基于支持向量機(jī)的雙回路定向中繼研究

摘要傳統(tǒng)的距離中繼算法不能檢測(cè)可能在雙回路線路中發(fā)生的電路間故障，跨線故障，高電阻故障。本文提出了基于組合離散小波變換（DWT）和支持向量機(jī)（SVM）的定向中繼和故障分類方案，包括電路間故障，跨線故障和高阻故障。SVM模塊設(shè)計(jì)用于使用單終端數(shù)據(jù)進(jìn)行正向或反向故障識(shí)別和故障分類。僅使用當(dāng)前方法。測(cè)試的建議方法包括故障類型，故障定位，故障初始角度，故障電阻，電路間故障和跨線故障?；赟VM的所提出的方法不需要任何操作閾值，這是保護(hù)功能的特殊屬性。由于SVM不是基于與某些Thres的比較，而是最初SVM采用各種故障模式進(jìn)行訓(xùn)練，這些故障模式是離線過程，然后在線測(cè)試經(jīng)過訓(xùn)練的SVM以在短時(shí)間內(nèi)檢測(cè)和分類故障。測(cè)試結(jié)果表明，可以在半個(gè)周期內(nèi)識(shí)別出所有類型的并聯(lián)故障。所提出的方案既為95％的線路部分提供了初級(jí)保護(hù)，也為95％的相鄰反向和前向線路部分提供了后備保護(hù)。關(guān)鍵詞：定向中繼；離散小波變換；故障檢測(cè)；故障分類；支持向量機(jī)緒論電網(wǎng)在空間和時(shí)間上是復(fù)雜的，非線性和非平穩(wěn)系統(tǒng)，在許多層面上具有不確定性。傳輸線承載并從發(fā)電站向負(fù)載中心傳輸電力，并且與電力網(wǎng)的其他組件相比，發(fā)生故障的可能性要大得多。雙回路傳輸線中可能出現(xiàn)的故障數(shù)量較多，如LG，LL，LLG，LLL，LLLG，電路間故障[1,2]，跨線故障[1,2]，高阻故障等，需要使用相對(duì)更復(fù)雜和可靠的保護(hù)方案。雙回路線路的保護(hù)存在各種困難，這些困難是由故障電阻，故障前潮流條件引起的;電路之間存在的相互耦合，以及在這些線路上可能發(fā)生的各種故障。在保護(hù)雙回路線路時(shí)，相互耦合通常被認(rèn)為是主要關(guān)注點(diǎn)。傳統(tǒng)的距離中繼算法無(wú)法檢測(cè)到電路間故障，跨線故障，高阻故障。這使得開發(fā)有效保護(hù)系統(tǒng)的任務(wù)非常具有挑戰(zhàn)性，這是將傳統(tǒng)電網(wǎng)轉(zhuǎn)換為智能電網(wǎng)所需的。高速定向中繼和故障分類是高度互聯(lián)網(wǎng)絡(luò)中任何傳輸線保護(hù)系統(tǒng)的主要目標(biāo)，以提高可靠性。過去開發(fā)了各種定向中繼算法，采用電壓和電流電壓序列分量的相角差[3,4]，數(shù)學(xué)形態(tài)學(xué)[5]，行波[6,7]和基于模糊邏輯的智能技術(shù)[8]，人工神經(jīng)網(wǎng)絡(luò)[9]。然而，這些技術(shù)并未確定故障階段。在過去的二十年中，使用不同的技術(shù)對(duì)輸電線路中的故障進(jìn)行了分類?；诮M合的無(wú)監(jiān)督/監(jiān)督神經(jīng)網(wǎng)絡(luò)，已經(jīng)提出了用于雙回路線路的故障分類技術(shù)[10]。在[11]中已經(jīng)提出了一種用于電路間故障的改進(jìn)的數(shù)字距離中繼方案。此外，已經(jīng)開發(fā)了基于ANN的智能方案[12]，用于提供保護(hù)中繼的不同功能，即故障檢測(cè)（正向和反向）、分類、區(qū)域/區(qū)段估計(jì)，以提供對(duì)線路長(zhǎng)度的95％的主要保護(hù)。但基于人工神經(jīng)網(wǎng)絡(luò)的方案的缺點(diǎn)是它需要大量的故障案例（模式）進(jìn)行培訓(xùn)。