摘要
高压直流(highvoltagedirectcurrent,HVDC)输电技术具有远距离输电能力强、稳定性高和线路损耗小等优点，在远距离、大容量电能输送领域里发挥着重要的作用。针对目前双极HVDC输电线路故障辨识中存在的远端高阻故障难以识别、特征提取方法效果不佳和需要多个模型才能识别故障类型的问题，本文提出一种基于优化VMD-特征融合与GRNN的高压直流输电线路故障辨识方法。 首先，本文利用鲸鱼算法(whaleoptimizationalgorithm,WOA)对变分模态分解(variationalmodedecomposition,VMD)方法的分解模态个数K和二次惩罚因子α进行寻优，得到最优的(K,α)参数组合，并利用此最优参数组合对故障电流信号作VMD分解。并将WOA-VMD方法得到的结果与中心频率观察法-VMD、PSO-VMD和GA-VMD三种方法的结果进行对比。对比结果表明WOA-VMD方法对信号分解的效果更好，有利于提高故障辨识的准确率。 然后，对WOA-VMD方法分解得到的本征模态函数(intrinsicmodefunction,IMF)分量计算多尺度排列熵。根据比较区内故障与区外故障对应的多尺度排列熵，利用差异相对最大的2尺度排列熵提取特征组成区内外故障类型特征向量F；同时提出对于不同类型的故障，计算其正极电流信号与负极电流信号的IMF能量和之比提取特征组成故障极特征向量Z；再采用并行特征融合的方法将两种特征向量融合构成融合特征向量H，利用融合特征向量进行最终的输电线路故障类型辨识。 最后，本文建立了基于广义回归神经网络(generalregressionneuralnetwork,GRNN)的故障辨识模型，再将构造完成的融合特征向量H输入到GRNN网络中进行训练与测试，利用GRNN网络对小样本数据的高分类能力识别不同类型的故障。实验结果显示，GRNN故障辨识模型的辨识准确率可达98.86%，对于不同过渡电阻和不同距离的故障都有很高的辨识准确率；并将本文所提方法与VMD-RBF、VMD-PNN和未特征提取的GRNN方法进行对比分析，结果显示本文所提方法无论是辨识准确率还是训练时间都更具有优势。实验结果表明本文所提出的基于优化VMD-特征融合与GRNN的HVDC输电线路故障辨识方法不受故障类型的影响，耐受过渡电阻能力强，在小样本故障辨识领域性能突出，有效性和可靠性高。
NETL