基于深度學習的特高壓三端混合直流輸電線路波形特征故障區域判別方法

陳仕龍，吳 濤，王朋林，高敬業，畢貴紅，羅靈琳

（昆明理工大學電力工程學院，昆明 650500）

多端混合直流輸電系統采用電網換相換流器LCC（line commutated converter）作為直流功率輸送端，多個模塊化多電平換流器MMC（modular multi?level converter）作為直流功率受端，綜合了傳統直流換流技術成熟、運行成本低和柔性直流調節性能好、輸出波形質量高等優點[1?3]。多端混合直流輸電系統充分發揮傳統直流和柔性直流輸電技術的優勢，成為解決大規模新能源并網和功率送出消納的新方法，也是多端混合直流輸電系統在今后直流輸電系統中的重要發展方向。

在實際的多端混合直流輸電工程中，需要直流架空線路進行遠距離大容量功率傳輸，且直流架空線路的故障概率較高[4]。由于多端混合直流輸電線路T 區邊界不明顯，使T 區匯流母線兩側直流線路故障的準確識別常常面臨較大的困難[5]。因此，國內外學者開始對多端直流架空線路的故障區域識別方法進行研究，文獻[6]提出利用行波相位特性差異的三端混合直流線路單端量故障區域識別方案，所提故障區域識別方案具有較高的速動性和可靠性，且具有較高的靈敏度；文獻[7]利用不同采樣頻率下的時域電壓行波幅值比差異來區分區內故障和區外故障，該方案具有較強的耐受過渡電阻能力，可適用于雙端和多端直流系統。以上直流線路故障區域識別方法雖各有特色，但均需人工對故障區域識別判據的閾值進行理論分析和整定，閾值整定困難，工作量較大，且所需測量點較多。

近年來，人工智能算法逐漸應用于直流系統故障區域識別領域。基于人工智能算法的故障區域識別方案通過對直流系統進行故障特性分析，提取典型故障特征量，再利用人工智能網絡輸出故障區域識別結果，具有較高的故障識別精度[8?9]，可用于直流系統的故障區域識別；文獻[10]選取直流電壓及母線電壓的高頻暫態能量和作為輸入特征量，構建門控循環單元網絡模型，從而實現多端柔性直流線路的故障區域識別，該方法故障區域識別精度高，抗干擾能力強；文獻[11]提出基于堆疊自編碼器的四端柔性直流線路單端量故障區域識別方案，將輸入電壓反行波訓練堆疊自編碼器網絡，由輸出結果實現故障區域判斷，該方案具備一定的耐受過渡電阻能力和抗雷擊干擾能力。

本文提出一種利用深度學習及波形特征進行特高壓三端混合直流輸電線路故障區域識別方法。首先，對線路不同區域故障時的故障特征差異進行分析處理；其次，對線模電壓和線模電流進行多尺度小波分解，提取線模電流中低頻分量和線模電壓高頻分量，并結合正負極電壓波形特征，組成深度學習模型的輸入特征量，將故障區域作為輸出量；然后，利用訓練過的深度學習模型對獲取的故障特征量進行處理，以實現故障區域識別的目的；最后，通過大量仿真驗證了本文方法的可行性與準確性。

1 輸電系統拓撲

本文以昆柳龍±800 kV 特高壓三端混合直流輸電工程為背景，送端為云南昆北換流站，輸送功率為8 000 MW；受端為廣西柳北換流站和廣東龍門換流站，分別消納功率3 000 MW、5 000 MW；輸電線路全長為1 450.4 km，其系統拓撲結構如圖1 所示。

圖1 特高壓三端混合直流輸電系統拓撲示意Fig.1 Schematic of topology of three-terminal hybrid UHVDC transmission system

圖1 中，f1～f10為不同故障區域；L1～L4為不同架空線路。系統參數如表1、2所示，架空線L1長度為908.4 km，架空線L2長度為542 km。

表1 系統主要參數Tab.1 Main parameters of system

表2 MMC 換流站主要參數Tab.2 Main parameters of MMC converter station

送端采用LCC，單極換流單元由2個12脈動換流器串聯組成。受端采用MMC，單極換流單元由2個MMC串聯組成，每個MMC 由全橋子模塊和半橋子模塊級聯而成，該結構輸出電壓更逼近正弦波，諧波含量低。在圖1 中，將測量點M1、M2、M3、M4配置在柳北站直流出口T區左右兩側，本文對高壓直流輸電工程中較為普遍的單極接地故障進行研究。架空直流線路正負極之間存在耦合，為了方便分析，對獲取到的極線電氣量進行相模變換處理[12]，即

