基于CNN-SVM的特高壓三端混合直流線路故障區(qū)域識別方法

周前華，陳仕龍，鄧 健，畢貴紅，魏榮智

（昆明理工大學(xué) 電力工程學(xué)院，云南 昆明 650500）

0 引言

目前，基于電網(wǎng)換相換流器(Line commutated converter，LCC)的高壓直流輸電系統(tǒng)在我國直流輸電工程中得到廣泛應(yīng)用[1-3]。然而，這種高壓直流輸電系統(tǒng)存在逆變側(cè)換相失敗的風(fēng)險(xiǎn)。基于電壓源型換流器(Voltage source converter，VSC)的高壓直流輸電系統(tǒng)能夠提供動態(tài)無功支撐，但其經(jīng)濟(jì)成本較高且運(yùn)行損耗較大。為了充分發(fā)揮兩者的優(yōu)點(diǎn)，多端混合直流輸電系統(tǒng)應(yīng)運(yùn)而生。在多端混合直流輸電系統(tǒng)中，整流側(cè)采用LCC換流站，逆變側(cè)采用VSC換流站[4]。由于受端采用了模塊化多電平換流器（Modular multilevel converter，MMC），當(dāng)直流線路發(fā)生故障時，其故障電流會在幾毫秒內(nèi)飆升到額定電流的數(shù)十倍，這給繼電保護(hù)帶來了巨大的挑戰(zhàn)。

由于需要進(jìn)行遠(yuǎn)距離大容量功率傳輸，在多端混合直流輸電工程的實(shí)際應(yīng)用中，使用直流架空線路是必不可少的；但是，這種遠(yuǎn)距離的直流架空線路故障的概率很高[5]。另外，在存在T區(qū)的直流系統(tǒng)中，當(dāng)T區(qū)匯流母線發(fā)生直流線路故障時，保護(hù)裝置捕捉到故障信息的能力就會降低[6]。

文獻(xiàn)[7]以LCC-MMC混合雙極直流輸電系統(tǒng)為背景，研究了該系統(tǒng)故障暫態(tài)電流行波的突變特征，通過分析整流側(cè)和逆變側(cè)在不同故障情況下暫態(tài)電流行波變化的方向差異，來判斷故障發(fā)生的區(qū)域，實(shí)現(xiàn)了對區(qū)內(nèi)外故障的識別。

文獻(xiàn)[8]通過對T區(qū)傳遞函數(shù)的推導(dǎo)與分析，發(fā)現(xiàn)換流器的并聯(lián)接入會減少故障電流行波的中低頻分量，并在此基礎(chǔ)上提出了一種基于T區(qū)兩側(cè)暫態(tài)電流中低頻能量差異的故障方向判別原理。

文獻(xiàn)[9]分析了不同位置發(fā)生故障時換流器動作前的暫態(tài)電流故障分量的極性，通過計(jì)算故障后T區(qū)匯流母線3個端口的暫態(tài)電流故障分量的相關(guān)系數(shù)來實(shí)現(xiàn)故障區(qū)域的準(zhǔn)確判別。該方法具有速動性較好及耐受大過渡電阻等優(yōu)點(diǎn)。

以上文獻(xiàn)所提出的保護(hù)方案雖然克服了T區(qū)這一特殊結(jié)構(gòu)的難點(diǎn)，但是都需要面對復(fù)雜的閾值整定和計(jì)算環(huán)節(jié)。

基于人工智能算法的保護(hù)方案具有自適應(yīng)性和自學(xué)能力，在應(yīng)用時能夠避免傳統(tǒng)方法中需要手動設(shè)置閾值的問題，在直流輸電系統(tǒng)的故障識別領(lǐng)域具有廣泛的應(yīng)用前景。

文獻(xiàn)[10]提出基于堆疊自編碼器(Stacked auto-encoder)的故障區(qū)域識別方法，選取故障條件下電壓反行波的線模量與零模量作為輸入數(shù)據(jù)樣本進(jìn)行故障識別。

