融合不确定性估计的核极限学习机输电线路故障定位方法

《Scientific Reports》：KELM transmission line fault location method incorporating uncertainty estimation

　　

摘要

随着柔性直流输电（MMC-HVDC）在大电网互联和新能源消纳中的广泛应用，输电线路故障定位的准确性、可靠性和响应速度对系统的安全运行至关重要。针对传统行波定位方法中存在的噪声敏感性和不确定性表征困难等问题，本文提出了一种引入不确定性估计的核极限学习机（KELM）故障定位方法。该方法首先在 PSCAD/EMTDC 平台上构建±500 kV MMC-HVDC 系统仿真模型，收集不同故障条件下的行波信号，并使用小波去噪和固定参数 VMD 技术提取时频特征；随后，构建了基于 BWO（白鲸优化算法）优化的 KELM 模型，全局优化核宽度 σ 和惩罚系数 C，实现高精度回归映射。为了进一步增强结果的工程可解释性，引入了不确定性估计模块，为预测输出提供置信区间和可信度评估。不同于主要关注提高点预测精度的传统优化机器学习故障定位方法，所提出的框架共同考虑了行波特征鲁棒性、KELM 超参数优化和预测可信度表示。因此，本工作的创新点不在于独立使用小波去噪、VMD、KELM 或 BWO，而在于它们与 MMC-HVDC 输电线路不确定性感知故障定位的协调集成。仿真结果表明，所提出方法的平均绝对误差（MAE）仅为 0.19 km，95% 置信区间覆盖率为 95.8%。在低信噪比（30 dB）和高过渡电阻（300Ω）等复杂工况下，定位误差仍控制在 0.31 km 以内，显著优于传统的 ELM、KELM 和 PSO-KELM 方法，验证了所提出方法的准确性、鲁棒性和实用性。