信息物理融合下的特高壓換流站狀態識別技術

肖耀輝 余俊松 李為明 王玉峰 王永平 薛海平 黃鍇 姚金明

摘 要：由于特高壓換流站系統數據來源廣泛、采集密度高、量測裝置多樣、通信協議復雜，現有技術難以對換流站復雜狀態及其隱含的故障特征進行準確辨識。因此本文提出了基于信息物理融合的特高壓換流站特征識別技術，在對以圖像為主的多源異構數據進行預處理與關聯分析后，基于信息物理雙側狀態運行及遷移特征關聯矩陣，對換流站物理與通信雙側故障進行分析、訓練與識別。基于實際換流站監控圖像進行了實例分析和方法對比，結果表明該方法優于一些傳統的故障診斷與特征識別算法，具有較好的診斷能力。

關鍵詞：大數據挖掘；特高壓直流；多源信息融合；信息物理系統；故障辨識

DOI：10.15938/j.jhust.2024.01.008

中圖分類號： TM743? 文獻標志碼： A

文章編號： 1007-2683（2024）01-0069-09

EHV Converter Station State Identification Technology Based on Cyber-physical Integration

XIAO Yaohui1， YU Junsong1， LI Weiming1， WANG Yufeng1，WANG Yongping2， XUE Haiping2， HUANG Kai2， YAO Jinming3

（1Maintenance and Test Center of CSG EHV Power Transmission Company， China Southern Power Grid Co， Ltd，?Guangzhou 510000， China;2NR Electric Co， Ltd， Nanjing 210023， China;3College of Automation & College of Artificial Intelligence， Nanjing University of Posts and Telecommunications， Nanjing 210023， China）

Abstract：Due to the wide range of data sources， high collection density， diverse measurement devices and complex communication protocols in the EHV converter station system， it is difficult for the existing technology to accurately identify the complex states of the converter station and its implied fault characteristics Therefore， this paper proposes an information-physical fusion-based feature identification technology for EHV converter stations After pre-processing and correlation analysis of image-based multi-source heterogeneous data， the analysis， training and identification of physical and communication faults of converter stations are performed based on the cyber-physical dual-side state operation and migration feature correlation matrix Example analysis and method comparison based on actual converter station monitoring images are conducted， and the results show that the method outperforms some traditional fault diagnosis and feature identification algorithms and has better diagnostic capability

Keywords：big data mining; UHVDC; multi-source information fusion; information physical system; fault identification

0 引 言

隨著特高壓直流跨區域傳輸線路的建設與發展，我國清潔能源的消納與利用程度得到了大幅度加強。由于特高壓換流站起著連接發電端和輸配電端的核心作用，保證其安全穩定運行非常重要。傳統的檢測工作多以人工為主，存在勞動強度大的局限性，無法滿足特高壓工程快速發展的建設需要［1-2］。

中國目前的電力設備維護體系是一種簡單的基于時間的預防性試驗和定期維護體系［3］。這種維護制度由于自身的盲目性，可能會對運行中的設備良好運行狀態造成損害［4-5］。

特高壓換流站結構復雜，具有多電壓交叉特性。雖然在關鍵設備與產品的設計和生產過程中，整體的絕緣特性得到了可靠的保證，但隨著長期的運行，元件的性能退化，運行環境的變化，特別是滲水等要素對換流站的可靠運行造成了潛在的威脅［6-7］。因此，如何綜合考慮電氣與非電氣狀態量，對換流站狀態進行整體建模與多源信息融合下的風險評估，是目前對換流站監測與運維應用的難點［8］。

本文首先介紹了換流站的基礎功能、監控方法與監視架構，其次分析了用于驗證換流站狀態的各類數據，包括環境、圖像、電氣等多源信息及其圖像混合識別方案［9-10］。接著，基于換流站多源信息及其與電力物理運行狀態的關聯關系，構建電網信息物理融合模型，分析通信與電力環節之間的狀態轉移特征與關系［11］。最后通過實際算例驗證了在復雜信息環境下的換流站業務執行全過程。

