應(yīng)用LSTM-RNN 的特高壓直流輸電系統(tǒng)繼電保護(hù)故障檢測(cè)方法

摘 要： 為解決傳統(tǒng)特高壓直流保護(hù)對(duì)高阻故障檢測(cè)準(zhǔn)確率不高、故障檢測(cè)時(shí)間過(guò)長(zhǎng)以及故障選極不完善的問(wèn)題，提出基于長(zhǎng)短時(shí)記憶（ long short term memory，LSTM） 循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN）的特高壓直流輸電線路繼電保護(hù)故障檢測(cè)方法。首先，基于快速傅里葉變換分析特高壓直流輸電系統(tǒng)暫態(tài)故障特征，使用相模變換和小波變換提取出故障特征量作為輸入數(shù)據(jù)。其次，將輸入數(shù)據(jù)輸入到LSTM-RNN 中進(jìn)行前向傳播，對(duì)系統(tǒng)故障特征進(jìn)行深度學(xué)習(xí)，同時(shí)使用反向傳播方式更新網(wǎng)絡(luò)參數(shù)，將深層的特征量輸入到Softmax 分類器中進(jìn)行分類，把故障識(shí)別分成區(qū)外故障、母線故障和線路故障，故障分類為正極故障、負(fù)極故障和雙極故障，并輸出識(shí)別結(jié)果。最后，在PSCAD/EMTDC 仿真條件下，搭建特高壓直流輸電模型。驗(yàn)證結(jié)果表明：所提的方法在特高壓直流輸電線路繼電保護(hù)的故障檢測(cè)、故障選極上具有更好的效果，相比于人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，故障識(shí)別準(zhǔn)確率分別提升4.71%、6.57%、9.32%。

關(guān)鍵詞： LSTM-RNN; 特高壓直流輸電線路; 繼電保護(hù); 快速傅里葉變換; 故障識(shí)別

中圖分類號(hào)： TB9; TM73 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1674–5124（2025）03–0177–08

0 引 言

特高壓直流輸電具有傳輸距離長(zhǎng)、傳輸容量大等優(yōu)點(diǎn)，為解決我國(guó)電力資源與負(fù)荷中心部分不平衡的突出問(wèn)題發(fā)揮著重要作用，我國(guó)各電壓等級(jí)的直流輸電系統(tǒng)的研發(fā)與建設(shè)都取得了長(zhǎng)足的進(jìn)步[1-2]。同時(shí)，隨著“雙碳”目標(biāo)的推進(jìn)，高比例分布式電源大量接入特高壓直流近區(qū)，給電網(wǎng)的安全穩(wěn)定運(yùn)行帶來(lái)了挑戰(zhàn)[3]，直流輸電發(fā)生故障的風(fēng)險(xiǎn)增大。為有效保障特高壓直流輸電的安全穩(wěn)定運(yùn)行，需要進(jìn)一步研究特高壓直流輸電線路繼電保護(hù)故障檢測(cè)技術(shù)。

針對(duì)特高壓直流輸電線路保護(hù)問(wèn)題，國(guó)內(nèi)外學(xué)者開展了大量研究。文獻(xiàn)[4] 利用高頻暫態(tài)電壓能量區(qū)分線路區(qū)內(nèi)和區(qū)外故障，但是該方法不能有效保護(hù)線路全長(zhǎng)故障，因長(zhǎng)距離輸電時(shí)會(huì)出現(xiàn)高頻分量減弱，進(jìn)而線路末端的故障會(huì)失去檢測(cè)能力。文獻(xiàn)[5] 使用小波變換技術(shù)提取高、低頻電壓信號(hào)，可使用多種保護(hù)判據(jù)，能夠有效保護(hù)線路全長(zhǎng)，但該方法判據(jù)復(fù)雜，容易出現(xiàn)配合錯(cuò)誤的保護(hù)誤動(dòng)作，且實(shí)際中小波變換對(duì)非線性信號(hào)處理能力欠佳，因此在直流輸電中應(yīng)用范圍有限。文獻(xiàn)[6-7] 將疊加原理提取的突變量應(yīng)用于直流保護(hù)中，但是疊加原理和小波變換一樣，對(duì)非線性直流輸電線路適應(yīng)性不夠。文獻(xiàn)[8-9] 整合突變量特性進(jìn)行線路保護(hù)，但該方法容易受到通信干擾。

近年來(lái)，隨著人工智能技術(shù)的快速發(fā)展，基于人工智能的電網(wǎng)故障特性分析得到了一定應(yīng)用[10-11]。其中深度學(xué)習(xí)因其具有很強(qiáng)的數(shù)據(jù)挖掘和非線性學(xué)習(xí)能力，在高壓直流保護(hù)領(lǐng)域中取得了一定的成果[12-13]。文獻(xiàn)[14] 利用3 個(gè)深度神經(jīng)網(wǎng)絡(luò)分別實(shí)現(xiàn)故障識(shí)別、選相和定位的功能，取得了一定的效果，但是該算法網(wǎng)絡(luò)比較復(fù)雜，訓(xùn)練時(shí)間較長(zhǎng)。文獻(xiàn)[15] 提出基于卷積神經(jīng)網(wǎng)絡(luò)的故障識(shí)別方法，將故障信號(hào)二維時(shí)頻能量作為網(wǎng)絡(luò)輸入，實(shí)現(xiàn)了故障識(shí)別；同時(shí)文獻(xiàn)[16] 提出了基于人工神經(jīng)網(wǎng)絡(luò)的直流系統(tǒng)故障識(shí)別方法，但上述方法均未考慮到高阻故障。

上述方法在直流輸電故障定位和檢測(cè)方面雖然取得了一定的成果，但是仍然存在一些不足之處：1）簡(jiǎn)單的人工智能算法不能處理復(fù)雜的特高壓直流輸電線路故障數(shù)據(jù)，復(fù)雜的深度學(xué)習(xí)算法訓(xùn)練時(shí)間較長(zhǎng)，無(wú)法滿足保護(hù)的速動(dòng)性要求；2）目前方法對(duì)特高壓直流輸電線路發(fā)生故障時(shí)主要是進(jìn)行故障識(shí)別，未考慮故障選極方面；3）目前方法均未考慮高阻故障檢測(cè)方面。

針對(duì)這一問(wèn)題，本文提出了一種基于長(zhǎng)短時(shí)記憶（long short term memory，LSTM） 循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN）的特高壓直流輸電線路繼電保護(hù)故障檢測(cè)方法。該方法使用相模變換和小波變換提取出特高壓直流輸電故障特征量作為輸入數(shù)據(jù)，并輸入到LSTM-RNN 中進(jìn)行特征學(xué)習(xí)和分類，實(shí)現(xiàn)故障區(qū)域和故障類型的識(shí)別。最后在PSCAD/EMTDC 仿真環(huán)境下搭建特高壓直流輸電模型，對(duì)所提方法的可行性進(jìn)行了驗(yàn)證。

1 特高壓直流輸電系統(tǒng)拓?fù)?/p>

本文采用±800 kV 的特高壓直流輸電系統(tǒng)模型，結(jié)構(gòu)如圖1 所示。該模型由雙端交流系統(tǒng)、變壓器、換流器、平波電抗器、直流輸電線路和直流濾波器組成。圖中，f1、f8 表示交流母線三相故障；f2、f4、f5、f7 表示直流輸電線路區(qū)外故障；f3、f6 表示直流輸電線路區(qū)內(nèi)故障。