（國(guó)網(wǎng)福建省電力有限公司 福建福州 350003）

0 引言

高壓直流輸電（HVDC）工程在電能輸送、電網(wǎng)互聯(lián)方面起著非常重要的作用。與高壓交流（HVAC）輸電技術(shù)相比，高壓直流輸電技術(shù)由于其靈活的控制能力和大電能的輸送能力，在長(zhǎng)距離輸電、異步電網(wǎng)互聯(lián)和可再生能源集成方面更具競(jìng)爭(zhēng)力［1-2］。由于高壓直流輸電系統(tǒng)通常建設(shè)野外，所經(jīng)過的路徑遠(yuǎn)，可能經(jīng)過特殊地形的環(huán)境等［3-4］，因此存在特定故障隱患。如何快速可靠地檢測(cè)并排除故障，關(guān)系到整個(gè)高壓直流輸電系統(tǒng)的運(yùn)行安全［5］。

傳統(tǒng)的直流輸電線路故障檢測(cè)方法主要包括電壓或電流差分方法和行波方法。Anderson［6］使用電壓差率來檢測(cè)線路故障，Li S 等［7］提出了一種新型的橫向差動(dòng)保護(hù)，利用差動(dòng)電流和雙端電流差動(dòng)率來建立標(biāo)準(zhǔn)。蔣靈通等［8］通過前、后波頭的準(zhǔn)確檢測(cè)，提出了基于時(shí)差的縱聯(lián)方向保護(hù)。但是，差分方法受到故障電阻的影響很大，對(duì)波頭提取要求極高，無法正確識(shí)別高阻故障。Ma Y 等［9］將行波保護(hù)應(yīng)用于雙回路傳輸線。Zhang Y 等［10］提出了一種基于零序和正序方向的行波保護(hù)方案，然而該方法容易受到干擾的影響，并且難以識(shí)別高阻故障。Kong F 等［11］通過單端數(shù)據(jù)分析反向行波的不同特性來實(shí)現(xiàn)故障檢測(cè)。Luo S 等［12］提出了一種基于無功潮流的雙端保護(hù)方案，可以在低采樣頻率下正常工作，但它需要兩個(gè)時(shí)間延遲周期。

最近，有部分學(xué)者將機(jī)器學(xué)習(xí)的方法應(yīng)用于電網(wǎng)保護(hù)。文獻(xiàn)［13-14］通過人工神經(jīng)網(wǎng)絡(luò)（ANN）學(xué)習(xí)輸入數(shù)據(jù)與目標(biāo)值之間的關(guān)系，實(shí)現(xiàn)了交流配電系統(tǒng)小電流接地的故障保護(hù)。Johnson 等［15］使用支持向量機(jī)（SVM）來識(shí)別僅具有單端電壓和電流信號(hào)的HVDC 故障線路。Chen M 等［16］將KNN 和SVM 作為HVDC 系統(tǒng)故障區(qū)域檢測(cè)的分類機(jī)制。但是這些文獻(xiàn)里面提到的方法尚未很好地解決啟動(dòng)組件的問題。李自乾等［17］通過公式推導(dǎo)消除行波波速的影響單端故障行波測(cè)距方法。郭敬梅等［18］結(jié)合故障條件中各因素對(duì)行波保護(hù)動(dòng)作概率的影響程度，分析了運(yùn)行方式變化帶來的不利影響。文獻(xiàn)［19-20］分析了KNN 在數(shù)據(jù)處理中具有良好的效率。張懌寧等［21］提出一種基于故障錄波數(shù)據(jù)的耐受高阻接地的直流接地極線路故障測(cè)距新方法。

目前，關(guān)于HVDC 故障檢測(cè)的研究，大部分選取的接地電阻均小于500 Ω。但在實(shí)際運(yùn)行的電力系統(tǒng)，有的故障類型故障電阻比這個(gè)值高，甚至達(dá)數(shù)萬Ω。因此，在采樣頻率盡可能小的前提下，增加檢測(cè)系統(tǒng)的可測(cè)量電阻值上限是迫切需要解決的難題之一。

