陳 雷 ，吳 浩 ，李 棟 ，楊玉萍

（1.四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，自貢 643000；2.人工智能四川省重點(diǎn)實(shí)驗(yàn)室，自貢 643000）

關(guān)鍵字：高壓直流輸電；雷擊干擾；小波包分解；鯨魚優(yōu)化算法；Adaboost.M2

高壓直流輸電HVDC（high voltage direct current）具有輸電距離遠(yuǎn)、輸送功率大等優(yōu)點(diǎn)[1-2]。但由于輸電線路較長(zhǎng)、輸電環(huán)境復(fù)雜等因素使得直流輸電線路易遭受雷擊，而雷擊使得輸電線路中存在大量暫態(tài)高頻分量以行波傳遞到線路兩端，易引起輸電線路保護(hù)誤動(dòng)作，干擾整個(gè)高壓直流系統(tǒng)穩(wěn)定性[3-5]。因此提高雷擊故障識(shí)別效率具有重要的意義。

文獻(xiàn)[6]利用小波變換提取零模電壓的模極大值，利用初始浪涌和第二個(gè)浪涌的模極大值比值不同識(shí)別反擊故障和繞擊故障，但該方法采樣頻率大同時(shí)兩端信號(hào)通道延時(shí)對(duì)保護(hù)速動(dòng)性有一定影響；文獻(xiàn)[7]利用經(jīng)驗(yàn)?zāi)B(tài)分解提取前四階模態(tài)分量的高頻分量，通過(guò)高頻分量瞬時(shí)幅值的方差貢獻(xiàn)率識(shí)別繞擊和反擊，但是該方法需進(jìn)一步識(shí)別雷擊故障和雷擊未故障；文獻(xiàn)[8]利用數(shù)學(xué)形態(tài)學(xué)得到故障電流信號(hào)的高頻譜能量和低頻譜能量的比值，結(jié)合不同尺度下電流首波頭的幅值最大值的比值識(shí)別雷擊故障，但是該方法對(duì)反擊故障的識(shí)別效果有待驗(yàn)證。文獻(xiàn)[9]利用小波變換計(jì)算得到高頻分量占比，結(jié)合故障前后的小波奇異熵的比值識(shí)別雷擊故障；文獻(xiàn)[10]利用不同頻段能量熵比值識(shí)別雷擊故障；文獻(xiàn)[11]利用雙極電壓與軸線電壓的相關(guān)度結(jié)合高頻信號(hào)與低頻信號(hào)的能量比值識(shí)別雷擊故障；文獻(xiàn)[12]結(jié)合電壓相關(guān)度和電壓均值識(shí)別雷擊故障。但是上述方法針對(duì)雷擊雙極故障識(shí)別效果還有待驗(yàn)證。

本文利用小波包算法分解重構(gòu)得到暫態(tài)電壓突變量不同頻段的瞬時(shí)能量信號(hào)，利用各頻段瞬時(shí)能量信號(hào)的波動(dòng)指數(shù)構(gòu)建雷擊故障特征樣本集。結(jié)合鯨魚優(yōu)化算法WOA（whale optimization algorithm）和集成學(xué)習(xí)Adaboost.M2建立WOA-Adaboost.M2模型，利用雷擊故障特征樣本集對(duì)WOA-Adaboost.M2模型進(jìn)行訓(xùn)練和測(cè)試。仿真結(jié)果表明該方法能在不同故障距離和不同雷電流幅值下準(zhǔn)確識(shí)別雷擊干擾、雷擊正極故障、雷擊雙極故障和普通接地故障，受故障距離、過(guò)渡電阻和雷電流幅值等因素影響較小。

1 高壓直流輸電線路雷擊仿真模型

1.1 高壓直流輸電線路模型

參考實(shí)際工程，在PSCAD/EMTDC中搭建如圖1所示500 kV的HVDC輸電系統(tǒng)模型[13]。圖1中，um、un分別為整流側(cè)正極、負(fù)極電壓。保護(hù)安裝在整流側(cè)邊界元件內(nèi)側(cè)。

圖1 雙極HVDC輸電系統(tǒng)結(jié)構(gòu)Fig.1 Structure of bipolar HVDC transmission system

