基于互相关的输电线路故障分类保护方案的提出和实时适用性的研究

工程科学与技术，国际期刊23（2020）534完整文章基于互相关辅助的输电线路Biswapapaliti Chatterjeea，Sudipta Debnathba印度加尔各答纽敦Aliah大学电气工程系，邮编700160b印度加尔各答Jadavpur大学电气工程系，邮编700032阿提奇莱因福奥文章历史记录：收到2019年2019年7月4日修订2019年7月6日接受在线提供2019年关键词：输电线路故障分类风电场互相关模糊推理系统A B S T R A C T提出了一种基于互相关的风电场输电线路故障分类保护方案。所提出的方法使用来自线路一端的电压信号。从故障信号的互相关图中提取的特征被馈送到基于模糊的分类器进行故障分类。该方案是免疫的存在下，在实时环境中的噪声，因为互相关技术最大限度地减少了不相关的随机噪声内容的信号的影响。同时，相关技术也优于其他传统方法，因为它要求低的计算负担，这是实时系统中的特征提取所需要的。仿真结果建立了该方案的潜在能力，在不同的故障电阻和故障起始角在不同的故障位置，以及在不同的应力条件下的故障起始半周期内。与现有技术的性能比较表明，所提出的方案的鲁棒性和实时的适用性。©2019 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍输电线路是连接发电和消费者的重要纽带。电力系统输电网络应不间断运行，以最大限度地减少电力系统网络的经济损失。输电线路经常发生故障，因为它们容易受到令人不快的大气条件的影响。故障引起运行中断，导致系统稳定性和可靠性恶化。故障的快速检测和快速清除是任何继电保护方案的非常重要的方面，以恢复系统的稳定性，如果失败，可能会对整个网络造成广泛的损害。在动态电力系统条件下，例如功率摆动、负载波动等，常规距离继电保护方案的性能不令人满意。此外，这些继电保护方案在高阻抗故障（HIF）的情况下不能检测故障[1]。另一方面，太阳能和风力发电在世界各地受到关注。针对风电场的各个方面，已经报道了几项研究，例如集电线路的故障隔离策略[2]，风中无功功率的变化，*通讯作者。电子邮件地址：biswaee@gmail.com（B. Chatterjee）。由Karabuk大学负责进行同行审查风电场[3]、中压微网中风电场间功率共享[4]、安全评估风速预测[5]等。[6]中介绍了连接到风电场的TCSC补偿线路中的故障检测和定位技术。然而，风力发电场的输出功率取决于风速，风速在一天中不断变化，导致远端继电器处的电压和传输功率波动[6]。因此，风电场接入后输电线路的保护方案是一个具有挑战性的课题。传统的继电保护方案受此系统的影响很大，因此，这个问题需要在应力动态条件下解决。各种基于人工智能（AI）的方法，即人工神经网络（ANN）、支持向量机（SVM）、决策树（DT）以及将小波变换（WT）与ANN或SVM结合的一些混合技术，已成功地应用于输电线路保护。小波变换已被广泛用于故障的检测和分类[7文献[7]提出了利用离散小波变换（DWT）进行输电线路故障检测、分类和定位的方法，文献[8]提出了利用小波熵原理进行故障分类的方法。在[9]中已经报道了一种新的基于小波异化的输电线路保护方案，并且在[10]中已经描述了使用DWT结合奇异值分解（SVD）的故障分类方案。该技术与人工神经网络相结合，已广泛用于故障分类。https://doi.org/10.1016/j.jestch.2019.07.0022215-0986/©2019 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchB. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）534535- - -一种-传 输 线 的 分 类 [11 ， 12] 。 Upendar 等 人 。 [13] 实 现 粒 子 群 优 化（PSO），用于有效训练ANN进行故障分类。支持向量机已经成为故障分类的一种替代工具。Ekciki[14]提出了WT辅助SVM，用于利用电流和电压信号进行故障分类和定位。文[15]和文[16]分别报道了利用支持向量机和小波变换辅助的自适应神经模糊推理系统（ANFIS）进行串补输电线路故障分类的方案。