本文將K 最近鄰（KNN）引入高壓直流輸電系統(tǒng)，利用KNN 優(yōu)秀的分類性能與小樣本訓(xùn)練能力實(shí)現(xiàn)HVDC 系統(tǒng)快速故障檢測(cè)。本方法的采樣頻率為10 kHz，整流側(cè)檢測(cè)裝置采集到故障信號(hào)后直接作為KNN 模型的輸入，訓(xùn)練好的KNN用于檢測(cè)故障區(qū)域，用PSCAD/EMTDC 建立高壓直流輸電模型，仿真結(jié)果表明該方法可以成功識(shí)別電阻高達(dá)1 000 Ω 的故障。本文介紹了所提出的故障檢測(cè)方法的基本原理，與基于反向行波的故障檢測(cè)方法進(jìn)行了比較，并通過電磁暫態(tài)仿真軟件PSCAD/EMTDC 搭建±500 kV 高壓直流輸電系統(tǒng)，在不同故障區(qū)域與故障類別下對(duì)所提出方法的有效性進(jìn)行評(píng)估驗(yàn)證。

1 KNN 故障檢測(cè)方法

高壓直流輸電系統(tǒng)HVDC 包括：雙端交流系統(tǒng)、整流器、逆變器和輸電線路。線路邊界由直流濾波器和平滑電抗器組成，起到低通濾波的作用。無論直流輸電系統(tǒng)哪個(gè)部分發(fā)生故障，整流器側(cè)檢測(cè)裝置都將檢測(cè)到電壓突變。由于線路邊界和線路阻抗的影響，不同區(qū)域的故障波形將具有不同程度的幅度和平滑度?；贙-Nearest Neighbor（KNN）的故障檢測(cè)方法，流程圖如圖1 所示。整流側(cè)檢測(cè)裝置檢測(cè)到電壓突變后啟動(dòng)檢測(cè)算法，采集到的故障波形通過事先訓(xùn)練好的KNN 判斷器診斷是否為接地故障或者雙極短路故障。若KNN 判斷器診斷為是，則再由KNN 分類器區(qū)分故障為內(nèi)部故障或者為外部故障以及故障發(fā)生在哪條輸電線路上。兩個(gè)KNN 均由各種故障區(qū)域和故障條件下采集到的電壓大量訓(xùn)練，訓(xùn)練好的KNN 用于實(shí)現(xiàn)故障檢測(cè)。

圖1 KNN 方法流程圖

1.1 KNN 算法

K-Nearest Neighbor（KNN）是一種監(jiān)督學(xué)習(xí)分類器。作為經(jīng)典分類算法之一，其核心思想包含未知樣本的空間中，如圖2 所示，可以根據(jù)最近鄰k 個(gè)樣本的數(shù)據(jù)類型確定樣本的數(shù)據(jù)類型。KNN 有三個(gè)主要因素：訓(xùn)練集、距離和類似度量、以及k值［16，22］。

圖2 KNN 示意圖

對(duì)于一個(gè)測(cè)試樣本，需要計(jì)算該測(cè)試樣本與訓(xùn)練集中的其他樣本之間的關(guān)系程度。不同的數(shù)據(jù)集擁有對(duì)應(yīng)的最佳距離函數(shù)，常見的距離函數(shù)分別有：

式中：特征向量S 表示協(xié)方差矩陣，Si是第i 維度中的樣本數(shù)據(jù)的標(biāo)準(zhǔn)偏差。首先，使用初始值確定k 值，然后根據(jù)實(shí)驗(yàn)測(cè)試的結(jié)果調(diào)整k 值。其次，根據(jù)樣本的相似度，在訓(xùn)練集中選擇與測(cè)試樣本最相似的k 個(gè)樣本。在k 個(gè)最近鄰樣本中，計(jì)算每個(gè)類別的權(quán)重，并通過比較權(quán)重將樣本分類到具有最高權(quán)重的類別［23］。