另一種稱為SVM的人工智能技術(shù)范例已被用于電力系統(tǒng)中的故障分析[13-24]。SVM的主要優(yōu)點(diǎn)是它需要較少的訓(xùn)練模式和較少的訓(xùn)練時(shí)間。[13]的作者提出了使用支持向量機(jī)的先進(jìn)串聯(lián)補(bǔ)償傳輸線的故障分類和部分識(shí)別。進(jìn)一步的SVM和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)[14]已被用于傳輸線的距離中繼。在[15]中，SVM已用于輸電線路中的故障檢測(cè)。此外，SVM還與小波一起用于[16,17]中的故障區(qū)域識(shí)別和分類，以及[18]中串聯(lián)補(bǔ)償傳輸線的故障分類。SVM已被用于[19,20]中的故障分類/定位和[21]中的故障診斷。在[22]中使用Hilbert-Huang變換和最小二乘支持向量機(jī)提出了另一種自激感應(yīng)發(fā)電機(jī)系統(tǒng)的故障分類方案。在[23,24]中，支持向量機(jī)也被用于配電系統(tǒng)中的故障定位估計(jì)。但所有這些方法[16-24]都沒有確定故障的方向。在本文中，支持向量機(jī)已被用于檢測(cè)故障（正向和反向），識(shí)別其部分，對(duì)故障類型進(jìn)行分類并識(shí)別傳輸線中的故障相位。所提出的方案使用僅在一端測(cè)量的三相電流信號(hào)的第三級(jí)近似DWT系數(shù)。本研究考慮了不同故障參數(shù)的變化，如故障類型（所有并聯(lián)故障，電路間故障，跨線故障）、故障位置、故障電阻、故障初始角度、近距故障和邊界故障等。與ANN或徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)不同，所提出的基于SVM的方案不需要大的訓(xùn)練數(shù)據(jù)集。與基于相位比較[3,4]，模糊邏輯[8]的其他技術(shù)相比，所提出的基于SVM的方法不需要任何操作閾值。這背后的原因是，SVM的工作不是基于與某個(gè)閾值的比較，而是最初SVM使用各種故障模式進(jìn)行訓(xùn)練，這些故障模式是離線過程，然后訓(xùn)練的SVM在線測(cè)試以檢測(cè)和分類短時(shí)間內(nèi)的故障（通常少于一個(gè)周期）。該方法不需要任何閾值，因?yàn)榛赟VM的方法基于監(jiān)督學(xué)習(xí)算法。它從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)，該數(shù)據(jù)涉及故障狀態(tài)和正常操作條件的輸入和目標(biāo)模式。在訓(xùn)練過程中，SVM以超平面的形式創(chuàng)建一個(gè)假想的決策邊界，兩邊都有邊距。通過使用支持向量構(gòu)造超平面，通過SVM將訓(xùn)練數(shù)據(jù)分成不同的類（兩類或多類）。超平面不是像閾值那樣的單一值;它是一個(gè)假想的決策邊界，它將已定義問題的不同類別分開。因此它可以被稱為保護(hù)功能的特殊屬性。SVM超平面優(yōu)于閾值，因?yàn)樗峁┝擞兄跍?zhǔn)確地對(duì)模式進(jìn)行分類的余量，而不是取決于單個(gè)值的閾值。閾值由用戶決定，而超平面由SVM在訓(xùn)練過程中構(gòu)建，其中只有訓(xùn)練模式（輸入和目標(biāo)）由用戶給出。由于SVM是一種基于學(xué)習(xí)的算法，它具有適應(yīng)變化的能力。因此，它不僅可以在正常運(yùn)行條件下，而且可以在極端運(yùn)行條件故障（如跨線故障）中準(zhǔn)確地對(duì)故障和無(wú)故障狀況進(jìn)行分類。