1.2 輸電線路模型

利用輸電線路頻率相關(guān)模型中的Phase模型在數(shù)值上能準(zhǔn)確模擬頻率范圍變化較大線路的優(yōu)點(diǎn)[14]。本文選擇頻率相關(guān)模型中的Phase模型，線路的結(jié)構(gòu)參數(shù)如圖2所示，圖中C1、C2為導(dǎo)線，G1、G2為避雷線。

圖2 架空輸電線路結(jié)構(gòu)參數(shù)Fig.2 Structural parameters of overhead transmission lines

1.3 桿塔模型

本文采用多波阻抗模型對(duì)桿塔進(jìn)行建模分析[15]，將高壓直流輸電線路桿塔分為3段。多波阻抗模型如圖3所示，參考工程上的G1桿塔建模分析，各部分電阻由經(jīng)驗(yàn)公式的計(jì)算值如表1所示[16]。

圖3 桿塔模型Fig.3 Tower model

表1 桿塔多波阻抗模型各部分波阻抗Tab.1 Wave impedance of each part in the tower multi wave impedance model

1.4 絕緣子閃絡(luò)模型

結(jié)合伏秒特性判據(jù)和u50%判據(jù)，構(gòu)建絕緣子閃絡(luò)模型[17]。絕緣子串的伏秒特性關(guān)系[18]為

式中：us-t為伏秒特性曲線；L為絕緣子串長(zhǎng)度；t為雷擊到閃絡(luò)的間隔時(shí)間。

絕緣子串的50%放電電壓u50%的表達(dá)式為

1.5 雷電流模型

本文雷電流模型采用2.5/50 μs雙指數(shù)模型，雷電通道波阻抗為300 Ω[19-20]。雙指數(shù)模型數(shù)學(xué)公式為

式中：A、α、β為常數(shù)，由雷電流波形決定；i為雷電流的瞬時(shí)值，kA；Im為雷電流幅值，kA。2.5/50 μs雙指數(shù)函數(shù)模型的雷電流波形如圖4所示。

圖4 雷電流雙指數(shù)模型Fig.4 Double exponential model of lightning current

2 基于小波包的雷電暫態(tài)特性分析

2.1 小波包分解重構(gòu)原理

利用小波包變換能可同時(shí)得到原信號(hào)的高頻分量和低頻分量的優(yōu)點(diǎn)[21]，將信號(hào)分解為不同頻帶分量，以反映不同故障信號(hào)下的內(nèi)部特征。小波包計(jì)算方法[22]為

小波包重構(gòu)計(jì)算公式為

2.2 波動(dòng)指數(shù)

波動(dòng)指數(shù)是數(shù)學(xué)上用來(lái)定義相鄰信號(hào)間差值總和的平均值，用于衡量信號(hào)變化強(qiáng)度，本文利用波動(dòng)指數(shù)來(lái)反映不同頻段瞬時(shí)能量信號(hào)的變化強(qiáng)度。具體方法為：選用db8小波基對(duì)故障信號(hào)進(jìn)行4層小波分解，計(jì)算得到16個(gè)不同頻段的信號(hào)分量；利用這16個(gè)頻段的信號(hào)分量瞬時(shí)能量的波動(dòng)指數(shù)構(gòu)建雷擊故障識(shí)別特征向量。波動(dòng)指數(shù)定義為

式中：M為采樣數(shù)據(jù)窗內(nèi)的采樣點(diǎn)數(shù)；El(a)為第l個(gè)頻段能量分量的第a個(gè)采樣點(diǎn)。

利用整流側(cè)兩極故障電壓突變量的16個(gè)頻帶瞬時(shí)能量波動(dòng)指數(shù)，構(gòu)建雷擊故障的識(shí)別特征向量F=(Fm1Fm2···Fm16Fn1Fn2···Fn16)1×32，其中，m 表示整流側(cè)正極，n表示整流側(cè)負(fù)極。

2.3 雷電暫態(tài)特性分析

因雷擊故障中雷電流多為負(fù)極性，根據(jù)電磁異性相吸原理，因此雷擊故障多為雷擊正極輸電線路，又分為繞擊和反擊兩種故障形式[23]，雷擊線路如圖5所示。反擊是雷電流擊中避雷線或者桿塔，如圖5（a）所示；繞擊是雷電流繞過(guò)避雷線擊中正極輸電線路如圖5（b）所示。

