基于分类树的高压直流系统故障检测算法数据驱动参数化方法研究

《Engineered Regeneration》：Data-driven parameterization of fault detection algorithms in high voltage direct current systems using classification trees

本文提出了一种基于分类与回归树（CART）的数据驱动框架，用于系统性地优化高压直流（HVDC）系统中非单元保护算法（如ROCOC、ROCOV、L、MM）的参数设定。该方法摒弃了传统依赖工程师经验的主观启发式调参，通过PSCAD/EMTDC仿真数据训练，生成可直接在保护继电器中实现的透明决策规则（if-else语句），并经有限状态机（FSM）验证，显著提升了HVDC线路保护的可靠性、可重复性及技术适应性（LCC系统优选ROCOV，MMC系统优选ROCOC）。

　　

Section snippets

故障检测技术

本节详细介绍了选择用于CART方法参数化的四种故障检测算法。重点在于CART如何应用于确定每种算法的关键参数和阈值。考虑到长距离HVDC线路故障清除所需的速度，我们选择了非单元保护方法。选择了电流和电压导数法、电抗器电压法以及数学形态学方法，以评估它们在两种主要HVDC技术（LCC和MMC）中的性能表现。

分类与回归树

故障检测算法的参数选择是一项复杂的任务，传统上依赖于工程师的专业知识和对大量仿真结果的繁琐分析。为了解决这一问题，本文提出了一种新颖的数据驱动方法，即使用分类与回归树（CART）来自动化参数选择过程。据我们所知，这是首个使用数据驱动方法论来解决算法参数化问题的工作。因此，与现有参数化方法进行直接比较是具有挑战性的，因为后者通常是特定于算法且依赖于启发式的。CART方法的核心优势在于其能够生成透明、可解释的决策树，这些决策树可以直接转换为保护继电器中易于实现的if-else逻辑规则。

测试系统

换流器技术显著影响故障检测算法的行为。因此，不同的故障检测技术在线路换相换流器（LCC）和电压源换流器（VSC）技术上进行了测试。使用PSCAD/EMTDC电力系统暂态仿真软件建模了两个测试系统，具体描述见本节。

结果与讨论

训练完成后，为每种情况获得了一个分类树。本节详细描述了LCC案例的分类树，并简要描述了MMC案例的分类树。对于所有树，使用基尼不纯度指数作为分裂标准，并选择最小误差作为剪枝标准。分析的分类树参数包括最大深度、节点数、叶节点数、剪枝状态和剪枝水平。剪枝过程有助于防止过拟合，确保生成的模型在面对未见过的故障场景时具有更好的泛化能力。分析结果表明，该方法能够有效地为不同的HVDC系统和技术找出最优的参数设定。

结论

本文介绍并验证了一种新颖的、数据驱动的方法，用于HVDC系统故障检测算法的参数化，解决了传统启发式调参的关键挑战。基于分类与回归树（CART）的框架被成功应用于系统性地推导出四种重要非单元保护技术（电流变化率ROCOC、电压变化率ROCOV、基于电抗器电压的方法L和数学形态学MM）的优化参数和可解释决策规则。