這背后的原因是，SVM的工作不是基于與某個(gè)閾值的比較，而是最初SVM使用各種故障模式進(jìn)行訓(xùn)練，這些故障模式是離線過程，然后訓(xùn)練的SVM在線測(cè)試以檢測(cè)和分類短時(shí)間內(nèi)的故障（通常少于一個(gè)周期）。該方法不需要任何閾值，因?yàn)榛赟VM的方法基于監(jiān)督學(xué)習(xí)算法。它從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)，該數(shù)據(jù)涉及故障狀態(tài)和正常操作條件的輸入和目標(biāo)模式。在訓(xùn)練過程中，SVM以超平面的形式創(chuàng)建一個(gè)假想的決策邊界，兩邊都有邊距。通過使用支持向量構(gòu)造超平面，通過SVM將訓(xùn)練數(shù)據(jù)分成不同的類（兩類或多類）。超平面不是像閾值那樣的單一值;它是一個(gè)假想的決策邊界，它將已定義問題的不同類別分開。因此它可以被稱為保護(hù)功能的特殊屬性。SVM超平面優(yōu)于閾值，因?yàn)樗峁┝擞兄跍?zhǔn)確地對(duì)模式進(jìn)行分類的余量，而不是取決于單個(gè)值的閾值。閾值由用戶決定，而超平面由SVM在訓(xùn)練過程中構(gòu)建，其中只有訓(xùn)練模式（輸入和目標(biāo)）由用戶給出。由于SVM是一種基于學(xué)習(xí)的算法，它具有適應(yīng)變化的能力。因此，它不僅可以在正常運(yùn)行條件下，而且可以在極端運(yùn)行條件故障（如跨線故障）中準(zhǔn)確地對(duì)故障和無(wú)故障狀況進(jìn)行分類。此外，該論文的組織如下。在“跨越故障和電路間故障”一節(jié)中，給出了DWT和SVM的簡(jiǎn)要概述。在“特征提取和模式分類技術(shù)”部分中，描述了基于SVM的故障方向估計(jì)方法。在“基于提議的小波和基于SVM的定向中繼”一節(jié)中，給出了測(cè)試結(jié)果?！安煌收蠗l件下的測(cè)試結(jié)果”部分介紹了所提出的方案與早期報(bào)道的技術(shù)的比較。結(jié)論在“與早期報(bào)道的技術(shù)的比較”一節(jié)中舉例說(shuō)明。第一章跨線故障和電路間故障除了正常的并聯(lián)故障（LG，LLG，LL和LLL）之外的兩種類型的故障是在這項(xiàng)工作中考慮的是跨線故障和電路間故障。本文使用“跨線故障”一詞來(lái)表示在不同位置的一個(gè)電路的不同階段發(fā)生的故障?！半娐烽g故障”一詞用于在同一位置的兩個(gè)電路的兩個(gè)不同相之間發(fā)生的那些故障。在多電路傳輸線中通?？梢钥吹诫娐烽g故障。圖1顯示了跨線和電路間故障的圖示。圖1a顯示了跨越式斷層，20km處的A1G斷層和60km處的B1G斷層發(fā)生在0.08s時(shí)，而圖1b顯示了在0.08s時(shí)間內(nèi)60km處的A1B2G斷路間故障。圖1.（a）顯示20km處的A1G斷層和60km處0.08s的B1G斷層的電路。（b）顯示電路間故障的電路：在0.08秒時(shí)的A1B2G故障。第二章特征提取和模式分類技術(shù)在本節(jié)中，描述了用于特征提取和模式識(shí)別和分類的技術(shù)的簡(jiǎn)要介紹。在這項(xiàng)研究中，DWT已被用于處理測(cè)試系統(tǒng)的電流信號(hào)。這些DWT處理的信號(hào)作為輸入應(yīng)用于SVM模塊，SVM模塊確定故障的存在及其方向，無(wú)論是正向還是反向，識(shí)別其部分并識(shí)別故障階段。第三章小波變換3.1離散小波變換電力系統(tǒng)中的干擾是非周期性的，非平穩(wěn)的并且持續(xù)時(shí)間短。