式中：uG1、uL1分別為測量點M1處的地模電壓和線模電壓；uP1、uN3分別為測量點M1處的正極電壓和M3處的負極電壓；iG1、iL1分別為測量點M1處的地模電流和線模電流；iG2、iL2分別為測量點M2 處的地模電流和線模電流；iP1、iP2分別為測量點M1、M2處的正極電流；iN3、iN4分別為測量點M3、M4 處的負極電流。

2 直流線路各區域故障特征分析

2.1 T 區故障特征分析

對于并聯型特高壓三端混合直流輸電系統而言，其存在如圖1中的f9匯流區?T區匯流母線這一特殊結構。由于T區兩側所連接線路L1和L2之間邊界條件較弱，造成T 區兩側線路故障難以識別，如何對T區兩側線路故障進行準確識別至關重要。

文獻[13]研究發現T區邊界對線模電流的中低頻分量具有明顯的衰減作用，可運用這一特性來判別T區故障區域。T區換流器對線模電流的中低頻段有衰減作用，那么T區兩側測量裝置得到的線模電流中低頻分量的波形變化特征必然不同，利用線模電流中低頻分量的波形變化特征可以進行故障區域判別。

為了利用T 區兩側線模電流中低頻分量的波形變化特征差異進行T區故障區域識別，需要結合具體直流輸電系統，確定故障線模電流經過T區的低頻段對應的具體衰減頻帶。當直流線路L1故障時，參照文獻[13]對T區等值電路的分析，結合本文直流輸電系統，推導出T區傳遞函數H(s)的表達式為

式中：ΔI1(s)為T 區左側測量點M1 得到的線模電流；ΔI2(s)為T 區右側測量點M2 得到的線模電流；Z2為線路L2的線模波阻抗；Z3為T區的等值阻抗；Ld為T 區平波電抗器的電抗值；Req、Leq、Ceq均為T 區換流器的等值參數。MMC1相關參數如表3所示。

表3 MMC1 等值參數Tab.3 Equivalent parameters of MMC1

由式（2）繪制T區電流傳遞函數的幅頻特性曲線如圖2所示。

圖2 幅頻特性曲線Fig.2 Amplitude-frequency characteristic curve

由圖2可知，|H(jω) |在中低頻段即40～80 Hz左右大幅衰減，表明線模電流中低頻分量即40～80 Hz的頻率分量經過T區會大幅衰減。

對測量點得到的線模電流進行小波分解，因db4小波運算速度快、支撐性好，故采用db4小波函數進行五層分解。本文將采樣頻率設置為20 kHz，數據時間窗設置為5 ms，故障發生時刻為1 s。根據小波分解原則，第8 尺度細節系數對應的頻帶為39.062 5～78.125 0 Hz，在T 區傳遞函數的衰減頻帶范圍內。因此，線模電流經過小波分解后，第8尺度細節系數d8即為線模電流中低頻分量，其經過T區會發生衰減。當線路L1區內發生故障以后，測量點M1 得到的線模電流中低頻分量ILM1及測量點M2 得到的線模電流中低頻分量ILM2的波形如圖3所示。

圖3 T 區左側線路故障線模電流中低頻分量Fig.3 Low-and medium-frequency components of line mode current under line fault on left side of T zone

由圖3 可知，T 區左側線路發生故障以后，T 區左側測量點M1得到的線模電流中低頻分量和T區右側測量點M2得到的線模電流中低頻分量的波形幅值均減小，且T 區左側波形幅值大于T 區右側波形幅值，這是因為線模電流中低頻分量經過T區會衰減。