文獻(xiàn)[11]選取不同位置的故障電壓、電流數(shù)據(jù)作為輸入量，在對CNN的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練優(yōu)化的基礎(chǔ)上完成了故障區(qū)域判斷。

文獻(xiàn)[12]提出了一種基于CNN-SVM的高壓輸電線路故障分段識別方法。該方法對高壓輸電線路故障識別率較高。

以上文獻(xiàn)所提保護(hù)方案均以柔性直流電網(wǎng)作為對象，但是混合直流電網(wǎng)存在T區(qū)這一特殊結(jié)構(gòu)，而T區(qū)結(jié)構(gòu)的系統(tǒng)故障又有其特有特性。

基于含T區(qū)線路故障的特殊性，本文首先分析昆北LCC側(cè)、柳北MMC1的T區(qū)邊界、龍門MMC2側(cè)的直流線路邊界的頻率特性，從而得出暫態(tài)信號中的高頻分量在LCC側(cè)直流邊界、MMC1側(cè)T區(qū)、MCC2側(cè)直流邊界的幅值衰減情況；然后，通過經(jīng)驗(yàn)小波變換提取故障特征，將其作為CNN-SVM的輸入量，將故障區(qū)域作為輸出量，從而構(gòu)建出CNN-SVM故障區(qū)域識別模型；最后，通過仿真驗(yàn)證測試模型對不同故障區(qū)域故障的識別準(zhǔn)確率、耐受過渡電阻能力。

1 特高壓三端混合直流輸電系統(tǒng)

昆柳龍混合直流輸電系統(tǒng)為典型的特高壓三端混合直流輸電系統(tǒng)。系統(tǒng)送端是昆北站，容量為8 GW；受端分別為廣東龍門、廣西柳州，容量分別為5 GW、3 GW；線路總長約1 450.4 km。昆柳段線路為908.4 km，柳龍段線路為542.0 km。

本文以±800 kV昆柳龍混合三端直流輸電工程作為原型進(jìn)行分析。圖1為±800 kV昆柳龍?zhí)馗邏喝嘶旌现绷鬏旊娤到y(tǒng)仿真模型。

圖1 ±800 kV特高壓三端混合直流輸電仿真模型Fig.1 Simulation model of ±800 kV UHV three-terminal hybrid HVDC transmission

圖中，送端昆北換流站和受端龍門換流站分別通過直流線路L1以及直流線路L2連接至受端柳北換流站內(nèi)的匯流母線上，構(gòu)成T區(qū)。M1、M2代表安裝在正極T區(qū)左右兩側(cè)的保護(hù)裝置；M3、M4代表安裝在負(fù)極T區(qū)左右兩側(cè)的保護(hù)裝置。

2 直流線路邊界頻率特性分析

為了能夠避免其他不必要因素影響，對由測量點(diǎn)M得到的原始數(shù)據(jù)實(shí)行處理，得到一模分量和零模分量，如式（1）所示。

式中：u0、u1分別為M處的零模電壓和一模電壓；uP、uN分別為M處的正極電壓與負(fù)極電壓；i0、i1分別為M處零模電流與一模電流；iP、iN分別為M處的正極電流與負(fù)極電流。

由于零模分量在傳播時衰減程度比一模分量嚴(yán)重，因此本文只對一模電氣量進(jìn)行分析。

2.1 LCC側(cè)直流邊界頻率特性分析

LCC側(cè)線路首端的2組三調(diào)諧直流濾波器與平波電抗器構(gòu)成了整流側(cè)線路的物理邊界，如圖2所示。

圖2 LCC側(cè)直流線路邊界Fig.2 DC line boundary on the LCC side

利用文獻(xiàn)[13]方法對圖2 LCC側(cè)直流線路邊界中的平波電抗器和直流濾波器進(jìn)行分析，可以發(fā)現(xiàn)出暫態(tài)信號中高頻分量在LCC側(cè)邊界的作用下會有明顯的幅值衰減。

2.2 MMC1側(cè)T區(qū)頻率特性分析

文獻(xiàn)[8]對含T區(qū)這一特殊結(jié)構(gòu)的模型進(jìn)行了剖析。本文利用該模型對所含T區(qū)邊界傳遞函數(shù)幅頻特性進(jìn)行分析。

