0 引言
对二次回路故障识别进行研究具有重要的背景和意义［1-2］。一方面，传统的二次回路故障识别方法存在着准确性不高、灵敏度低等问题，亟需改进和优
化［3］。另一方面，随着智能变电站技术的不断发展与应用，二次回路故障识别的研究也需要与时俱进，以适应新的功能要求和环境变化［4］。因此，对二次回路故障识别进行研究可以提高智能变电站继电保护系 统 的 可 靠 性 和 效 率，保 障 电 力 系 统 的 安 全 稳 定运行。
郑浩等学者［5］ 在分析报警信息时间序列特征、变电站拓扑结构、继电保护设备定位及操作信息的基础上，研究了基于时间序列特征的电力系统故障检测技术。Forcan 等人［6］ 提出了一种新的基于故障期间线路电流相位角变化的检测的备用继电保护方案。基于故障期间线路电流相位角变化的检测。使用继电保护实验室对故障电流信号进行识别和测试。为进一步优化故障识别精度，研究一种新的智能变电站继电保护二次回路故障识别方法。
2 方法设计
2. 1 故障分析
智能变电站中的继电保护装置通过采集电流、电压等信号，并经过适当的测量和处理，*终实现对电力系统的快速保护。对继电保护二次回路故障识别的必要性和关键性在于以下几个方面。继电保护二次回路是保证电力系统运行安全的重要环节，如果二次回路发生故障而无法及时识别，会导致延误甚至失效的
情况发生，严重威胁电力系统的稳定性和可靠性。此外，随着智能变电站的不断发展与应用，继电保护二次回路的功能要求也在不断提高。因此，对继电保护二次回路的故障进行识别研究。
继电保护二次回路现场图和结构如图1所示。
继电保护二次回路故障可以分为**类别和二级类别。具体如表1所示。
**类别包括：
a. 电气接触**：包括连接器松脱、接头松动等问题，会导致信号传输不畅或中断。
b. 电源故障：例如供电电源失效、电源短路等，会导致二次设备无法正常工作。
c. 信号失真：主要是由于电缆损耗、干扰等原因导致的信号失真，影响数据的准确性。
d. 短路故障：指二次回路中存在电流突变、电阻 减 小 等 情 况，可 能 导 致 对 故 障 的 正 确 判 断 出 现偏差。
e. 开路故障：指二次回路中存在电流中断、电阻增大等情况，可能导致无法正常采集信号。二级类别包括：
a. 温度过高：二次设备长时间工作导致温度升高，可能引发故障。
b. 湿度过高：湿度超过设备限制值会导致绝缘性能降低，从而产生故障。
c. 绝缘击穿：绝缘介质受到电压过高或过快变化的影响，从而导致绝缘击穿，引发故障。
d. 震动或振动：二次设备在运行过程中遭受外部震动或振动可能引起连接松动、接触**等问题。
e. 电磁干扰：来自电力系统或其他设备的电磁干扰可能导致二次回路信号的干扰和失真。
识别并及时处理上述故障非常重要。**类别故障直接影响到二次回路数据的准确性和稳定性，可能导致误操作；而二级类别故障则是由环境因素引起，
如果不及时解决，可能进一步加剧二次设备的损坏，甚至影响整个继电保护系统的正常运行。因此，对于继电保护二次回路故障的识别和处理非常必要。
2. 2 二次回路故障信号去噪
本节先利用 DIgSILENT PowerFactory 软件构建智能变电站的仿真模型。收集智能变电站的相关数据，包括变电站的拓扑结构、设备参数、电源系统数
据等。在仿真软件中创建相应的电力系统模型，包括输电线路、变压器、发电机、继电保护装置等。根据实际情况设置系统各元件的参数，并将智能变电站的控制策略和算法编程实现。利用该模型可模拟不同的工况和故障情况。智能变电站模型如图2所示。
依据上述构建的智能变电站模型，模拟全部二次回路故障类型，获取二次回路故障信号。但是这些信号往往含有较多噪声。这些干扰和噪声可能来自于电
