秦 岳

（国网青海省电力公司海南供电公司，青海 海南州 813000）

高压直流输电具有输电能量大、传输距离远的优点，在电能的长距离传输方面具有明显优势。然而，由于我国能源分布和负荷分布不匹配，高压直流输电在解决能源和负荷间的供需矛盾方面发挥了重要作用。因此，高压直流输电在我国国情下具有较高的应用价值。直流输电线路长度长，沿途地域环境复杂多样，以常规的巡检方式进行故障定位十分不便，因此对高压直流输电线路的故障位置诊断技术进行研究十分必要且意义重大。

目前，直流输电线路的故障定位方法主要基于故障行波技术，分为单端行波法和双向行波法[1-2]。单端行波法对辨识第二个反射行波具有较高要求，但是发生高阻接地故障时，精确辨识第二个反射行波不易实现[3]。双向行波法对辨识首个行波具有较高要求，但是直流输电系统中的平波电抗器、直流滤波器等会对行波的特性产生较大影响，较难有效辨识首个行波。

1 基于高频衰减特性的直流输电测距

目前，直流输电线路普遍采用双极运行方式，两极之间存在电气耦合关系，因此必须要对线路上的信号进行解耦处理，才能够进行衰减特性分析[4]，其解耦公式如公式（1）所示。

式中：u1、u0分别代表整流器侧和逆变器侧瞬态电压的线模分量和零模分量，u+、u-分别代表对应侧的正极线瞬态电压和负极线瞬态电压[5]。

高频分量的衰减效应在直流输电线路上表现较明显。高频分量的衰减程度与其通过直流输电线路的长度紧密相关[6-7]，基于高频衰减特性的直流输电线路测距原理如图1所示。

图1 高频衰减特性计算下的直流输电测距

故障发生位置距整流器侧的测距设备的距离x与到达整流器侧和逆变器侧测距设备处某个频率下的故障电压幅值具有一定的关系[8]，如公式（2）所示。

式中：L为输电线路全长；αj为线路的模衰减参数；|Uj1（f）|和|Uj2（f）|分别为整流器侧和逆变器侧测距设备检测到的来源于故障位置且频率为f的故障电压幅值[9]。

在故障分析过程中，需要对到达整流器侧和逆变器侧的故障特征进行仔细观察和分析。需要确定行波首个波首的幅值比和特定频率的高频分量。这些特征可以通过在故障位置采集数据来获取。整流器侧和逆变器侧的故障位置也需要进行确认，以便更准确地定位故障，则公式（2）可以变换为公式（3）。

式中：α'为相应频率下的衰减参数，|Uja|为测距设备采集的整流器侧行波模分量第一个波首幅值；|Ujb|为采集的逆变器侧相行波模分量第一个波首幅值。

由此可得以频率为自变量的函数构成线路衰减参数。对直流输电而言，如果所得输电线路的基本电气参数为精确值，就能够得到任意频率时线路的衰减参数，再利用公式（3）就能得知故障位置与整流器侧测距设备和逆变器侧测距设备的间隔距离，从而进行故障定位。

随着电力系统运行，衰减特性会对故障特征产生影响。行波模分量是故障特征的重要表现形式，其中波首幅值比对故障定位具有重要意义。然而，非线性关联关系在公式（3）中有所体现，它可能会干扰测距设备正常工作，影响故障定位的准确性。逆变器和整流器是电力系统中的重要设备，在运行过程中可能会发生故障，从而影响整个系统的稳定性。因此，衰减特性和故障特征的检测对故障定位至关重要。使用测距设备可有效检测故障位置，并利用非线性关联关系进行故障分析，从而为故障修复提供有力支持。这些技术的应用和发展将有助于提高电力系统的安全性和稳定性。

2 基于神经网络的直流输电线路双向故障定位方法

由于常规的基于高频分量衰减特性来进行故障定位的方法存在一定误差（原因是难以准确求取输电线路的高频分量衰减参数），因此，找到一种不依赖高频分量衰减参数来计算故障距离的方法对故障定位至关重要。神经网络技术具有非线性数据拟合能力，因此，对于x与的非线性关系，基于神经网络技术可实现故障精确定位。

2.1 神经网络的概念

目前，运用神经网络过程中，普遍运用的网络模型均是以BP网络为基础发展起来的。数学方法已经证明任意一个具有隐含层级的三层级网络能够对任意非线性函数进行无限近似。BP神经网络是一种常用的人工神经网络模型，具有强大的非线性拟合能力。它由输入层、隐藏层和输出层组成。在训练过程中，通过反向传播算法，将输出误差逐层反向传递到隐藏层和输入层，然后根据误差大小，利用梯度下降法调整每个神经元的权重和阈值，不断优化网络性能。BP神经网络的训练是一个迭代过程，需要提供一组已知的输入和对应的输出样本进行训练。通过计算网络输出与实际输出间的误差，利用误差反向传播来调整权值和阈值，以使网络输出与实际输出尽可能接近。BP神经网络应用广泛，包括模式分类、数据预测和模式识别等领域。它可以处理非线性问题，并可通过增加隐藏层和神经元的数量来提高网络的表达能力。因此，BP网络的核心是将输出误差倒回到模型中，逐步对应调整运算权值和运算阈值，来修正输出误差，保证最终的输出预测值无限逼近期望目标输出量，从而得到最终的输出结果。

