劉英培， 王祥宇， 王鑫明， 李少博， 梁華洋， 李世澤

(1.華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003；2.國家電網(wǎng)河北省電力調(diào)度控制中心，河北 石家莊 050021；3.國家電網(wǎng)河北省電力有限公司檢修分公司，河北 石家莊 050070)

0 引 言

同塔多回輸電線路因其在實(shí)現(xiàn)遠(yuǎn)距離輸電的同時(shí)節(jié)省了土地占用面積而被廣泛應(yīng)用。由于多回輸電線路共用同一電力走廊，各回線路間距離較近，當(dāng)其中一回線路因故障或檢修停運(yùn)時(shí)，運(yùn)行線路將通過電磁場在停運(yùn)線路上產(chǎn)生感應(yīng)電壓，當(dāng)電壓等級較高時(shí)該現(xiàn)象尤為明顯，對于500 kV同塔雙回輸電線路，感應(yīng)電壓甚至可達(dá)幾十kV[1]。而在調(diào)度工作中為防止合閘到存在故障的停運(yùn)線路上，通常需要對待合閘線路的狀態(tài)進(jìn)行判斷，準(zhǔn)確判斷線路的故障狀態(tài)可以對調(diào)度操作及故障的排除提供參考，具有重要的實(shí)際意義。

在實(shí)際場景中輸電線路停運(yùn)分為因故障停運(yùn)和因檢修停運(yùn)兩種情況。當(dāng)線路因發(fā)生故障而停運(yùn)時(shí)主要通過工作人員巡線對故障進(jìn)行查找和判斷。對于因檢修而停運(yùn)的線路，工作人員將在線路上掛接地線保證工作安全，此時(shí)由相關(guān)工作人員在檢修工作結(jié)束后拆除接地線，保證線路不處于接地狀態(tài)。上述方法雖能確保停運(yùn)線路處于無故障狀態(tài)但耗費(fèi)大量人力，若一線操作人員存在疏忽或誤操作時(shí)仍可能對線路的故障情況造成誤判。輸電線路發(fā)生永久性故障時(shí)，對于某些關(guān)鍵線路不能及時(shí)送電可能導(dǎo)致大面積停電，因此沒有足夠的時(shí)間通過巡線等方式確認(rèn)線路的故障狀態(tài)，此時(shí)操作人員將參考設(shè)備發(fā)出的信號、氣象情況、電網(wǎng)結(jié)構(gòu)等信息根據(jù)相關(guān)規(guī)程規(guī)定進(jìn)行綜合判斷，若符合條件則進(jìn)行試送。但在滿足試送條件時(shí)仍然存在線路處于故障狀態(tài)的情況。因此依據(jù)仿真或工作人員的經(jīng)驗(yàn)設(shè)置相應(yīng)閾值對線路的故障狀態(tài)進(jìn)行判別作為對合閘與否的輔助判斷方法。該方法無明確標(biāo)準(zhǔn)，主要依賴操作人員經(jīng)驗(yàn)，通常取故障電壓最大值作為閾值，很難準(zhǔn)確判斷待合閘線路的故障狀態(tài)。綜上，對于某些沒有條件或不能準(zhǔn)確判斷線路故障狀態(tài)的關(guān)鍵線路，為避免導(dǎo)致大規(guī)模停電，仍需在未確認(rèn)停運(yùn)線路無故障的情況下進(jìn)行合閘操作。若此時(shí)線路上仍存在故障，將使得斷路器工作狀態(tài)惡化、對電力系統(tǒng)造成沖擊[2-4]、造成設(shè)備損壞、在某些場景下甚至可能發(fā)生爆炸事故[5]。