當T區區內f9和線路L2區外f4發生金屬接地故障時，測量點M1、M2 得到的線模電流中低頻分量的波形圖如圖4、5所示。由圖4可知，T區區內發生故障以后，T區左側測量點M1得到的線模電流中低頻分量的波形幅值增大，T區右側測量點M2得到的線模電流中低頻分量的波形幅值減小。由圖5可知，T區右側線路發生故障以后，T區左側測量點M1 得到的線模電流中低頻分量和T 區右側測量點M2 得到的線模電流中低頻分量的波形幅值均增大，且T區右側波形幅值的絕對值大于左側波形幅值的絕對值，這是因為線模電流中低頻分量經過T區會產生衰減。因此，可以利用故障發生后，T區左側測量點M1 和右側測量點M2 得到的線模電流中低頻分量的波形特征差異識別T區故障區域。

圖4 T 區區內故障線模電流中低頻分量Fig.4 Low and medium frequency components of line mode current under fault in T zone

圖5 T 區右側線路故障線模電流中低頻分量Fig.5 Low and medium frequency components of line mode current under line fault on right side of T zone

2.2 昆北側直流線路區內和區外故障特征分析

圖1中的直流線路L1區內f1和區外f2之間存在平波電抗器和直流濾波器，兩者組成了線路L1區內和區外的物理邊界，此邊界對線模電壓高頻分量有明顯的衰減作用[14]，可利用測量點M1 處線模電壓高頻分量的波形變化特征差異判別線路L1或L3的區內和區外故障（故障距離l為故障點到測量點M的距離）。

若線路L1區內f1(l=300 km)處區外發生金屬接地故障，采用db4 小波對測量點M1 得到的線模電壓uL1進行五層小波分解，因第1尺度細節系數d1為最高頻帶分量，直流邊界對最高頻分量的衰減作用更強，故本文采用線模電壓第1尺度細節系數即線模電壓高頻分量，第1尺度細節系數對應頻帶為5～10 kHz。線路L1發生區內外故障后，線模電壓高頻分量ULM1波形如圖6所示。

圖6 線路L1 區內外故障線模電壓高頻分量波形Fig.6 High-frequency component waveform of line mode voltage under fault inside or outside the line L1

由圖6可知，當線路區內故障時，測量點M1得到的線模電壓高頻分量幅值變化大，波形變化不規則；當線路區外故障時，測量點M1得到的線模電壓高頻分量幅值接近0，波形變化趨于直線。因此，可通過M1、M3檢測到的線模電壓高頻分量波形特征的差異來識別線路L1、L3的區內外故障。

2.3 龍門側直流線路區內和區外故障特征分析

圖1中的直流線路L2區內f3和區外f4之間存在平波電抗器，平波電抗器作為直流邊界元件，同樣對線模電壓高頻分量存在明顯衰減作用，可利用測量點M1處線模電壓高頻分量的波形變化特征差異判別線路L2或L4的區內和區外故障。

若線路L2區內f3（l=400 km）和區外f4處發生金屬接地故障，采用db4 小波對測量點M1 得到的線模電壓uL1進行五層小波分解，線模電壓第1尺度細節系數，即線模電壓高頻分量ULM1波形如圖7所示。

圖7 線路L2 區內外故障線模電壓高頻分量波形Fig.7 High-frequency component waveform of line mode voltage under fault inside or outside the line L2

圖7中，當線路L2區內故障時，測量點M1得到的線模電壓高頻分量幅值變化較大，波形變化極不規則；當線路區外故障時，測量點M1得到的線模電壓高頻分量幅值接近0，波形變化趨于直線。因此，可通過M2、M4檢測到的線模電壓高頻分量波形特征的差異來識別線路L2、L4的區內外故障。

2.4 直流線路單極故障特征分析

對于直流雙極系統，當一條極線發生接地故障時，故障極線路電壓比健全極線路電壓幅值變化明顯，波形振蕩更劇烈。因此，可利用測量點M1、M3得到的正極電壓故障波形、負極電壓故障波形進行故障極判別。

若線路L1區內f1（l=300 km）處和線路L4區內f7（l= 400 km）處發生金屬接地故障，測量點M1、M3 得到的正極電壓uP故障波形、負極電壓uN故障波形如圖8 所示。由圖8 可知，直流線路故障時，故障極電壓幅值變化較大，波形偏離額定電壓；健全極電壓幅值變化較小，波形圍繞額定電壓上下變化并最終趨于額定電壓。因此，可以利用故障發生后，測量點M1、M3 得到的正極電壓故障波形和負極電壓故障波形特征差異進行故障選極。

圖8 線路單極故障時正負極電壓波形Fig.8 Positive and negative voltage waveforms under line unipolar faults

