在电力系统继电保护领域,准确、快速地输电线路故障类型识别是实现重合闸技术的关键,也是输电系统故障定位和事故分析的前提保证,对提高电力系统的稳定性、保证电力系统安全可靠运行有着重要的意义。随着智能电网的快速发展与信息采集处理技术的日益成熟,与传统的输电线路故障类型识别方法相比,采用人工智能模式识别技术的故障类型识别方法具有准确率高、鲁棒性强和泛化性好等优点。本文主要从智能模式识别算法的角度出发研究输电线路故障类型的识别分类,包括故障信号暂态奇异信息的提取、多类别分类模型的构造和不平衡故障录波数据集的优化处理三方面内容。论文首先介绍了小波变换及奇异值分解算法的相关理论,提出了平稳小波奇异值的构造方法。采用小波多尺度分析方法,对输电线路暂态故障信号进行平稳小波分解,获得各个尺度下的平稳小波系数,利用各层平稳小波系数构造相应的信息特征矩阵,然后对信息特征矩阵进行奇异值分解获取相应信息特征矩阵的奇异值,作为输电线路故障信号暂态信息的度量,表征故障信号暂态信息的复杂程度。其次,论文研究了常用于输电线路故障类型识别的多种模式识别方法,包括k最近邻分类法、支持向量机和人工神经网络等。构造了支持向量机多类别组合分类器,并从算法原理上初步分析了不平衡数据集对这些模式识别方法的影响。鉴于输电线路故障类型识别中数据集的不平衡性问题,论文提出了改进启发式SMOTE算法对不平衡数据集进行优化,避免了传统SMOTE算法的过拟合问题和数据边缘化效应,提高分类算法对少数类样本的识别能力。同时对两类别不平衡数据分类效果的评价指标进行了扩展,使其适用于多类别数据的分类。最后,论文提出基于平稳小波奇异值和改进启发式SMOTE算法的输电线路故障类型识别方法,给出了具体的分类识别方案。提取输电线路各故障分量信号的平稳小波奇异值作为分类识别的特征参数,采用改进启发式SMOTE算法调整输电线路故障录波数据集的不平衡度并与传统SMOTE算法形成对比,针对特征参数过多的问题,采用主成分分析法对特征向量进行降维处理。通过PSCAD/EMTDC和MATLAB仿真实验,验证了本文方法的可行性和有效性,所提取的特征参数能有效挖掘输电线路不同故障类型的特征信息,改进启发式SMOTE算法能较好地提高分类算法对少数类的识别准确率和整体分类准确率,并且对多种人工智能模式识别方法适用,具有较强的泛化性。