论文部分内容阅读
在输电线路发生故障时,单相自动重合闸不经故障性质判别,快速启动进行重合。当线路发生瞬时性故障时,自动重合闸在重合之后故障消失,保证了输电线路供电的可靠性与连续性。但是,当自动重合闸重合于永久性故障时,会对电网产生二次冲击,给电力系统以及电力设备造成损伤。本文在研究输电线路发生单相接地故障时故障相端电压的基础上,设计了基于VMD信息熵的输电线路故障特征提取方法,研究了基于VMD信息熵-BP神经网络以及VMD信息熵-SVM两种故障性质识别方法,通过比较发现VMD信息熵-SVM的故障性质识别方法具有更好的抗噪性与实时性。首先,本文从理论角度分析了带有并联电抗器的输电线路发生瞬时性故障与永久性故障时断开相两端电压特征,结合一、二次电弧特性,在ATP/EMTP仿真软件中构建500kV带有并联电抗器的输电线路仿真模型,模拟在不同电压相角差、不同过渡电阻、不同故障位置时的故障相两端电压波形,得到输电线路单相接地故障相端电压的仿真数据,仿真结果表明在发生单相接地故障时的瞬时性故障和永久性故障的暂态电压波形差异明显。其次,从信号分析的角度出发,对发生单相接地故障且含有复杂非线性信号的线路端电压波形进行变分模态分解(Variational Mode Decomposition,VMD),通过迭代更新得到信号分解的所有模态分量。分解的模态中包含主要信号的模态和噪声的模态,对主要信号的模态进行重构就达到了过滤谐波、去噪的效果,分解后得到4个本征模态函数(Intrinsic Mode Function,IMF),对每个模态分量进行信息熵的计算,构成一组四维的特征向量。最后,引入BP神经网络与支持向量机(Support Vector Machine,SVM),研究并对比了 VMD信息熵-BP神经网络与VMD信息熵-SVM的输电线路单相接地故障性质识别方法。仿真结果表明,在未加高斯白噪音时,VMD信息熵-BP神经网络与VMD信息熵-SVM均可以准确区分瞬时性故障与永久性故障。而在加入高斯白噪音之后,VMD信息熵-BP神经网络在区分故障性质时精度分别降到了 97.5%和98.75%。VMD信息熵-SVM依然可以准确快速地区分故障性质,并且该方法在改变过渡电阻、故障位置以及电源相角差时,对判别结果影响不大。