正極電壓故障波形和負極電壓故障波形特征差異在所有情況下均會存在，若在某些特定情況下波形特征差異較弱，可通過定量計算分析正負極電壓變化量的差異，從而進行故障選極。以直流線路正極發生極對地故障為例，正負極電壓變化量可表示為

式中：| ΔuP|為正極電壓變化量；| ΔuN|為負極電壓變化量；Zd、Zx分別為地模波阻抗和線模波阻抗；Rg為過渡電阻；E為正常運行時的對地電壓。由于Zd+Zx＞Zd?Zx，故|ΔuP|＞|ΔuN|；同理，直流線路負極發生極對地故障時，| ΔuP|＜|ΔuN|。為了減小測量誤差，本文對故障后4 ms數據窗內的電壓變化量進行積分。

2.5 直流線路雙極故障特征分析

對于雙極系統，當發生雙極接地故障時，正負極電壓均將發生波動，可利用測量點M1、M3 得到的正負極電壓波形判斷雙極故障。

若線路L1區內f1（l=300 km）處和線路L4區內f7（l= 400 km）處發生雙極接地故障，測量點M1、M3得到的正極電壓uP故障波形和負極電壓uN故障波形如圖9 所示。由圖9 可知，直流線路雙極故障時，正負極電壓幅值均變化較大，波形偏離額定電壓，雙極故障電壓跌落情況大體一致，可以利用此特征對雙極故障進行判別。

圖9 線路雙極故障時正負極電壓波形Fig.9 Positive and negative voltage waveforms under line bipolar faults

綜合本文第2.4節和第2.5節，可利用故障后測量到的正極電壓故障波形和負極電壓故障波形的變化情況是否具有一致性來判斷是單極故障還是雙極故障。若判斷為單極故障，則進一步按第2.4節的分析判斷方法進行故障選極。

3 故障區域識別方法

3.1 網絡模型的構建

卷積神經網絡CNN（convolutional neural net?works）是以卷積層、池化層為基礎的具有權值共享等特性的深度神經網絡，網絡權值數量少、結構簡單，可以自動提取時間序列數據中的有效特征信息，發現數據樣本之間的特征差異，但當時間序列數據波動性較大時，單一CNN難以較好地挖掘數據中的重要信息。相較于卷積神經網絡，長短期記憶LSTM（long short?term memory）神經網絡在波動性較大的時間序列數據建模方面表現更為優異。將CNN提取的初步特征輸入到LSTM中能夠更好地挖掘時間序列數據中更深層次和更抽象的特征，并且充分發現數據樣本之間的相互關系，大幅度提高模型的識別準確率[15]。

根據第2 節的分析可知，通過T 區左側測量點和右側測量點得到的線模電流中低頻分量的波形特征差異可識別T區故障區域；M1、M3檢測到的線模電壓高頻分量波形特征的差異可識別線路L1、L3的區內外故障，M2、M4檢測到的線模電壓高頻分量波形特征的差異可識別線路L2、L4的區內外故障；測量點M1、M3的正極電壓uP故障波形和負極電壓uN故障波形的特征差異可用于故障選極。故本文將ILM1、ILM2、ULM1、uP和uN作為CNN 與LSTM 混合神經網絡CNN?LSTM（convolutional neural networks ?long short term memory） 的 輸 入 量 ，即X=[ILM1ILM2ULM1uPuN]。為實現故障區域f1～f10的識別，本文CNN?LSTM 網絡設計10 個輸出結果，輸出量為Y=(y1,y2,y3,y4,y5,y6,y7,y8,y9,y10)，y1～y10為每個輸入量X歸屬故障區域f1～f10的概率。f1～f10發生故障時，卷積遞歸網絡預測結果如表4所示。

表4 卷積遞歸網絡預測結果Tab.4 Prediction results based on convolutional recurrent network

本文構建的CNN?LSTM網絡模型如圖10所示，其主要包括1個輸入層，2個CNN層，1個LSTM層，1個輸出層。

圖10 CNN-LSTM 網絡結構Fig.10 Structure of CNN-LSTM network

3.2 CNN-LSTM 網絡模型的訓練

參考烏東德等實際工程方案，本文設置采樣頻率為20 kHz，故障發生時刻為1 s。為便于觀察對比故障前后的波形變化和滿足故障數據分析的需要，測量點處每個電氣量選取故障前1 ms和故障后4 ms 的數據時間窗，采樣點個數為100，此時，輸入量X為一個100×5 的矩陣。由于輸入量X中各數值之間差異較大，為了提高網絡對故障區域的識別精度，對輸入量X進行歸一化處理[16]，即

