关键词：
高压交流输电线路
故障诊断
小波包能量熵
集成学习
随机森林
XGBoost
摘要：
随着电力系统规模的不断扩大和电网运行环境的复杂化,高压交流输电线路的安全稳定运行对电力系统的可靠性和稳定性至关重要。然而,由于输电线路传输电能距离长,易受外界环境因素和设备故障的影响,从而导致输电线路故障频繁发生,给电网运行带来了严重的安全隐患。因此,及时准确地识别和分类高压交流输电线路的故障,对于保障电网安全稳定运行具有重要意义。本文具体研究内容如下:
(1)对高压交流输电线路故障进行建模分析及故障数据集构建。高压交流输电线路故障的仿真与理论分析是设计诊断算法的前提和基础。基于MATLAB/Simulink环境建立的735k V超高压交流输电线路故障仿真平台,对三相接地短路、单相接地短路、两相接地短路及两相相间短路等多种故障类型进行了仿真分析,并以此构造故障信号数据集,为后续故障诊断方法的设计提供数据支持。同时,通过研究发生故障时三相电压和电流的特性,揭示输电线路在故障状态下的行为特点,加深对高压交流输电线路故障的理解,也为后续故障诊断方法的设计提供理论支撑。
(2)提出一种基于小波包能量熵的高压交流输电线路故障特征提取方法。高电压交流输电线路故障特征的有效提取是实现故障诊断分类的关键。高电压交流输电线路故障种类多,故障特征表征复杂,传统傅里叶变换(Fourier Transform)分析工具不能有效刻画各类故障信号的特征。有鉴于此,考虑到故障暂态信号具有非平稳特性,本文提出一种基于Daubechies小波包能量熵分布的交流输电线路故障信号特征提取方案。该方案利用小波包变换的多分辨率分析特性,对故障信号进行基于Daubechies小波的三层小波包分解,将输电线路的暂态电气量信号分解为不同频率段上的子信号。在此基础上,引入小波包能量熵的概念来量化故障信号在不同子空间的能量分布,以表征不同类型的高压交流输电线路故障信号的时频二维特性。通过将小波包变换与能量熵相结合,构建了一个基于小波包能量熵的故障特征提取方案。相应的仿真结果表明,所提特征提取方法能很好地反映故障信号类型的变化,为下一步输电线路故障的准确分类奠定了坚实基础。
(3)提出基于小波包能量熵和集成学习的两种高压交流输电线路故障诊断方案。故障分类算法的设计是决定高压交流输电线路故障诊断的准确性和效率的关键。为此,本文提出基于小波包能量熵和集成学习的高压交流输电线路故障诊断方案。设计了基于小波包能量熵和随机森林、XGBoost(e Xtreme Gradient Boosting)的两种具体的故障诊断模型。前者通过构建多个二分类器来实现交流输电线路故障多分类,减少了单颗决策树可能产生的过拟合误差,且其在构建决策树时会随机选择样本和特征,降低了噪声和异常值对模型性能的影响;后者通过迭代的优化诊断学习模型,不断改进预测能力,提高故障分类的准确率,且其通过引入正则化技术以控制模型的复杂度并减少过拟合的风险,增强了分类识别的能力。仿真结果表明,与决策树、KNN(K-Nearest Neighbor)、SVM(Support Vector Machine)及BP神经网络(Back Propagation Neural Network)等四种经典模型的识别结果进行对比分析,所提基于小波包能量熵和随机森林以及XGBoost的两种故障诊断模型在故障信号识别的总体准确率、精确率、召回率和F1指标方面均具有明显优势。
欢迎来到三峡大学图书馆！