由于發(fā)生故障時，線路L1和線路L2的T區(qū)等效電路的故障特征類似，故以T區(qū)左側(cè)線路L1故障為例來分析，其故障分量的等效電路如圖3所示。

圖3 直流線路L1故障分量等效電路Fig.3 L1 fault component equivalent circuit of DC line

圖3中，U1f表示故障點(diǎn)附加一模電壓源；Rf表示過渡電阻；Z1和Z2分別表示線路L1和線路L2的一模波阻抗；Ld表示平波電抗器；ΔI1、ΔI2、ΔU1、ΔU2分別表示線路L1和線路L2故障暫態(tài)信號的線模分量；Zd表示MMC1的等值阻抗。

利用文獻(xiàn)[13]方法進(jìn)行分析，發(fā)現(xiàn)暫態(tài)信號中的中低頻段在MCC1側(cè)T區(qū)邊界的作用下會有一定的幅值衰減。

2.3 MCC2側(cè)直流邊界頻率特性分析

對于MCC2側(cè)，線路L2末端的平波電抗器可以作為直流邊界元件。考慮到架空線路的對地電容，故利用一段架空線路的對地電容和線路L2末端的平波電抗器來構(gòu)成MMC2側(cè)直流輸電線路的物理邊界，其結(jié)構(gòu)如圖4所示。

圖4 MCC2側(cè)直流線路邊界Fig.4 DC line boundary on the MCC2 side

結(jié)合圖4中的平波電抗器和對地電容的實(shí)際參數(shù)，通過文獻(xiàn)[13]方法進(jìn)行分析可以得出：暫態(tài)信號中的高頻分量在MCC2側(cè)邊界的作用下會有明顯的幅值衰減。

3 基于CNN-SVM的故障區(qū)域識別

3.1 保護(hù)啟動元件

當(dāng)直流線路發(fā)生故障時，測量裝置所檢測到的電流數(shù)據(jù)會發(fā)生較大變化，故可以利用暫態(tài)電流突變量來構(gòu)成保護(hù)啟動判據(jù)。

為了保證采集到的數(shù)據(jù)在時域上的同步性，設(shè)置啟動判據(jù)均采用測量點(diǎn)截取窗口的起始數(shù)據(jù)。

考慮實(shí)際正常運(yùn)行時，線路電流會存在波動，故預(yù)留10%的裕度。啟動判據(jù)[11]為：

式中：IM為測量裝置檢測到的單極電流值；為電流變化量；In為正常運(yùn)行時的額定電流。

3.2 故障特征提取方法

本文選取經(jīng)驗(yàn)小波變換提取故障特征是因?yàn)樵摲椒ɑ谛盘柼卣髯詣拥貙⑿盘柗纸鉃橐唤M有限數(shù)目的IMF分量，不需要選取小波基函數(shù)，在處理非線性和非平穩(wěn)信號方面表現(xiàn)尤為出色[14,15]。

3.3 T區(qū)故障識別

分析T區(qū)頻率特性可知，在L1發(fā)生故障的情況下，T區(qū)對中低頻故障暫態(tài)信號會有衰減作用。T區(qū)左側(cè)的保護(hù)裝置M1所檢測到的暫態(tài)電流一模信號中的中低頻分量遠(yuǎn)大于T區(qū)右側(cè)的保護(hù)裝置M2。因此，可以利用T區(qū)兩側(cè)保護(hù)裝置M1、M2所檢測到的暫態(tài)電流一模信號中低頻分量的波形差異來區(qū)分故障發(fā)生在線路L1還是線路L2。

在仿真模型中驗(yàn)證T區(qū)對一模電流中低頻分量的衰減作用。設(shè)置模型采樣頻率為20 kHz；故障發(fā)生地點(diǎn)為線路L1中點(diǎn)處（距保護(hù)裝置M1左側(cè)454.2 km）及線路L2中點(diǎn)處（距保護(hù)裝置M2右側(cè)271 km）；采樣數(shù)據(jù)時間窗為4 ms；過渡電阻分別為0.01 Ω、50 Ω、100 Ω、150 Ω、200 Ω、250 Ω、300 Ω。