離散小波變換（DWT）已被許多文獻(xiàn)用作信號(hào)分析和處理中的重要新工具[6,7,16,17]。在小波分析中，首先要做的是選擇母小波，接下來(lái)是決定分解的水平。已經(jīng)使用的不同類型的小波是Daubechies，Biorthogonal，Coiflets和Symlets，其中Daubechies小波被廣泛使用[16,17,27-33]。小波分解將原始信號(hào)分成2個(gè)分量即。細(xì)節(jié)系數(shù)和近似系數(shù)向量。計(jì)算量隨著影響保護(hù)速度的分解級(jí)數(shù)而增加。信號(hào)f（k）的DWT在（1）中給出。f[k]是采樣波形（p×1向量）a=a0m和b=ka0m分別是縮放和翻譯的離散參數(shù)。在回顧了與小波在故障分析中的應(yīng)用有關(guān)的各種論文[27-33]后，發(fā)現(xiàn)大多數(shù)研究人員使用db4母小波。根據(jù)參考文獻(xiàn)[32]，對(duì)于像傳輸中的突然故障這樣的短暫和快速瞬態(tài)，4階DB小波更好，因此在這項(xiàng)工作中使用了4階DB小波。原始信號(hào)（0-1kHz）首先傳遞到高通濾波器和低通濾波器，并被分解為1級(jí)細(xì)節(jié)CD1（500Hz-1kHz）和近似系數(shù)CA1（0-500Hz），然后是電平-1個(gè)近似系數(shù)（0-500Hz）進(jìn)一步分解為2級(jí)細(xì)節(jié)CD2（250-500Hz）和近似系數(shù)CA2（0-250Hz）。此外，水平-2近似系數(shù)CA2（0-250Hz）進(jìn)一步分解為水平-3細(xì)節(jié)CD3（125-250Hz）和近似系數(shù)CA3（0-125Hz）。由于工頻（50Hz）信號(hào)信息包含0-125Hz的近似系數(shù)CA3，因此選擇它來(lái)分析故障情況。不需要進(jìn)一步分解，因?yàn)榭赡艽嬖谟谛盘?hào)中的諧波可以是三階或更高，即150Hz或更高，（三相系統(tǒng)不包含偶數(shù)諧波，二階100Hz）已被去除在分解到第3級(jí)之后。如果分解進(jìn)行到第4級(jí)，則會(huì)增加更多的計(jì)算復(fù)雜性和時(shí)間。這就是為進(jìn)一步處理選擇第3級(jí)近似系數(shù)的原因。已經(jīng)模擬了不同的故障情況并且使用DWT使用（1）處理電流信號(hào)并且使用DB-4將其分解到級(jí)別3，獲得電流信號(hào)的近似系數(shù)。圖2中示出了在60ms時(shí)的“跨線故障和電路間故障”部分中25km處的A1G故障期間的電流信號(hào)。圖2a和b分別示出了電路1和電路2的三相電流。圖2c示出了電路1的小波處理電流信號(hào)。由于A1G故障在電路-1中，因此A1相電流幅度顯著增加;然而，由于雙回路線路中的互耦效應(yīng)，電路-2的相應(yīng)A2相的電流幅度也受到影響。圖2d示出了電路-2的小波處理電流信號(hào)。從圖2c可以清楚地看出，故障相A1的小波處理信號(hào)的幅度遠(yuǎn)高于其他健康相信號(hào)。因此，所選擇的特征清楚地區(qū)分了缺陷和健康階段。這些小波處理的信號(hào)用作所提出的基于SVM的方案的輸入。圖2.在60千米時(shí)的“跨線故障和電路間故障”部分中，在25千米的A1G故障期間獲得的電流信號(hào)。（a）電路-1的三相電流。（b）電路-2的三相電流。（c）電路-1的小波處理電流。（d）電路-2的小波處理電流。3.2支持向量機(jī)（SVM）SVM是具有相關(guān)學(xué)習(xí)算法的監(jiān)督學(xué)習(xí)方法，以便于分析故障數(shù)據(jù)，識(shí)別故障模式并用于分類和回歸分析[25]。