力系统本身或外部环境。如果不进行去噪处理，直接使用原始信号进行故障识别，会引入假警报或误判的情况。干扰信号可能与真实故障信号相似，会混淆识别结果，导致错误的故障判断和保护动作，影响电力系统的正常运行。其次，噪声还可能掩盖或模糊故障信号的一些重要特征。例如，在高频噪声的影响下，故障信号的形状和幅值可能发生变化，导致难以准确识别故障类型、定位故障位置等。
此研究选用小波阈值去噪方法实现二次回路故障信号的去噪。小波阈值去噪方法基于小波变换，将小波系数与一个阈值进行比较。根据设定的阈值，可以
选择保留较大系数以减小信号中的噪声成分。设定故障信号表达式为：
Q ( x) = U ( x) + λ × γ( x) （1）
式中，Q ( x)表示的是二次回路故障信号；U ( x)表示的是原始二次回路模拟状态下输出信号；λ表示的是高斯白噪声强度；γ( x)表示的是高斯白噪声。利用小波阈值去噪方法实现二次回路故障信号去噪的步骤如下：
（1） 选择小波基：首先，选择适当的小波基函数。常用的小波基函数有 haar、db4、sym8等，选择合适的小波基取决于信号的特征和去噪需求。
（2） 计算阈值：计算软阈值和硬阈值。
（3） 应用阈值：将计算出的阈值应用到小波系数上，通过保留大于阈值的系数来抑制噪声。
（4） 调整阈值参数：根据评估结果，如果需要进一步改善去噪效果，则可以适当调整阈值参数，并重新执行步骤4到步骤6，直到达到满意的去噪效果。
二次回路故障信号消噪效果如图3所示。
如图3所示，小波阈值去噪方法能够去除二次回路 故 障 信 号 中 的 噪 声 信 号，有 效 优 化 故 障 识 别 的精度。
2. 3 故障识别方法
采用随机森林算法对智能变电站继电保护二次回路故障进行检测识别的流程如图4所示。
利用获取的信号数据中获取n个数据，并建立对应的故障标签y：
■■■||||{ y1，y2，y3，. . . ，yn }D1 = {( xn，yn ) }D2 = {( xprimen ，yn ) }（2）
式中，D1、D2 描述的是电流和电压传感器分别对应的输出的电流和电压；yn代表的是二次回路的 n种故障类型。
随机森林的故障识别模型为R (i)：
R (i) = arg max∑i( κ ( x ) - φ) （3）
式中，κ ( x ) 代表的是单个决策树获得的检测结果；φ代表的是故障目标。
3 实验与结果分析
选取一种文献 ［5］ 方法和文献 ［6］ 方法作为对比方法，利用两种文献方法的测试结果与研究方法的测试结果相对比，验证研究方法的应用有效性。
依据实验需求选取HTJB660B型号六相继电保护测试仪作为主要仪器，其实物如图5所示。
以六相继电保护测试仪的输出结果作为实际故障情况，与不同方法对故障的识别结果相对比，求取识别误差 （表格中的数据为10次实验的平均值），结果
如表2所示：
如表2数据所示，在不同故障类型下，研究方法的故障识别误差明显更低，充分证实了提出方法的有效性与可行性。这主要是因为研究方法采用小波阈值
去噪方法对二次回路故障信号进行去噪，可以有效地消除噪声和干扰，提高故障信号的质量和可靠性。减少了噪声对故障识别算法的影响，增强了算法对故障特征的提取和区分能力。
4 结束语
本研究提出了一种新的智能变电站继电保护二次回路故障识别方法。引入了小波阈值去噪方法，对故障信号去噪。然后，采用随机森林算法对智能变电站
继电保护二次回路故障进行检测和识别。该方法可以提高对多类型二次回路故障的识别准确性和精度，有效改善了传统继电保护系统中故障识别的不足。