保護(hù)裝置M1、M2采集到的一模電流中低頻分量波形如圖5、圖6所示。

圖5 線路L1故障，M1、M2處一模電流中低頻分量波形Fig.5 Waveform of low-frequency component of one-mode current at M1 and M2 of line L1 fault

圖6 線路L2故障，M1、M2處一模電流中低頻分量波形Fig.6 Waveform of low-frequency component of one-mode current at M1 and M2 of line L2 fault

由圖5知，在T區(qū)左側(cè)線路L1發(fā)生故障時，保護(hù)裝置M1所檢測到的一模電流中低頻分量的波形與保護(hù)裝置M2所檢測到的一模電流中低頻分量的波形均呈現(xiàn)下降趨勢；但是，保護(hù)裝置M1中的波形的變化趨勢明顯區(qū)別于保護(hù)裝置M2中的波形的變化趨勢，且保護(hù)裝置M1的波形一直位于保護(hù)裝置M2的波形上方。由此可以得出：M1一模電流中低頻分量的幅值一直大于M2一模電流中低頻分量的幅值，并且隨著過渡電阻的不斷增大，二者之間的趨勢愈加明顯。該結(jié)果符合T區(qū)幅頻特性的分析結(jié)果。

由圖6知，在T區(qū)右側(cè)線路L2發(fā)生故障時，保護(hù)裝置M1所檢測到的一模電流中低頻分量的波形與保護(hù)裝置M2所檢測到的一模電流中低頻分量的波形均呈現(xiàn)上升趨勢；但是，保護(hù)裝置M1中的波形變化趨勢明顯區(qū)別于保護(hù)裝置M2中的波形變化趨勢，保護(hù)裝置M1的波形一直位于保護(hù)裝置M2的波形上方。由此可以得出：M1一模電流中低頻分量的幅值一直小于M2一模電流中低頻分量的幅值，并且隨著過渡電阻的不斷增大，二者之間的趨勢愈加明顯。該結(jié)果符合T區(qū)幅頻特性的分析結(jié)果。

綜上可得，當(dāng)T區(qū)外L1、L2線路發(fā)生故障時，可用由所對應(yīng)的保護(hù)裝置得到的一模電流中低頻分量的波形特征差異來判斷故障發(fā)生在T區(qū)外L1線路還是L2線路。

3.4 故障識別

LCC側(cè)邊界、MMC2側(cè)邊界都會對暫態(tài)電壓高頻分量信號強(qiáng)度進(jìn)行弱化。在L1發(fā)生故障的情況下，保護(hù)裝置M1所檢測到的一模電壓高頻分量會遠(yuǎn)大于故障發(fā)生在L1區(qū)外時。當(dāng)區(qū)內(nèi)線路L2發(fā)生故障時，保護(hù)裝置M2所檢測到的一模電壓高頻分量會遠(yuǎn)大于故障發(fā)生在L2區(qū)外時。因此，可以根據(jù)對應(yīng)線路上保護(hù)裝置所檢測到的一模電壓高頻分量的波形特征來判斷故障發(fā)生在線路區(qū)內(nèi)還是線路區(qū)外。

在仿真模型中驗(yàn)證LCC側(cè)邊界對一模電壓高頻分量的衰減作用。設(shè)置模型采樣頻率為20 kHz；采樣數(shù)據(jù)時間窗為4 ms；故障發(fā)生地點(diǎn)距離保護(hù)裝置M1分別為100 km、500 km、800 km；故障類型為金屬性接地。

保護(hù)裝置M1采集到的一模電壓高頻分量波形如圖7所示。

圖7 線路L1不同位置故障時M1處一模電壓高頻分量波形Fig.7 Waveform of high-frequency component of one-mode voltage at M1 fault at different positions of line L1

