我国电力系统经过无数专家学者的刻苦专研已经处于世界的领先地位,输电线路的建设也得到了繁荣的发展,输电线路作为故障率最高的部分,威胁着电力系统的安全稳定运行。短路故障是输电线路故障中发生最为频繁、最为严重的故障,重则引起系统振荡,甚至系统崩溃。因此需要在发生故障时,快速、准确的识别故障类型,是继电保护装置正确动作,准确切除故障的重要前提。输电线路故障诊断主要分为故障特征的提取与故障类型的诊断两个环节,目前较常用的特征提取方法有傅里叶分解、小波变换和经验模态分解等,然而,上述的方法均存在一定缺陷:傅里叶分解无法提取非线性型号的局部特征信息;小波变换需要人为确定分解尺度与基函数;经验模态分解可能出现模态混叠的现象会导致特征信息的缺失等。本文将变分模态分解(Variational Mode Decomposition,VMD)和样本熵相结合用于输电线路故障特征提取,既能够很好地完成故障信号的分析,又具有良好的噪声鲁棒性,VMD有效克服了上述信号分析方法的缺点,能够较好实现故障信号的处理,并应用样本熵来完成故障特征的提取,得到较为精确的故障特征。在故障识别模型的构建方面,传统的故障识别多用神经网络和支持向量机等模型实现。虽然取得过一些成果,但依然存在一些弊端:神经网络的收敛速度慢,容易陷入局部极小值;支持向量机构造多分类器较困难,对于实现多种类型的故障识别需要大量的训练时间。核极端学习机(Kernel Extreme Learning Machine,KELM)具有更高的学习速率和测量精度,更好的泛化能力,可以有效克服传统模型在进行多故障类型诊断时学习速率较慢、诊断精度不高等弊端。将VMD和样本熵结合提取的故障特征输入核极端学习机,能有效实现电力系统输电线路短路故障诊断,而且收敛时间短、诊断精度高、泛化能力强。最后,以MATLAB软件构建了实验平台模拟新疆电网某段输电线路,设置了单相短路、两相短路、两相接地短路以及三相短路等几种故障类型并获取实验数据,应用提出的VMD和样本熵方法进行特征提取,利用VMD对获取的实验数据进行分解,计算分解后分量的样本熵值作为特征向量;然后将提取的特征分别应用到本文提出的核极端学习机诊断模型以及传统模型中进行实验验证、比较,仿真表明:本文提出的特征提取发方法和诊断模型对比传统方法和模型具有更快的诊断速率,更为理想的合理性、适应性和较高的诊断精度。该论文有图30幅,表14个,参考文献64篇