摘 要：針對傳統(tǒng)的特高壓直流輸電線路故障測距過度依賴線路本身衰減常數(shù)的問題，提出了一種基于殘差卷積神經(jīng)網(wǎng)的高壓直流故障測距方法。利用殘差卷積神經(jīng)網(wǎng)絡（Residual Convolution Neural Network， RCNN）的非線性擬合能力，不用計算線路衰減常數(shù)就可以實現(xiàn)故障準確定位。首先，使用小波變換提取不同頻帶的故障電壓、電流，將其作為殘差卷積神經(jīng)網(wǎng)絡的輸入；然后，對輸入數(shù)據(jù)進行故障特征學習，訓練網(wǎng)絡，更新參數(shù)，最終形成特高壓直流輸電線路故障測距模型，輸出故障測距參數(shù)；最后，經(jīng)過實驗結(jié)果表明，基于殘差卷積神經(jīng)網(wǎng)的高壓直流故障測距方法檢測速度快、精度高，并且在過渡電阻接入下仍然具有很高的精度，驗證了該方法的有效性。

關鍵詞：特高壓直流輸電；故障測距；衰減常數(shù)；殘差卷積神經(jīng)網(wǎng)絡；小波變換

DOI：10.15938/j.jhust.2024.05.011

中圖分類號： TM723

文獻標志碼： A

文章編號： 1007-2683（2024）05-0094-11

UHVDC Transmission Fault Location Based on Residual Convolutional Neural Network

LI Ji1， ZHANG Xueyou1， ZHANG Junjie1， SHI Wen1， RUAN Wei1， DAI Jianfeng2

（1.EHV Branch， State Grid Anhui Electric Power Co. ， Ltd.， Hefei 211525， China；

2.College of Automation amp; College of Artificial Intelligence， Nanjing University of Posts and Telecommunications， Nanjing 210023， China）

Abstract：A method based on residual convolutional neural network for high-voltage direct current transmission fault location is proposed to address the issue of excessive reliance on the attenuation constant of the transmission line in traditional ultra-high voltage direct current fault distance measurement. Using the nonlinear fitting ability of residual convolution neural network ^{（RCNN），} the accurate fault location can be realized without calculating the line attenuation constant. Firstly， wavelet transform is used to extract fault voltage and current of different frequency bands， which are used as input of residual convolution neural network. Then， the input data are used to learn the fault characteristics， train the network， update the parameters， and form the fault ranging model of UHVDC transmission line and output the fault ranging parameters. Finally， experimental results demonstrate that the fault distance measurement method for high-voltage direct current based on residual convolutional neural network achieves fast detection speed and high accuracy. Moreover， it still maintains a high level of accuracy even when there is transitional resistance connected， validating the effectiveness of this method.

Keywords：UHVDC transmission; fault location; attenuation constant; residual convolution neural network; wavelet transform

0 引 言

我國資源豐富，能源和負荷分布呈負相關關系，長距離輸電是我國電力系統(tǒng)必須長期堅持的技術。特高壓直流輸電技術因為具有輸電距離遠、傳輸容量大等優(yōu)先，被廣泛應用于輸電領域^［1-3］。然而直流輸電線路具有線路較長、地形復雜、環(huán)境惡劣等特點，是整個直流電網(wǎng)中最容易發(fā)生故障的地方^［4-5］，使用巡線的方式檢查故障難度大，會造成永久故障恢復時間慢。因此，研究準確、快速的特高壓直流輸電線路故障測距技術成為了研究的一個熱門^［6-7］。

目前，在直流輸電線路故障測距領域主要包括行波測距法和非行波測距法。行波測距法不受線路參數(shù)、系統(tǒng)參數(shù)以及故障類型的影響，仍然擁有較高的測距精度^［8-12］。通過測量故障點和測量點暫態(tài)行波的傳輸時間進行故障測距。但是行波法過于依賴行波波頭檢測的準確性，如果波頭檢測失敗，會導致行波測距無法進行下去^［13-14］；非行波測距法和行波測距法相比，可以使用故障中任何一段實現(xiàn)故障定位，不需要很高的采樣率，使用換流站的錄波數(shù)據(jù)即可完成故障測距，所以該理論也被很多人所研究。文［15］利用雙端電壓、電流計算線路電壓分布，提出基于分布參數(shù)的直流線路故障測距的方法，實現(xiàn)故障定位。文［16］利用線路時間衰減常數(shù)，提出基于高頻衰減特點的直流輸電線路測距方法，實現(xiàn)故障測距。但是非行波測距法也有一些缺點，該方法容易受到線路參數(shù)本生的影響，特高壓直流輸電線路所處環(huán)境地形復雜，參數(shù)的測量難度大，求取線路衰減常數(shù)等參數(shù)具有較大的困難。

