基于机器学习与多维插值的高压输电线路智能故障定位与分类方法

《Processes》：A Hybrid Machine Learning and NGO Algorithm Approach for Fault Classification and Localization in Electrical Distribution Lines Khaled Guerraiche, Amine Bouadjmi Abbou, éric Chatelet, Latifa Dekhici, Abdelkader Zeblah and Mohammed Adel Djari

　　

摘要：本文提出一种基于机器学习（Machine Learning, ML）与多维三次样条插值（Cubic Spline Interpolation）的智能数字保护系统，用于径向配电网中高压输电线路的故障类型分类与精确故障距离（Fault Distance, Df）及故障电阻（Fault Resistance, RF）估计。传统故障定位方法受负荷波动、故障电阻变化及电压波动影响显著，且难以兼顾多相故障情形。研究人员利用相量测量单元（Phasor Measurement Unit, PMU）采集的电压电流数据，结合MATLAB/Simulink与现场数据构建包含单电阻故障（6变量）与三电阻故障（8变量）的大规模仿真数据集，采用并行计算（parfor）加速数据生成。通过先优化估计RF使各故障相计算出的Df一致，再利用降维后的多维插值函数估算故障距离，最终由决策树分类器判定故障类型（单相接地、相间短路、两相接地、三相短路）。结果表明该方法可在宽参数范围内准确识别故障类型并精确定位，对提升配电自动化与继电保护可靠性具有重要意义。

一、研究背景与意义

高压输电线路发生故障后，快速准确的故障定位（Fault Location）与分类（Fault Classification）是配电网自动化与继电保护的核心需求。传统阻抗法或行波法易受故障电阻（Fault Resistance, R_F）、负荷波动、母线电压偏差及故障类型多样性影响，尤其在存在过渡电阻或多相故障时定位精度下降。现有研究指出短路电流（Short-Circuit Current, I_sc）受变电站电压V_s、各相预故障有功功率P_a,b,c、R_F及故障距离D_f共同影响，且不同故障类型对应不同自由度（单电阻故障6维，三电阻/双接地及三相故障8维）。研究人员据此开展研究，旨在通过机器学习辅助的多维插值及优化算法解决故障电阻未知条件下的精确定位与分类问题，论文发表于MDPI期刊《Processes》。

二、主要关键技术方法

研究人员采用MATLAB/Simulink建立含三相阻抗矩阵Z_aa,Z_ab,Z_ac;Z_ba,Z_bb,Z_bc;Z_ca,Z_cb,Z_cc（自阻抗与互阻抗）的输电模型，设置电源侧电压±10%、每相负荷80%~120%、R_F=0~50 Ω、D_f=5%~95%线长进行参数扫描。单电阻故障取(V_s,P_a,P_b,P_c,R_F,D_f)六维数据集，三电阻故障增加R_Fa,R_Fb,R_Fc为八维数据集。利用parfor并行循环生成全组合短路电路值存入6D/8D矩阵。定位时分两步：(1)以使两相计算D_f差值最小为目标函数F_Obj(R_F)=|D_f⁽¹⁾(R_F)-D_f⁽²⁾(R_F)|，采用Northern Goshawk Optimization(NGO)等算法估计R_F；(2)已知R_F后用2D/4D三次样条插值预估I_sc，再用1D插值反求D_f。故障分类采用决策树（Decision Tree Classifier）依据相电流特征区分AG、AB、ABG、ABC故障。

三、研究结果

2.1. Five-Conductor Transmission Line Impedance Matrix（输电线路阻抗矩阵）

给出三相线路阻抗矩阵Z定义，Z_nm为相n与相m间自阻抗或互阻抗，说明后续短路计算之电气基础。

2.1.2. Fault Distance（故障距离）

说明故障点距母线越近I_sc越大，反之越小，I_sc随D_f单调递减。

2.1.3. Bus S Voltage（母线电压）

母线电压允许±10%额定波动，I_sc随V_s近似线性变化。

2.1.4. Fault Resistance（故障电阻）

R_F可为任意正值（弧光、杆塔等过渡电阻），I_sc随R_F增大非线性减小。

2.1.5. Loads（负荷）

三相有功无功负荷变化引起I_sc变化，呈线性关系。

3.1. Data Collection for Machine Learning（机器学习数据收集）

分别定义单电阻故障与三电阻故障下I_sc=f(V_s,P_a,P_b,P_c,R_F,D_f)及I_sc=f(V_s,P_a,P_b,P_c,R_Fa,R_Fb,R_Fc,D_f)，详述扫描范围和并行存储方案（Algorithm 1）。

3.2. Intelligent Digital Protection System（智能数字保护系统）

说明仅需在线路首端配置电流互感器（Current Transformer, CT）与电压互感器（Potential Transformer, PT），将测量值传至数据中心进行故障检测、分类与定位。

3.3. Fault Localization and Classification Algorithm（故障定位与分类算法）

阐述利用预建6D/8D插值函数，输入实测V、I进行故障距离与类型判定流程。

3.3.1. Fault Distance Estimation（故障距离估计）

已知预故障参数(V_s,P_a,b,c)与假设R_F，先用2D/4D三次样条插值得I_sc估计值，再用1D插值从实测I_sc^(CT)反推D_f，实现维度约简。

3.3.2. Fault Resistance Estimation（故障电阻估计）

对于相间或接地故障，构造目标函数F_Obj(R_F)=|D_f^(phase1)(R_F)-D_f^(phase2)(R_F)|最小化，寻优得到使两故障相定位距离一致的R_F，数值算例显示目标函数在真实R_F≈25 Ω处取最小值。

3.3.3. Constraints（约束条件）

约束包括D_f>0及各相插值I_sc^(ML)等于CT实测I_sc^(CT)。

四、讨论与结论

研究人员得出结论：所提方法通过先优化求解未知故障电阻再降维插值的策略，克服了传统方法对R_F敏感的问题；利用大规模仿真数据与并行计算构建的高维插值查找表可覆盖实际运行波动范围；决策树分类器可有效区分四种故障类型。该方法仅需线路首端CT/PT数据即可实现高精度故障定位与分类，适用于径向配电网数字化保护升级，具有较高的工程应用价值。