SVM通過使用內(nèi)核技巧進(jìn)行分類，并將其輸入隱式映射到高維特征空間[26]。在這項(xiàng)工作中，SVM用于估計(jì)可以使用多類SVM實(shí)現(xiàn)的故障方向。故障部分識(shí)別/方向估計(jì)是多類問題（其中多類輸出無(wú)故障，初級(jí)部分故障，前向和反向斷面）。多類SVM使用支持向量為實(shí)例分配標(biāo)簽。因此單個(gè)多類問題可以簡(jiǎn)化為多個(gè)二元分類問題[26]。但故障相識(shí)別是一個(gè)兩類問題（故障或無(wú)故障），因?yàn)樗R(shí)別特定相是否有故障。SVM在故障診斷中的應(yīng)用有兩個(gè)階段：使用已知目標(biāo)進(jìn)行訓(xùn)練和使用未知樣本進(jìn)行測(cè)試，這些已在下一節(jié)“建議小波和基于SVM的定向中繼”和“不同故障條件下的測(cè)試結(jié)果”中詳細(xì)描述。用DWT獲得的預(yù)處理數(shù)據(jù)作為輸入提供給SVM模塊用于訓(xùn)練。形成輸入訓(xùn)練數(shù)據(jù)的相應(yīng)目標(biāo)，然后用SVM訓(xùn)練網(wǎng)絡(luò)。然后通過重新替換誤差（均方誤差）計(jì)算訓(xùn)練SVM網(wǎng)絡(luò)的性能。然后通過針對(duì)為不同任務(wù)設(shè)計(jì)的訓(xùn)練的SVM網(wǎng)絡(luò)測(cè)試故障情況來(lái)獲得輸出。第四章基于小波和SVM的定向中繼所考慮的電力系統(tǒng)網(wǎng)絡(luò)的單線圖如圖3所示。該網(wǎng)絡(luò)由三個(gè)線路部分組成，兩個(gè)線路部分連接到兩端的400kV電源。傳輸線是使用附錄A中給出的分布參數(shù)建模的雙電路線，其也考慮了并聯(lián)電容的影響。在本研究中，我們打算設(shè)計(jì)一個(gè)方向繼電器，因此“斷路跨線故障和電路間故障”部分被認(rèn)為是由安裝在總線-2的建議繼電器保護(hù)的主線路，如圖2和3所示。圖3和4示出了所提出的基于SVM的方案的流程圖。電流信號(hào)記錄在采用1kHz采樣頻率采樣的總線-2的雙回路線路的一端。使用db-4小波分析兩個(gè)電路的電流信號(hào)，并使用MATLAB軟件的小波分析工具箱分解多達(dá)3個(gè)細(xì)節(jié)和近似系數(shù)，如圖4所示。從圖4可以清楚地看出，保護(hù)方案由總共八個(gè)SVM模塊組成。SVM1模塊用于故障方向檢測(cè)/故障部分識(shí)別。SVM2-7模塊設(shè)計(jì)用于雙回路線路的每相的故障分類和故障相位識(shí)別，SVM8設(shè)計(jì)用于接地/中性線。如圖4所示，當(dāng)系統(tǒng)中發(fā)生故障時(shí)，首先檢測(cè)故障并使用SVM1識(shí)別故障部分。選擇預(yù)處理步驟后得到的電路-1和電路-2在時(shí)域中的三相電流信號(hào)的近似小波系數(shù)作為SVM1模塊的輸入，用于故障方向檢測(cè)。用于故障方向檢測(cè)的SVM1模塊是一個(gè)多類SVM，它提供四個(gè)級(jí)別0,1,2和3來(lái)區(qū)分四個(gè)類別。無(wú)故障（0輸出）或（1或2或3）故障分別在圖1或2或3中，如圖4所示。用于故障方向檢測(cè)的SVM模塊的輸入由（2）給出。進(jìn)一步用于故障分類和故障相識(shí)別，開發(fā)了由SVM2到SVM7表示的單獨(dú)的6個(gè)SVM模塊，其中特定的DWT處理的相電流信號(hào)僅表示：SVM2將電路-1的“A1”相電流（Iaw1）作為輸入來(lái)識(shí)別特定階段是否有缺陷。