基于DT的故障分类方案已在[17，18]中报道。Biswal[19]提出了电流信号积分移动和的新概念，用于输电线路故障分类。与这些故障分类方案（即ANN，WT辅助ANN，SVM，DT，ANFIS）相关的主要缺点是，它需要大量的训练数据，这增加了计算负担[20]。确定网络结构、传递函数、训练算法的选择并不是一件容易的事情，而且需要相当长的时间才能达到预期的精度。任何需要较少培训的方法都是非常可取的，以便最大限度地减少人力。在过去的几十年中，基于模糊的故障分类方案已经发展，以减轻与基于ANN的系统相关的问题。Yadav和Swetapadma[20]使用模糊逻辑解决了基于基本分量的故障方向和故障类型估计。然而，所提出的方案的准确性尚未在弱馈电、功率摆动、HIF等压力条件下进行测试。[21]中提出了使用电流信号基波分量的基于模糊的数字距离保护。然而，该方案是无法检测故障，这是位于远离中继点。串联补偿单回和双回输电线路的故障分类方案已分别在[22]和[23]中报道在过去的十年中，基于相关性的技术已经被用于解决不同的模式识别问题。相关技术优于传统的神经网络、支持向量机、DT等方法在这个意义上，它需要低计算负担，这对于实时特征提取是期望的[24，25]。另一个关键优点是，该技术最大限度地减少了信号中不相关随机噪声内容的影响[24，25]。德布纳特[24]提出了一种基于模糊辅助互相关的电能质量特征提取方法。Dalai等人[25]提出了一种基于粗糙集的最小特征选择技术，用于采用互相关对电能质量互相关技术也被成功地用于从不同的信号中获得特征，如Transformer绕组的脉冲电压[26]、语音信号[27]、脑电图（EEG）[28]，具有值得称赞的准确性。Dasgupta等人[29]提出了基于互相关的输电线路故障分类方法。然而，该方案涉及电流测量，其遭受CT饱和并且在文献中未被解决。此外，强调动态条件（即，功率摆动，噪声影响，弱进给”[29]这是不可能的。的分类器，并在MATLAB中模拟模糊系统是鲁棒的，通常具有较短的开发时间。基于模糊的系统的主要优点是，它不需要任何训练;因此，与其他基于人工智能的方法（例如ANN、SVM、DT、ANFIS等）相比，计算负荷较小[20]。由于电压信号是从线路的一端记录的，因此本文提出的方案也没有任何同步误差。本文的新颖之处是使用一种新的互相关为基础的技术检测和分类的输电线路中存在的分布式发电（DG）的故障。分布式发电系统中的故障检测和故障相识别是一项具有挑战性的任务，因为来自DG单元的反馈电流因此，传统的计划无法分类故障相DG的存在。在所提出的方案中，电压信号已被用于测量目的，因为基于电流的保护方案可能会发现在高阻抗故障的情况下的限制。严格的仿真已经做了investi-门的模糊分类器的性能受到一些具有挑战性的条件下，如弱馈，功率摆动，HIF，风速变化，存在的噪声，等的影响CCVT瞬态也进行了研究。该方法首先对故障前和故障后半周的故障电压信号与各相健康电压信号进行互相关运算，得到互相关图;然后，进行滤波操作以从相关图中提取正峰和相邻的负峰。最后，这两个提取的每一个阶段的峰值的幅度被馈送到模糊推理系统的故障分类。其余的文件是定向如下。第2节描述了本文中使用的基本数学工具。第3节描述了电力系统模型及所有相关额定值。第4节和第5节分别介绍了特征提取技术和算法的性能。第六节是对相关著作的比较研究，第七节是结束语。参考文献列表在末尾。2. 先决条件2.1. 互相关相关性是一种统计工具，用于计算两个变量/信号之间的相似程度[24]。相似性被测量为一个信号相对于另一个信号的位移的函数。它有两个对立的部分。一种是互相关，它描述了两个不同信号之间的相似性。另一种是自相关，它是信号与同一信号的互相关。xn和yn之间的互相关[24，25]在数学上被描述为：（PN-m-1xnmynm≥0本文采用互相关技术对故障电压信号进行特征提取。交叉相关技术-R^xyy mmn¼0R^yx-mm0ð1Þ该技术具有使信号中的不相关随机噪声含量最小化的能力由于这一事实，所提出的方法在噪声环境中给出了非常好的响应。在实时情况下，继电器在检测和分类故障中的操作必须尽早启动这是选择这种技术的另一个原因，它提供了更少的执行时间，因为它的计算负担很低[24]。