圖5 雷擊線路示意Fig.5 Schematic of lines under lightning strike

2.3.1 繞擊

0.5 s時(shí)刻，在距離整流側(cè)500 km處雷電流擊中正極輸電線，當(dāng)雷電流幅值Im為10 kA、發(fā)生繞擊未故障時(shí)，正負(fù)極絕緣子串都未發(fā)生閃絡(luò)，整流側(cè)保護(hù)安裝處兩極電壓波形如圖6（a）和圖6（b）所示。從圖6（a）和圖6（b）中可以看出，當(dāng)發(fā)生繞擊未故障時(shí)，整流側(cè)兩極電壓都疊加了大量上下波動(dòng)的逐漸衰減至電壓軸線的暫態(tài)信號(hào)。

當(dāng)雷電流幅值為40 kA發(fā)生繞擊正極故障時(shí)，正極絕緣子串發(fā)生閃絡(luò)，負(fù)極絕緣子串未發(fā)生閃絡(luò)。整流側(cè)正極電壓驟降并最終遠(yuǎn)離電壓軸線如圖6（c）所示；整流側(cè)負(fù)極電壓疊加大量上下波動(dòng)并逐漸衰減至電壓軸線的暫態(tài)信號(hào)如圖6（d）所示。

雷電流幅值為120 kA發(fā)生繞擊雙極故障，正負(fù)極絕緣子串皆閃絡(luò)，整流側(cè)正極電壓驟降并最終遠(yuǎn)離電壓軸線如圖6（e）所示；整流側(cè)負(fù)極電壓驟升并最終遠(yuǎn)離電壓軸線如圖6（f）所示。

圖6 繞擊兩極電壓波形Fig.6 Voltage waveforms of two poles when shielding failure occurs

距離整流側(cè)500 km，雷電流幅值10 kA的繞擊未故障、雷電流幅值40 kA繞擊正極故障和雷電流幅值120 kA繞擊雙極故障的波動(dòng)指數(shù)特征向量如圖7所示。從圖7可以看出，繞擊雙極故障的波動(dòng)指數(shù)幅值遠(yuǎn)大于繞擊正極故障的，繞擊正極故障的波動(dòng)指數(shù)幅值遠(yuǎn)大于繞擊未故障的。

圖7 繞擊波動(dòng)指數(shù)Fig.7 Volatility Index when shielding failure occurs

2.3.2 反擊

0.5 s時(shí)刻，在距離整流側(cè)500 km處發(fā)生雷擊桿塔，當(dāng)雷電流幅值Im為50 kA發(fā)生反擊未故障時(shí)，正負(fù)極絕緣子串都未發(fā)生閃絡(luò)，整流側(cè)保護(hù)安裝處兩極電壓波形如圖8（a）和圖8（b）所示。從圖8（a）和圖8（b）中可以看出，整流側(cè)兩極電壓都疊加了大量上下波動(dòng)的并逐漸衰減至電壓軸線的暫態(tài)信號(hào)。

圖8 反擊兩極電壓波形Fig.8 Voltage waveforms of two poles when back striking occurs

雷電流幅值為90 kA發(fā)生反擊正極故障時(shí)，正極絕緣子串發(fā)生閃絡(luò)，而負(fù)極絕緣子串未發(fā)生閃絡(luò)。整流側(cè)正極電壓驟降并最終遠(yuǎn)離電壓軸線如圖8（c）所示；整流側(cè)負(fù)極電壓疊加大量上下波動(dòng)并逐漸衰減至電壓軸線的暫態(tài)信號(hào)如圖8（d）所示。

雷電流幅值為120 kA發(fā)生反擊雙極故障，正負(fù)極絕緣子串皆發(fā)生閃絡(luò)，整流側(cè)正極電壓驟降并最終遠(yuǎn)離電壓軸線如圖8（e）所示；整流側(cè)負(fù)極電壓驟升并最終遠(yuǎn)離電壓軸線如圖8（f）所示。

距離整流側(cè)500 km，雷電流幅值50 kA的雷擊桿塔反擊未故障、雷電流幅值90 kA反擊正極故障和雷電流幅值120 kA反擊雙極故障的波動(dòng)指數(shù)特征向量如圖9所示。從圖9可以看出，反擊雙極故障的波動(dòng)指數(shù)幅值遠(yuǎn)大于反擊正極故障的，反擊正極故障的波動(dòng)指數(shù)幅值遠(yuǎn)大于反擊未故障的。