輸入量X的獲取綜合考慮故障區域、故障距離（變化步長為100 km）和過渡電阻（0.01～300 Ω，步長為50 Ω）等影響因素，以保證訓練樣本的充足性；利用充足的訓練樣本訓練CNN?LSTM網絡模型，使其挖掘不同樣本之間的特征差異，進行故障區域f1～f10的識別。

在MATLAB 平臺中設計卷積遞歸網絡模型以及誤差函數和最優算法，根據訓練結果調整模型的網絡參數（CNN 層數、卷積核大小、卷積核個數、LSTM 層數、LSTM 單元數）和訓練參數（迭代次數、批量大小、初始學習率），最終確定識別效果較優的CNN?LSTM網絡模型，其參數如表5所示。

表5 模型參數Tab.5 Model parameters

在PSCAD平臺中進行故障仿真，生成272個訓練樣本，對CNN?LSTM 網絡模型進行訓練，訓練結果如圖11、12 所示。由圖11、12 可知，準確率隨著迭代次數的增加而提高，當迭代次數達到200 次以上時，準確率趨近于1，損失值接近為0。

圖11 訓練集損失值曲線Fig.11 Loss curve of training set

圖12 準確率變化曲線Fig.12 Accuracy curve

本文算法流程如圖13 所示。CNN?LSTM 深度學習網絡模型訓練完成以后，將網絡模型進行保存，直流線路不同故障區域f1～f10發生故障以后，對故障數據進行采樣和處理，得到輸入量X，然后輸入到保存的CNN?LSTM網絡模型，根據模型的輸出結果判別故障區域。

圖13 本文算法流程Fig.13 Flow chart of the proposed algorithm

4 仿真驗證

根據工程實際參數搭建昆柳龍多端混合直流輸電系統模型。測量裝置的采樣頻率取20 kHz、數據窗長取5 ms。為進一步驗證本文CNN?LSTM 網絡模型的普適性，對不同故障區域f1～f10、不同故障距離和不同過渡電阻進行仿真測試，測試樣本與訓練樣本不同。

4.1 故障距離對CNN-LSTM 故障識別算法的影響

為探究本文故障識別算法在不同故障距離處的適應情況，在線路L1距離測量點M1 為35 km、368 km、750 km 處和線路L1區外設置單極接地故障，過渡電阻為0.01 Ω。測量點M1、M2 得到的線模電流中低頻分量波形如圖14 所示。由圖14 可知，當線路L1區內不同故障距離和區外發生故障時，T 區左側測量點M1和右側測量點M2 得到的線模電流中低頻分量波形的幅值均減小，符合第2.1節分析的T 區區外左側線路故障時測量點M1、M2處線模電流中低頻分量的波形特征。

圖14 不同故障距離下線模電流中低頻分量波形Fig.14 Waveforms of low-and medium-frequency components of line mode current at different fault distances

圖15 為測量點M1 在線路L1接地故障情況下所得到的線模電壓的高頻分量波形。由圖15 可知，線路L1區內不同位置故障時，測量點M1得到的線模電壓高頻分量波形的幅值均大于線路L1區外故障時線模電壓高頻分量波形的幅值，且區內故障時波形變化極不規則，區外故障時波形趨于一條直線，符合第2.2 節分析的線路區內外故障時測量點M1得到的線模電壓高頻分量的波形特征。

圖15 不同故障距離下線模電壓高頻分量波形Fig.15 High-frequency component waveforms of line mode voltage at different fault distances

圖16為測量點M1、M3所得到的正負極電壓在線路L1接地故障情況下的波形。

圖16 不同故障距離下正負極故障電壓波形Fig.16 Positive and negative fault voltage waveforms at different fault distances

由圖16 可知，當昆北側正極線路在不同位置發生故障后，正極電壓發生較大變化，波形也明顯偏離額定電壓。測量點M3得到的負極電壓波形的幅值變化小，波形圍繞額定電壓上下變化并最終趨于額定電壓，符合第2.4 節分析的線路正極故障時測量點M1、M3得到的正負極故障電壓的波形特征。