此外，只有三个特征已被提取和用于故障分类，因此，它需要低的存储容量。据作者所知，目前还没有采用相关技术对风电场并网输电线路进行故障分类的工作模糊其中m =... .. . . 二，一，零，一，二... . 表示时移参数，下标xy表示相关序列，表示信号x（n）向y（n）移动。如果两个信号都具有M个样本，则所得到的互相关序列具有（2 M-1）个样本。互相关序列的轨迹称为互相关图。根据问题的需要，可以从互相关图中提取多个特征。在这项工作中，最大的正峰和两个相邻的负峰已被提取。本研究的目标之一是从互相关图中选择最少数量的特征用于故障分类，从而降低对存储容量的要求。这三个峰的提取方法536B. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）534-jHðjxÞj¼ffi它非常简单，不需要任何复杂的计算[27]。从交叉相关图中提取这三个点的技术将在下面的部分中解释。2.2. 滤波操作由于实时信号中不可避免的电能质量（PQ）扰动的发生，滤波作用在现代研究中变得无处不在[24]。过滤器是一种有两个用途的设备。它消除了所有不需要的频率信息，这些信息落在所需范围之外。最重要的是，它提取了所需范围内的所有必要信息。频率后，所有的信息被消除称为截止频率。巴特沃斯滤波器是最简单的滤波器之一。它在通带内具有最大平坦响应，在其阻带中为20 dB/极[24]。对于n阶Butterworth滤波器，幅值响应用数学公式表示为：（二）、ljωXmaxnljωX：j1;2;：;No43. 仿真模型故障分类算法已被应用于400 kV，50 Hz的电力系统，其中有两个总线连接在一个300公里的传输线的两端，如图1所示。一台1000 MVA、400 kV的发电机连接在电力系统的母线1上。输电线路的另一端通过变压器从风力发电场供电.该风电场由40台双馈风力发电机组成，每台可发电1.5兆瓦。利用MATLAB/ Power System工具箱中的三相π截面模型块对300km长的输电线路进行了建模。生产线的各种参数选择如下：正序电阻（R1）=0. 021X/km零序电阻（R0）=0.115X/km正序电感（L1）=0. 898 mH/km1q1e2。ffiffixffiffiffiffi=ffiffixffiffiffiffipffiffiΣffiffi2ffiffinffiffi零序电感（L0）=2.289 mH/km正序电容（C1）=0.013lF/km零序电容（C0）=0.005lF/km其中，Xp是截止频率，e是确定通带传输中的最大偏差2.3.模糊推理系统模糊推理系统（FIS）的体系结构有不同的阶段[22，23]。第一阶段是模糊化，将清晰的输入数据转换为模糊化数据，然后将其应用于模糊推理机。本文采用单点模糊器进行模糊化处理。下一阶段是分配模糊规则库的模糊化输入变量。“min”蕴涵运算符和“max”聚合运算符用于连接特定规则中的多个先行项。在此阶段之后，输出在本质上变得模糊。已完成去模糊化以将模糊化输出转换为清晰输出。在这项研究中，质心去模糊化技术已被用于这一目的。在MATLAB的模糊逻辑工具箱中对FIS进行了仿真故障相的识别是一个模式识别问题，故障诊断系统可以有效地解决这一问题。模糊IF-THEN规则[22，23]可以在数学上表述为：规则R j：如果x1是A j1，. xn是Ajn，则类是Cj（j = 1，2，、N ） ， 其 中 X1/4=x1;x2; ： ;xn=nji 是 规 则 R j 的 语 言 值 ， 例 如LOW/MEDIUM/HIGH（i = 1，2，. ..模糊IF-THEN规则的数量。规则Rj的相容性等级lj（X）被给出为：ljXminnlj1X1;lj2X2;：ljnXno3其中，lji<$Xi<$是语言变量Aji的隶属函数。决策或模式由单一获胜者规则Rjω选择，该规则定义为：所有的测量都是从总线1完成的，确保了所提出的算法没有同步误差。只考虑电压信号，避免了CT饱和问题在仿真研究中，采样率为4kHz不同故障的数据已经通过诸如故障电阻（ Rf）、故障起始角（FIA）、故障距离、源强度、风速等参数的广泛变化而产生。4. 该算法在这项研究工作中，故障前的半周和故障后的半周电压信号已被选择相关的非故障电压信号的等时间跨度。