随着电力系统的发展,输电线路的电压等级越来越高,输电距离也越来越长,它们对电力系统的安全稳定运行具有举足轻重的作用。在我国高压输电系统中广泛采用单相重合闸,准确有效的选相元件是高压输电线路发挥自动重合闸功能的重要前提,同时当发生故障时准确地选择出故障相对确保继电保护的正确动作具有重要的意义。本文首次研究和提出了基于多小波包理论的电力系统故障类型识别的新方法,旨在研究多小波和多小波包理论在电力系统故障诊断与继电保护方面的可行性,也致力于尝试解决故障识别的问题。多小波可以同时具有对称性、正交性、短支撑性、高阶消失矩性质,这是传统小波所无法比拟的。本文系统地阐述了多小波和多小波包的基本理论,分析了电力系统故障识别的研究现状和多小波包的应用现状,并指出存在的问题。通过建立了—500 kV输电线路的PSCAD/EMTDC仿真模型,用来产生不同工况下的各种输电线路短路信号。多小波包具有比传统小波包更优良的性质,能够从故障信号中提取到更丰富和更精细的信息,因此本文将多小波包引入电力系统故障识别的应用中,提出了基于多小波包能量特征量和人工神经网络的电力系统故障类型识别方法。先对故障电流信号进行适当的多小波包分解,并计算各频带能量,然后构造多小波包特征向量,并以此向量作为训练样本对BP神经网络进行训练,实现故障类型的识别。由于输电线路故障信号的频带能量提取仅对整个频带进行统计,而没考虑信号的时变性,因此,为进一步表征信号在某个时间段的能量大小,文中尝试采用提取故障信号的多小波包时频局部能量来进行故障识别。信息熵是对系统不确定性程度的描述,熵在电力系统中的应用研究已取得了一定的成果。本文考虑到对故障信号进行多小波包分解后得到多小波包分解系数序列矩阵,是多小波包分解对信号的一种划分。把多小波包变换后的系数矩阵处理成一个概率分布序列,它反映了这个信号分布的稀疏程度,同时根据信息熵的基本理论,将多小波包分解系数概率分布序列与信息熵相结合定义多小波包系数熵。在此基础上提出基于多小波包系数熵和人工神经网络的电力系统故障类型识别方法。先对采集到的故障电流信号进行适当的多小波包分解,并计算各频带的系数熵,然后构造多小波包特征向量,并以此向量作为训练样本对RBF神经网络进行训练,实现故障类型的识别。经过大量的仿真试验,验证了基于多小波包和人工神经网络的电力系统故障类型识别方法有效可行,优于基于传统小波包和人工神经网络的方法,且该方法不易受系统各种不同工况的影响。