1 換流站功能介紹

換流站主要由換流變壓器、換流閥和直流、交流開關站組成［12］。直流開關站可容納平滑電抗器、直流濾波器、直流測量裝置、避雷器、浪涌電容器、耦合電容器、開關設備等［13］。交流開關站可容納交流開關設備、交流濾波器、無功補償裝置、避雷器等。與傳統的直流換流站不同，由于設備制造和運輸方面的限制，UHVDC換流站每一極都有多個串聯的12脈沖換流器，布置在多個閥廳。

1.1 換流站監控技術

換流站內部運行時，連續處于高電壓、高噪聲、強電磁場的環境中，因此無法直接測量換流閥、穿墻套管和避雷器等核心設備的運行狀態［14］。而僅通過遠程視頻圖像觀察等手段，無法及時了解換流閥等設備各部分的運行健康狀況，同時對各種異常情況如滲水、明火、放電等環境變化，僅通過人工監測手段難以及時發現問題［15］。因此換流站實際運行可能產生的極端性風險將造成巨大的經濟損失。

目前，排除換流站設備隱患的方法是定期維修，而停電狀態下的定期維修無法模擬換流閥等設備的實際運行狀況，導致設備的一些運行缺陷或隱患無法再現［16-17］。因此，需要同時利用電氣與環境綜合信息進行關聯檢測，能夠全面發現換流閥預警狀況的最新技術。通過實時監測和采集電氣設備的運行參數，進行綜合處理和分析，確定設備的運行健康狀況，并預測可能發生的故障。利用該技術可以準確定位設備故障，及早捕捉運行缺陷，使得快速查找和分析設備故障原因成為可能［18］。

目前換流站在線監測技術的實際效果不佳。對換流閥閥體表面的異常情況，只能通過人工手持設備進行走廊檢查來監測，可靠性有限［19-22］。換流變壓器表面漏油的異常情況也是通過遠程視頻和巡視走廊來進行，難以直接觀察。在多維信息輔助判斷設備故障的過程中，圖像識別是其關鍵技術。智能圖像識別診斷技術是伴隨著人工智能研究的發展和攝像成型技術的飛躍而發展起來的一種在線監測技術。隨著電網自動檢測技術的發展，可以實現對重點設備關鍵點的24 h不間斷錄像。圖像識別診斷已廣泛應用于水電站、大型變電站等高可靠性要求的不間斷系統的運行維護中［23］。

換流站的整體監控拓撲與監控數據類型如圖1所示，主要包括圖像、環境、電氣等多維信息參數。

1.2 自助可控監視技術

目前現有傳統監視技術主要采用層次混合監視，主要是采用監視板卡來監視系統中其他插件是否正常運行，但是在一些故障情況下，傳統的監視方法很難區分故障發生的位置是監測板卡還是被監視的板卡。而自主可控平臺采用的控制保護主要是根據平臺自身的軟件和硬件特點，依據處理器多核特性，采用“核內自監視+核間平行監視”的監視新技術，即系統內的每一個核都會自我監視同時監視其他核，并且每個自我監視的核也受到其他核監視。自主可控主機監視邏輯如圖2所示。

“核內自監視+核間平行監視”的監視新技術主要包括以下優點：1）系統內所有插件都被監視，能夠精準定位到故障；2）核間平行監視無需第三方中轉所監測到的故障信息；3）能夠在系統運行異常時主動切換系統，提高系統穩定性。

2 換流站異常狀態監測關鍵技術

為了對換流站異常狀態進行有效監測，首先，廣泛收集、整理各類與電氣特性及有關的異構信息，包括：氣象、火災、滲水率等各類事件等，并完成數據的轉換，滿足大數據分析需求。其次，利用建立的關聯分析模型對狀態數據進行標定，形成正常和異常狀態集；再次，利用人工設定的案例，定義數據相關性的關聯規則的支持度和置信度數學模型，并對異構信息數據進行頻繁度挖掘關聯分析，最終建立特高壓換流站多源信息融合模型。