必要的特征提取从所得的相关信号。从相关信号中获得的特征已被作为输入给模糊推理机，以识别故障相。4.1. 基于互相关的所提出的特征提取技术已经完成了三个不同的阶段。在第一阶段中，在故障电压信号和健康电压信号之间进行互相关在相同的数据窗口（故障前和故障后的半个周期）的每一个阶段。对产生的相关波形进行了观察，得到了一些相关的特征，按照问题的要求。最大正峰值和相邻的两个负峰值被认为是故障分类。最大正值被称为R，并且相邻的两个负峰被称为Q和S，它们分别位于R的左侧和右侧。图 2表示从母线1测得的故障电压信号。信号被40 dB噪声污染，以纳入Fig. 1. 电力系统模型ð2ÞB. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）534537--图二. 故障电压信号（AB故障，Rf= 0X，FIA = 0°）。实时系统中的噪声 在t = 0.04 s，Rf= 0 X和FIA = 0°时，A相和B相中产生故障。采用相同的数据对故障信号和正常信号进行了相关分析窗口，即从t = 0.03 s到t = 0.05 s。图3（a）表示B相信号的可以观察到，最大正峰R出现在第0个样本数处，相邻的负峰S出现在第40个样本数处。然而，Q的计算被发现是困难的。第二阶段利用滤波作用精确定位Q、R和S的位置。在这项工作中，二阶低通巴特沃斯滤波器已被开发用于衰减高频小幅度信号分量。低通滤波器的应用。在图3（a）中，已经观察到相关信号相当平滑，并且QRS点容易检测。滤波后的典型波形如图所示。 3（b）.最后计算相关序列的正极大值R。对于这项工作，R计算为41.789，可以从图3（b）中观察到。 为了计算计算了R左右两侧相关序列的最小值Q和S。Q和S的典型值分别为13.648和28.299。所提出的特征提取技术的总体流程图如图所示。 四、所有类型的故障和无故障的交叉相关图已被提取并报告在图5中。图5（a）-（e）分别表示AG、BC、ACG、ABCG故障和无故障的相关序列。所有的断层都是在100公里的线路上产生的，Rf= 50X，FIA =45°。对于所有类型的故障，已使用图4中给出的流程图。从图5（a）-（c）中，几乎不能得出什么结论。首先，故障相的Q和R值被观察到与健康相的Q和R值显著不同其次，发现变量S是冗余变量，如已经发现对于无故障和无故障两种情况，和故障条件。因此，每个相位的Q和R的绝对值被选择作为模糊推理机的输入用于故障分类。因此，FIS的总投入为6个。4.2. 基于FIS的根据输入数据的可用模式变化，设置不同隶属函数的范围。拟议的财务信息系统有六项投入。它们是三相的Q和R值对于每个输入，定义了五个不同的模糊集;相同的模糊集已重复变量QR为三个阶段。图6（a）和（b）分别说明了Q和R的导数函数。为FIS的输出设置了八个不同的离散隶属度函数，每个隶属度函数针对一种故障类型设置。本工作的惯例是，FIS的输出为0表示无故障，1表示AG故障，2表示BG故障，3表示CG故障，4表示AB/ABG故障，5表示BC/BCG故障，6表示AC/ACG故障，7表示对称故障。表1表示276条规则，这些规则已经被设置用于指导FIS检测故障相。表1的每一行和每一列分别对应于特定规则和隶属函数（MF）。表的最后一列表示故障和无故障条件的类型，其被选择作为决策属性。5. 仿真结果在前一节中讨论的FIS被用来测试所提出的方案在确定图中所示的输电线路中的故障相/s中的性能。1.一、许多错误案例已经图三. （a）B相电压信号的互相关图，（b）滤波动作后的互相关图。538B. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）534见图4。 计算Q、R和S的流程图。通过不同参数的广泛变化，如故障电阻（Rf），故障起始角（FIA），故障距离，源强度，风速等模拟的各种参数的影响已在下面的小节中报告。5.1. 故障电阻、FIA和故障定位的影响不同类型的故障，即。通过改变Rf从0到300X和FIA从0°到90°，模拟了AG，BG，CG，AB，BC，AC，ABG，BCG，ACG，ABCG。已经观察到，在低阻抗故障的情况下，FIS的性能是准确的。然而，在高阻抗故障的情况下发生了一些错误分类。