隨著近年來人工智能技術的快速發(fā)展，智能算法具有很強的學習能力，能夠很好地進行非線性擬合，在處理直流線路故障時，不需要使用線路衰減常數(shù)即可實現(xiàn)故障測距，人工神經(jīng)網(wǎng)絡是一個典型的智能算法。文［17-18］提出基于BP神經(jīng)網(wǎng)絡和行波極性的故障測距方法，但是該方法輸出只能是故障點范圍，不能直接輸出故障距離。文［19］提出基于小波神經(jīng)網(wǎng)絡的輸電線路故障測距方法，將粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡，輸出故障距離。文［20］提出基于回歸分析的特高壓直流輸電線路故障測距方法，研究暫態(tài)電壓形成原因，基于接地極電路等效模型，實現(xiàn)了故障測距。文［21］提出基于衰減量的特高壓直流線路雙端神經(jīng)網(wǎng)絡故障測距的方法，經(jīng)過驗證，方法具有較高的故障測距精度。雖然上述研究在故障測距領域取得了一定的成果，但是目前的智能算法自身存在收斂速度慢、易陷入局部最優(yōu)的問題，在特高壓直流輸電線路故障測距的精度和速度上仍然存在一定的局限性，并且對于過渡電阻情況下的故障定位精度不夠高。

針對上述問題，本文提出了一種基于殘差卷積神經(jīng)網(wǎng)的高壓直流故障測距方法。使用小波變換提取不同頻帶的故障電壓、電流，將其作為殘差卷積神經(jīng)網(wǎng)絡的輸入。對輸入數(shù)據(jù)進行故障特征學習，訓練網(wǎng)絡，更新參數(shù)，最終形成特高壓直流輸電線路故障測距模型，輸出故障測距參數(shù)。經(jīng)過實驗結(jié)果表明，基于殘差卷積神經(jīng)網(wǎng)路的特高壓直流輸電線路故障測距方法檢測速度快、精度高，并且在過渡電阻接入下仍然具有很高的精度，驗證了該方法的有效性。

1 特高壓交直流輸電線路故障分析

輸電線路模型如圖1所示，導線型號為 6× LGJ-630/45，導線外徑33.6mm，6 分裂，分裂間距450mm，極間距離 22.2m，塔上懸掛高度 33.5m，弧垂 16m。導線電阻為 0.046Ω/km，每極自電感L=0.002H/km ，極間互電感M=0.001H/km，每極導體單位長度對地電容為9.99×10^-9F/km，每單位長度兩極導體間的電容為2.11×10^-9F/km。

本文采用±800kV的特高壓直流輸電系統(tǒng)模型，結(jié)構(gòu)如圖2所示。從圖中可知，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。

1.1 單線接地故障分析

特高壓直流輸電線路正常運行時，兩條線路電流極性與大小完全相同。發(fā)生單線接地故障時，故障點的出現(xiàn)使得兩條線路阻抗不同，導致輸電系統(tǒng)的電流發(fā)生變化，等效電路如圖3所示。圖中，u為輸電線路首端M對地電壓；i為流過點M的電流；i^g1、i^g2分別為兩條線路的電流；l為單條輸電線路長度；R1為輸電線路單位長度的電阻；x為輸電線路首端M到故障點f之間的距離；Rf為故障處的過渡電阻；Rg為極扯電阻；i^g3為故障點f到極扯點G流過的電流。

如果故障點是高阻接地，即過渡電阻Rf較大時，電流i^g3由故障點f流向極扯點G；如果過渡電阻Rf較小，小于極扯電阻Rg，電流i^g3由極扯點G流向故障點f。故系統(tǒng)的最低電壓在極扯點G或故障點f。

1.2 單線斷線故障分析

如果特高壓直流輸電線路發(fā)生單線斷線故障，等效電路如圖4所示。發(fā)生故障的線路電流變?yōu)榱悖麄€系統(tǒng)的不平衡電流流過非故障線路，然后經(jīng)過極扯點G和極扯電阻Rg流向大地，輸電線路首端M對地阻抗增加，進而造成線路首端M的電壓出現(xiàn)一定的升高。

