基于混合LSTM深度学习的特高压直流线路模量幅值比故障测距研究

对特高压直流（Ultra high voltage direct current,UHVDC）输电系统而言,准确可靠的测距方案可确保故障线路快速恢复、提高供电可靠性。提出一种基于线模分量和零模分量幅值比的特高压直流线路单端故障测距方法。首先推导出故障距离与初始电压行波模量幅值比之间的近似公式。公式表明,两者之间存在非线性关系,且与过渡电阻无关。然后选用混合长短期记忆（Long short-time memory,LSTM）深度学习网络进行训练和学习,提取各模量初始电压行波首波头的幅值比作为深度学习网络的输入量,以故障距离作为输出量,构建深度学习故障测距模型。搭建云广±800 kV特高压直流输电系统仿真模型。仿真实验表明,所提出的测距方法不受故障类型和过渡电阻的影响,且测距结果具有较高的准确性,相对误差不超过0.34%。     

基于CNN-SVM的特高压三端混合直流线路故障区域识别方法

提出一种基于卷积神经网络–支持向量机(Convolutionalneuralnetwork-supportvector machine,CNN-SVM)的特高压三端混合直流线路故障区域识别方法。首先,对昆北侧、龙门侧的直流线路边界和柳北侧T区边界的频率特性进行分析,发现不同故障区域的故障特征存在一定差异。然后,使用经验小波变换提取故障特征,将其作为CNN-SVM的输入量,故障区域作为输出量,构建并训练CNN-SVM模型;将由测量点得到的故障特征量输入到训练完成的CNN-SVM模型中,进行故障区域识别。最后,搭建昆柳龙仿真模型,进行故障仿真实验验证。结果表明,该方法的故障区域识别率高,且可耐受300Ω的过渡电阻。     

基于GRU的特高压三端混合直流输电线路故障区域识别方法

针对特高压三端混合直流输电线路故障区域识别问题,提出一种基于门控循环单元(gate recurrent unit, GRU)的特高压三端混合直流输电线路故障区域识别方法。首先,分析了直流线路昆北侧边界和龙门侧边界直流功率传递函数的幅频特性、T区线模功率突变量的正负差异,指出三端直流线路不同区域故障时的故障特征差异。其次,对线模功率进行多尺度小波分解,提取线模功率高频能量,结合T区线模功率突变量、正负极功率突变量幅值,组成故障特征量,作为GRU的输入量,故障区域作为输出量,构建GRU故障区域识别模型。然后,将测量点得到的故障特征量输入训练完成的GRU模型中,即可达到故障区域识别的目的。通过大量仿真,验证了所提故障区域识别方法准确率高,且可耐受300Ω的过渡电阻。