SVM2-7的輸出為“1”或“2”。為了檢測(cè)故障回路中是否存在接地，零序電流信號(hào)也作為SVM8模塊的輸入，如圖4的流程圖所示。如果沒有故障，那么SVM1的輸出將為'0'并且SVM2-SVM8的輸出即A1，B1，C1，A2，B2，C2，G將為'1'，表示無(wú)故障，如圖3和圖4的流程圖所示。在圖4和5中可以看出，在故障前狀態(tài)（Null-40ms）期間，SVM1的輸出為0，此后在40ms的“跨線故障和電路間故障”部分中出現(xiàn)故障，輸出44毫秒后，級(jí)別變?yōu)?。如果第2節(jié)中存在A1G故障，那么SVM1的輸出將顯示2級(jí)（表示第2部分為故障）和SVM2的輸出A1，并且SVM8的G將在故障開始后的一段時(shí)間后顯示2表示故障類別2所有其他輸出B1，C1，A2，B2，C2將為'1'，表示這些階段是健康的（不是故障的1級(jí)）。因此，將識(shí)別故障回路中涉及的故障部分，相和地，并且故障被分類為單線對(duì)地故障（LG）。SVM需要先進(jìn)行培訓(xùn)才能用于檢測(cè)測(cè)試階段的故障。已經(jīng)通過改變不同故障參數(shù)的組合來(lái)研究各種故障情況，如表1所示，用于訓(xùn)練和測(cè)試所提出的SVM模塊。為訓(xùn)練SVM模塊而研究的故障案例總數(shù)為1200。另一方面，經(jīng)過訓(xùn)練的SVM模塊已通過考慮故障類型的廣泛變化進(jìn)行測(cè)試，包括電路間和跨線故障，故障位置，故障初始角度，故障電阻和功率流角;總測(cè)試故障案例為14,400。值得一提的是，SVM不需要大型訓(xùn)練數(shù)據(jù)集（僅1200），但在測(cè)試過程中表現(xiàn)良好且正確，所有故障參數(shù)和功率流角度也有很大差異，如表1所示。圖4.提出的方案的流程圖。從每個(gè)故障情況中提取每個(gè)電路的電流的近似小波系數(shù)和半周期長(zhǎng)度的零序電流樣本（即10個(gè)樣本）的樣本。從所研究的每個(gè)故障情況（4800）中，已經(jīng)提取了在發(fā)生故障之后的10個(gè)樣本數(shù)量以形成大小為48,000的輸入矩陣。在60左右，也沒有添加任何故障樣本。因此，用于設(shè)計(jì)培訓(xùn)模塊的樣本數(shù)量為48,060?；趶较蚧撕瘮?shù)設(shè)計(jì)了不同的SVM模塊，用于故障方向檢測(cè)和故障相識(shí)別。在PC上訓(xùn)練需要20分鐘（i3,2.4GHz，4GBRAM）。但是，一旦網(wǎng)絡(luò)被訓(xùn)練，SVM網(wǎng)絡(luò)在進(jìn)行不同故障情況的測(cè)試時(shí)會(huì)給出準(zhǔn)確的結(jié)果。表格1故障參數(shù)變化。第5章在不同故障條件下的測(cè)試結(jié)果用于輸電線路保護(hù)的繼電器的主要目的是為輸電線路提供初級(jí)保護(hù)和后備保護(hù)。針對(duì)不同的故障情況，檢查了所提出的用于故障方向檢測(cè)和故障相識(shí)別的SVM繼電器的性能。繼電器提供初級(jí)和備用保護(hù)（到相鄰的反向和前向部分），在不同故障條件下，線路長(zhǎng)度達(dá)到95％。所提出的SVM方案已經(jīng)針對(duì)大約14,400個(gè)測(cè)試故障情況進(jìn)行了測(cè)試，考慮了不同類型的故障，包括電路間故障，邊界端附近發(fā)生的跨線故障，相鄰正向或反向線路段發(fā)生的故障以及故障定位，功率等變化參數(shù)流動(dòng)角度，故障電阻，故障初始角度。這里給出了一些測(cè)試結(jié)果。