在狀態識別過程中，首先，引入證據理論處理異構信息的融合。證據理論是信息融合領域的重要基礎理論，非常擅長處理不確定問題。針對建立的信息融合框架，設計異構信息的沖突處理機制，確保異構信息融合的準確度。最后，考慮到用電數據識別結果的重要性，在現有證據融合算法中引入證據權重，優化證據融合算法，形成基于信息融合的換流站異常狀態識別算法，如圖3所示。

2.1 多源數據類型

特高壓換流站樣本的基本數據類型包括：

1）變壓器運行數據：主要包含變壓器運行是否正常的數據，例如套管壓力、分接頭動作次數等。

2）開關運行數據：包含監測開關絕緣和操作結構是否正常運行的實時信息，如SFc壓力、動作次數等。

3）一次測量設備數據：用于檢測一次設備是否正常運行，包括如驅動電流和運行溫度等。

4）避雷器運行數據：用于監測避雷器是否正常運行，包括如動作次數和泄流電流等。

5）直流側運行數據：用于監測高壓直流系統的控制情況，包括如直流電壓、直流電流、功率、觸發角、分接頭檔位等。

6）閥冷卻系統運行數據：用于檢測換流閥的水冷效果情況，包括如水壓，水流等。

7）交直流濾波運行數據：用于檢測電容器的運行情況，包括如電容器的不平衡電流等。

8）紅外測溫運行數據：用于監測設備的實時溫度，包括如電壓致熱性的套管、電流致熱性的開關、電壓互感器、刀閘、變壓器等設備的實時溫度。

在換流站日常監測數據中，具有以下特征。

1）數據類型及設備類型復雜，采樣頻率高，運維及存儲難度大；

2）數據狀態分布不平衡，由于換流站設備整體運行狀態較好，因此其故障數據往往隱藏在整體海量數據中，不易被辨識，關鍵數據價值密度較低。

3）不同類型的異構數據往往來源于不同的傳感器與監控系統中，共享難度大，數據難以集成以協同分析。

針對較為復雜的圖像信息，在圖像增強、圖像濾波、圖像銳化、圖像分割、形態學圖像處理的基礎上，使地圖顯示更加清晰，減少失真，滿足識別和預警處理的要求。以圖像信息為基礎，建立圖像分辨率和清晰度指標，結合提取的特征量，基于卷積神經網絡算法，對采集的圖像進行識別和評價。

在大量地圖采集和標準化存儲的基礎上，基于特征量，需要研究基于聚類分析的數據挖掘、基于多類支持向量分析的機器學習、智能檢索等關鍵技術，構建標準化的典型對象和典型案例圖像分析庫。

2.2 多源數據處理架構

電力業務的結構化數據的交換服務，可以采用數據抽取和數據推送的數據同步方式進行數據交換，所謂的結構化數據，即指的是存在傳統關系型數據庫中的數據，這些數據同樣遵守標準數據結構，可以采用二位表的形式來進行邏輯表達和理解，結構化數據的交換采用光傳輸綜合承載平臺，該平臺為可以結構化數據交換的邏輯通道。

對于非結構化數據的交換業務，可以采用數據抽取和數據推送的數據同步方式來對電力業務中的非結構化數據進行數據交換，非結構化數據指的是相對結構化數據來說不適合使用數據庫的二位邏輯來表達的數據，包含例如文檔、文本、圖表、圖像和多媒體文件等。非結構化數據的交換通道主要為光傳輸綜合承載平臺專設的業務通道。

首先構建換流站各類電氣與非電氣數據的基礎數據庫，實現多源異構數據集成。其次基于數據清洗及多時間尺度數據處理技術，對不同數據屬性根據時間特征、空間特征、物理特征和關聯關系進行特征分析及規范化處理，采用重復字段匹配、空缺值檢測、一致性檢測等技術，識別系統數據實體中重復數據、空缺數據以及不滿足約束的異常數據，基于數據相關性的貝葉斯推斷等技術對系統數據實體中的異常數據進行清洗及綜合處理。最后，研究基于MySQL關系型數據庫的數據存儲技術，實現對數據本身與行為策略的分析，實現數據隱藏換流站直流側、交流側、設備層與電網層等深層次狀態行為的提取與檢驗。

