在早日实现“双碳”目标的背景下,海上风电迎来新一轮发展热潮。随着海上风电场向深海发展、其整体规模的日益扩大,海上风电场内发生的各类故障所导致的危害愈加严重,带来了巨大的经济损失。因此需要对海上风电运维团队的快速响应、排除故障能力提出更高的要求。然而,受海上风电场拓扑结构的特殊性、风电出力的随机性、间歇性、风力发电机低电压穿越控制策略等复杂因素影响,海上风电场故障信号表现出区别于传统电力系统的信号特征,导致常规的故障选相元件、故障诊断装置、绝缘配合、继电保护等设备性能受到不同程度的影响,可靠性与灵敏性有所降低。为了解决海上风电场各类故障信号特征筛选困难的问题,实现准确、快速地故障分类,为故障定位及时排障奠定基础,本文对海上风电场交流集电系统中的暂态短路故障以及瞬态操作过电压信号的特征提取与分类方法做针对性研究。深入分析两类信号的产生机理与信号特征,为海上风电场绝缘配合和保护整定提供有力支撑。（1）基于暂态短路故障信号以及瞬态操作过电压的产生机理,本文建立了风力发电机、海底电缆、真空断路器、变压器等海上风电场电气设备的高频暂态和瞬态模型。根据海上风电场的典型拓扑结构,在PSCAD/EMTDC仿真软件上分别搭建了能够复现故障信号特征的暂态短路故障模型与瞬态过电压模型。通过与传统电力系统短路故障信号以及瞬态操作过电压实验信号的对比分析,验证了所搭建的海上风电场仿真模型的有效性。所生成的故障信号样本为研究海上风电场交流集电系统故障信号的特征提取与分类方法奠定基础。（2）针对稀疏分解算法中松弛算法计算效率低、稀疏约束参数优化问题以及基于稀疏表示的分类方法应用于多分类问题算法效率下降、类别间字典原子干扰重构的局限性,本文提出了一系列算法对现有稀疏表示算法进行优化改进,包括基于混合交替方向乘子法（mixed alternating direction method of multipliers,M-ADMM）的改进稀疏分解算法、考虑稀疏约束的字典学习算法以及基于多类别字典的改进稀疏表示分类方法。在上述改进稀疏表示算法的基础上,提出了基于改进稀疏表示算法的信号特征提取与分类方法。（3）根据海上风电场的特点,本文提出了一种基于改进稀疏表示的海上风电场交流集电系统故障信号特征提取与分类方法。该方法综合利用故障信号的时域特征作为故障分类依据,采用考虑稀疏约束的字典学习算法对各类故障信号的特征信息进行学习,构造出准确匹配各类故障本质特征的过完备字典。在学习字典的基础上,通过基于M-ADMM的改进稀疏分解算法将故障信号分解为过完备字典与稀疏向量的乘积,结合基于多类别字典的改进稀疏表示分类方法实现对故障重构信号的分类。对暂态短路故障信号及瞬态操作过电压的特征提取与分类实验结果表明,所提出的特征提取方法能高效、自适应地提取具备可解释性的故障信号暂、瞬态特征,无需人工构造故障信号特征,避免了多工况故障信号特征筛选、时频域变换等繁琐流程;所提出的分类模型适用于多工况下暂、瞬态故障信号分类,具有对暂态噪声干扰的鲁棒性。与支持向量机（support vector machine,SVM）、卷积神经网络（convolutional neural networks,CNN）、长短期记忆网络（long short-term memory,LSTM）等智能分类算法的对比结果表明,所提出的分类方法具有较强自适应性的同时可以准确识别海上风电场交流集电系统中短路故障以及操作过电压类型。