输电线路故障在线监测系统行波波头识别

输电线路长期暴露在野外复杂环境中，容易受到雷击、覆冰、外力破坏等因素影响发生短路、接地等故障。故障发生后快速定位故障点，不仅能够缩短停电排查时间，降低供电企业的经济损失，更能提升电力系统供电可靠性，保障用户的正常生产生活用电，因此行波故障定位技术凭借其定位精度高、受线路参数影响小等优势，已经成为当前输电线路故障定位领域应用广泛的技术之一，而波头识别作为行波定位流程中的核心环节，其识别精度直接决定了故障定位的结果，因此对波头识别方法的优化研究一直是该领域的重点方向。

一、行波传播与波头形成基础原理
当输电线路发生故障时，故障点会产生向线路两端传播的暂态行波，这一暂态过程的产生可以从电路暂态理论进行解释。故障发生前，输电线路上的电压、电流处于稳定运行状态，各点的电气参数保持相对恒定；当故障发生瞬间，故障点的电压会从正常运行值突降到接近零值（金属性接地故障），这种突变会在故障点产生频率丰富的暂态分量，暂态分量以行波的形式沿着输电线路向两端传播，其传播速度接近光速，这也是行波定位能够实现高精度的核心基础。
行波波头本质上是暂态行波从无到有的突变界面，也就是行波能量的初始到达位置。由于输电线路本身存在分布电容、分布电感，同时行波在传播过程中会遇到杆塔、分支线等节点发生折反射，加上现场采集设备存在一定的噪声干扰，实际采集到的行波信号往往不是理想的阶跃信号，波头位置会被噪声淹没或者发生形态畸变，这给波头的准确识别带来了不小的挑战。尤其是当故障发生在电压过零时刻，或者故障点距离采集端较远，行波信号衰减严重时，波头的突变特征会更加模糊，传统识别方法很容易出现误识别或者漏识别的问题。
二、传统波头识别方法的局限性分析
早期应用广泛的波头识别方法是阈值法，这种方法的核心原理是预先设定一个电压或者电流的幅值阈值，当采集到的行波信号幅值超过阈值时，就判定该位置为行波波头的位置。阈值法实现简单，计算量小，适合早期硬件性能有限的场景，但这种方法存在明显的缺陷：一方面阈值的设定没有统一标准，需要根据不同线路的运行环境人工调整，阈值设置过高会漏掉幅值较小的行波波头，阈值设置过低又会将噪声误判为波头；另一方面，当行波信号存在畸变或者叠加噪声时，阈值法很容易识别到错误的波头位置，导致故障定位结果出现较大偏差。
模极大值法是基于小波变换发展出来的经典波头识别方法，其核心原理是利用小波变换对不同频率的信号进行分解，行波波头的突变位置会在不同尺度的小波分解结果上形成模极大值点，通过检测模极大值点的位置就可以确定波头到达时间。相较于阈值法，模极大值法对噪声的抗干扰能力更强，能够识别出幅值较小的波头，但这种方法同样存在一些难以解决的问题：首先，小波基函数的选择对识别结果影响很大，不同的小波基函数处理同一信号得到的模极大值位置可能存在差异，目前没有统一的小波基选择标准；其次，当行波信号的信噪比较低时，噪声也会产生模极大值点，容易造成误识别；此外，多尺度小波分解的计算量较大，对在线监测的实时性会产生一定影响。
除了上述两种方法之外，还有导数法、相关分析法等传统识别方法。导数法通过对行波信号求导，寻找导数的极值点作为波头位置，这种方法对噪声非常敏感，轻微的噪声干扰就会导致导数结果出现大量伪极值点，识别准确率较低；相关分析法通过将采集到的行波信号与参考模板做互相关运算，通过峰值位置确定波头，这种方法需要提前建立不同故障类型、不同故障位置的参考模板，适应性较差，当实际故障情况与模板存在差异时，识别精度会大幅下降。
三、基于改进型算法的波头识别思路
