基于LMD近似熵和SVM的自适应重合闸方法

江亚群等

摘要：自适应重合闸的功能是快速、准确地辨识故障性质及捕捉电弧熄灭时刻.在分析瞬时性故障和永久性故障断路器跳闸后的端电压波形复杂性的基础上，提出了局部均值分解（LMD）、近似熵和线性支持向量机（SVM）相结合的自适应重合闸整体实现方案.利用LMD分解故障信号得到若干个PF分量，选取前3个PF分量算出其近似熵值构成三维特征向量，将三维特征向量作为SVM的输入量来区分故障性质和捕捉电弧熄灭时刻.线路故障仿真结果表明，该方案可智能识别故障性质和捕捉电弧熄灭时刻且具有一定的抗噪能力.

关键词：自适应重合闸；局部均值分解；近似熵；支持向量机

中图分类号：TM76 文献标识码：A

Adaptive Reclosure Method Based

on LMDapproximate Entropy and SVM

JIANG Yaqun，LENG Chongfu，HUANG Chun，DAI Xusheng

（College of Electrical and Information Engineering， Hunan Univ， Changsha， Hunan410082，China）

Abstract：The key function of adaptive reclosing is to correctly identify fault nature and quickly capture the transient fault arc extinction time. Based on the analysis of the waveform complexity of fault terminal voltage after circuit breaker tripping under transient fault and permanent fault， this paper presented an adaptive reclosing overall implementation by combining local mean decomposition （LMD）， approximate entropy and support vector machine （SVM）. After getting the PF components of fault signal by using LMD decomposition， the approximate entropy of the first three PF components is calculated， which constitutes a threedimensional feature vector as the input of SVM to identify fault nature and to capture arc extinguishing moment. Simulation results verify that this method can intelligently distinguish the transient fault from permanent fault， and capture transient fault extinction time with a strong antinoise ability.

Key words：adaptive reclosure； local mean decomposition； approximate entropy； support vector machine

超高压输电线路由于重负荷、长距离输电以及布局在室外，致使其易受自然因素的影响而发生瞬时性故障和永久性故障.运行数据表明，大多数故障为单相接地瞬时性故障.因此，超高压输电线路上普遍安装单相重合闸装置来提高输电线路供电的连续性及可靠性.单相自动重合闸装置在故障跳闸后延时一段时间就进行重合，当重合于永久性故障或未熄弧的瞬时性故障时，将造成再次冲击，可能破坏电力系统的稳定性和损坏昂贵的电气设备.为避免盲目重合带来的不利影响，自适应重合闸技术得到了广泛的研究.

区分故障性质和捕捉瞬时性故障熄弧时间是自适应重合闸实现的关键.目前故障状态区分的方法有多种.文献[1]使用离散傅里叶变换（DFT）进行谐波分析，并以奇次谐波含量大小来区分故障性质，计算量小，物理意义明显，但DFT主要适应稳态信号，计算暂态信号时误差较大且该方法易受谐波变化的影响.文献[2]利用小波能量谱区分故障性质，方法简单易于实现，但小波变换不能自适应的分解信号，且小波基的优化选取比较复杂.文献[3]利用经验模态分解（EMD）提取特征量来区分故障性质，能自适应的分解故障信号且计算速度快，但EMD分解得到的分量缺乏实际的物理意义及存在模态混淆.文献[4～5]采用神经网络对故障性质进行识别，需要大量的样本，计算速度及精度不能满足实际要求.文献[6]基于电流差动原理可实现瞬时性故障电弧熄灭判别，由于电力系统运行的复杂性，导致该方法不易实现.文献[7]采用电压幅值法区分故障性质，但易受故障地点的影响，且当输电线路上的电容耦合电压较低时存在误判的可能.文献[8～9]利用恢复电压的拍频特性识别瞬时性故障，当并联电抗器的补偿度较大时将导致判据的区分度不明显，且该方法只适应于带并联电抗器的输电线路.

本文根据不同故障性质在断路器跳闸后电弧阶段故障相端电压波形复杂度的不同进行故障性质的识别，依据瞬时性故障的电弧状态和电弧熄灭状态的故障相端电压波形复杂性的不同来捕捉电弧熄灭时刻.利用局部均值分解（Local Mean Decomposition，LMD）将故障信号分解成具有物理意义的PF分量，使用近似熵计算出PF的复杂度构成特征向量，以所得特征向量作为线性支持向量机（Support Vector Machine，SVM）的输入量来区分故障性质和捕捉熄弧时刻，提出了自适应重合闸的整体实现方案.