目前關(guān)于感應(yīng)電的研究多集中在感應(yīng)電理論計(jì)算[6，7]、感應(yīng)電的仿真計(jì)算[8-11]、感應(yīng)電的影響因素分析[10-12]等方面。對輸電線路的故障檢測和及時(shí)排除是保障供電可靠性的關(guān)鍵。目前已有大量文獻(xiàn)對運(yùn)行中輸電線路的故障進(jìn)行檢測和判斷。文獻(xiàn)[13]基于故障電流與其余兩相故障差流的比例關(guān)系提出故障相別選擇系數(shù)這一概念，根據(jù)故障相別選擇系數(shù)特征實(shí)現(xiàn)故障選相。文獻(xiàn)[14]以線路兩端正序電流故障分量的幅值與矢量差幅值的比值作為線路的故障判據(jù)，提出基于正序電流的故障檢測的判據(jù)。隨著計(jì)算能力的提高，機(jī)器學(xué)習(xí)被大量應(yīng)用于工程實(shí)際。在文獻(xiàn)[15]中，通過希爾伯特-黃變換將發(fā)生故障時(shí)的電氣量轉(zhuǎn)換為時(shí)頻能量矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入對配電網(wǎng)故障類型進(jìn)行判斷。而文獻(xiàn)[16]基于小波奇異信息和改進(jìn)SMOTE算法對各類故障特征進(jìn)行提取并輸入SVM對運(yùn)行中的高壓輸電線路故障類型進(jìn)行判斷。文獻(xiàn)[17]利用S變換提取輸電線路故障特征，建立連續(xù)隱馬爾可夫模型實(shí)現(xiàn)故障選相。

上述文獻(xiàn)主要討論了運(yùn)行中線路的故障識別，鮮有文獻(xiàn)針對處于熱備用狀態(tài)下的輸電線路的故障狀態(tài)進(jìn)行識別。當(dāng)線路處于不同故障狀態(tài)時(shí)在線路兩端測得電壓有效值呈現(xiàn)不同的特點(diǎn)。采用適當(dāng)?shù)姆椒ㄍㄟ^對停運(yùn)線路兩端的電壓有效值進(jìn)行測量可以對該線路的故障狀態(tài)進(jìn)行判斷。

本文根據(jù)停運(yùn)線路故障時(shí)的感應(yīng)電壓有效值特點(diǎn)提出一種停運(yùn)線路故障識別方法，采用徑向基核函數(shù)支持向量機(jī)(RBF-SVM)及BP神經(jīng)網(wǎng)絡(luò)對停運(yùn)線路的故障進(jìn)行檢測。首先利用RBF-SVM判斷線路是否存在故障，若線路存在故障則通過BP神經(jīng)網(wǎng)絡(luò)對故障類型進(jìn)行判斷。用于模型訓(xùn)練的樣本由仿真實(shí)驗(yàn)獲得，對停運(yùn)輸電線路單端三相感應(yīng)電壓進(jìn)行測量，并對測量值進(jìn)行特征提取及標(biāo)準(zhǔn)化等處理。為驗(yàn)證提出方法的效果，基于6條參數(shù)不同的同塔雙回輸電線路仿真模型進(jìn)行仿真實(shí)驗(yàn)對故障識別算法進(jìn)行訓(xùn)練和測試，并對比不同特征選取方案選取適當(dāng)?shù)奶卣魈崛》椒?。結(jié)果表明該方法能準(zhǔn)確識別停運(yùn)線路上是否存在故障，并且在存在故障時(shí)能較好的判斷故障的類型。

1 停運(yùn)輸電線路故障識別方法

如前文所述，當(dāng)對處于停運(yùn)狀態(tài)線路進(jìn)行合閘時(shí)為防止合閘到故障線路需要對待合閘線路的故障情況進(jìn)行判斷。在同塔雙回輸電線路中，其中一回線路停運(yùn)，另一回線路正常運(yùn)行時(shí)，若停運(yùn)線路存在故障，則停運(yùn)線路上的感應(yīng)電壓將呈現(xiàn)不同的特征。以接地故障為例，當(dāng)停運(yùn)線路某相發(fā)生接地故障時(shí)，該相電壓與無故障電壓相比將大大減小?；谏鲜鎏匦蕴岢鐾＿\(yùn)輸電線路故障識別方法。停運(yùn)輸電線路故障識別方法由兩部分構(gòu)成，分別是基于RBF-SVM的故障狀態(tài)識別方法和基于BP神經(jīng)網(wǎng)絡(luò)的故障類型識別方法。對停運(yùn)線路的故障狀態(tài)進(jìn)行識別時(shí)，首先采集停運(yùn)線路的感應(yīng)電壓有效值并提取特征作為RBF-SVM的輸入，進(jìn)行故障狀態(tài)識別；若RBF-SVM判斷線路存在故障則樣本將作為BP神經(jīng)網(wǎng)絡(luò)的輸入對故障類型進(jìn)行識別。

1.1 基于支持向量機(jī)故障狀態(tài)識別方法

支持向量機(jī)是功能強(qiáng)大的監(jiān)督機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用于二分類問題中[18]。