1.3 兩線短路故障分析

特高壓直流輸電系統(tǒng)采用的是雙側(cè)線路對稱并行方式，若發(fā)生兩線短路故障，等效電路如圖5所示。整個系統(tǒng)仍然保持電氣對稱，所有電氣量的特征和正常運行時的電氣量特征保持一致。

特高壓直流輸電線路故障測距主要針對的是單線接地故障進行分析的。

2 殘差卷積神經(jīng)網(wǎng)絡

2.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是一種深度前饋神經(jīng)網(wǎng)絡，具有很強的特征學習的能力^［22-24］，圖6為卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)，主要包含卷積、激活、池化、softmax 4個部分，其中卷積、激活、池化堆疊交替出現(xiàn)。

1）卷積

卷積運算是整個網(wǎng)絡的核心，使用卷積核遍歷輸入的每個點，使用權值共享，減小網(wǎng)絡的訓練時間。輸入特征的地方與卷積核對應區(qū)域進行相乘與求和操作，然后再加上偏置。形成一個輸出特征值。計算如下：

xⁱ⁺¹=Wixi+bi（1）

式中：xi為前一層的輸入特征；xⁱ⁺¹為卷積之后的一層輸出特征；為卷進運算；Wi為卷積核的權重值；bi為偏置值。

2）激活

激活層是將卷積后的特征進行非線性變換，使用的是激活函數(shù)，常見的激活函數(shù)由Relu、Sigmod激活函數(shù)。式（1）中添加激活函數(shù)后如下所示：

yi=f（xⁱ⁺¹）=f（Wixi+bi）（2）

式中：yi為經(jīng)過激活函數(shù)之后的輸出；f（*）為激活函數(shù)。

3）池化

經(jīng)過卷積處理后輸出的特征圖個數(shù)和維度大大增加了，容易出現(xiàn)維度災難的現(xiàn)象，以及過擬合現(xiàn)象。為了防止上述現(xiàn)象的發(fā)生，使用池化可以保持原來特征的前提下進行降維。常見的池化操作為最大池化，即從池化區(qū)域內(nèi)選出最大值作為該池化區(qū)域的代表值，表達式如下：

max-pooling（f［i－1］，f［i］，f［i+1］）=max（f［i－1］，f［i］，f［i+1］）（3）

式中：max-pooling為最大池化操作；f［i］為第i個特征值；f［i+1］為第i+1個特征值；f［i-1］為第i-1個特征值；max（*）為取最大值函數(shù)。

4）全連接

全連接層是卷積神經(jīng)網(wǎng)絡輸出和softmax分類器的中間層，經(jīng)過展開平函數(shù)變成一維特征，再輸出為多分類的向量，層與層之間神經(jīng)元度互相連接起來，如下所示：

o（x）=f（wx+b）（4）

式中：o（x）為全連接的輸出；x為全連接的輸入；^f（*）為全連接的激活函數(shù)；w為全連接的權重；b為全連接的偏置。

卷積神經(jīng)網(wǎng)絡反向傳播主要是采用梯度下降算法，利用期望輸出和訓練的樣本進行網(wǎng)絡參數(shù)的估計，主要包括卷積核權重W、偏置b、全連接層權重w。根據(jù)樣本的誤差函數(shù)即損失函數(shù)來計算所有層的誤差進而得出網(wǎng)絡的學習方式，不斷更新參數(shù)，使實際輸出接近期望的輸出，損失函數(shù)的計算如下：

J（W，b，w）=12N∑N^{i=1‖ti－yi‖}2（5）

式中：N為樣本個數(shù)；t為期望輸出；y為網(wǎng)絡實際輸出。

使用偏導鏈式規(guī)則，一層一層反向向前傳播，求得所有層的靈敏度，計算如下：

δi=Jxi（6）

利用所有層的靈敏度算出網(wǎng)絡損失函數(shù)對各個參數(shù)的偏導，算出的損失函數(shù)對卷積核權重W、偏置b、全連接層權重w的偏導，不斷更新網(wǎng)絡參數(shù)。第i層的卷積層參數(shù)更新為