5.1在邊界附近發(fā)生故障時(shí)的性能-近距離和遠(yuǎn)端故障所提出的SVM方案在該小節(jié)中測(cè)試接近中繼點(diǎn)總線-2（近端故障）和靠近遠(yuǎn)端總線-3（遠(yuǎn)端故障）的故障。通常，基于行波的傳統(tǒng)中繼方案無(wú)法檢測(cè)到近端故障。此外，基于相位角比較的中繼方案的到達(dá)設(shè)置通常僅為80-85％，因此在線路長(zhǎng)度的85％和100％之間發(fā)生的故障不會(huì)被立即檢測(cè)到，而是在根據(jù)備用保護(hù)方案的一些延遲之后。所提出的方案正確地檢測(cè)近端和遠(yuǎn)端故障，識(shí)別其部分并識(shí)別故障的相位。這已經(jīng)通過測(cè)試各種邊界位置故障得到驗(yàn)證，故障位置范圍從0.1km到1.0km，步長(zhǎng)為0.2km。為了評(píng)估所提出技術(shù)的范圍設(shè)定;研究了不同位置的不同類型的斷層，這些斷層位于85至95km之間，增量為2km。為了描述在時(shí)域中提出的基于SVM的區(qū)段標(biāo)識(shí)符和故障故障相位標(biāo)識(shí)符的測(cè)試結(jié)果，在第2節(jié)中95km處的A1G故障具有高故障電阻Rf=100O，Ui=0°，ti=40ms被認(rèn)為是并分別如圖5a和b所示。圖5a的x軸顯示以ms為單位的時(shí)間，y軸顯示輸出電平，對(duì)于無(wú)故障為“0”，對(duì)于第1節(jié)，第2節(jié)和第3節(jié)中的故障分別為“1”，“2”和“3”。從圖5a可以看出，基于SVM的故障檢測(cè)器/部分標(biāo)識(shí)符的輸出在40ms故障開始之前為低（0），在44ms時(shí)間達(dá)到2級(jí)（表示第2部分）并保持在此水平完成200毫秒的模擬時(shí)間。因此，檢測(cè)到高阻故障，并且在4ms時(shí)間內(nèi)將第2部分識(shí)別為故障部分。圖5b示出了基于SVM的故障分類器/故障相位標(biāo)識(shí)符在時(shí)域中的輸出的三維圖。這里，圖5b的x軸表示以毫秒為單位的時(shí)間，y軸表示基于SVM的基于SVM的故障分類器和故障相位標(biāo)識(shí)符的7個(gè)輸出，并且z軸表示輸出1或2的水平。來(lái)自圖5中所示的測(cè)試結(jié)果。5b在40ms故障開始之前，所有7個(gè)輸出均為1級(jí)（無(wú)故障等級(jí)-1），并且相位“A1”和接地“G”在43ms和46時(shí)達(dá)到2級(jí)（故障等級(jí)-2）ms時(shí)間并保持在此水平，完整的模擬時(shí)間為200ms。所有其他輸出B1，C1，A2，B2和C2始終顯示1級(jí)（無(wú)故障等級(jí)-1）。因此，故障相A1被識(shí)別并在6ms內(nèi)被分類為線對(duì)地（LG）故障。表2中示出了邊界位置處的各種類型的故障的測(cè)試結(jié)果。從表2中可以觀察到，所提出的方法花費(fèi)四分之一周期時(shí)間（5ms）來(lái)估計(jì)在近邊界處的故障情況下的截面。5.2在不同的功率流角度下的性能所提出的基于SVM的繼電器已經(jīng)針對(duì)具有不同功率流角度±15，±25，±35和±45的故障情況進(jìn)行了測(cè)試。不同功率流角和故障檢測(cè)時(shí)間的測(cè)試結(jié)果如表3所示。提出的基于SVM的方法準(zhǔn)確地估計(jì)故障部分并對(duì)故障進(jìn)行分類。表3中給出的測(cè)試結(jié)果表明，在不同的功率流角度下，所提出的方案的故障檢測(cè)時(shí)間被發(fā)現(xiàn)在四分之一周期內(nèi)。圖5.第2節(jié)中95km的A1G故障期間的測(cè)試結(jié)果，Rf=100Ω，Ui=0°，ti=40ms。