對于線性可分的數(shù)據(jù)，SVM最終希望找到一個(gè)超平面將數(shù)據(jù)進(jìn)行分類，該超平面可表達(dá)為

ωTx+b=0

(1)

式中：ω和x均為n維向量。

各數(shù)據(jù)點(diǎn)與超平面距離也稱為分類間隔，分類間隔大將獲得更好的分類效果，分類間隔d的計(jì)算公式為

(2)

因此線性SVM可將問題轉(zhuǎn)化為

(3)

式中：ζi為松弛變量，C為懲罰系數(shù)。

對于非線性可分的數(shù)據(jù)，可以通過引入核函數(shù)將數(shù)據(jù)映射到線性可分的高維特征空間，在不增加過多計(jì)算量的基礎(chǔ)上獲得更好的分類效果。

本文提取的特征量非線性可分，線性核函數(shù)SVM不能完成故障狀態(tài)識別任務(wù)，因此引入徑向基函數(shù)(RBF)作為核函數(shù)以完成故障狀態(tài)的判斷。RBF函數(shù)可寫作

φ(x,l)=exp(-γ‖x-l‖2)

(4)

式中：x為輸入數(shù)據(jù)；l為徑向基函數(shù)中心；γ為核函數(shù)參數(shù)。

為完成SVM模型的參數(shù)選擇和訓(xùn)練，將所有樣本中的無故障的樣本標(biāo)記為0，代表無故障；對于存在故障的樣本標(biāo)記為1，代表發(fā)生故障。

SVM模型中需要調(diào)整的參數(shù)有懲罰系數(shù)C和核函數(shù)參數(shù)γ。其中參數(shù)C體現(xiàn)了模型對誤差的容忍度，而γ則對支持向量數(shù)目及訓(xùn)練速度相關(guān)。為選擇合適的參數(shù)，采用網(wǎng)格搜索方法設(shè)置4折交叉驗(yàn)證確定C為0.01，γ為1時(shí)取得較好的判斷效果。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)故障類型識別方法

對故障類型的識別可看作多分類問題，采用SVM解決多分類問題較為麻煩，因此采用BP神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行分類。

神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的組成單元，神經(jīng)元主要由輸入X、輸入權(quán)值W、激活函數(shù)f及輸出y四部分構(gòu)成，對于每個(gè)神經(jīng)元其輸出為

y=f(W·X+b)

(5)

式中：b為偏置項(xiàng)。

BP神經(jīng)網(wǎng)絡(luò)主要由一個(gè)輸入層、數(shù)個(gè)隱藏層和一個(gè)輸出層構(gòu)成，各層均由若干神經(jīng)元組成。三層神經(jīng)網(wǎng)絡(luò)如圖1所示。

圖1 三層神經(jīng)網(wǎng)絡(luò)示意圖

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練分為正向傳播和反向傳播兩部分。正向傳播過程中，由輸入層向輸出層進(jìn)行計(jì)算獲得預(yù)測值，將該預(yù)測值與期望值進(jìn)行對比；反向傳播過程中，將誤差從輸出層傳播至輸入層，調(diào)整各層的權(quán)值W和偏置b，重復(fù)上述過程直至損失函數(shù)最小完成訓(xùn)練。

停運(yùn)線路短路故障共有11種，因此分別以0～10進(jìn)行標(biāo)注，并進(jìn)行獨(dú)熱編碼(One-hot Encoding)將數(shù)字0～10轉(zhuǎn)換為以0和1構(gòu)成的11位數(shù)組，其中與原編號相同的位置為1，其他位置均為0，數(shù)據(jù)編碼如表1所示。

表1 數(shù)據(jù)編碼

每個(gè)樣本由各相感應(yīng)電壓有效值、故障電壓比值及無故障電壓平均值構(gòu)成，即每個(gè)樣本特征數(shù)為9，因此BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元設(shè)置為9個(gè)；神經(jīng)網(wǎng)絡(luò)的輸出為通過獨(dú)熱編碼的0～10，因此輸出層神經(jīng)元數(shù)目為11個(gè)；通常情況下隱藏層為1～2層，設(shè)置隱藏層層數(shù)為1，設(shè)置隱藏層神經(jīng)元個(gè)數(shù)為20。

對于輸入層和隱藏層設(shè)置激活函數(shù)為ReLU，它可以克服訓(xùn)練過程中梯度消失的問題并加快訓(xùn)練速度，其表達(dá)式為

f(x)=max(0,x)