3 信息物理融合方法

基于上文中的圖像識別與分析技術，可以獲取特高壓換流站中的非電氣參數，結合D5000系統中傳遞的電氣參數，可以進行異構信息融合處理，得到特高壓換流站的全面狀態感知結果，擴充其狀態庫，流程如圖4所示。

構建的特高壓換流站異構信息模型如下：

1）首先采集特高壓換流站電氣數據，進行數據預處理，包括數據缺失值填補，無效數據刪除；

2）獲取數據對應日期的天氣及氣象數據，監控設備對應的各類事件信息，基于關聯關系分析方法挖掘歷史異構數據與用電數據之間的關聯關系以及置信度與強規則集合，分析影響異常狀態數據的關鍵信息；

3）基于不同時間尺度（氣象數據以天為單位，監控設備事件以小時為單位）將異構信息與電氣數據進行融合；

4）根據已有的行為經驗進行貼標簽處理，其中正常狀態標簽為0，異常狀態按照故障類型設定標簽為1～n，去除無標簽數據；

5）接著選取標簽0樣本，進行異常值的剔除，基于過采樣算法進行標簽0樣本的擴充；選取標簽1～n樣本，基于過采樣算法進行標簽1～n樣本的擴充；

6）基于標簽0樣本擴充數據集與標簽1～n樣本擴充數據集構建有標簽新數據集，進行訓練集和測試集的劃分。

在此基礎上，可以對多源信息與物理狀態進行聯合，構建信息物理系統（cyber physical system， CPS）模型。

31 CPS元件建模方法

由于電網CPS中存在著電力與通信等多源信息的復雜耦合，為了全面揭示這些信息對換流站運行物理特性的影響，需要構建一個信息物理拓撲關聯模型。簡而言之，在電網CPS中，電力CPS節點通常指電力通信負荷系統的電力通信負荷系統的信息傳輸與能量的交匯點，這些節點的組成可以是單個CPS系統的元器件，也可以由多個元器件共同組成，需要對這些節點進行精確建模，即所搭建的模型具有較好的兼容性，對外可以提供連接口，同時也可以接入新元件，具有良好的拓展性。

3.2 信息物理融合序列建模

在物理層面，電力CPS一般會以固定的時間檢測對電壓、電流和頻率進行采樣，采樣完成后會通過通訊網絡進行傳輸至主站，采樣的測量值在時間序列上是連續的；在信息層面，只有在特定的事件或動作下才會產生帶有時間戳的日志，所以這些數據在時間序列上是不連續的。在信息物理融合的序列建模時，首要是基于專家進行對屋里層面的測量值進行離散化，在離散的空間中將連續地物理量映射出來。

與此同時為確保特高壓系統安全穩定地運行，本文設置了一些規范：電網的電壓、電流和額定頻率只能在一定的范圍內波動；其中由于不同線路的承載電流不同，所以電流的取值范圍和線路正常運行的情況關系密切，本文為了標準化電流的變化情況，以故障前的電網穩態測量電流值作為參考電流，若電流的變化相較于初始電流超過本文所給限定范圍，則被看作為異常變化。具體的物理量測量值離散化的方法如式（1）所示。

f′t=ε（ft-（1+m%）fN）+ε（ft-（1-m%）fN）I′i，t=ε（Ii，t-（1+l%）IiN+ε（Ii，t-（1-l%）IiN）U′u，t=ε（Uu，t-（1+p%）UuN）+ε（Uu，t-（1-p%）UuN）（1）

式中：ε為階躍函數；ft為t時刻的頻率；Ii，t為t時刻線路i的電流；IiN為線路i故障前的電流；Uu，t為t時刻母線u的電壓；UuN為母線u的額定電壓；f′t，I′i，t和U′u，t為離散后的頻率、電流和電壓值，m、p和l分別代表交流側額定頻率偏差值、電網電壓的波動值和相對于初始穩態電流值變化值，其中m，p和l需根據具體應用場景來確定。除階躍函數外的其他方法也可以采用相同的思路，將其中的連續量測進行離散化處理。

物理層面的連續數據離散化在本質上是一種利用專家經驗濾波的過程，其主要是聚焦于系統發生異常事件的時刻，所有時刻的系統的物理狀態序列可以通過公式表示為：Sphys={t，f，U，V}，其中t為記錄狀態的時間戳，Sphys為系統的物理狀態。