圖9 反擊波動(dòng)指數(shù)Fig.9 Volatility Index under back striking

2.3.3 普通接地故障

0.5 s時(shí)刻，在距離整流側(cè)保護(hù)安裝500 km處正極輸電線路發(fā)生金屬接地故障。當(dāng)接地電阻為300 Ω時(shí)兩極電壓波形如圖10所示，波動(dòng)指數(shù)特征向量如圖11所示。

圖10 普通接地故障兩極電壓波形Fig.10 Two-pole voltage waveforms under ordinary ground fault

圖11 普通接地故障波動(dòng)指數(shù)Fig.11 Volatility index under ordinary ground fault

從圖10可以看出，發(fā)生金屬接地故障時(shí)整流側(cè)正極電壓幅值驟降并最終遠(yuǎn)離電壓軸線；整流側(cè)負(fù)極電壓疊加的大量上下波動(dòng)并逐漸衰減至電壓軸線的暫態(tài)分量。普通接地故障與雷擊正極故障的暫態(tài)電壓信號(hào)類似，但因缺少高頻雷電流作用，暫態(tài)電壓信號(hào)中疊加的暫態(tài)分量含量和幅值都不及雷擊正極故障的。

從圖11可以看出，普通接地故障的波動(dòng)指數(shù)特征向量波形與雷擊正極故障相似，但是因缺少高頻雷電流作用，其中利用高頻信號(hào)的瞬時(shí)分量計(jì)算得到的波動(dòng)指數(shù)幅值小于雷擊正極故障的。

3 雷擊故障識(shí)別算法

3.1 Adaboost.M2集成學(xué)習(xí)算法

集成學(xué)習(xí)Adaboost.M2算法將訓(xùn)練得到的多個(gè)弱分類器，利用權(quán)值融合為一個(gè)強(qiáng)分類器，同時(shí)通過(guò)每一個(gè)樣本的權(quán)值實(shí)現(xiàn)準(zhǔn)確的分類[24]。具體步驟如下。

步驟1 樣本初始化。

總數(shù)為N的數(shù)據(jù)集(x1,y1),(x2,y2),…,(xN,yN)，其中xi表示樣本的特征向量，yi∈Y={1,2,…,K}表示樣本的標(biāo)簽類別，K為類別數(shù)。首次迭代樣本i的某個(gè)錯(cuò)誤標(biāo)簽y∈Y-yi的初始權(quán)重為

步驟2 計(jì)算偽損失。

在第t次迭代中，根據(jù)樣本分布Dt選擇新樣本，訓(xùn)練決策樹，得到弱分類器ht(x,y)，因此該樣本被錯(cuò)誤分類的概率為

ht在權(quán)重Dt分布下的偽損失為

步驟3 更新權(quán)重。

步驟4 組合生成強(qiáng)分類器。

經(jīng)過(guò)T次（T為基分類器個(gè)數(shù)）迭代得到的最終組合分類器，即

3.2 WOA-Adaboost.M2雷擊故障識(shí)別模型

將集成學(xué)習(xí)Adaboost.M2不同超參數(shù)組合為自變量x，利用鯨魚優(yōu)化算法WOA[25]進(jìn)行自變量x尋優(yōu)，避免人工反復(fù)試錯(cuò)的過(guò)程，提高雷擊故障的識(shí)別準(zhǔn)確率。建立的WOA-Adaboost.M2模型如圖12所示。

圖12 WOA-Adaboost.M2模型Fig.12 WOA-Adaboost.M2 model

WOA優(yōu)化Adaboost.M2算法步驟如下。

步驟1 利用小波包算法分解重構(gòu)不同頻段的瞬時(shí)能量，計(jì)算各頻段瞬時(shí)能量的波動(dòng)指數(shù)構(gòu)建雷擊故障訓(xùn)練集。

步驟2 種群初始化。將集成學(xué)習(xí)Adaboost.M2的基分類器個(gè)數(shù)T和學(xué)習(xí)率組合為自變量x，利用WOA對(duì)進(jìn)行自變量x尋優(yōu)。設(shè)置WOA的控制迭代次數(shù)為100，種群數(shù)目為30，種群中的每一個(gè)體對(duì)應(yīng)Adaboost.M2算法的基分類器個(gè)數(shù)T和學(xué)習(xí)率參數(shù)，其中基分類器個(gè)數(shù)T搜索區(qū)間設(shè)置為[1，300]，學(xué)習(xí)率搜索區(qū)間設(shè)置[0.01，0.99]。