(6)

輸出層采用sigmoid函數(shù)作為激活函數(shù)實(shí)現(xiàn)分類，其表達(dá)式為

(7)

神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用交叉熵?fù)p失函數(shù)，它可以體現(xiàn)出實(shí)際輸出與期望輸出間的距離，表達(dá)式為

(8)

式中：n為樣本數(shù)；y為期望輸出；a為實(shí)際輸出。

選擇Adam[19]作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練優(yōu)化器，Adam是目前使用最廣泛的優(yōu)化器，它結(jié)合了多種優(yōu)化器的特點(diǎn)，具有較好的學(xué)習(xí)效果。

停運(yùn)線路故障識別方法流程圖如圖2所示。

圖2 停運(yùn)線路故障識別方法流程圖

2 數(shù)據(jù)處理方法

2.1 特征提取

為準(zhǔn)確判斷停運(yùn)線路上的故障類型，對仿真獲得的樣本進(jìn)行適當(dāng)?shù)奶卣魈崛?。以單相接地故障為例，?dāng)線路上發(fā)生單相接地故障時(shí)，測得故障相感應(yīng)電壓與故障前電壓相比有大幅下降。而感應(yīng)電壓與運(yùn)行線路上測得電壓不同，呈現(xiàn)非三相對稱的狀態(tài)，即當(dāng)線路無故障時(shí)測得各相感應(yīng)電壓有效值由于排列位置及方式的不同存在較大差別，因此在對故障的識別中可能產(chǎn)生誤判。為減少誤判的可能，除采用測得停運(yùn)輸電線路感應(yīng)電壓有效值為特征外，引入新的特征對故障進(jìn)行識別。

定義無故障電壓平均值為各輸電線路中所有無故障樣本電壓平均值，記為Vavg。當(dāng)該輸電線路共有n個(gè)無故障樣本時(shí)，對于各相Vavg可由式(9)計(jì)算。

(9)

式中：V為三相電壓有效值。

定義故障電壓占比Vr為測得故障后的電壓有效值與該輸電線路對應(yīng)無故障電壓平均值之比，可由式(10)計(jì)算。

Vr=V/Vavg

(10)

增加上述特征后，在一定程度上體現(xiàn)了故障前后電壓有效值的變化程度。則預(yù)處理后的輸入樣本為感應(yīng)電壓有效值、故障電壓占比和無故障電壓平均值的組合，可表示為

X=[V,Vr,Vavg]

(11)

式中：V，Vr及Vavg均為三維向量。

2.2 標(biāo)準(zhǔn)化

當(dāng)輸入數(shù)據(jù)比例差異較大時(shí)，往往導(dǎo)致故障識別發(fā)生產(chǎn)生誤判，因此為提高性能對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化過程可表示為

(12)

式中：x′為標(biāo)準(zhǔn)化后特征值；x為該特征標(biāo)準(zhǔn)化前特征值；μ為所有樣本中該特征值對應(yīng)平均值；σ為所有樣本中該特征值對應(yīng)標(biāo)準(zhǔn)差。

經(jīng)標(biāo)準(zhǔn)化處理后數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，即均值為0，標(biāo)準(zhǔn)差為1。

3 結(jié)果及分析

3.1 數(shù)據(jù)生成

本文基于ATP-EMPT電磁暫態(tài)仿真軟件[20]，以河北省6條主要500 kV同塔雙回輸電線路參數(shù)為基礎(chǔ)搭建仿真模型，對各線路其中一回運(yùn)行，另一回處于停運(yùn)狀態(tài)的情況進(jìn)行仿真，對停運(yùn)線路在不同位置、經(jīng)不同過渡電阻、發(fā)生不同類型故障時(shí)首端的感應(yīng)電壓有效值進(jìn)行測量，獲得停運(yùn)線路不同故障狀態(tài)下的單端感應(yīng)電壓測量值。6條線路的主要參數(shù)信息如表2所示。導(dǎo)、地線參數(shù)如表3所示。

表2 線路基本參數(shù)

表3 導(dǎo)、地線參數(shù)