（a）基于SVM的故障檢測(cè)器/部分標(biāo)識(shí)符。（b）基于SVM的時(shí)域故障分類器/故障相位標(biāo)識(shí)符。表2近端和遠(yuǎn)端故障的測(cè)試結(jié)果。5.3在發(fā)生跨線故障時(shí)的性能當(dāng)單個(gè)LG故障同時(shí)在兩個(gè)不同位置的同一電路的不同階段發(fā)生時(shí)，它被稱為跨線故障。所提出的方案也針對(duì)這種情況進(jìn)行了測(cè)試，并且一些保持故障初始角度Ui=0（ti=60ms）和故障電阻Rf=0Ω固定的測(cè)試結(jié)果在表4中給出。進(jìn)一步的圖6顯示了測(cè)試結(jié)果。在跨線斷層期間的時(shí)域中表示A1G斷層發(fā)生在90km處，B1G斷層發(fā)生在95km處的段2中，Rf=0Ω，Ui=0°，ti=60ms。從表4中所示的測(cè)試結(jié)果可以看出，在半周期時(shí)間內(nèi)檢測(cè)到所有跨線故障。圖6.在第2節(jié)中，90km的越野B1G故障和95km的C1G的測(cè)試結(jié)果，Rf=0Ω，Ui=0°，ti=60ms。（a）基于SVM的故障檢測(cè)器/部分標(biāo)識(shí)符。（b）基于SVM的時(shí)域故障分類器/故障相位標(biāo)識(shí)符。5.4電路間故障時(shí)的性能提出的基于SVM的方法用不同的電路間故障進(jìn)行測(cè)試。這里考慮了截面-2中91km處的接地電路間故障A1B2G，Rf=0Ω，Ui=0°，ti=60ms，測(cè)試結(jié)果如圖7a和b所示。圖7a示出了故障部分標(biāo)識(shí)符的輸出，該故障部分標(biāo)識(shí)符在60ms的故障開始之后開始改變并且達(dá)到63ms的時(shí)間，即在部分-2中檢測(cè)到故障。圖7b示出了故障分類器和故障相位標(biāo)識(shí)符的7個(gè)輸出，其為60ms。在67ms時(shí)間相A1之后，B2和G變?yōu)椤耙虼耍收媳粴w類為A1B2G電路間故障。還使用所提出的方法測(cè)試了其他電路間故障。所提出的基于SVM的中繼方案在存在接地的電路間故障時(shí)完美地工作。圖7.在第2節(jié)91km處的電路間故障A1B2G期間的測(cè)試結(jié)果，其中Rf=0Ω，Ui=0°，ti=60ms40ms。（a）基于SVM的故障檢測(cè)器/部分標(biāo)識(shí)符。（b）基于SVM的時(shí)域故障分類器/故障相位標(biāo)識(shí)符。5.5后備保護(hù)期間的性能所提出的方案在初級(jí)部分提供95％的線路長(zhǎng)度保護(hù)，并且還為95％的相鄰線路部分提供備用保護(hù)。通過第1節(jié)和第3節(jié)中的故障案例研究驗(yàn)證了備用保護(hù)能力。當(dāng)保護(hù)線路部分的主繼電器不響應(yīng)故障時(shí)，提供備用保護(hù)。提供有意的時(shí)間延遲以檢查主繼電器是否已操作且斷路器是否已打開其接觸。通常，時(shí)間延遲大約為六到七個(gè)周期。在A1G故障期間基于SVM的故障檢測(cè)器/部分標(biāo)識(shí)符的測(cè)試結(jié)果在不同的線路部分中Rf=0Ω，Ui=0°，ti=40ms，在距離總線2101km處的“簡(jiǎn)介”部分中說(shuō)明，在圖8a-f中示出了距離公交車2公里1公里處以及在距公交車2公里101公里的“特征提取和模式分類技術(shù)”部分中的“越野故障和電路間故障”部分。在這里，我們假設(shè)反向線路段-1和前線路段-2中的故障的主要保護(hù)失敗?？紤]A1G故障，其中Rf=0Ω，Ui=0°,ti=40ms