步驟3 計(jì)算種群中個(gè)體的適應(yīng)度。將每個(gè)種群個(gè)體帶入Adaboost.M2中進(jìn)行訓(xùn)練并得到對(duì)應(yīng)的分類結(jié)果，采用五折交叉驗(yàn)證進(jìn)行評(píng)估，將交叉驗(yàn)證的平均分類精度作為適應(yīng)度函數(shù)，計(jì)算得到種群中個(gè)體的適應(yīng)度。

步驟4 根據(jù)最優(yōu)適應(yīng)度值確定當(dāng)前最優(yōu)鯨魚個(gè)體，通過(guò)模擬鯨魚個(gè)體鏡像螺旋或包圍運(yùn)動(dòng)的捕食方式進(jìn)行算法迭代，更新鯨魚個(gè)體位置，直至滿足最大迭代次數(shù)，最后輸出得到最優(yōu)個(gè)體。

3.3 雷擊故障識(shí)別算法步驟

智能故障識(shí)別算法如圖13所示，實(shí)現(xiàn)步驟如下。

步驟1 設(shè)置采樣頻率為10 kHz，采集整流側(cè)電壓信號(hào)，本文采用的500 kV高壓直流輸電線路模型，得到整流側(cè)正、負(fù)極電壓突變量。

步驟2 利用小波包算法分解重構(gòu)得到正、負(fù)極電壓信號(hào)16個(gè)頻段分量，計(jì)算各個(gè)頻段的瞬時(shí)能量。

步驟3 計(jì)算各頻段的瞬時(shí)能量故障行波到達(dá)后5 ms時(shí)間窗下50個(gè)采樣點(diǎn)的波動(dòng)指數(shù)，得到雷擊故障識(shí)別特征向量 F=(Fm1···Fm16Fn1···Fn16)1×32。

步驟4 為每個(gè)樣本向量貼上故障類型標(biāo)簽后作為WOA-Adaboost.M2模型的樣本數(shù)據(jù)，將訓(xùn)練樣本集輸入WOA-Adaboost.M2進(jìn)行訓(xùn)練，得到WOAAdaboost.M2識(shí)別模型。將測(cè)試樣本集輸入訓(xùn)練好的WOA-Adaboost.M2智能故障識(shí)別模型，驗(yàn)證得到的WOA-Adaboost.M2性能。故障識(shí)別算法流程如圖13所示。圖中LG代表雷擊干擾，LZ代表雷擊致正極故障，LS代表雷擊致雙極故障，PZ代表普通正極故障。

圖13 故障識(shí)別算法模型Fig.13 Model based on fault identification algorithm

4 仿真驗(yàn)證

為了驗(yàn)證本文所提的雷擊故障識(shí)別方案的有效性，在PSCAD/EMTDC中搭建如圖1所示500 kV的HVDC輸電系統(tǒng)模型，對(duì)雷擊正極故障、雷擊雙極故障、雷擊干擾和普通正極接地故障進(jìn)行仿真分析。

4.1 建立WOA-Adaboost.M2故障識(shí)別模型

利用小波包算法得到正、負(fù)極電壓突變量信號(hào)的16個(gè)頻段分量，計(jì)算行波到達(dá)后5 ms數(shù)據(jù)窗的各頻段分量瞬時(shí)能量的波動(dòng)指數(shù)，得到雷擊故障識(shí)別特征向量 F=(Fm1···Fm16Fn1···Fn16)1×32。每個(gè)樣本的輸入維度為1×32，樣本數(shù)據(jù)集的維度為1×32×N，N表示樣本集中的樣本總數(shù)。由不同的雷擊干擾、雷擊故障和普通接地故障組成的訓(xùn)練集如表2所示。

