随着经济的快速发展,变频器在煤矿井下被大量的应用,由于变频器的特殊结构,导致馈电线路中会出现大量的谐波分量,造成煤矿井下低压漏电保护出现误动现象和故障特征分量难以提取问题,给煤矿井下的安全生产和工作人员的人身安全造成严重威胁。因此,对煤矿井下变频系统低压漏电保护方法进行研究具有十分重要的现实意义。首先,对煤矿井下中性点不接地变频系统漏电保护误动原因进行分析,进而区分正常情况下和故障情况下零序电流,筛选出故障零序电流,并对煤矿井下变频系统故障线路和非故障线路进行特征分析,研究原有的故障选线方法在煤矿井下变频系统低压漏电故障选线中的不足。提出以粒子群(Particle Swarm Optimization,PSO)优化变分模态分解(Variational mode decomposition,VMD)结合极限学习机(Extreme Learning Machine,ELM)的方法实现煤矿井下变频系统漏电故障选线。变分模态分解是一种新的信号处理方法,本文深入研究了其算法的基本原理,发现其参数组合难以准确设置,因此提出用粒子群算法对其参数进行优化,用仿真信号和仿真实验验证了变分模态分解相对于经验模态分解(Empirical mode decomposition,EMD)在煤矿井下变频系统漏电故障提取方面更有优势。另一方面本文介绍了ELM和BP神经网络的基本原理,将用粒子群优化变分模态分解处理后各馈电线路的综合模态分量能量比重作为特征输入到ELM和BP神经网络中,根据其输出结果对故障进行识别。通过仿真实验分析,在煤矿井下变频系统低压漏电故障选线中,基于PSO-VMD结合ELM的漏电故障选线相较于PSO-VMD结合BP神经网络的漏电故障选线方法,该方法所用时间更短,准确率更高。最后通过搭建1140V煤矿井下变频系统模型仿真验证了所提方法的可行性与正确性。即首先通过粒子群优化变分模态分解提取故障情况和正常情况零序电流能量比重,筛选出故障零序电流,其次对筛选出来的故障零序电流再进行各个馈电线路综合能量比重的提取,通过ELM进行正确的故障选线。