基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法

本发明涉及一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，属于继电保护。

背景技术：

1、多端混合直流输电系统采用电网换相换流器(line commutated converter，lcc)作为直流功率输送端，多个模块化多电平换流器(modular multilevel converter，mmc)作为直流功率受端，综合了传统直流换流技术成熟、运行成本低和柔性直流调节性能好、输出波形质量高等优点。多端混合直流输电系统充分发挥了传统直流和柔性直流输电技术的优势，成为解决大规模新能源并网和功率送出消纳的新方法，多端混合直流输电系统是今后直流输电系统的重要发展方向。

2、在实际的多端混合直流输电工程中，必然需要直流架空线路进行远距离大容量功率传输，且直流架空线路故障概率很高。同时，并联型多端直流输电系统的直流线路之间存在t区汇流母线，t区汇流母线两侧直流线路故障难以准确识别。国内外学者开始对多端直流架空线路的故障区域识别方法研究至关重要。

3、针对现有直流线路故障区域识别方法应用于特高压三端混合直流输电线路时，存在难以区分t区两侧故障、耐过渡电阻能力弱、阈值整定困难的问题。

技术实现思路

1、本发明提供了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，以用于将深度学习用于特高压三端混合直流输电线路波形特征故障区域判别。

2、本发明的技术方案是：

3、根据本发明的一方面，提供了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，包括：通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，将线模电流中低频分量、线模电压高频分量结合正负极电压波形特征组成输入特征量，将故障区域作为输出量；构建深度学习故障区域识别模型；将测量点得到的故障特征量输入训练完成的深度学习故障区域识别模型，实现故障区域识别。

4、所述通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，包括：对t区左侧测量点m1和t区右侧测量点m2得到的线模电流进行小波分解，获取t区左侧测量点m1和右侧测量点m2得到的线模电流中低频分量；对测量点m1得到的线模电压进行小波分解，获取m1的线模电压高频分量。

5、所述正负级波形特征，具体为：利用t区左侧测量点m1、m3得到正极电压故障波形、负极电压故障波形。

6、所述小波分解采用db4；其中，获取t区左侧测量点m1和右侧测量点m2得到的线模电流中低频分量采用第八尺度细节系数；获取m1的线模电压高频分量采用第一尺度细节系数。

7、所述深度学习故障区域识别模型采用cnn-lstm网络模型，其中，cnn-lstm网络模型包括输入层、两层cnn层、lstm层、输出层。

8、根据本发明的另一方面，提供了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别系统，包括：构建模块，用于通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，将线模电流中低频分量、线模电压高频分量结合正负极电压波形特征组成输入特征量，将故障区域作为输出量；构建深度学习故障区域识别模型；识别模块，用于将测量点得到的故障特征量输入训练完成的深度学习故障区域识别模型，实现故障区域识别。

9、本发明的有益效果是：本发明通过分析三端混合直流线路不同区域的故障特征，发现三端混合直流线路不同区域故障时的故障特征差异；利用小波变换提取故障特征量，结合正负极电压波形特征，构建深度学习模型的输入数据样本，通过对深度学习模型进行训练和优化，最终实现三端混合直流线路不同故障区域的判断。该故障区域识别方法所提取的故障特征量可准确反映三端混合直流线路的不同故障区域，故障区域识别精度高，且对高阻故障具有很高的灵敏度。

技术特征：

1.一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，其特征在于，所述通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，包括：

3.根据权利要求1所述的基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，其特征在于，所述正负级波形特征，具体为：利用t区左侧测量点m1、m3得到正极电压故障波形、负极电压故障波形。

4.根据权利要求2所述的基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，其特征在于，所述小波分解采用db4；其中，获取t区左侧测量点m1和右侧测量点m2得到的线模电流中低频分量采用第八尺度细节系数；获取m1的线模电压高频分量采用第一尺度细节系数。

5.根据权利要求1所述的基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，其特征在于，所述深度学习故障区域识别模型采用cnn-lstm网络模型，其中，cnn-lstm网络模型包括输入层、两层cnn层、lstm层、输出层。

6.一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别系统，其特征在于，包括：

技术总结
本发明公开了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，包括通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，将线模电流中低频分量、线模电压高频分量结合正负极电压波形特征组成输入特征量，将故障区域作为输出量；构建深度学习故障区域识别模型；将测量点得到的故障特征量输入训练完成的深度学习故障区域识别模型，实现故障区域识别。本发明所提取的故障特征量可准确反映三端混合直流线路的不同故障区域，故障区域识别精度高，且对高阻故障具有很高的灵敏度。

技术研发人员：陈仕龙,吴涛,王朋林,高敬业,毕贵红,赵四洪,魏荣智
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/1/16