W^t+1i=Wti－ηJWti（7）

b^t+1i=bti－ηJbti（8）

那么第m層的全連接層參數(shù)按照如下的公式更新：

w^t+1m=wtm－ηJwtm（9）

b^t+1m=btm－ηJbtm（10）

式中：t為迭代次數(shù)；η為學習率，可以決定梯度下降算法的步長。如果設置太小，則會導致學習速度太慢；如果設置太大，則會導致網(wǎng)絡發(fā)散。

5）自適應學習率

損失函數(shù)是一個待優(yōu)化的函數(shù)，其圖像如圖7所示。圖中θ為待優(yōu)化的參數(shù)，即卷積核權重W、偏置b、全連接層權重w。

由圖6可知，θ3和θ4靠近最優(yōu)解，學習率η的值應該小一點，防止算法在最優(yōu)點處發(fā)生再震蕩。θ1、θ2、θ5、θ6遠離最優(yōu)解，學習率η的值應該取大一點，可以加快算法的迭代速度，使得算法迅速到最優(yōu)點附近。那么最優(yōu)點周圍的梯度差值|g（θ4）－^g（θ3）|要高于遠離最優(yōu)點的梯度差值|g（θ6）－^{g（θ5）|、}|g（θ2）－g（θ1）|，故使用梯度差值能夠控制學習率的大小。即遠離最優(yōu)點時，梯度差值較小，學習率較大；靠近最優(yōu)點時，梯度差值較大，學習率較小。迭代過程中的梯度差計算如下：

Δg=|gt－g^t－1|（11）

式中：Δg為當前迭代次和上一次迭代的梯度差；gt為當前第t次迭代的梯度使用梯度差能夠求出待優(yōu)化的損失函數(shù)曲率變化，使用曲率變化自動調(diào)整學習率，進而自適應調(diào)整學習率。

利用梯度差進行學習率更新，將對數(shù)函數(shù)作為求解的損失函數(shù)的復合函數(shù)。損失函數(shù)不小于零，因此復合函數(shù)h（θt）=ln（J（θt）+1）也是一個不小于零的函數(shù)。對復合函數(shù)求導得出梯度h（θt），引入動量加速度可以得到復合函數(shù)的泰勒展開公式。整個算法的更新方式是通過現(xiàn)在梯度近似的值mte^vt和現(xiàn)在梯度實際值gt的不同權值相加代替之前梯度下降算法的梯度。并且利用梯度差來實現(xiàn)自適應學習率的網(wǎng)絡算法的優(yōu)化。整個過程計算如下：

h（θt）=ln（J（θt）+1）

J（θt）=h（θt）e^h（θt）

h（θt）=J（θt）J（θt）+1

mt=β1m^t－1+（1－β1）h（θt）

vt=β^vt－12+（1－β2）（h（θt））2

h（θt）≈vt=v^t－1+mt（θt－θ^t－1）

θ^t+1=（θt－ηβ2gt+（1－β2）mte^vtΔgt+ε）（12）

式中：mt為復合函數(shù)梯度指數(shù)平均加權移動的值；β1為mt的衰減系數(shù)，取值為0.9；β2為當前近似梯度值和實際值結(jié)合的權重值，取值為0.3；ε為調(diào)節(jié)參數(shù)，防止梯度差的分母為零，取值為0.01。

2.2 殘差卷積

卷積神經(jīng)網(wǎng)絡深度的增加可以提高模型學習能力，但是計算的復雜度也增加了，會使網(wǎng)絡出現(xiàn)梯度爆炸的現(xiàn)象，無法收斂，甚至會出現(xiàn)網(wǎng)絡退化。目前通過ReLU激活函數(shù)和規(guī)范化批處理的方式能夠緩解網(wǎng)絡退化和梯度爆炸問題。但是不同層梯度的乘法運算會使淺層的梯度消失，使用上述方法不能很好地解決問題。因此本文通過深度殘差網(wǎng)絡提取時間序列數(shù)據(jù)^［25］。

單個殘差結(jié)構(gòu)中輸出為H（x），擬合的函數(shù)為^F（x）=H（x）-x，網(wǎng)絡的輸入跨層連接到隱藏層的輸出上即可得到H（x）。殘差結(jié)構(gòu)如圖8所示。

每個殘差結(jié)構(gòu)包含兩層，x為輸入，W1、W2為權重，殘差塊里前向網(wǎng)絡為：

F（x）=W2σ（W1x）（13）

其中σ為ReLU激活函數(shù)。

3 基于殘差卷積神經(jīng)網(wǎng)路的特高壓直流輸電線路故障測距方案

3.1 殘差卷積神經(jīng)網(wǎng)絡輸入

分別在整流側(cè)和逆變側(cè)安裝測距裝置，特高壓直流輸電線路發(fā)生故障時，測量點電壓、電流高頻分量會隨著時間衰減，故需要一個很好的方法將頻域和時域結(jié)合起來，小波變換具有時頻分析的能力，可以處理非平穩(wěn)信號和突變信號，故本文使用離散小波變化提取暫態(tài)電壓高頻分量。

