点。目前新型的选相方法主要是基于行波和故障暂态量来进行选相。基

44、于行波的选相元件 4 3-4 4,4 6-4 9,5 1,5 8】，主要利用行波的波头信息进行选相，而对波头进行处理的方法也很多，包括神经网络、数学形态法和小波分析等，但由于基于行波的故障选相方法存在初始行波受故障电弧、初始角、反射波等因素影响的固有缺陷，使基于行波的选相具有很大的局限性。基于故障暂态量的选相 4 1-4 2,5 2,5 4,5 6-5 7】是根据故障产生的暂态信号含有丰富的故障信息，暂态信号的产生与线路参数、故障情况等有关，而与系统运行状况、过渡电阻等无关，因此基于暂态量的保护不受工频现象如系统振荡、过渡电阻等的影响，又随着近年来小波变换等数学工具以及硬件实现条件的发展使得对

45、故障产生的高频电压和电流暂态信号进行进一步检测和处理成为可能。故障暂态量包含了系统模型的复杂性和不确定性，蕴涵了故障的特征信息，因此可以看出基于故障暂态量的选相方法存在很西南交通大学硕士研究生学位论文第6 页大的优势。目前用于电力系统故障类型识别的方法也比较多，其中包括小波分析、神经网络、数学形态学、分形几何理论等方面。(1)小波分析：文献 4 1】利用故障暂态电流，使用小波提取暂态信号特征，对提取的信号特征计算其沿尺度分布的权重，得到暂态信号的小波熵权，由此构成故障选相判据。文献 4 2 1 矛1 J 用d b 3 d、波变换提取电流故障分量的暂态能量，并通过比较三相间能量的相对大小来识别故

46、障类型和判别故障相别。文献 4 3 比较三相电流行波之差的极性来进行故障类型识别，但是对于两相或三相接地短路存在识别困难。文献 4 4 以线路两端模量方向行波之差的幅值大小来判别故障类型，但不能区分两相接地故障的具体类型。文献 4 5】利用电弧故障产生的突变结合小波变换进行故障选相，这两种方法都是为了自动重合闸主要识别单相故障。文献1 4 6 4 9 从不同角度根据(零、线)模量电流行波的幅值及其相互间的大小关系实现故障选相，但都存在一个问题：当线路远端发生单相或两相接地故障时可能出现误判，原因在于零模量的严重衰减【5o】导致保护安装处不能正确反映故障点处零模量与线模量之间的大小关系。文献 5

47、 1 在全面分析各种类型故障的电流行波基本特征的基础上，提出一种综合利用线模量间的极性关系和幅值关系以及三相量间的大小关系来识别故障类型的原理。文中利用非常适合行波信号处理的B 样条小波进行小波变换来分析故障初始行波，以小波变换极大值来表征故障行波的幅值和极性，然后进行逻辑判断以识别故障类型。(2)神经网络：文献1 2 7 3 0 禾0 用结合提升小波和神经网络构造的新型小波神经网络模型来对电力系统故障进行识别。文献 2 9 采用自适应M o r l e t 小波网络构造相应的信号分类器，对A 相中的电流进行信号分类(正常、A 相接地、非A 相接地)。文献 3 3】对同杆双回线的故障识别提出了

48、将故障识别分配到多个网络的方法即每种故障模式各与一个B P 人工神经网络对应。文献 31 提出一种基于小波包能量熵神经网络的电力系统故障诊断方法，实现对系统智能化故障诊断。文献 3 2 采用具有二个隐蔽层，非线性处理单元传递函数取s i g m o i d 函数的四层B P 网络，选取故障前一个周波及故障后一个周波的三相电流幅值作网络的特征输入量来训练网络对故障类型进行识别。文献 4 0】首先利用模糊神经网络实现传统I 段西南交通大学硕士研究生学位论文第7 页保护的功能，在此基础上，对输电线9 0 以外的故障，利用神经网络的再次i)l I练，实现进一步的故障判别。通过神经网络的学习训练，这种方

49、法能准确区分区内、区外故障。文献 51】提出一种利用故障噪声结合神经网络的故障选相方法，这种方法为了自动重合闸而主要识别单相故障。(3)数学形态学：文献【5 2】提出了一种利用数学形态学梯度提取暂态电流特征进而识别故障类型的方案。文献 5 3】在获取连接在同一母线上的各条输电线路暂态电流信号的基础上，采用数学形态学分析其极性和能量以确定故障方向，识别发生在输电线路不同位置的各种故障。(4)分形几何理论：文献 5 4 应用分形几何理论分析了电力系统故障发生时相电压和相电流采样信号的波形特性。通过计算故障情况下相电压、相电流和模电流的分形数，提出了一种基于分形理论的故障检测和选相的方法，这种方法能

50、准确识别各种类型的故障并选出故障相，不受过渡电阻和电源参数的影响。(5)混沌理论：文献 5 5】针对电力系统中干扰信号的特性，尝试了引用混沌理论检测接地故障，对支路电流采样所得干扰信号混沌化处理，提取混沌源的分类特征，并用分形维数定量分析以判断是否存在接地故障。(6)模糊逻辑系统：文献【5 7】提出将小波分析和模糊逻辑系统相结合的方法来识别故障类型。先对采集到的故障后电压信号进行适当的小波分解，并计算小波能量熵，然后构造包含故障信息的模糊语言变量作为模糊推理系统的输入，并建立相应的模糊逻辑推理系统，通过模糊逻辑的方法进行故障识别。1 3 存在的问题多小波包具有比传统小波包更优良的性质，能够对故