1.2 KNN 判斷器和KNN 分類器

受到文獻(xiàn)［24］的啟發(fā)，本文搭建兩個(gè)KNN 模型。第一個(gè)KNN 為判斷KNN，其作用是當(dāng)檢測(cè)裝置采集到突變波形后，判斷該波形是否為接地故障或者為雙極短路故障。其中x 是測(cè)試樣本的特征向量，y 是訓(xùn)練集的。利用這個(gè)KNN，在保證整個(gè)檢測(cè)方案快速啟動(dòng)的前提下還能確保不會(huì)發(fā)生誤啟動(dòng)。第二個(gè)KNN 為分類KNN，利用KNN 優(yōu)秀的分類機(jī)制實(shí)現(xiàn)線內(nèi)外故障的區(qū)分以及確定故障線路，這個(gè)KNN 也是整個(gè)檢測(cè)方案的主體部分。

本文搭建兩個(gè)KNN 模型，這兩個(gè)KNN 模型的基本參數(shù)相同。考慮到特征數(shù)據(jù)的差異性，本研究的KNN 模型采用“Mahalanobis”距離函數(shù)，該函數(shù)能夠考慮到各種特征量之間的聯(lián)系并準(zhǔn)確提取變量間的微小變化。考慮到不同的k 值對(duì)訓(xùn)練結(jié)果具有不同的影響，表1 顯示了兩個(gè)KNN 模型中不同k 值的訓(xùn)練結(jié)果。在HVDC 系統(tǒng)中，兩個(gè)KNN 模型對(duì)k 值的敏感度一致，其訓(xùn)練和測(cè)試數(shù)據(jù)精度都是隨著k 值的增加而減少，因此本文中兩個(gè)KNN 模型的k 值都取1。兩個(gè)KNN 模型之間的區(qū)別在于類別N 的取值不同。對(duì)于判斷KNN，將N 值取為2 以確定它是否是接地故障。對(duì)于分類KNN，N 值取4用以實(shí)現(xiàn)故障部分和故障線路檢測(cè)。

1.3 啟動(dòng)組件和采樣窗口

在本文研究中，直流電壓差du/dt 直接用于故障檢測(cè)的啟動(dòng)標(biāo)準(zhǔn)。然而，包括電壓導(dǎo)數(shù)方法在內(nèi)傳統(tǒng)方法存在諸如負(fù)載波動(dòng)導(dǎo)致檢測(cè)系統(tǒng)誤激活的缺陷。因此KNN 方法在啟動(dòng)根據(jù)DC 電壓差提取電壓波形，然后再使用訓(xùn)練完的KNN 來確定它是否為接地故障或雙極短路故障。

采樣時(shí)間窗口的選擇將嚴(yán)重影響整個(gè)檢測(cè)方案的性能，故障條件下檢測(cè)到更長(zhǎng)的波形意味著不同區(qū)域故障之間的差異更加明顯，所以波形采樣窗口應(yīng)盡可能長(zhǎng)。但是瞬時(shí)性是電力系統(tǒng)故障保護(hù)的重要因素，這就要求采樣窗口盡可能短。本文通過PSCAD/EMTDC 在不同故障距離和因素下進(jìn)行模擬，在采樣頻率為10 kHz 的條件下選擇100 個(gè)采樣點(diǎn)（10 ms）作為采樣窗口。對(duì)于交流側(cè)故障，這個(gè)采樣窗口可以采集到5 個(gè)周期的故障波形。對(duì)于線路故障，在輸電線路全長(zhǎng)為800 km 假設(shè)行波波速為2.95×108m/s 的情況下，該采樣窗口足以采集故障行波在輸電線路上兩個(gè)來回的信息。傳統(tǒng)的保護(hù)方案采樣窗口基本都有周期時(shí)間延遲，而不少新提出的方案采樣窗口也都在5 ms 以上［11-12］。本文所提出的檢測(cè)方案采樣窗口為整流側(cè)檢測(cè)裝置檢測(cè)到電壓突變電的前19 個(gè)采樣點(diǎn)以及后80 個(gè)采樣點(diǎn)，在確保保護(hù)精度的前提下更符合故障保護(hù)瞬時(shí)性的要求。

