VSC-HVDC系统故障诊断：ICA+LLE的融合策略

本文主要探讨了在高压直流输电(VSC-HVDC)系统故障诊断中，独立分量分析(ICA)和局部线性嵌入流形学习算法(LLE)的有效结合应用。传统的故障诊断方法在面对随机噪声干扰时，单个传感器采集的信号往往不足以直接反映系统的故障情况。因此，作者提出了一种新颖的故障诊断策略，首先通过快速ICA技术对多通道测量的直流电压和电流信号进行盲源分离，以消除噪声并恢复出去噪后的故障源信号。 ICA在这里起到了至关重要的作用，它是一种信号处理技术，能够识别并分离多个非高斯混合信号，即使这些信号在观测矩阵中相互混叠。通过ICA处理，原始数据被分解为一组独立成分，每一组对应一个故障模式，使得故障特征更加清晰。 接下来，利用LLE算法对恢复的信号进行深入分析。LLE是一种无监督学习方法，它能够在低维空间中捕捉数据的局部结构，即潜在的流形结构。通过挖掘隐藏在恢复信号中的子流形，LLE能够提取出与故障密切相关的特征，这些特征对故障识别具有高度敏感性和区分度。 在故障特征提取后，这些特征被用作支持向量机(SVM)的输入，构建故障诊断模型。SVM作为一种强大的机器学习算法，尤其适用于小样本、高维度数据的分类问题，其分类精度在此场景下得以显著提升。通过仿真信号对交流相对相故障、交流相对地故障以及复合故障的分析，研究结果表明，ICA-LLE组合方法能够有效地提取关键故障特征，并在三维空间中将不同类型的故障特征区分开来，从而实现准确的故障识别，相比于仅使用LLE，SVM的分类精度提高了近20%。 该论文提出的方法提供了一个有效的故障诊断框架，结合了ICA的信号分离能力和LLE的特征提取技术，对于提高VSC-HVDC系统故障诊断的精度和可靠性具有重要意义。这对于电力系统的运行维护以及故障预警具有实际价值。