2.2 基于神经网络的直流输电线路双向故障定位方法的实现

为了诊断直流输电线路的故障位置和类型，可以采取一种研究样本并进行数据预处理，以构建神经网络模型。这种模型的全范围覆盖能够适应多种类型的故障，使用特征电压行波信号来分析波首幅值比特征，通过处理复杂的波形信息来提升泛化性能。该策略将在数据驱动的基础上提供故障诊断的有效手段。该文设定的神经网络如下：1）瞬态电压信号是电力系统中常见的故障特征信号之一，具有较高的幅值和高频带宽。传统的测距设备往往难以准确测量首个波首的到达时间，进而无法提取故障特征信号。为了解决该问题，该文提出了一种基于小波变换技术的解耦运算方法。首先，通过预处理步骤对瞬态电压信号进行尺度变换和带通滤波，以提高信号的清晰度和准确性。其次，利用小波变换技术将瞬态电压信号分解成瞬态电压线模分量和同频带宽分量。在整流器侧，第一个波首的幅值为U1a1、U1a2、U1a3、U1a4，利用解耦运算提取出瞬态电压线模分量，并进一步计算出首个波首的到达时间。同样地，在逆变器侧，第一个波首的幅值为U1b1、U1b2、U1b3、U1b4，解耦运算可以提取出同频带宽分量，并计算出故障特征信号的幅值比为通过以上步骤，可以在输电线路上准确测量首个波首的到达时间，并提取出故障特征信号的幅值比。该方法克服了传统测距设备的局限性，为电力系统的故障检测和故障定位提供了可靠的技术手段。基于上述研究可得研究样本的输入量为p=[p1，p2，p3，p4]。2）该文仿真数据来自实际运行线路参数，选用云南到广东的800kV特高压直流输电示范工程为研究对象。因此直流输电系统的实际运行状态可根据设计的模型反应。为了确保所研究输电线路多故障特征信号能被全部监测，从距离直流输电系统整流器侧5km位置开始配置故障点，然后每10km位置配置一处故障点，直到距离整流器侧1415km时（该处距离逆变器侧10km）结束故障位置配置，因此输电线路中包括142处故障位置，即模型中涵盖了142组故障信息。3）选取系统的过渡电阻为0～100Ω，步长为10Ω。4）在研究中，样本是指用于分析的数据集合。研究样本的输入量数值通常会存在较大差异，会影响模型的准确性。模型是利用输入节点与权值的作用来进行系统运算的。通过隐含层输出结果，模型可以进一步处理其他节点的输入量数值，并进行系统运算。因此必须对模型的输入量进行归一化运算，保证输入量为0～1，即能够保证研究样本的各输入量具备同等的地位。

经上述4个步骤构建的神经网络模型如图2所示。该神经网络模型中分为输入层级j、隐含层级i和输出层级l，输入层级的神经元为xk、xk-1、xk-2，具体的神经网络输入层级神经元分别与4个频带内整流器侧和逆变器侧采集的波首幅值比一一对应。隐含层级包括15个神经元，输出层级仅有一个神经元，其与故障位置相对应。基于机器学习算法的神经网络，经约1100个学习过程后误差达标，且收敛速度快。学习收敛曲线如图3所示，由图3可知，学习率为0.01，学习收敛精度为10-5，学习极限次数为10000。

图2 神经网络模型

图3 学习收敛曲线示意图

3 仿真研究

根据某高压直流输电线路参数及线路接线形式，搭建直流输电系统仿真模型。该系统的输电电压等级为±800kV，输电额定功率为5000MW，输电额定电流为3.125kA，输电线路总长度为1425km，线路电阻率平均值为1000Ω·m，导线选用6×LGL-630/45。

利用神经网络技术，该文提出了一种基于瞬态电压线模分量的故障位置诊断方法，能够有效地对输电线上的接地故障进行准确定位。该方法使用测距设备测量了故障点处过渡电阻的数值，并将d1、d2、d3、d4频带的首个波首幅值作为输入参数，通过神经网络对输电线上的故障位置进行诊断和定位。在试验中，使用频带的数据进行训练和测试，并取得了良好效果，首个波首幅值为1.4506、1.4267、1.3905、1.3828。该文基于瞬态电压线模分量和神经网络技术的故障定位方法具有较高的精度和稳定性，可在实际应用中提供准确的故障位置信息，具有广阔的应用前景。所得神经网络模型的输入量p=[1.4506，1.4267，1.3905，1.3828]，将其输入神经网络模型进行运算，输出的距离测量结果为400.17km，存在0.17km的误差。由此可见，基于神经网络技术对故障位置进行诊断的方法不依赖输电线路的衰减参数，并能进行高精度定位。

4 结论

该文采用4个高频带宽的输电线路故障定位模型，利用电压行波信号进行故障特征数据采集，通过神经网络模型自主运算，使输入量与输出量精准匹配，进行直流输电线路故障定位。通过分析线模首个波首幅值比等关键特征数据，进一步提升了故障定位的精度。使输电线路故障的高频特征能高效传输，对保障电力系统安全运行具有重要意义。该文研究得到结论如下：1）直流输电线路两端逆变器及整流器侧所得高频分量第一个波首幅值与故障位置之比是非线性的关系。2）采用神经网络时，直流输电线路故障位置确定不依赖输电线路的衰减参数，定位精度高，具有较强的过渡电阻耐受能力。3）直流输电线路故障位置确定由神经网络进行计算并采集行波数据，该数据来自故障发生的极短时间内，不依赖故障特征行波的传输速度和传输时间。