表1 不同k 值對(duì)訓(xùn)練效果的影響 %

通過PSCAD/EMTDC 在不同故障區(qū)域和條件下進(jìn)行模擬，采集整流側(cè)的故障電壓波形，這些一維特征波形就是KNN 的訓(xùn)練樣本和測(cè)試樣本。瞬時(shí)性是故障檢測(cè)算法的基本要求。研究用的計(jì)算機(jī)處理器RAM 和處理系統(tǒng)分別為4.00GB 和IntelcoreTM i5-3230 CPU ＠ 2.60GHZ。整個(gè)故障檢測(cè)算法的啟動(dòng)組件運(yùn)行時(shí)間為0.038 1 s，KNN 分類程序運(yùn)行時(shí)間為0.041 0 s，完全滿足故障檢測(cè)瞬時(shí)性的要求。

2 對(duì)比方法

為了和KNN 方法進(jìn)行最直接的比較，借鑒Kong 等［11］提出的方法，將反向行波應(yīng)用于HVDC 故障檢測(cè)。線路外部故障的行波示意圖如圖3 所示，M 代表線路整流側(cè)，N 代表逆變側(cè)。輸電系統(tǒng)整流側(cè)外部發(fā)生故障的行波傳播過程如圖3（a）所示，在時(shí)間間隔［t0，t0+2l/v］內(nèi)，線路內(nèi)部只存在前向行波uf，而反向行波ub=0。因此整流側(cè)檢測(cè)裝置采集到的電壓信號(hào)仍然維持平穩(wěn)。如圖3（b）所示，當(dāng)逆變側(cè)外部發(fā)生故障時(shí)，整流側(cè)檢測(cè)裝置采集到的初始行波是從逆變側(cè)傳導(dǎo)過來的反向行波ub。因此，在時(shí)間間隔［t0，t0+2l/v］內(nèi)，檢測(cè)裝置能夠檢測(cè)到一個(gè)突降的反向行波。

圖3 線路外部故障行波示意圖

圖4 線路內(nèi)部故障行波示意圖

線路內(nèi)部故障的行波示意圖如圖4 所示。在時(shí)間間隔［t0，t0+2l/v］內(nèi)整流側(cè)檢測(cè)裝置能夠多次檢測(cè)到不同行波波頭，如圖中TM1、TM2、TM3…。由于極短時(shí)間內(nèi)不同波頭的抵達(dá)，檢測(cè)到的故障電壓含有高頻震蕩分量。這使得線路內(nèi)部故障與線路外部故障存在顯著差異。

當(dāng)檢測(cè)到線路內(nèi)部故障后，反向行波法利用采集到的電壓故障分量的數(shù)字特性識(shí)別故障線路。當(dāng)正極線路短路時(shí)，故障點(diǎn)可視為一個(gè)對(duì)地的負(fù)電源，它將造成的整流側(cè)電壓Δu＜0。而對(duì)于負(fù)極接地故障，整流測(cè)正極采集到的電壓震蕩且無法保持Δu 負(fù)極性穩(wěn)定。

3 仿真系統(tǒng)和實(shí)驗(yàn)結(jié)果

3.1 仿真模型和參數(shù)

利用PSCAD/EMTDC 電磁暫態(tài)仿真軟件建立仿真模型。本研究基于PSCAD/ EMTDC 中提供的CIGRE 基準(zhǔn)模型，建立了標(biāo)稱電壓為500 kV、額定傳輸功率為1000 MW 的HVDC 輸電系統(tǒng)。一般通用的高壓直流系統(tǒng)的單線結(jié)構(gòu)如圖5 所示［16］。