信息層面的離散事件可表示為事件是否正在發生的形式，為：Scyber={t，LS}，其中LS為事件的狀態，如某設備是否正在發生動作，用0和1表示未發生和已發生。數據中的每一維數據都對應著不同的時間，經過處理后，信息層面和物理層面的數據可以使用相同的時間戳來表示，表示為公式即為：Scpps={t，f，U，V，LS}，即在信息層面和物理層面發生的一切事件的狀態都是有限地，即事件的狀態可以被有限表示，通過下標對有限的系統狀態進行區分，按照時間戳的形式可以將所有時刻的系統狀態表示為：

Ey={Sa，Sa，Sb，Sb，Sc}，a，b，c∈n（2）

式中：Ey為事件狀態遷移過程，a，b，c為某個事件的狀態，n為狀態總數。在給定的事件狀態采樣周期內，存在事件的連續狀態相同，即系統狀態在采樣周期內沒有發生變化。

在事件發生的過程中，事件的系統狀態在大部分采樣周期時間內均保持不變，只在一些特定時刻發生系統狀態遷移，在事件系統狀態遷移過程中去除未發生改變的數據，即可提取出狀態遷移序列：

Ey={Sa，Sb，Sc}，a，b，c∈n（3）

式中：Ey為時間離散化后的事件序列。

3.3 信息物理融合故障辨識

通過比較待檢測的故障事件序列和特征序列庫中的數據，即可得到故障類型，在此過程中，將待檢測的序列和庫中序列對比時，若有且只有一條數據和待檢測的序列數據匹配，即可獲得故障類型，若無數據匹配或者有多條數據匹配，則歸類為“未知”和“待定”。基于信息物理融合特征序列的故障原因辨識流程如圖5所示。

訓練流程為：

1）將數據分成兩組：訓練樣本和測試樣本。

2）設定不同支持度組合來模擬各種換流站監控場景，每個支持度對應特定的場景，如電氣設備故障或通信設備故障。

3）根據2）步驟給定的支持度，提取并保存在支持度下的序列集。

4）采用蒙特卡洛法調整支持度組合，然后重復步驟2）和步驟3）。

5）對訓練中保存的序列集進行測試，并將獲得的準確率最高的序列集用于實際情況。

4 算 例

基于簡單的特高壓換流站等效系統算例，說明電力CPS結構與事件建模流程。算例中的特高壓換流站原始拓撲與等效模型如圖6所示。

系統的采樣、傳輸和分析控制環節可以被簡化為一個等效模型，如圖7所示。Sf表示傳感器，A表示執行環節，而C則代表簡化的決策環節。決策環節可以是單獨的控制中心節點，也可以是附加在執行環節的計算環節。

圖7中，可以將B1和傳感器Sf看作同一個CPS節點，也可以看作是通過接口連接的兩個獨立節點，若兩個元件之間的連接介質無法被忽略的話，這兩個元件則不能看做同一個節點。對上述的經典CPS的系統進行抽象概括，則CPS主要包含：電力一次系統、感知原件、執行器、決策環節和通信環節。

4.1 故障測試

算例所用測試場景分為三類：1）機械故障；2）電氣故障；3）常規運行狀態。相關測試樣本數據集來自某特高壓換流站全景監視系統采集的10000幅監視圖像，在Windows 10環境下利用Pytorch深度學習框架進行訓練，處理器型號為Intel（R） Core（TM） i5-10400F CPU ，樣本集采取專家經驗人工標注。

經過換流站日常視頻圖像采樣選取了3個不同的特征子集。通過超高清攝像頭拍攝換流站監控中心顯示屏得到監控圖像，然后將圖像上傳至云端進行圖像預處理、圖像矯正、圖像去噪以及提取邊緣信息等步驟，接著對監控圖像進行字符分割及識別，最后獲得檢測結果，從而能夠識別出了故障時間、類型、地點及等級等屬性。本次檢測得到了三類初步診斷結果，并進一步得到合成后的最終診斷結果。原始故障樣本為572條，將原始故障數據擴充為2802條故障數據樣本，80％的擴充故障樣本作為訓練集，20％的擴充測試樣本作為測試集。同時，采集了換流站直流側與交流側的電流、電壓、頻率信息進行輔助故障識別，基于信息物理融合特征序列方法的整體辨識結果及其與傳統方法對比如表1所示。