對于任意空間L2，離散小波變化為

WTf（j，k）=∫Rf（t）ψ^j，kdt（14）

式中：f（t）為原始離散信號；ψ^j，k為小波基。

第j層細節(jié)系數(shù)和近似系數(shù)如下：

dj（n）=∑kh（k－2n）f^j－1（k）

aj（n）=∑kl（k－2n）f^j－1（k）（15）

式中：dj（n）為第j層細節(jié)系數(shù)，對應高頻信號；aj（n）為第j層近似系數(shù)，對應低頻信號；h、l分別為高通濾波器和低通濾波器。

離散小波變換的分解如圖9所示。

增加高頻分段的差異，得到的電壓、電流暫態(tài)能量如下：

Eh=∫^TW0（d2（n））2dt（16）

式中：TW為積分時間。根據(jù)不同故障檢測時間需求，將母線電壓暫態(tài)能量E^h·bus-u和母線電流暫態(tài)能量E^h·bus-i的積分時間設置為0.5ms，直流電壓暫態(tài)能量E^h·line-u和直流電流暫態(tài)能量E^h·line-i的積分時間設置為1.5ms。

本文選擇母線電壓暫態(tài)能量E^h·bus-u、母線電流暫態(tài)能量E^h·bus-i、直流電壓暫態(tài)能量E^h·line-u、直流電流暫態(tài)能量E^h·line-i作為殘差卷積神經(jīng)網(wǎng)絡輸入，可以充分學習故障特征。

3.2 數(shù)據(jù)預處理

由于故障特征包含電流暫態(tài)能量、電壓暫態(tài)能量，差異性較大，訓練數(shù)據(jù)的值差異也較大，故為了提高網(wǎng)絡訓練的精度，最大化故障特征，將樣本數(shù)據(jù)歸一化處理，公式如下：

E^i=Ei－min（Ei）max（Ei）－min（Ei）（17）

式中：E^i為歸一化后樣本數(shù)據(jù)；Ei為原始數(shù)據(jù)；min、max為最小值和最大值函數(shù)。

3.3 故障測距流程

基于殘差卷積神經(jīng)網(wǎng)路的特高壓直流輸電線路故障測距方法，主要包括使用訓練集去訓練網(wǎng)絡和使用測試集進行故障測距兩個方面，整個流程圖如圖10所示，過程如下：

1）在線路兩側(cè)的逆變器和整流器處分別安裝測距裝置，采集特高壓直流輸電線路的雙端電壓、電流；

2）使用小波變換提取出母線電壓暫態(tài)能量E^h·bus-u、母線電流暫態(tài)能量E^h·bus-i、直流電壓暫態(tài)能量E^h·line-u、直流電流暫態(tài)能量E^h·line-i作為殘差卷積神經(jīng)網(wǎng)絡輸入，對所有數(shù)據(jù)集進行歸一化處理，按照4∶1分成訓練集和測試集；

3）將訓練集輸入到殘差卷積神經(jīng)網(wǎng)絡中，根據(jù)故障測距誤差最小的原則設計損失函數(shù)，更新網(wǎng)絡參數(shù)；

4）利用測試集測試已經(jīng)優(yōu)化的殘差卷積神經(jīng)網(wǎng)絡的故障距離，算出測距誤差，驗證模型的有效性。

4 實驗分析

4.1 數(shù)據(jù)來源

使用如圖2所示的±800kV特高壓直流輸電系統(tǒng)模型，單條線路長度為80km，極扯電阻Rg為0.2Ω。系統(tǒng)參數(shù)如表1所示。使用PSASP仿真軟件，得到整流側(cè)和逆變側(cè)輸電線路的電壓、電流數(shù)據(jù)，一共采集¹⁰⁰⁰個數(shù)據(jù)集，按照4∶1劃分訓練集和測試集，訓練集樣本數(shù)為800，測試集樣本數(shù)為200，仿真步長設為0.1s。整個模型計算環(huán)境如表2所示。

4.2 殘差卷積神經(jīng)網(wǎng)絡模型超參數(shù)

首先確定殘差卷積神經(jīng)網(wǎng)絡的卷積核尺寸。因為輸入數(shù)據(jù)為母線電壓暫態(tài)能量E^h·bus-u、母線電流暫態(tài)能量E^h·bus-i、直流電壓暫態(tài)能量E^h·line-u、直流電流暫態(tài)能量E^h·line-i這4種數(shù)據(jù)，故網(wǎng)絡的輸入通道數(shù)為4。為了能夠更全面學習到輸入數(shù)據(jù)的特征，第一層輸入數(shù)據(jù)的卷積核尺寸選擇大一點，設置為16×1，整個網(wǎng)絡的超參數(shù)設置如表3所示。