在該模型中，每個(gè)轉(zhuǎn)換器都有兩組12 脈動(dòng)轉(zhuǎn)換器，整流側(cè)控制系統(tǒng)采用定電流控制和最小觸發(fā)角控制，逆變側(cè)控制系統(tǒng)采用定熄弧角控制、定電流控制和電流偏差控制，整流側(cè)和逆變側(cè)都裝有抵押限流控制VDCOL（Voltage Dependent Current Order Limiter）。系統(tǒng)和變壓器詳細(xì)參數(shù)見表2 和表3。

表2 高壓直流輸電系統(tǒng)詳細(xì)參數(shù)

表3 變壓器詳細(xì)參數(shù)

圖5 高壓直流輸電系統(tǒng)單線結(jié)構(gòu)圖

3.2 故障區(qū)域仿真

故障檢測(cè)實(shí)驗(yàn)是在不同的故障條件和因素下進(jìn)行的，包括不同的區(qū)域、不同的接地電阻和不同的輸電線路。通過整流側(cè)檢測(cè)裝置M 收集故障發(fā)生后的前半周期（100 個(gè)采樣點(diǎn)）電壓波形。

HVDC 輸電系統(tǒng)中只有兩條傳輸線，因此線路故障的類型不像交流系統(tǒng)那樣多樣化，單線接地故障（正接地，負(fù)接地）最為常見［15］。雙極輸電線路短路故障較為少見并且很難識(shí)別［25］。如圖5 所示，將HVDC 系統(tǒng)的故障區(qū)域和類型劃分為F1-F6：整流側(cè)交流系統(tǒng)接地故障，逆變器側(cè)交流系統(tǒng)接地故障，整流器端口故障，逆變器端口故障，正極輸電線路接地故障，負(fù)極輸電線路接地故障和雙極短路故障。其中，F(xiàn)1-F3為線路外部故障，雙端交流系統(tǒng)故障統(tǒng)一為交流系統(tǒng)故障。交流系統(tǒng)故障設(shè)置為單相接地故障。HVDC 系統(tǒng)不同區(qū)域的故障模擬結(jié)果如圖6 所示，故障時(shí)間設(shè)定為1.0 s。

圖6 HVDC 系統(tǒng)不同區(qū)域故障仿真

圖6（a）為整流側(cè)和逆變側(cè)的交流系統(tǒng)故障電壓波形。故障類型為A 相金屬接地。整流器側(cè)的電壓波動(dòng)幅度大于逆變器側(cè)的電壓波動(dòng)幅度，但兩者的電壓波動(dòng)范圍不是很大。圖6（b）表示在整流器和逆變器端口中發(fā)生接地故障之后的電壓波形。與交流系統(tǒng)故障的小幅波動(dòng)不同，整流器或逆變器發(fā)生故障會(huì)導(dǎo)致電壓急劇下降。圖6（c）是輸電線路內(nèi)三種不同故障類型的電壓波形。故障類型皆為金屬接地故障?？梢钥闯觯旊娋€路內(nèi)部和外部故障波形完全不同，它會(huì)導(dǎo)致電壓大幅度波動(dòng)并且波動(dòng)頻率很高。

3.3 訓(xùn)練數(shù)據(jù)

在PSCAD/EMTDC 電磁暫態(tài)仿真軟件中，整流側(cè)檢測(cè)裝置采集到故障電壓波形（突變點(diǎn)前19 個(gè)采樣點(diǎn)和后80 個(gè)采樣點(diǎn)）。這些故障波形直接作為KNN 模型的訓(xùn)練樣本和測(cè)試樣本。