由圖7知，當(dāng)線路L1區(qū)內(nèi)發(fā)生故障時，對于不同位置發(fā)生故障，保護(hù)裝置M1所檢測到的暫態(tài)電壓高頻分量的波形突變量大，變化趨勢比較明顯。當(dāng)線路L1區(qū)外發(fā)生故障時，保護(hù)裝置M1所檢測到的暫態(tài)電壓高頻分量的波形比較平坦，趨于一條直線，無明顯變化趨勢。

在仿真模型中驗(yàn)證MMC2側(cè)邊界對一模電壓高頻分量的衰減作用。設(shè)置模型采樣頻率為20 kHz；采樣數(shù)據(jù)時間窗為4 ms；故障發(fā)生地點(diǎn)與保護(hù)裝置M2的距離長度分別為100 km、400 km、800 km和線路區(qū)外。

保護(hù)裝置M2采集到的一模電壓波形如圖8所示。

圖8 線路L2不同位置故障時M2處一模電壓高頻分量波形Fig.8 Waveform of the high-frequency component of the one-mode voltage at M2 fault at different positions of line L2

由圖8知，當(dāng)線路L2區(qū)內(nèi)發(fā)生故障時，對于不同位置發(fā)生故障，保護(hù)裝置M2所檢測到的一模電壓高頻分量的波形突變量大，變化趨勢比較明顯。當(dāng)線路L2區(qū)外發(fā)生故障時，保護(hù)裝置M2所檢測到的一模電壓高頻分量的波形比較平坦，趨于一條直線，無明顯變化趨勢。

綜上可得，保護(hù)裝置M1所檢測到的一模電壓高頻分量波形可以用來區(qū)分線路L1的區(qū)內(nèi)外故障；保護(hù)裝置M2所檢測到的一模電壓高頻分量波形可以用來區(qū)分線路L2的區(qū)內(nèi)外故障。因此，可以據(jù)M1、M2保護(hù)裝置上所檢測到的一模電壓高頻分量波形來對故障區(qū)域進(jìn)行判別。

3.5 故障選極

故障線路的電壓和電流在直流系統(tǒng)里相比于額定值會有較大的跌落；對于非故障線路，由于受電磁耦合的影響，其電壓和電流也會受到波動[16]。為此，對故障后4 ms數(shù)據(jù)窗內(nèi)的功率數(shù)據(jù)進(jìn)行積分，以提高數(shù)據(jù)的精確性，達(dá)到提高故障區(qū)域識別的可靠性的目的。其次，利用保護(hù)裝置M1、M3上的功率數(shù)據(jù)來構(gòu)造故障選極元件，表達(dá)式為：

式中：為保護(hù)裝置M1上的正極功率數(shù)據(jù)；為保護(hù)裝置M3上的負(fù)極功率數(shù)據(jù)；k為4 ms內(nèi)采樣點(diǎn)的個數(shù)。

當(dāng)正極線路發(fā)生故障時，保護(hù)裝置M1上k個正極功率數(shù)據(jù)之和會大于保護(hù)裝置M3上k個負(fù)極功率數(shù)據(jù)之和，S的值就會大于1；當(dāng)負(fù)極線路發(fā)生故障時，保護(hù)裝置M1上k個正極功率數(shù)據(jù)之和會小于保護(hù)裝置M3上k個負(fù)極功率數(shù)據(jù)之和，S的值就會小于1。

3.6 CNN-SVM故障區(qū)域識別原理

CNN是一種以卷積層、池化層為基礎(chǔ)的具有權(quán)值共享等特性的前饋深度學(xué)習(xí)網(wǎng)絡(luò)，具有良好的非線性運(yùn)算能力和特征提取能力[10]；但是針對非線性問題，CNN網(wǎng)絡(luò)輸出層的Softmax分類器分類效果不好，可能使模型可遷移性不足。SVM在處理非線性分類時表現(xiàn)良好。故將這2種技術(shù)結(jié)合起來，用SVM來代替CNN網(wǎng)絡(luò)中的Softmax分類器。將CNN提取的初步特征輸入到SVM中能夠更好地挖掘數(shù)據(jù)中更深層次的特征，充分發(fā)現(xiàn)數(shù)據(jù)樣本之間的相互關(guān)系，大幅度提高模型的識別準(zhǔn)確率。