然后再確定網(wǎng)絡的隱藏層層數(shù)。殘差卷積神經(jīng)網(wǎng)絡的隱藏層層數(shù)如果選的過少，將無法充分學習到特高壓直流輸電線路故障特征；如果層數(shù)選的過多，會導致網(wǎng)絡過于復雜，故障測距速度較慢，也會出現(xiàn)過擬合現(xiàn)象。對殘差卷積神經(jīng)網(wǎng)絡的隱藏層層數(shù)從第一層開始增加，迭代次數(shù)目前先設置為100，以故障測距誤差作為對比，結(jié)果如圖11所示。由圖可知，當隱藏層層數(shù)達到3層時，故障測距誤差最小，能夠達到0.34km。如果繼續(xù)增加隱藏層層數(shù)，故障測距誤差不但不會變低，反而變高，而且會給網(wǎng)絡帶來負擔。因此，選擇殘差卷積神經(jīng)網(wǎng)絡的隱藏層層數(shù)為3。

4.3 結(jié)果分析

為了驗證本文算法的有效性，不斷提高迭代次數(shù)，觀察網(wǎng)絡的損失函數(shù)變換，結(jié)果如圖12所示。由圖可見，當?shù)螖?shù)達到300時，網(wǎng)絡的損失函數(shù)基本不變，達到最小值0.46，說明本文的方法故障測距效果較好，因此我們選擇網(wǎng)絡的迭代次數(shù)為300。

為了驗證本文方法的優(yōu)越性，將本文方法與主流的卷積神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡進行對比，結(jié)果如表4所示。由表可見，本文方法故障測距誤差最小，最小誤差只有0.24km。

為了驗證本文方法對過渡電阻接地的故障仍然具有較低的故障測距誤差，將本文方法同卷積神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡進行對比，過渡電阻從5Ω加到300Ω，分別進行實驗，結(jié)果如表5所示。由表可見，本文方法對過渡電阻故障測距精度仍然較高，相比較卷積神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡性能更好，故障測距誤差最小，驗證了本文方法的優(yōu)越性。

為了驗證本文方法更具有現(xiàn)實意義，將本文方法同卷積神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡進行網(wǎng)絡測試時間的對比，結(jié)果如表6所示。由表可見，本文方法具有更快的測試速度，在實際發(fā)生特高壓直流輸電線路故障時，能夠快速地找出故障位置，提醒工作人員做出相應的操作，避免了整個電流系統(tǒng)因長時間受到故障沖擊帶來的損害。

5 結(jié) 論

本文提出了一種基于殘差卷積神經(jīng)網(wǎng)的高壓直流故障測距方法，主要取得了以下成果：

1）能夠充分考慮到故障發(fā)生時高頻特性，利用小波變換提取出特高壓直流輸電線路頻暫態(tài)電壓、電流能量作為網(wǎng)絡的輸入數(shù)據(jù)，為網(wǎng)絡高精度故障測距奠定了良好的基礎；

2）本文利用殘差卷積的思想，提高了特高壓直流輸電線路故障測距測試精度，而且有效防止了訓練中出現(xiàn)梯度爆炸、局部最優(yōu)的現(xiàn)象；

3）在網(wǎng)絡的訓練中，利用自適應學習率的方法，提高了網(wǎng)絡訓練的效率，大大提高了測試速度；

4）經(jīng)過實驗驗證，本文所提的方法在特高壓直流輸電線路故障測距中測試速度快、精度高，并且在過渡電阻接入下仍然具有很低的誤差。

參 考 文 獻：

［1］ 李立浧.直流輸電技術的發(fā)展及其在我國電網(wǎng)中的作用［J］.電力設備，2004，5（11）：1.

LI Likang.The Development of DC Transmission Technology and Its Role in Chinese Power Grid［J］. Electric Power Equipment， 2004，5（11）：1.

［2］ 范世源，王超，向鑫，等. 中高壓直流變壓器拓撲綜述［J］. 東北電力大學學報，2022，42（5）：15.

FAN Shiyuan， WANG Chao， XIANG Xin， et al. Topology Review of Medium-high Voltage DC Transformers［J］. Journal of Northeast Electric Power University， 2022， 42（5）： 15.