表2 WOA-Adaboost.M2模型的訓(xùn)練集Tab.2 Training set of WOA-Adaboost.M2 model

4.2 訓(xùn)練樣本測(cè)試結(jié)果分析

將訓(xùn)練集作為測(cè)試集輸入到訓(xùn)練好的WOAAdaboost.M2模型得到的分類結(jié)果如圖14所示。由圖14可見(jiàn)，本文選取的測(cè)試樣本在WOA-Adaboost.M2雷擊故障識(shí)別模型中均能正確識(shí)別分類。因此所建立的WOA-Adaboost.M2雷擊故障識(shí)別能準(zhǔn)確地識(shí)別雷擊干擾、雷擊正極故障、雷擊雙極故障和普通接地故障。

圖14 訓(xùn)練集測(cè)試分類結(jié)果Fig.14 Classification results of training set test

4.3 測(cè)試樣本識(shí)別結(jié)果分析

為了驗(yàn)證WOA-Adaboost.M2雷擊故障識(shí)別模型在不同情況下識(shí)別能力，分別將不同雷電流幅值、不同故障距離的故障特征輸入到訓(xùn)練好的WOA-Adaboost.M2模型中進(jìn)行故障識(shí)別，并對(duì)分類結(jié)果加以分析。

4.3.1 在不同雷電流幅值下算法性能測(cè)試

為了驗(yàn)證在不同雷電流幅值下WOA-Adaboost.M2雷擊故障識(shí)別模型的性能，選取不同雷電流幅值的雷擊未故障、雷擊正極故障和雷擊雙極故障以及不同過(guò)渡電阻下的普通接地故障四種故障類型進(jìn)行仿真。不同雷電流幅值下測(cè)試集如表3所示，故障識(shí)別結(jié)果如圖15所示。由圖15可見(jiàn)，在不同雷電流幅值下，WOA-Adaboost.M2雷擊故障識(shí)別模型準(zhǔn)確識(shí)別并正確分類，因此本文所提算法受雷電流幅值影響較小。

表3 不同雷電流幅值下測(cè)試集Tab.3 Test set under different amplitudes of lightning current

圖15 不同雷電流幅值下測(cè)試分類結(jié)果Fig.15 Test classification results under different amplitudes of lightning current

4.3.2 在不同故障距離下算法性能測(cè)試

為了驗(yàn)證在不同故障距離下WOA-Adaboost.M2雷擊故障識(shí)別模型的性能，選取距離整流側(cè)保護(hù)安裝處300 km和700 km處發(fā)生的雷擊未故障、雷擊正極故障、雷擊雙極故障和普通接地故障進(jìn)行仿真。不同故障距離下測(cè)試集如表4所示，故障識(shí)別結(jié)果如圖16所示。由圖16可見(jiàn)，在不同故障距離和不同雷電流幅值下，WOA-Adaboost.M2雷擊故障識(shí)別模型準(zhǔn)確識(shí)別并正確分類，因此本文所提算法受故障距離影響小。

表4 不同故障距離下測(cè)試集Tab.4 Test set under different fault distances

圖16 不同故障距離下測(cè)試分類結(jié)果Fig.16 Test classification results under different fault distances

4.4 算法對(duì)比

為了驗(yàn)證本文提出的算法的性能，選取原始GRNN（general regression neural network）和 Adaboost.M2與本文提出的算法進(jìn)行對(duì)比，訓(xùn)練樣本集如表2所示，測(cè)試集1為不同雷電流幅值下的測(cè)試集如表3所示，測(cè)試集2為不同故障距離下的測(cè)試集如表4所示。在實(shí)驗(yàn)室條件下基于上述仿真數(shù)據(jù)，從表5可知，GRNN和Adaboost.M2無(wú)法正確識(shí)別出所有故障類型，而本文提出的WOA-Adaboost.M2均能夠正確識(shí)別。因此本文提出的算法具有較好的性能。

表5 智能算法性能對(duì)比Tab.5 Comparison of performance among different intelligent algorithms

5 結(jié) 語(yǔ)

本文分析雷擊干擾、雷擊正極故障、雷擊雙極故障和普通接地故障的暫態(tài)信號(hào)，利用小波包算法分解重構(gòu)得到不同頻段的瞬時(shí)能量，計(jì)算各頻段瞬時(shí)能量的波動(dòng)指數(shù)，構(gòu)成雷擊故障識(shí)別特征向量。結(jié)合WOA-Adaboost.M2模型識(shí)別出雷擊干擾、雷擊正極故障、雷擊雙極故障和普通接地故障。仿真結(jié)果表明，本方案受故障位置和雷電流幅值影響較小。