基于TPE-LightGBM的输电线路短路故障定位

1. 输电线路短路故障定位概述

1.1 输电线路短路故障定位的重要性

1.1.1 输电线路短路故障的危害

• 输电线路短路故障会导致电力系统运行不稳定，甚至引发大面积停电。
• 短路故障不仅会造成巨大的经济损失，还可能对设备和人身安全构成威胁。

1.1.2 输电线路短路故障定位的作用

• 准确的故障定位有助于快速隔离故障区域，恢复电力供应。
• 通过对故障原因进行分析，可以采取措施预防类似故障的再次发生。
• 故障定位有助于提高电力系统的可靠性和运行效率。

1.2 传统输电线路短路故障定位方法

1.2.1 双端测距法

• 双端测距法通过测量故障产生的行波在两端检测装置的到达时间差来确定故障点位置。
• 该方法简单易行，但受波速和时间同步误差等因素的影响，定位精度较低。

1.2.2 基于行波传播特性的定位方法

• 这类方法通过分析行波的传播特性，如波速、衰减和畸变等，来实现故障定位。
• 由于实际输电线路的复杂性，这些方法在实际应用中存在一定的局限性。

2. 基于TPE-LightGBM的输电线路短路故障定位方法

2.1 行波测距影响因素分析

2.1.1 波速对行波测距的影响

• 行波波速的不确定性主要受绝缘、导体的电导率和土壤状况等因素的影响。
• 不同频率的行波具有不同的波速和衰减特性，导致波速测量存在误差。

2.1.2 时间不同步对行波测距的影响

• 由于设备精度和传输延迟等因素，实现完全精确的同步时钟具有挑战性。
• 时间不同步会导致行波到达时间的测量存在误差，影响故障定位的准确性。

2.1.3 波头时刻对行波测距的影响

• 波头时刻的准确识别对故障定位至关重要，但实际中存在多种因素干扰。
• 行波在传播过程中可能发生衰减和畸变，导致波头时刻的识别存在误差。

2.2 行波波头检测方法

2.2.1 局部特征尺度分解（LCD）

• LCD是一种信号处理方法，能够将复杂的非平稳信号分解成一系列具有明确物理意义的本征尺度分量。
• LCD方法通过递归地识别和提取满足特定条件的ISC分量，从原始信号中逐步剥离这些分量。

2.2.2 Teager能量算子（TEO）

• TEO能够有效地提取信号的能量特征，有助于突显信号的边缘和特征，如峰值和谷值。
• 通过TEO能量运算，可以更清晰地提取行波波头的到达时刻。

2.2.3 LCD与TEO的行波波头检测方法

• LCD与TEO相结合的行波检测方法分为六个步骤，包括信号采集、相模变换、LCD分解、模态分量分析、TEO能量计算和波头时刻确定。

2.3 改进双端行波法

2.3.1 模量传输原理

• 输电线路发生短路故障时产生故障行波线模分量，包括α模分量和β模分量。
• 利用两者分别进行测距，可以提高故障定位的准确性。

2.3.2 改进的双端行波法

• 通过计算不同模分量在两端的平均波速和到达时间，可以得到不受不同步时钟影响的测距结果。
• 将不同步时间误差考虑在内，可以得到更准确的故障定位结果。

2.4 TPE#### 2.4 TPE-LightGBM短路故障定位方法

2.4.1 LightGBM原理

• LightGBM是一种优化的梯度提升决策树算法，具有高效、准确和快速的特点。
• LightGBM在XGBoost的基础上进行了多方面的优化，包括直方图算法、特征捆绑算法、带深度限制的按叶子分裂生长策略和GOSS算法。

2.4.2 TPE-LightGBM算法

• TPE是一种专为机器学习设计的自动超参数优化软件框架，能够动态地构造超参数的搜索空间。
• TPE-LightGBM算法通过TPE概率密度估计和LightGBM预测模型训练，实现超参数的自动优化。

2.4.3 TPE-LightGBM故障定位流程

• 输电线路故障测距流程包括仿真模型建立、数据处理、模型训练与故障定位和模型性能评估四个步骤。
• 通过TPE-LightGBM算法，可以实现输电线路短路故障的准确定位。

3. 仿真与结果分析

3.1 仿真参数设置

3.1.1 输电线路模型

• 仿真采用实际110kV输电线路的结构和参数，线路长度为150km。
• 线路参数包括电阻、电感和电容等，根据实际情况进行设置。

3.1.2 故障参数设置

• 设置不同的故障初始角度、过渡电阻和故障距离，以评估所提出方法的可靠性。
• 共采集1500组样本数据，涵盖各种故障情况。

3.2 数据处理

3.2.1 VMD结合小波降噪

• 采用鲸鱼优化算法优化VMD分解，以获得最佳的分解效果。
• 保留携带有用信息的模态分量，对其他模态分量进行小波降噪处理。

3.2.2 数据归一化

• 对处理后的数据进行归一化处理，消除高阻对暂态信号幅值的影响。

3.3 TPE#### 3.3 TPE-LightGBM故障定位

3.3.1 参数优化

• 对LightGBM的超参数进行优化，以满足输电系统线路故障场景下对故障定位模型准确度的要求。
• 采用贝叶斯算法进行参数寻优，经过多次迭代后达到收敛。

3.3.2 测试集验证

• 通过测试集验证TPE-LightGBM故障定位模型的训练效果，定位结果准确可靠。

3.4 不同方法比较

3.4.1 传统行波法

• 传统行波法通过测量行波的到达时间差来确定故障点位置，但受多种因素影响，定位精度较低。

3.4.2 改进中点电流的行波法

• 该方法通过计算中点电流的行波到达时间差来确定故障点位置，但受电流测量精度的影响，定位效果不佳。

3.4.3 小波神经网络WNN测距方法

• 小波神经网络通过分析行波信号的特征，实现故障定位，但网络训练和参数调整复杂。

3.4.4 基于XGBoost的测距方法

• 基于XGBoost的测距方法通过构建决策树模型，实现故障定位，但模型训练时间较长。

3.5 结论

3.5 结论

• TPE-LightGBM算法在输电线路短路故障定位中具有较高的准确性和可靠性。
• 与其他方法相比，TPE-LightGBM算法在故障定位精度和计算效率方面具有明显优势。
• 该方法为输电线路短路故障的快速定位和及时处理提供了有效的技术支持。