摘要
准确且快速的故障检测对于确保高压交流输电系统的稳定性和可靠性至关重要。传统的保护方法，包括基于阻抗的和行波技术，在噪声较大的运行环境、系统不确定性以及复杂的故障情况下，其性能可能会下降，而且往往需要分别采用不同的方法来进行故障分类、位置定位和稳定性评估。本文提出了一种基于人工神经网络的一体化框架，该框架能够在单一的高压交流输电线路模型中同时实现故障分类、位置定位和稳定性评估，其中还考虑了临界清除时间这一因素。研究人员建立了详细的MATLAB Simulink模型，生成了包含12种故障场景的结构化数据集，这些故障场景包括单线故障、双线故障、三相故障以及发生在输电线路不同位置的接地故障。该模型以三相电压和电流以及零序分量作为输入特征。人工神经网络模型是通过Levenberg–Marquardt优化算法进行训练的，该算法与贝叶斯正则化和缩放共轭梯度法进行了对比测试，结果显示Levenberg–Marquardt算法的收敛速度更快，预测误差更低，回归精度更高。为了进一步评估该框架在高阻抗故障条件下的稳健性，除了0.01 Ω的基准情况外，还使用了10 Ω和50 Ω的故障电阻值进行了额外模拟。这些模拟得到的数据被合并起来，形成了更大的训练和评估数据集，从而可以全面验证在不同故障电阻条件下经过Levenberg–Marquardt算法训练的人工神经网络的效果。使用基准数据集时，该框架实现了较高的回归系数（R = 0.9882）和较低的均方误差（MSE = 0.1386），这表明它能够准确地进行故障分类，并精确地估算出每公里的故障位置。此外，由于该框架能够结合故障发生时间和持续时间，因此可以直接计算临界清除时间，从而帮助模型区分哪些故障情况会对系统稳定性造成影响，哪些则不会。实验结果证明，该框架通过在一个模型中整合故障分类、定位、时间分析以及基于稳定性意识的决策支持功能，为实时故障分析提供了一种全面且高效的解决方案。