针对传统波头识别方法存在的缺陷，近年来不少学者结合信号处理领域的新成果，提出了多种改进型的波头识别方法，其中基于希尔伯特-黄变换（HHT）的识别方法是比较有代表性的一种。希尔伯特-黄变换不需要预先设定基函数，能够自适应地对非平稳、非线性的行波信号进行处理，它首先通过经验模态分解（EMD）将原始行波信号分解为若干个本征模态函数（IMF），然后对包含主要行波分量的本征模态函数做希尔伯特变换，得到瞬时频率和瞬时幅值，行波波头到达的位置对应瞬时频率的突变点，通过检测突变点就可以准确确定波头位置。这种方法的自适应能力强，对低信噪比的行波信号也有较好的处理效果，但经验模态分解过程中容易出现模态混叠的问题，当行波信号中包含多个频率相近的分量时，分解结果会出现偏差，影响波头识别的准确性。
为了解决经验模态分解的模态混叠问题，有研究者将集合经验模态分解（EEMD）引入到行波波头识别中，通过在原始信号中加入一定比例的高斯白噪声，利用白噪声频率均匀分布的特性改变信号本身的极值点分布，抑制模态混叠现象的发生。集合经验模态分解能够有效改善模态混叠问题，提升波头识别的稳定性，但多次加入噪声分解再平均的过程会大幅增加计算量，同时残留的噪声也会对波头位置的精度产生轻微影响。
随着人工智能技术的发展，基于机器学习的波头识别方法也逐渐得到应用。这种方法首先采集大量不同故障场景、不同信噪比下的行波信号，对信号进行特征提取之后，输入到分类模型中进行训练，训练完成的模型能够自动对输入的行波信号进行处理，识别出其中的行波波头位置。常见的模型包括卷积神经网络（CNN）、支持向量机（SVM）等，其中卷积神经网络能够自动提取行波信号的形态特征，不需要人工设计特征，对复杂干扰场景下的波头识别有较好的效果。但机器学习模型需要大量标注好的故障行波数据作为训练集，实际输电线路故障发生概率较低，能够采集到的实际故障数据非常有限，训练模型多采用仿真数据，当实际故障数据的特征与仿真数据存在差异时，模型的识别准确率会下降，这也是当前机器学习方法应用需要解决的核心问题。
四、波头识别误差的主要影响因素分析
行波波头识别的误差来源多种多样，其中主要的因素是现场噪声干扰。输电线路现场运行环境复杂，存在大量的干扰源，比如雷击过程中的电晕噪声、开关操作产生的电磁干扰、采集设备本身的热噪声等，这些噪声会叠加在行波信号上，改变波头的原有形态，甚至将波头的突变特征完全淹没。尤其是当故障点距离采集端较远，行波经过长距离传播之后幅值衰减严重，信噪比很低，这种情况下噪声对波头识别的影响会更加明显。
第二个主要影响因素是行波的色散效应。行波是多频率分量叠加而成的，不同频率的行波分量在输电线路上的传播速度不同，高频分量的传播速度略低于低频分量，因此行波在传播过程中会发生波形畸变，原来陡峭的波头会变得平缓，波头的突变特征被弱化，增加了识别的难度。故障点距离采集端越远，色散效应越明显，波头畸变越严重，识别误差也就越大。
第三个影响因素是采集系统的采样频率。行波波头的上升沿时间通常只有几微秒甚至不到一微秒，如果采集系统的采样频率过低，无法捕捉到波头上升沿的细节，就会导致波头位置识别出现误差，误差可以达到一个采样周期。因此为了保证波头识别的精度，一般要求行波采集装置的采样频率不低于1MHz，对于长距离输电线路，采样频率还需要进一步提升。
输电线路故障在线监测系统中，波头识别的误差还会受到同步对时精度的影响。目前常用的行波定位方法是双端定位法，需要利用线路两端采集到的行波波头到达时间差计算故障位置，如果两端采集装置的对时不同步，存在时间误差，就会直接传递到的定位结果中。当前普遍采用GPS或者北斗对时，对时精度可以达到亚微秒级，能够满足波头识别和故障定位的要求，但极端情况下对时信号丢失，依然会导致时间同步误差。