考慮高壓直流輸電系統(tǒng)故障影響因素和區(qū)域的多樣性，本文在HVDC 系統(tǒng)6 個(gè)區(qū)域（F1-F6）分別設(shè)置了0～1 000 Ω 的故障接地電阻。基于KNN 小樣本訓(xùn)練的優(yōu)越特性，每個(gè)區(qū)域共設(shè)置30 筆故障。KNN 判斷器訓(xùn)練集共包含2 個(gè)種類，每個(gè)種類包含180 筆數(shù)據(jù)，而KNN 分類器包含4 個(gè)種類，每個(gè)種類包含30 筆數(shù)據(jù)。本文所設(shè)置的故障接地電阻從低到高涵蓋不同阻值范圍，并且對(duì)HVDC 所分割的6 個(gè)故障區(qū)域涵蓋系統(tǒng)的所有元件，保證了訓(xùn)練樣本的廣度和深度。

3.4 測(cè)試數(shù)據(jù)

為了驗(yàn)證本文提出的基于KNN 方法以及基于反向行波法的準(zhǔn)確性，測(cè)試實(shí)驗(yàn)的數(shù)據(jù)集考慮了不同于KNN 的訓(xùn)練樣本。本文將故障電阻小于200 Ω 的故障類型歸為低阻接地故障，將故障電阻大于200 Ω 的故障類型歸為高阻接地故障。

為了更好的展現(xiàn)各個(gè)方法的性能，本文引入準(zhǔn)確度（φ），其計(jì)算方法如下：

表4 和表5 顯示了低阻接地故障和高阻接地故障情況下兩種方法的測(cè)試結(jié)果。“Fault section”表示線內(nèi)故障和線外故障，F(xiàn)x 表示故障區(qū)域，“Sample number”表示在每個(gè)故障區(qū)域中測(cè)試的樣本數(shù)。由于反向行波法無法準(zhǔn)確檢測(cè)雙極短路故障，因此測(cè)試實(shí)驗(yàn)忽略此項(xiàng)目。

表4 低阻接地故障檢測(cè)結(jié)果

表5 高阻接地故障檢測(cè)結(jié)果

測(cè)試結(jié)果表明，反向行波法在低阻故障情況下具有極其優(yōu)秀的檢測(cè)能力，檢測(cè)精度甚至超過基于KNN 的故障檢測(cè)法，但是在高阻故障情況下它的檢測(cè)精度并不理想。這是由于隨著故障電阻的增加，行波波頭將變得難以獲取，這也是行波法的通病。反觀KNN，無論是低阻接地還是高阻接地故障，基于KNN 的檢測(cè)方法都具有良好的識(shí)別能力。雖然該方法可能會(huì)產(chǎn)生輕微誤判，但它們的準(zhǔn)確性仍然足以滿足實(shí)際工程應(yīng)用的要求。因此，基于KNN 的故障檢測(cè)方法可以實(shí)現(xiàn)1 500 Ω以內(nèi)的故障電阻識(shí)別。

3.5 抗干擾測(cè)試

電力系統(tǒng)正常運(yùn)行時(shí)，負(fù)荷、發(fā)電機(jī)和調(diào)節(jié)系統(tǒng)的變化經(jīng)常會(huì)造成系統(tǒng)電壓不同程度的擾動(dòng)，為了使仿真實(shí)驗(yàn)更貼近實(shí)際工程，本節(jié)在模型中引入2%、5%兩種不同程度的基準(zhǔn)電壓擾動(dòng)，并測(cè)試在這兩種干擾信號(hào)下，基于KNN 故障檢測(cè)方法的抗干擾特性。實(shí)驗(yàn)結(jié)果如表6。

表6 KNN 方法抗干擾測(cè)試 準(zhǔn)確度（%）

可以看出不論在何種擾動(dòng)情況下，基于KNN 的故障檢測(cè)方法都能保持一個(gè)極高的檢測(cè)準(zhǔn)確精度。即使擾動(dòng)水平達(dá)到5%基準(zhǔn)電壓，故障電阻達(dá)到1 500 Ω，所提出的方法的檢測(cè)準(zhǔn)確率仍達(dá)到97.24%，這完全滿足實(shí)際工程的要求。