［3］ 林圣，蘭菲燕，劉健，等.高壓直流輸電送端電網(wǎng)暫態(tài)過電壓機理與抑制策略綜述［J］.電力科學與技術學報，2022，37（6）：3.

LIN Sheng， LAN Feiyan， LIU Jian， et al. Review on Transient Overvoltage Mechanism and Suppression Strategy of HVDC Transmission［J］. Journal of Electric Power Sclence and Technology， 2022，37（6）：3.

［4］ 劉海峰，徐政，金麗成.世界遠距離大容量高壓直流輸電工程可靠性調(diào)查綜述［J］.高壓電器， 2002，38（3）：1.

LIU Haifeng， XU Zheng， JIN Licheng. A Review of the Reliability Survey of Long Distance High Power HVDC Transmission Project Throughout the World［J］. High Voltage Apparatus， 2002， 38 （3）： 1.

［5］ 王慧娟，羅兆楠. 霧霾對高壓直流輸電線路合成場強和離子流密度的影響研究［J］. 東北電力大學學報，2020，40（1）：8.

WANG Huijuan，LUO Zhaonan. Study on Ionized Field of HVDC Transmission Lines Under Fog-Haze Weather［J］. Journal of Northeast Electric Power University，2021，40（1）：8.

［6］ 周楊，賀之淵，龐輝，等.雙極柔性直流輸電系統(tǒng)站內(nèi)接地故障保護策略［J］.中國電機工程學報，2015，35（16）：4062.

ZHOU Yang， HE Zhiyuan， PANG Hui， et al. Grounding Fault Protection Strategy for Bipolar Flexible HVDC System［J］.Proceedings of the CESS， 2015，35（16）：4062.

［7］ 陳啟超，李暉，劉建琴，等.柔性直流輸電系統(tǒng)聯(lián)網(wǎng)轉(zhuǎn)孤島運行穩(wěn)控措施對比［J］.哈爾濱理工大學學報，2021，26（2）：91.

CHEN Qichao， LI Hui， LIU Jianqin， et al. Comparison of Stability Control Measures of Flexible HVDC System in Network to Lsland Operation［J］. Journal of Harbin University of Technology， 2021，26（2）：91.

［8］ 束洪春，田鑫萃，張懌寧.接地極線路短路故障快速識別及故障測距研究［J］.電網(wǎng)技術，2015，39（12）： 3584.

SHU Hongchun， TIAN Xincui， ZHANG Yining， Research on Fast Fault Identification and Fault Location of Grounding Line Short Circuit［J］， Power System Technology. 2015，39（12）： 3584.

［9］ ZHANG Baohui， HAO Zhiguo， BO Zhiqian．New Development in Relay Protection for Smart Grid［J］. Protection and Control of Modern Power Systems，2016，1（1）： 599.

［10］殷展，杜仁平，姜黎明，等.基于電能路由器的交直流混合配電網(wǎng)潮流優(yōu)化控制［J］.哈爾濱理工大學學報，2021，26（4）：20.

YIN Zhan， DU Renping， JIANG Liming， et al. Optimal Power Flow Control of AC/DC Hybrid Distribution Network Based on Power Router［J］. Journal of Harbin University of Technology， 2021，26（4）：20.

［11］宋國兵，蔡新雷，高淑萍，等.高壓直流輸電線路故障定位研究綜述［J］.電力系統(tǒng)保護與控制，2012，40（5）： 133.

SONG Guobing， CAI Xinlei， GAO Shuping， et al. Review on Fault Location of HVDC Transmission Lines［J］. Power System Protection and Control. 2012，40（5）： 133.

［12］于華楠，白曉斐，王鶴. 基于壓縮感知的電網(wǎng)傳輸線故障定位方法［J］. 東北電力大學學報，2020，40（1）：47.

YU Huanan，BAI Xiaofei，WANG He. A Fault Location Method for Grid Transmission Line Based on Compressed Sensing［J］. Journal of Northeast Electric Power University，2020，40（1）：47.

［13］朱永利，范新橋，尹金良.基于三點電流測量的輸電線路行波故障定位新方法［J］.電工技術學報，2012，27（3）：260.

ZHU Yongli， FAN Xinqiao， YIN Jinliang. A New Fault Location Method for Transmission Line Traveling Wave Based on Three-point Current Measurement［J］， Transactions of Electrotechnical Society，2012，27（3）：260.