表2报告了故障电阻对分类准确性的影响。在300X故障电阻的情况下发生的错误分类案例的数量;已在表3中示出。表4显示了所建议的方案在不同故障参数表4的前四行示出了针对不同Rf值和四种不同类型的故障的FIS的性能。已尝试验证所提出的方案的性能近端和远端故障。 表4的第5和第6行表明，所提出的方案可以分别在近端和远端故障期间识别故障相。表4的第7-17行5.2. 源强和风速变化研究了连接在母线1处的源强度变化的影响。所有类型的模拟研究均考虑了800、1000和1200 MVA图五、不同故障的交叉相关图（a）AG故障，（b）BC故障，（c）ACG故障，（d）ABCG故障，（e）无故障。B. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）5345395.3. 线路参数由于输电线路导线的老化效应和表面污染，线路参数随时间变化。为了验证该方案在线路参数变化时的有效性，将线路的电阻、电感和电容分别从标称值增加5%和10%，并按相同的量减小。表5中报告了AG故障下的QRS值，在距总线1100 km处创建，Rf= 0X，FIA = 0°，这些值不会在很大程度上偏离标称值，改变线路参数的值。因此，可以观察到基于模糊的分类器正确地预测故障。该方案的鲁棒性已被成功地测试，因为所有的预测都是正确的。5.4. 输电线路电压等级的影响输电线路的标称电压保持在400 kV，用于模拟目的。然而，该线路的电压水平已被改变为220 kV和500 kV，以测试所提出的方案的鲁棒性。已经发现，Q和R的范围随着电压电平的变化而变化。不同电压电平的Q和R范围见表6。为了使不同电压等级的建议方案达到可接受的精度，必须开发单独的FIS，遵守与400 kV线路建议FIS相同的逻辑。见图6。 （a）变量Q，（b）变量R的模糊隶属度值。的缺点。该方案的性能在各种源强度变化下都能得到满意的结果风力涡轮机的风速也被改变，以测试所提出的计划的鲁棒性。风速允许在10 km/hr至20 km/hr之间变化。表4的行95.5. 线路长度图1中所示的线路长度分别更改为200 km和350 km，以测试所提出的技术的性能。建议的FIS提供100%的准确度，这些线的长度。然而，FIS的性能恶化的线路长度超过200公里和350公里。为了获得200 km以下或350 km以上线路长度的准确结果，必须按照相同的算法开发单独的FIS。表1FIS的规则生成规则否已分配决策属性的成员函数相位a相位b阶段cQRQRQR1LLHMHM12LLMHMHM1––––––––24MMHLLHM225MHMHLLHM2––––––––52HMHHMLL353MHMHHMLML3––––––––86LLMLMLMMH487LMMLMLMMH4––––––––138MHMHLLML5139MHMHLLLML5––––––––186LLHMLL6187LMLMHMMMH6––––––––244LMMLLLMLM7245LLMLLLML7––––––––270MHMHHMHM0––––––––275HHHHHH0276MMMHLMHLM0540B. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）534表2故障电阻对分类精度的影响。故障电阻（Rf）故障例分类错误数量%准确度总体精度0231010099.341022201005022001001502180100300215796.7表3Rf= 300X时的故障分类结果。表6不同电压水平的Q和R类型的故障FIA（度）故障例分类错误数量参数V1=220 kVV1 = 400 kVV1 = 500 kVSLG0230Q【0-12】【0-45】【0-65】45220R[8-22][27-70][44-110]90190会0232显示了正常和功率摆动模式的不同条件属性。在所有的情况下（即摆动和没有摆动），建议FIS给出正确的预测。5.7. CCVT瞬变5.6. 权力摆动负荷的突然增加会引起电力系统网络的振荡，从而导致系统的不稳定[1，18]。 在t = 0.04 s时，在母线2处接通200 MW负载，以在系统中产生功率摆动条件。建议FIS准确地确定健康/非故障状态下摆动条件下的传输线。