表2中SZ1,SZ2,SZV2桿塔布線圖如圖3所示,其中長度單位為m。

圖3 桿塔布線圖

由表2知各線路長度,將每條線路按長度平均分為20段，每兩段間設(shè)置一個(gè)故障點(diǎn)且線路首尾各設(shè)一故障點(diǎn)，則對于每條線路模型各設(shè)置21個(gè)故障點(diǎn)，每個(gè)故障點(diǎn)分別對11種故障類型進(jìn)行仿真。同時(shí)考慮故障發(fā)生時(shí)的過渡電阻，設(shè)置過渡電阻為0～500 Ω，步長為50 Ω。6條線路共進(jìn)行15 246次仿真實(shí)驗(yàn)。

對無故障樣本進(jìn)行仿真時(shí)，設(shè)置運(yùn)行線路電源電壓有效值為475～525 kV，步長為5 kV；為體現(xiàn)運(yùn)行線路潮流，電源角度設(shè)置在-20°和20°范圍內(nèi)，步長為2°。6條線路共進(jìn)行1 326次仿真實(shí)驗(yàn)。

以表2中線路1為例，該線路送電過程中處于熱備用無故障狀態(tài)下多次實(shí)測感應(yīng)電壓有效值均值與該線路處于相同狀態(tài)時(shí)仿真有效值進(jìn)行對比，對比結(jié)果記錄在表4中，結(jié)果表明仿真獲得數(shù)據(jù)與輸電線路實(shí)際感應(yīng)電壓有效值差距不大。

表4 仿真數(shù)據(jù)與實(shí)測數(shù)據(jù)對比

實(shí)際場景中感應(yīng)電壓影響因素復(fù)雜[6-8]，在對呼稱高及桿塔型號等數(shù)據(jù)采集時(shí)有近似取值的情況，并且受測量裝置精確度等因素干擾，仿真結(jié)果與實(shí)際數(shù)據(jù)有一定的差異。

考慮到實(shí)際場景的復(fù)雜性，存在較多難以量化的影響因素，因此在測得數(shù)據(jù)上加入測得電壓有效值±5%范圍內(nèi)的隨機(jī)噪聲，以提高模型的泛化能力。

3.2 故障識別結(jié)果分析

為驗(yàn)證所提出方法對故障的識別能力，將標(biāo)記后的6條不同參數(shù)仿真線路采集的數(shù)據(jù)打亂并任取80%作為訓(xùn)練集，剩余20%作為測試集，在訓(xùn)練集上進(jìn)行標(biāo)準(zhǔn)化操作后用訓(xùn)練集數(shù)據(jù)對SVM進(jìn)行訓(xùn)練。訓(xùn)練完成后將測試集以訓(xùn)練集相同的參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理。將測試集作為輸入對訓(xùn)練好的模型進(jìn)行測試。對于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與SVM訓(xùn)練過程類似，不再贅述。停運(yùn)線路故障狀態(tài)識別模型訓(xùn)練及測試過程如圖4所示。

圖4 停運(yùn)線路故障狀態(tài)識別模型訓(xùn)練及測試過程

本文采用混淆矩陣及準(zhǔn)確率對故障狀態(tài)識別及故障類型的判別情況進(jìn)行考查?；煜仃嚹苤庇^的表現(xiàn)所提方法對故障的判斷結(jié)果是否與實(shí)際標(biāo)簽相符，其對角線元素為判斷無誤的樣本數(shù)，非對角線元素為誤判樣本數(shù)。

(1)故障狀態(tài)識別

對RBF-SVM算法進(jìn)行訓(xùn)練后獲得其在訓(xùn)練集和測試集上的混淆矩陣如圖5所示。

圖5 訓(xùn)練集及測試集上故障狀態(tài)識別混淆矩陣

RBF-SVM在訓(xùn)練集與測試集上均無誤判的情況，判斷準(zhǔn)確率為100%。因此RBF-SVM在訓(xùn)練集和測試集上均能準(zhǔn)確的對故障是否發(fā)生進(jìn)行判斷，表現(xiàn)出較好的分類能力?？梢奡VM對于故障是否發(fā)生能做出精準(zhǔn)的判斷。

(2)故障類型識別

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集和測試集上的混淆矩陣如圖6所示。

圖6 訓(xùn)練集及測試集上故障類型識別混淆矩陣

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集上有25個(gè)樣本歸類存在錯(cuò)誤，其中有20個(gè)ABG故障被誤判為BG故障，4個(gè)BG故障樣本被判定為ABG故障，1個(gè)BCG故障被判定為ABCG故障，總體準(zhǔn)確率達(dá)到99.80%。在測試集上進(jìn)行故障判斷時(shí)僅有9個(gè)樣本歸類錯(cuò)誤，其中有6個(gè)ABG故障樣本被判斷為BG故障；3個(gè)BCG樣本被判斷為ABCG故障，準(zhǔn)確率為99.7%。