［14］徐敏，蔡澤祥，劉永浩，等.基于寬頻信息的高壓直流輸電線路行波故障測距方法［J］.電工技術學報，2013，28（1）：259.

XU Min， CAI Zexiang， LIU Yonghao， et al. Traveling Wave Fault Location Method for HVDC Transmission Lines Based on Broadband Information ［J］.Transactions of Electrotechnical society， 2013，28（1）：259.

［15］SUONAN Jiale， GAO Shuping， SONG Guobing， et al. A Novel Fault-location Method for HVDC Transmission Lines［J］. IEEE Trans on

［16］陳仕龍，張杰，畢貴紅，等.基于高頻量衰減特性的特高壓直流輸電線路故障測距方法［J］.電力系統(tǒng)保護與控制，2014，42（10）：1.

CHEN Shilong， ZHANG Jie， BI Guihong， et al. Fault Location Method for UHVDC Transmission Lines Based on High-frequency Attenuation Characteristics［J］. Power System Protection and Control，2014，42（10）：1.

［17］張凱，楊建平，徐建委，等.基于神經(jīng)網(wǎng)絡的輸電線路行波故障測距方法［J］.水電能源科學，2018，36（2）：184.

ZHANG Kai， YANG Jianping， XU Jianwei， et al.Traveling Wave Fault Location Method for Transmission Lines Based on Neural Network［J］. Hydropower Energy Science， 2018，36（2）：184.

［18］束洪春，鄔乾晉，張廣斌，等.基于神經(jīng)網(wǎng)絡的單端行波故障測距方法［J］.中國電機工程學報，2011，31（4）：85.

SHU Hongchun， WU Ganjin， ZHANG Guangbin， et al. Single-ended Traveling Wave Fault Location Method Based on Neural Network［J］. Proceedings of the CESS，2011，31（4）：85.

［19］蒲婷婷，李京.基于優(yōu)化小波神經(jīng)網(wǎng)絡的輸電線路行波故障測距［J］.電力系統(tǒng)及其自動化學報，2021，33（2）：83.

PU Tingting， LI Jing. Traveling Wave Fault Location of Transmission Lines Based on Optimized Wavelet Neural Network［J］. IEEE Trans on Power Systems， 2021，33（2）：83.

［20］李猛克，王陽，孫廣，等.基于回歸分析法的特高壓直流接地極線路故障測距方法研究［J］.電測與儀表，2021，58（9）：129.

LI Mengke， WANG Yang， SUN Guang， et al.Research on Fault Location Method of UHV DC Grounding Line Based on Regression Analysis［J］. Electrical Measurement amp; Instrumentation，2021，58（9）：129.

［21］陳仕龍，謝佳偉，畢貴紅，等.一種特高壓直流輸電線路神經(jīng)網(wǎng)絡雙端故障測距新方法［J］.電工技術學報，2015，30（4）：257.

CHEN Shilong， XIE Jiawei， BI Guihong， et al. A New Fault Location Method for UHV DC Transmission Lines Based on Neural Networks［J］. Transactions of China Electrotechnical Society， 2015，30（4）：257.

［22］JIA F， LEI Y G， LU N， et al.Deep Normalized Convolutional Neural Network for Imbalanced Fault Classification of Machinery and Its Understanding Via Visualization［J］.Mechanical Systems and Signal Processing， 2018， 110： 349.

［23］ABDELJABER O， AVIC O， KIRANYAZ S， et al. Real-time Vibration-based Structural Damage Detection Using One Dimensional Convolutional Neural Networks［J］. Journal of Sound and Vibration， 2017， 388： 154.

［24］周奇才，劉星辰，趙炯，等.旋轉(zhuǎn)機械一維深度卷積神經(jīng)網(wǎng)絡故障診斷研究［J］.振動與沖擊， 2018， 37（23）：39.

ZHOU Qicai， LIU Xingchen， ZHAO Jiong， et al. Research on Fault Diagnosis of One-dimensional Deep Convolutional Neural Network for Rotating Machinery［J］. Vibration and shock， 2018， 37（23）：39.

［25］LOFFE S， SZEGEDY C. Batch Normalization： Accelerating Deep Network Training by Reducing Internal Covariate Shift［EB］. arXiv： 1502. 03167， 2015.

（編輯：溫澤宇）

基金項目： 國家自然科學基金（52207009）.

作者簡介：李 冀（1966—），男，高級工程師；

張學友（1985—），男，高級工程師.

通信作者：戴劍豐（1989—），男，博士，講師，碩士研究生導師，E-mail：daijianfeng@njupt.edu.cn.