本文構(gòu)建的CNN-SVM結(jié)構(gòu)圖如圖9所示。圖中網(wǎng)絡(luò)結(jié)構(gòu)主要包括1個輸入層、3個CNN層，1個全連接層，1個SVM層，1個輸出層。

圖9 CNN-SVM網(wǎng)絡(luò)結(jié)構(gòu)Fig.9 CNN-SVM network structure

考慮到輸入量的數(shù)值差異較大，為了避免數(shù)據(jù)量綱對網(wǎng)絡(luò)的訓(xùn)練造成影響，先將輸入數(shù)據(jù)進(jìn)行Min-Max歸一化處理。CNN層的作用是對輸入量進(jìn)行特征分塊提取。為了將卷積層所提取到的特征量進(jìn)行抽象合并，采用全連接層將卷積層所提取到的分布式特征映射到樣本標(biāo)簽特征向量。

高斯核函數(shù)的作用是衡量樣本和樣本之間的“相似度”，在一個刻畫“相似度”的空間中讓同類樣本更好地聚在一起，進(jìn)而使非線性的特征量線性可分，其優(yōu)點(diǎn)在于：可直接使用映射后的新樣本點(diǎn)的點(diǎn)乘計(jì)算公式，無需具體計(jì)算原始樣本點(diǎn)映射的新的無窮維度的樣本點(diǎn)，且樣本量少、分類精度高，從而使SVM支持向量機(jī)能夠避免數(shù)據(jù)分類上的障礙。

在MATLAB平臺上搭建CNN-SVM網(wǎng)絡(luò)模型的各層結(jié)構(gòu)；采用Relu作為激活函數(shù)，卷積核大小設(shè)置為3×3；初始學(xué)習(xí)率采用0.001；設(shè)置最大迭代次數(shù)為4 000；采用Adam優(yōu)化器對模型參數(shù)進(jìn)行優(yōu)化，優(yōu)化算法與誤差函數(shù)分別為Adam和多分類交叉熵函數(shù)，最后使用最大池化進(jìn)一步提取特征；SVM模塊中懲罰因子設(shè)置為100，核函數(shù)類型設(shè)置為徑向基函數(shù)（高斯），核函數(shù)的參數(shù)系數(shù)為0.01。

故障方向識別。利用T區(qū)左右兩側(cè)保護(hù)裝置所測得的一模電流中低頻分量的波形特征差異來判斷故障發(fā)生在T區(qū)左側(cè)線路L1還是T區(qū)右側(cè)線路L2。

故障線路區(qū)內(nèi)外識別。利用T區(qū)左右兩側(cè)保護(hù)裝置所測得的一模電壓高頻分量的波形特征差異來判斷故障發(fā)生在線路區(qū)內(nèi)還是線路區(qū)外。

故障選極。利用正負(fù)極功率的積分比值差異。將上述故障特征差異作為CNN-SVM特征輸入量，實(shí)現(xiàn)直流線路故障區(qū)域識別。將T區(qū)兩側(cè)保護(hù)裝置得到的一模電流中低頻分量數(shù)據(jù)、，一模電壓高頻分量數(shù)據(jù)、以及正負(fù)極功率積分值的比值S作為CNN-SVM的5個輸入變量。CNN-SVM每1個輸出存在8個值，每個值分別對應(yīng)故障發(fā)生在f1—f8區(qū)域的概率。例如，當(dāng)故障發(fā)生在f1區(qū)域時，期望的輸出為向量（1,0,0,0,0,0,0,0）。故障發(fā)生在f2—f8區(qū)域時的期望輸出向量依次類推。

基于CNN-SVM的故障區(qū)域識別流程如圖10所示。

圖10 基于CNN-SVM的故障區(qū)域識別流程Fig.10 Fault area identification process based on CNN-SVM