3.3 不同特征提取方法下故障分類情況對比

如2.1中所述，不同的特征選取對模型的分類結(jié)果將產(chǎn)生影響，現(xiàn)對不同特征選取方法下訓(xùn)練的模型進(jìn)行對比。不同特征選取方案如表5所示。

表5 特征選取方法

方案1中樣本特征為三相感應(yīng)電壓測量值，當(dāng)按方案1對模型進(jìn)行訓(xùn)練結(jié)果如表6所示。該方案下故障分類算法對BG及ABG故障的辨別能力較差。對于BG故障在訓(xùn)練集和測試集上判斷準(zhǔn)確率分別為79.11%和80.08%；對于ABG故障在訓(xùn)練集和測試集上準(zhǔn)確率分別為88.64%和87.36%。對其他類型故障進(jìn)行判斷時(shí)情況較好，但也有不同程度的誤判現(xiàn)象產(chǎn)生。方案2中增加了故障電壓占比作為特征，體現(xiàn)了故障前后感應(yīng)電壓有效值的變化程度，判斷結(jié)果如表7所示。算法的故障分類能力得到了提升，誤判主要發(fā)生在對ABG故障的判定中，在訓(xùn)練集和測試集上準(zhǔn)確率分別為90.35%和91.70%。同時(shí)在BCG故障的判斷中也存在少量誤判。方案3在方案2的基礎(chǔ)上加入無故障電壓的平均值作為樣本的特征，判斷結(jié)果如表8所示。加入無故障電壓不僅能體現(xiàn)故障前后感應(yīng)電壓的變化情況，也能在一定程度上體現(xiàn)線路的參數(shù)，提高了故障類型判斷的準(zhǔn)確率。

表6 方案1對各類故障類型判斷結(jié)果

表7 方案2對各類故障類型判斷結(jié)果

表8 方案3對各類故障類型判斷結(jié)果

表9記錄了三種方案對故障類型判斷的總體準(zhǔn)確率。當(dāng)按方案3對停運(yùn)線路測量電壓有效值進(jìn)行特征提取時(shí)獲得了比其他方案更好的效果，準(zhǔn)確率在訓(xùn)練集和測試集上分別達(dá)到了99.8%和99.7%，可以較好的對故障類型進(jìn)行識別。

表9 分類準(zhǔn)確率

4 結(jié) 論

本文從工程實(shí)際需求出發(fā)提出一種采用停運(yùn)輸電線路單端感應(yīng)電壓量測值為輸入的停運(yùn)輸電線路故障狀態(tài)識別方法。利用停運(yùn)線路在不同故障狀態(tài)下測得電壓有效值呈現(xiàn)出不同特征這一特點(diǎn)有效的解決了調(diào)度工作中對于停運(yùn)線路合閘前判斷線路是否存在故障的問題，減少了合閘到故障線路的情況，為電力系統(tǒng)的安全穩(wěn)定運(yùn)行提供保障。

在對停運(yùn)線路故障狀態(tài)進(jìn)行識別時(shí)，首先采用RBF-SVM對線路是否存在故障進(jìn)行判斷，當(dāng)RBF-SVM判斷線路存在故障時(shí)，將樣本輸入BP神經(jīng)網(wǎng)絡(luò)對故障類型進(jìn)行判別，以便進(jìn)一步判斷故障原因乃至于排除故障。根據(jù)6條線路的實(shí)際數(shù)據(jù)建立仿真模型并針對停運(yùn)線路采集各種狀態(tài)下的感應(yīng)電壓有效值。為進(jìn)一步提高該方案的性能，在測得數(shù)據(jù)中加入隨機(jī)噪聲，對故障狀態(tài)識別模型和故障類型識別模型進(jìn)行訓(xùn)練，且對不同特征選取方法進(jìn)行對比實(shí)驗(yàn)以更好的完成故障分類。通過混淆矩陣對故障識別方法進(jìn)行考查，結(jié)果表明該方法能準(zhǔn)確的判斷停運(yùn)線路上是否存在故障，在對故障類型進(jìn)行判斷時(shí)準(zhǔn)確率也達(dá)到99.7%。