结果报告于表7中，电压互感器（PT）对于额定电压高于138 kV的输电线路在经济上不可行。在超高压输电线路中，电容分压器与PT联用，即耦合电容式电压Transformer（CCVT），是替代PT的较好选择。在故障的瞬间，在CCVT中出现不遵循正常电压曲线的瞬态条件。由于这种瞬态扰动，继电器在故障条件下的正常功能可能会受到干扰。仿真研究了CCVT瞬态对预测精度的影响。实验结果表明，该方法在CCVT暂态过程中能够准确区分故障相和健康相。表4所提出的方案在不同的故障电阻，FIAs，故障位置，源强度，风速的性能SL. 号Rf（X）FIA（度）距母线1的故障位置（km）源强度（MVA）风速（公里/小时）类型的故障决策属性100150100020AG12500150100020BCG531500150100020ABCG743000150100020AC352500.5100020CG36500299.9100020ABG47104560100020BG28109060100020AB4950905080010AG110509050100010AG111509050120010AG112504525080015AG1135045250100015AG1145045250120015AG115500150100020AG1161500150100020AG1173000150100020AG1表5线路参数变化的影响。线路参数变化（%）相位a相位b阶段cQRQRQR面值5.68435.93532.65556.01434.80556.555.82838.50934.11958.58734.22159.204106.51339.35538.4863.14640.57863.036-5-105.415.07134.50534.07131.64731.24654.1453.53832.66932.1853.89154.0844520390161LLG02214524090170LLLG0110451109070B. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）534541表7权力摇摆的影响。操作模式源强度（MVA）条件属性决策属性相位a相位b阶段cQRQRQR正常80030.6665.1136.6362.2839.5364.280100028.7357.9431.4754.2233.755.830120026.4854.2729.1451.131.0751.280功率摆动80028.2263.4228.7959.2433.9860.650100027.156.9425.3351.6331.1252.250120025.5753.4825.1948.6728.1350.020图7.第一次会议。噪 声 的 影响（a）无噪声电压信号，（b）无噪声电压信号的交叉相关图，（c）受40 dB噪声污染的电压信号，（d）有噪声电压信号的交叉相关图。5.8. 噪声影响实时信号总是被噪声污染。为了测试所提出的技术在噪声环境下的准确性，在从总线1测量的输入信号中引入了不同程度的噪声，即20dB、30 dB和40 dB。图7（a）描绘了针对AG故障从母线1测量的无噪声电压信号，其在Rf= 0X和FIA = 0°的150 km线路长度处产生。十字架-无噪声信号的相关图已在图1中报道。 7（b）.图图7（c）和（d）分别示出了被40 dB噪声污染的电压信号及其互相关图。在对噪声污染进行了首先，互相关技术本身在很大程度上减少了噪声分量[24，25]。其次，滤波动作已被采用，以消除所有不需要的信号分量从互相关图。6. 比较评估将该方法与其他输电线路故障分类方法进行了比较分析，报告在表8中。针对不同方案在电力系统HIF、功率摆动、弱馈入等应力动态情况下的性能进行了比较研究。不同的比较指数列于表8的第1栏。该方案的响应时间为10 ms。与其他技术相比，该方案在合理的时间内检测和分类故障。大多数现有的报告方案都考虑了电流[19]或电流和电压[1，18，23]用于故障分类。该方案的主要优点是，它只需要电压测量，因此，由于CT饱和的固有误差可以避免。所提出的方案需要一端电压数据;因此，与[1]和[18]相比，可以避免同步误差的问题。