高壓直流輸電系統(tǒng)穩(wěn)定運(yùn)行時(shí)會(huì)存在微小干擾信號(hào)（視具體線路而定），但干擾達(dá)到甚至超過5%基準(zhǔn)電壓水平的情況微乎其微。因此基于KNN 的故障檢測(cè)方法具有極高的抗干擾穩(wěn)定性。

3.6 線路故障檢測(cè)

在電力系統(tǒng)故障檢測(cè)方案中，能否確保輸電線路全長(zhǎng)的準(zhǔn)確檢測(cè)是一個(gè)關(guān)鍵的評(píng)判因素。為了驗(yàn)證該方法的可靠性，在全長(zhǎng)800 km 的輸電線路上，分別在0.1 km 到799.9 km 之間設(shè)置不同故障類型，測(cè)試結(jié)果如表7 所示。表7 的結(jié)果表明，即使故障距離發(fā)生變化，該方法也能確保輸電線路全長(zhǎng)的準(zhǔn)確故障識(shí)別。

表7 不同輸電線路距離的故障檢測(cè)結(jié)果

3.7 討論

從上述測(cè)試結(jié)果可以看出不論是低阻故障還是高阻故障，本文所提出的基于KNN 的故障檢測(cè)方法都具有優(yōu)秀的識(shí)別精度且優(yōu)于傳統(tǒng)行波法。該方法有效提升高壓直流輸電系統(tǒng)故障接地電阻的測(cè)量范圍，不論在什么故障區(qū)域、條件下，都能夠?qū)崿F(xiàn)1500 Ω 故障的準(zhǔn)確可靠識(shí)別，并且通過抗干擾性分析驗(yàn)證了本方法具有較高的穩(wěn)定性。

從表5 中可以看出當(dāng)故障電阻達(dá)到一定程度后，傳統(tǒng)行波法將產(chǎn)生較大誤判。這是由于隨故障電阻升高，不同區(qū)域的電壓波形變化幅度將減小。以200 Ω 接地故障為例，如圖7 所示。圖7（a）為線路外部區(qū)域故障電壓波形，圖7（b）為線路內(nèi)部故障電壓波形。按照Kong 等［11］提出的反向行波法很難通過設(shè)置閾值等方式區(qū)分逆變側(cè)端口故障或者負(fù)極短路故障，并且由于負(fù)極短路故障和雙極短路故障的電壓波形極為相近，因此反向行波法也很難識(shí)別雙極短路故障。而KNN 能夠通過對(duì)距離函數(shù)、k 值的選取使得模型對(duì)各個(gè)故障類別具有優(yōu)秀的分類能力。只要確保訓(xùn)練樣本的代表性，基于KNN 的故障檢測(cè)方法可以實(shí)現(xiàn)大電阻接地的準(zhǔn)確檢測(cè)。

圖7 高阻故障條件下不同區(qū)域電壓波形

4 結(jié)論

本文提出的基于K-最近鄰的HVDC 單端故障檢測(cè)方法，可以準(zhǔn)確檢測(cè)HVDC 輸電系統(tǒng)中的高阻故障的區(qū)域和線路，整流側(cè)采集的故障電壓用于所提出的KNN 模型的訓(xùn)練數(shù)據(jù)。訓(xùn)練后的KNN 模型用于檢測(cè)故障區(qū)域。還列出了基于反向行波的故障檢測(cè)方法解決上述問題。通過PSCAD/EMTDC 軟件進(jìn)行仿真，驗(yàn)證兩種方法的可行性。測(cè)試結(jié)果表明，相比方向行波法，基于KNN 的高壓直流輸電系統(tǒng)故障檢測(cè)方法可以提高故障檢測(cè)性能并實(shí)現(xiàn)故障電阻高達(dá)1 500 Ω 的特殊故障區(qū)域的準(zhǔn)確檢測(cè)。