綜上可知，同一故障區域內的不同故障距離下，測量點M所得到的6個特征量具有相似的波形變化特征，不受故障距離影響。

計算線路L1區內不同距離和區外故障下的輸入量X，將其輸入到保存的CNN?LSTM 網絡模型，模型的輸出結果如表6 所示。由表6 可知，CNN?LSTM 網絡模型可準確識別線路L1區內故障f1和區外故障f2，不受故障距離的影響。這是因為同一故障區域下測量點M 得到的輸入量X具有相似的波形特征，該相似特征已被訓練完成的CNN?LSTM網絡模型掌握。

表6 不同故障距離的測試結果Tab.6 Test results at different fault distances

4.2 過渡電阻對CNN-LSTM 故障識別算法的影響

基于CNN?LSTM 網絡模型的故障識別算法需要分析其對高阻接地故障的靈敏性。在線路L1區內f1（l=368 km）處發生非金屬接地故障，過渡電阻取值為0.01 Ω、100 Ω、500 Ω、800 Ω。圖17 為測量點M1、M2所獲取的線路模態電流中低頻分量波形。由圖17 可知，當線路L1區內不同過渡電阻取值下發生故障時，測量點M1、M2 得到的線模電流中低頻分量波形的幅值均減小，符合第2.1 節的故障特征分析。圖18 為測量點M1 所獲取的線路模態電壓高頻分量的波形。由圖18 可知，測量點M1得到的線模電壓高頻分量波形幅值均大于線路L1區外經0.01 Ω 接地故障時線模電壓高頻分量的波形幅值（見圖15），且區內故障時波形變化極不規則，符合第2.2節的故障特征分析。

圖17 不同過渡電阻下線模電流中低頻分量波形Fig.17 Waveforms of low-and medium-frequency components of line mode current with different transition resistances

圖18 不同過渡電阻下線模電壓高頻分量波形Fig.18 High-frequency component waveforms of line mode voltage with different transition resistors

圖19為測量點M1、M3所獲取的正負極電壓在發生故障時的波形。由圖19 可知，線路L1的同一位置在不同過渡電阻下正極發生故障時，測量點M1 得到的正極電壓波形的幅值變化較大，波形偏離額定電壓；測量點M3 得到的負極電壓波形的幅值變化較小，波形圍繞額定電壓上下變化并最終趨于額定電壓，符合第2.4節的故障特征分析。

圖19 不同過渡電阻下正負極故障電壓波形Fig.19 Positive and negative fault voltage waveforms with different transition resistances

在圖19 中，過渡電阻取值為500 Ω 和800 Ω時，測量點M1、M3 所獲取的正負極電壓在發生故障時的波形變化仍具有相同變化趨勢，但已較為平緩，可用式（3）計算出測量點M1、M3得到的正極電壓變化量的積分數值和負極電壓變化量的積分數值進行故障選極。在過渡電阻為500 Ω 時，正負極電壓變化量積分數值分別為7.24×103和1.13×103；在過渡電阻為800 Ω 時，正負極電壓變化量積分數值分別為5.48×103和0.87×103。按第2.4節分析，直流線路正極故障與上述分析一致，因此，正負極直流線路不同位置發生極對地故障時，可以利用測量點M1 和M3 得到的正負極電壓變化量的特征差異進行故障選極。綜上，隨著過渡電阻的增大，波形幅值的變化較大，而波形形狀的變化較小，采用波形形狀進行故障區域判別可大幅度提高耐受過渡電阻的能力。

計算線路L1區內不同過渡電阻取值下的輸入量X，將其輸入到保存的CNN?LSTM 網絡模型，模型的輸出結果如表7所示。

表7 不同過渡電阻的測試結果Tab.7 Test results of different transition resistances

由表7 可知，在不同過渡電阻取值下，CNN?LSTM 網絡模型可準確識別故障區域，在過渡電阻為800 Ω 的條件下，CNN?LSTM網絡模型仍能有效識別故障區域，該方法靈敏度較高。