基于模糊的系统不需要训练;因此，相对于其他基于训练的人工智能技术，如ANN，SVM，DT，ANFIS等，它需要更少的计算负担。该方案的另一个优点是利用互相关技术在很大程度上降低了电源信号中严重噪声污染的影响在[1，18，23]中没有考虑噪声的影响。QRS波的提取方法简单，耗时少.该方案已成功地在各种具有挑战性的条件下进行了测试，如弱馈入，功率摆动，风力542B. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）534表8比较评估。库马尔和亚达夫[1]Taheri等人[18]比斯瓦尔[19][23]第二十三话建议计划用技术差分功率差分功率和整体移运序分量和互相关和DT总和FISFIS信号用在V我V我我V我VRf的变化0.50000单端/两端两两单个单个单个测量噪声影响XXpXp权力摆动弱进料条件pXXpXpXpXp近端/远端故障XXppp操作时间（ms）5.83810<1010速度变化、HIF等。该方案成功地分类故障相在近端和远端故障的情况针对风电场接入线路的保护复杂性和挑战性，提出了一种有效的风电场接入线路故障分类方案分布式发电对不同方案性能的影响进行了比较研究，尚未报道。7. 结论提出了一种基于互相关辅助模糊逻辑的双端输电线路故障分类算法。本文选用互相关技术作为特征提取技术，因为它具有计算量小、消除功率信号中不相关随机噪声影响的特点当与其他传统的方法相比，所提出的计划需要最少的特征数量来分类故障。选择了基于模糊逻辑的分类器，因为它不需要任何训练。此外，模糊系统的决策过程是相当简单的，它是容易实现的实时相比，其他众所周知的技术，即。ANN、SVM、DT等所提出的方案需要一端电压信号，因此，不需要通信链路，这确保了，该方案是免费的任何同步错误。已经考虑了各种场景来测试所提出的方案的鲁棒性该方案不受故障电阻、故障位置、故障起始角的影响，在弱馈入条件、源强变化、风速变化和功率摆动条件下具有合理的近端故障和远端故障也在本文中得到了解决。由于采用长传输线模型进行仿真，该方案不受分布线路参数的影响此外，由于CCVT瞬态的测量误差与文献报道的相关工作进行了比较，结果表明，该方案是一种很好的选相方法。由于该算法简单、直观，可以集成到现有线路中，用于保护方案的升级。此外，半周期内的故障从故障的开始分类，使所提出的方法实时实现的一个有利可图的选择。引用[1] B.库马尔A. Yadav，高阻抗故障和动态情况下UPFC补偿输电线路的后备保护方案。IET，Sci.测量技术 11（6）（2017）703-712。[2] N. Jin，J. Xing，Y. Liu，Z. Li，X.林，一种新型的单相接地故障识别和隔离策略在风力发电场集电线路，国际电气杂志。电力能源系统. 94（2018）015-26.[3] H. Samet，A.A. Bagheri，风电场闪变缓解中SVC性能的增强，IET Gener。传输分布量 11（15）（2017）3823-3834。[4] M.S. Marhaba，S. Farhangi，H. Iman-Eini，微电网中下垂控制双馈风力发电机的无功功率共享改进，IET Gener。传输分布量12（4）（2018）842-849。[5] M. 迈赫迪扎德河Ghazi，M.Ghayeni，基于相关性的风电场模型在高风速穿透下的电力系统安全评估，IET更新。发电机12（8）（2018）893-900。[6] B. Sahoo，S.R. Samantaray，一种增强的故障检测和位置估计方法，用于TCSC补偿线路连接风电场，Int. J. Electr. Power。能源系统96（2018）432-441。[7] A.G. Shaik，R. R. V. Pulipaka，一种新的基于小波的输电线路故障检测、分类和定位，国际电力能源系统杂志，64（2015）35-40。[8] S.E. Safty，A. El-Zonkoly，小波熵原理在断层分类中的应用，国 际 地 质 学报。J. 电动电力能源系统 31（2009）604-607。[9] B. Rathore，A.G. Shaik，基于小波异化的输电线路保护方案，IET Gener。传输分布 11（4）（2017）995-1003。[10] D. 吉伦，M.R.A.Paternina，A.萨莫拉，J.M.