4 CNN-SVM訓(xùn)練及測試結(jié)果

4.1 CNN-SVM訓(xùn)練

CNN-SVM網(wǎng)絡(luò)參數(shù)設(shè)置完成以后，在上述仿真模型上進(jìn)行故障仿真。

故障類型為單極接地故障。仿真數(shù)據(jù)共252組。具體訓(xùn)練數(shù)據(jù)如表1所示。表1中實(shí)驗(yàn)數(shù)據(jù)的采樣頻率為20 kHz。故障發(fā)生時間為1 s。數(shù)據(jù)窗截取長度為4 ms。過渡電阻變化步長為50 Ω。

表1 訓(xùn)練數(shù)據(jù)Tab.1 Training data

訓(xùn)練結(jié)果損失值和預(yù)測精度曲線如圖11、圖12所示。

圖11 損失值曲線Fig.11 Loss-value curve

圖12 預(yù)測精度百分量曲線Fig.12 Prediction accuracy percentage curve

4.2 CNN-SVM測試

利用訓(xùn)練完成后的CNN-SVM網(wǎng)絡(luò)進(jìn)行故障區(qū)域識別。

直流線路出現(xiàn)位置相異故障。在所得數(shù)據(jù)達(dá)到CNN-SVM訓(xùn)練精度要求條件下，對4個保護(hù)裝置所捕捉到的故障特征進(jìn)行提取，并且使用CNN-SVM對其進(jìn)行訓(xùn)練，最終根據(jù)網(wǎng)絡(luò)輸出的編碼來判斷故障發(fā)生的位置。

為了評估CNN-SVM網(wǎng)絡(luò)在故障識別方面的泛化性能，進(jìn)行24組模擬實(shí)際故障判別情景的單一新測試。這些測試樣本不同于訓(xùn)練樣本的故障距離和過渡電阻。測試結(jié)果如表2所示。

表2 CNN-SVM測試結(jié)果Tab.2 Test results of CNN-SVM

由表2可知，即使采用不同于訓(xùn)練樣本的數(shù)據(jù)來測試，經(jīng)過訓(xùn)練的CNN-SVM網(wǎng)絡(luò)仍然能夠準(zhǔn)確識別對應(yīng)故障區(qū)域。

4.3 抗噪聲能力驗(yàn)證

為模擬現(xiàn)實(shí)噪聲信號對測量造成的干擾，在由模型仿真得到的測量點(diǎn)原始電流、電壓數(shù)據(jù)中添加30 dB的白噪聲。將添加了30 dB白噪聲的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，然后使用訓(xùn)練完成的CNN-SVM對其進(jìn)行測試。測試結(jié)果如表3所示。

表3 在噪聲干擾下CNN-SVM測試結(jié)果Tab.3 Test results of CNN-SVM under the noise interference

由表3的測試結(jié)果可知，在30 dB噪聲干擾下，本文所提出的故障檢測方案仍然能夠準(zhǔn)確識別故障區(qū)域，模型具有一定的抗噪能力。

5 結(jié)論

針對特高壓三端混合直流系統(tǒng)中的直流電網(wǎng)系統(tǒng)，本文提出基于CNN-SVM的特高壓三端混合直流線路故障區(qū)域識別方法。通過仿真實(shí)驗(yàn)，得到以下主要結(jié)論。

1）LCC側(cè)、MMC2側(cè)線路邊界對暫態(tài)電壓高頻分量存在明顯的衰減作用；T區(qū)邊界對暫態(tài)電流的中低頻分量存在一定的衰減作用。

2）采用CNN-SVM網(wǎng)絡(luò)對時序數(shù)據(jù)進(jìn)行學(xué)習(xí)，將CNN網(wǎng)絡(luò)特征提取能力強(qiáng)的優(yōu)點(diǎn)與SVM網(wǎng)絡(luò)分類能力準(zhǔn)確的優(yōu)點(diǎn)相結(jié)合，使模型避免了傳統(tǒng)保護(hù)的人工整定閾值問題，且該方案有耐受300 Ω過渡電阻能力和抗30 dB噪聲干擾能力。