一种基于人工神经网络的新方法：用于集成有源串联电容器补偿与基于DFIG风电场的现代输电线故障检测与分类，结合波let散射变换

为何保持供电变得更具挑战

随着更多电力来自风电场，我们的电网变得更清洁，但保护起来也更复杂。用于提高输电线路承载能力的设备以及现代风电场中使用的特殊发电机，会改变保护继电器所观测到的故障特征。本研究探索了一种新的方法来快速且可靠地识别与分类此类故障，有助于在高可再生能源比例的电网中预防停电和设备损坏。

线路上的风电与智能硬件

研究聚焦于既输送来自风电场的电能又装有称为晶闸管控制串联电容器的长距离高压线路。该装置允许运行方通过改变线路的等效电抗来调节输电能力。同时，风电场采用的一类发电机允许对功率进行精细控制，但其故障电流特性不同于传统电厂。二者共同作用使得基于假设电网行为更稳定、更可预测的传统保护方法难以识别线路故障。

传统故障检测为何吃力

传统数字保护常依赖将信号分解到频带的工具，如离散小波变换。但在实践中这些方法较脆弱：性能取决于采样率、分解层数等选择，且对故障发生时在电压周期中的相位位置敏感。在风速变化、串联电容不断调节、以及换闸或噪声干扰信号的系统中，这些检测器可能误判故障相或甚至漏判危险事件。许多现有方案还需要线路两端的测量及通信链路，增加了成本与复杂性。

一种新的“倾听”电网的方式

作者提出了一种不同的方法，仅监听电网侧单点的三相电流与接地电流。他们应用了一种称为波let散射变换的信号处理工具，构建出电流波形随时间与频率变化的分层描述。与旧方法不同，该变换的特征对信号时间平移具有稳定性，并且对噪声和微小失真具有鲁棒性。从大量散射输出中，该方法选择一组最具信息量的紧凑值，大幅减少数据量，同时保留揭示故障类型的关键模式。

教会神经网络识别故障名称

这些提炼出的特征被输入到一个前馈神经网络，该网络已被训练来识别十种常见故障类型，包括不同相组合和接地故障。为验证该想法，研究人员建立了一个详细的计算机模型：一条100公里、120千伏的线路，配有真实风电场和串联电容器，并模拟了三千多种故障情形。他们变化故障位置、电阻、起始角、风速和补偿水平，随后在数百个新案例上测试训练好的网络，测试集包括开关事件、噪声测量以及产生微小电流的弱故障。

新方案的性能如何

将他们的方法与使用小波系数作为特征的传统方法比较时，差异显著。旧方案在仅判定故障存在时的最佳准确率约为98%，但在要求标注确切故障类型时，准确率下降到大约一半。相比之下，基于散射的特征使神经网络在所有测试情形下实现了检测与分类的完全准确。该方法还能清楚区分真实故障与诸如负载变化或电容切换等无害事件，即便电流互感器饱和或加入强噪声时也保持可靠。

这对未来电网意味着什么

对于非专业读者，关键信息是这项研究提供了对电网更敏感、更聪明的监听方式，能够在由可再生能源塑造的繁杂噪声环境中识别出故障的“声音”。通过将一种鲁棒的电流波形描述方法与训练好的神经网络结合，该方法仅用单点测量即可提供快速且准确的故障判断。这有助于公用事业保护包含先进补偿设备与大型风电场的复杂输电通道，从而在能源转型加速时更容易保持供电可靠性。

引用: Oda, E.S., Habib, A.M.M., Elnaghi, B.E. et al. A novel ANN-based approach for fault detection and classification in modern TCSC-compensated transmission lines integrated with DFIG-based wind farms utilizing WST. Sci Rep 16, 15707 (2026). https://doi.org/10.1038/s41598-026-51960-7

关键词: 电力系统保护, 风电场并网, 输电线故障, 神经网络分类器, 波let散射变换