拉米雷斯湾Ibarraga，使用最大小波奇异值和欧几里德范数的输电线路故障检测和分类，IET Gener。传输分布量 9（15）（2015）2294-2302。[11] A.达斯古普塔河，巴西-地Nath，A. Das，使用小波熵和神经网络的输电线路故障分类和定位，Electr. Power Comp.Syst.40（2012）1676-1689。[12] Z. Liu，Z.汉，Y。张，智-地张，多小波包熵及其在输电线路故障识别和分类中的应用，IEEE Trans. 神经网络学习. Sys. 25（11）（2014）2043-2052。[13] J. Upendar，C.P. Gupta，G.K. Singh，G.基于PSO和ANN的继电保护故障分类，IET Gener。传输分布量4（10）（2010）1197-1212。[14] S.李文，基于支持向量机的输电线路故障分类与定位，电力系统工程学报，2000。12（2012）1650-1658。[15] U.B.帕里克湾达斯河李文，基于支持向量机的输电线路故障分类方法，北京电力大学学报。Power Energy Syst.32（6）（2010）629-636.[16] H.李文，基于小波变换和自适应神经模糊推理系统的串补输电线路故障诊断系统，北京：清华大学出版社。Meas. 46（2013）393-401。[17] M.M. Taheri，H.塞耶迪湾Mohammadi-ivatloo，基于DT的输电线路故障分类继电保护方案，使用MODP，IET Gener。传输分布量11（11）（2017）2796-2804。[18] A. Swetapadma，A. Yadav，基于数据挖掘的电力传输系统功率摆动故障识别，IET Sci。Meas. 10（2）（2015）130-139。[19] M.李文，基于积分移动和法的输电线路选相方法，中国电力科学出版社，2001。10（7）（2016）761-767.[20] A. Yadav，A.应用模糊推理系统提高输电线路方向保护、故障分类和故障定位方案的性能，IET Gener。传输分布量9（6）（2015）580-591。[21] B. Das，J.V. Reddy，基于模糊逻辑的数字距离保护故障分类方案，IEEE TransPower Del。 20（2）（2005）609-616。[22] A.K.普拉丹A. Routray，S. Pati，D.K.傅立叶，基于小波变换的输电线路故障分类方法，北京电力大学学报。电力公司 19（4）（2004）1612-1618。[23] P. Jena，A.K.双回线方向继电保护的综合方法，IEEE Trans. 电力公司 26（3）（2011）1783-1792。[24] S.德，S。Debnath，基于实时互相关的电能质量扰动检测和分类技术，IET Gener。传输分布量12（3）（2018）688-695。[25] D. 达来湾查特吉D.Dey，S.查克拉沃尔蒂湾Bhattacharya，基于粗糙集的电能质量传感器相关技术的特征选择和分类，IEEE Trans. Sens. 13（2）（2013）563-573。B. 查特吉，S。Debnath/工程科学与技术，国际期刊23（2020）534543[26] P. Rajamani，D.Dey，S.Chakravorti，用于在脉冲测试期间对Transformer绕组中的 动 态 故 障 进 行 分 类 的 互 相 关 辅 助 模 糊 c 均 值 ， Electr.PowerComp.Syst.38（13）（2010）1513-1530。[27] S. Chelsea，A.查特吉，S。孟志，基于互相关的支持向量机在语音识别中的应用。42（4）（2009）611-618。[28] S. Chelsea，A.查特吉，S。Munshi，用于EEG信号分类的互相关辅助支持向量机分类器，Int. J. Expert Syst.Appl.36（2）（2009）1329-1336。[29] A.达斯古普塔河，巴西-地Debnath，A.张文，基于互相关和k-近邻的输电线路故障检测与分类，中国电力科学出版社，2001。 基于Intell。Eng. 系统 19（10）（2015）183-189。