4.3 不同故障區域和故障類型對CNN-LSTM 故障識別算法的影響

為綜合考慮不同故障區域和不同故障類型（正極接地故障、負極接地故障和雙極故障）下CNN?LSTM 網絡模型的可靠性，對不同區域和故障類型進行故障仿真。計算輸入量X，將其輸入到保存的CNN?LSTM 網絡模型，得到模型的輸出結果如表8所示。仿真分析均基于高壓直流輸電工程中較為普遍的單極接地故障展開，為驗證本文方法對不同類型故障具有普適性，表8中補充了以線路L1雙極故障為例，在不同故障距離和過渡電阻下的故障識別測試結果。其余線路的雙極故障分析方法類似，本文不再贅述。

由表8 可以看出，在同一故障類型下（單極故障），當故障距離和過渡電阻變化時，CNN?LSTM網絡模型能夠準確地識別不同故障區域。即使在過渡電阻為750 Ω 的情況下，識別結果依然準確，可見該故障識別方法靈敏度高，耐過渡電阻能力強，能夠準確地反映不同故障區域，從而實現對故障區域的判別。對于不同類型的單極故障和雙極故障，本文方法均能較好地識別。

4.4 噪聲干擾對CNN-LSTM 故障識別算法的影響

高噪聲會干擾測量裝置得到的采樣信號，引起故障識別方法對故障區域的判別不準確。為驗證本文所提CNN?LSTM 故障識別方法耐受高噪聲的能力，直流線路不同區域f1～f10發生接地故障時，在測量點M 得到的直流電壓和直流電流數據中添加30 dB的白噪聲，計算得到輸入量X并將其輸入到保存的CNN?LSTM網絡模型，可得模型輸出結果如表9所示。

表9 噪聲干擾下的測試結果Tab.9 Test results under noise interference

由表9可知，在30 dB白噪聲的影響下，本文提出的CNN?LSTM 網絡模型依然能夠對故障區域進行準確識別，具有一定的抗噪聲干擾能力。

4.5 與烏東德實際工程故障檢測方法對比分析

根據《烏東德電站送電廣東廣西特高壓多端直流示范工程?三端混合直流控制保護策略研究》報告，烏東德實際工程中的直流線路保護裝置是利用直流電壓變化率和變化量構建保護判據進行故障檢測。該方法不僅需要站間通信，而且需要與匯流母線保護相互配合，才能準確辨別是T區匯流母線故障還是線路故障。

當線路L2區內f3（l=300 km）處經0.01 Ω 發生接地故障時，測量點M1、M2 測得的直流電壓變化量和直流電壓變化率如圖20所示。由圖20可以看出，在T 區匯流母線左右側直流線路發生故障時，測量點M1、M2得到的直流電壓變化量和直流電壓變化率波形的變化基本一致。烏東德實際工程在單極昆柳段線路兩端和柳龍段線路兩端共配置了4套線路保護裝置，這4套保護裝置在相互配合的情況下能夠實現單極兩段線路的全線速動保護。但烏東德實際工程的T區邊界并不明顯，若按烏東德工程的故障檢測方法，利用直流電壓變化量和變化率構建保護判據，則將無法判斷是T區匯流母線左側線路故障還是右側線路故障。

圖20 故障時直流電壓變化量和變化率波形Fig.20 Waveforms of DC voltage variation and change rate during fault

本文提出的直流輸電線路故障檢測方法只需在T 區兩側配置兩套保護裝置就能夠實現單極兩段線路的全線速動保護，為電力系統故障檢測方法提供了新思路。但若應用于實際工程，本方法還需在工程普適性、計算快速性和可靠性等方面進一步研究。

5 結 論

為解決三端混合直流輸電線路故障區域識別中存在的難以區分T區兩側故障、耐過渡電阻能力弱和閾值整定困難的問題，本文提出一種利用深度學習及波形特征進行特高壓三端混合直流輸電線路故障區域識別方法，并進行了大規模仿真驗證。主要結論如下。

（1）利用小波變換提取故障前后數據窗長內的線模電流中低頻分量和線模電壓高頻分量，結合正負極故障電壓，得到不同故障區域的波形特征量；由于不同故障區域下波形特征量差異顯著，以此判別故障區域。

（2）本文所提出的CNN?LSTM網絡能夠準確識別特高壓多端混合直流輸電線路故障區域，并且識別準確度基本不受故障距離和過渡電阻的影響。