4.2 時延測試

在理想情況下，使用純數據進行驅動的模型在一般情況下可以實現較好效果。但是在電力CPS中，通信系統的延時是不可避免的客觀影響因素，使用評估失穩故障為例，通信延時造成的采樣數據偏差如圖8所示。

可以發現在不同的延時的環境下頻率測量準確率不同。在此基礎上，可以計算特高壓換流站緊急控制業務的量測、執行與物理恢復用時。以簡單的安全穩定控制動作過程為例說明：

1）Sf采集B2母線頻率信息fB2；

2）fB2通過通信通道傳輸至控制中心C；

3）控制中心C根據預先制定的策略，計算B2節點切除狀態；

4）切除狀態通過通信通道傳輸至B2節點執行器A；

5）執行器A完成動作指令，對直流線路進行切除。

各控制環境用時如表2所示。

由表2可以看出，當網絡環境正常時，一次閉環的電力業務響應過程大約需要69ms，可以滿足絕大部分的實時電力業務需求，但是，在網絡環境發生異常時，網絡的數據傳輸會收到網絡異常的影響，導致傳輸所需要的時間增加，甚至會導致電網的頻率波動，加劇電網的不穩定性。因此在后續研究過程中可以利用模型預測控制方法，增加反饋校正的過程，使得補償控制中增強了抗擾動和客服系統不確定性的能力，從而能夠提高換流站系統在高延時下的穩定性。

5 結 論

本文介紹了一種信息物理融合下的特高壓換流站狀態識別技術，該技術通過對電力信息物理中的大量電力數據進行融合分析，首先對電力通信系統的構成和信息采集與監控設備的介紹，然后針對電力CPS的隊員異構信息和復雜的一二次融合設備，使用信息物理融合時間序列進行建模，最后通過仿真驗證信息流和能量流對設備、網絡和系統業務執行的影響。

通過對信息層面和物理層面融合分析的方法，可以針對電力CPS內部的關鍵固有因素和關聯影響要素進行綜合分析，同時可以分析換流站內部的信息物理融合事件的遷移過程，當信息層面的系統系統的參數發生變化時，可以精確評估對特高壓換流站事件狀態評估準確率的影響，并能夠高效識別各類故障和狀態。

參 考 文 獻：

［1］ 李宏昌， 陳俊宇. 特高壓換流站監控參數的異常判據研究［J］. 電工技術， 2021（24）： 200.

LI Hongchang， CHEN Junyu. Research on Abnormal Criteria for Monitoring Parameters of Uhv Converter Station［J］. Electric Engineering， 2021（24）： 200.

［2］ 張愛楓， 彭東， 項方宇. 基于bim-5d技術的特高壓換流站工程管控系統［J］. 電測與儀表， 2020， 57（24）：125.

ZHANG Aifeng， PENG Dong， XIANG Fangyu. Engineering Controlling System of UHV Converter Station Based on Bim-5d Technology［J］. Electrical Measurement & Instrumentation， 2020， 57（24）：125.

［3］ SHENGCHANG J， PENG W， QIAOGEN Z， et al. Study on the Noise-level Calculation Method for Capacitor Stacks in HVDC Converter Station［J］. IEEE Transactions on Power Delivery， 2010， 25（3）：1866.

［4］ 吳浩， 李紅元， 劉建紅. 特高壓直流換流站二次設備回路傳導電壓干擾特性研究［J］. 電測與儀表， 2018， 55（20）：142.

WU Hao， LI Hongyuan， LIU Jianhong. Research on the Conducted Voltage Interference Characteristics in the Secondary Equipment Circuit of an UHVDC Converter Station［J］. Electrical Measurement & Instrumentation， 2018， 55（20）：142.

［5］ 程正逢， 胡俊， 盧生煒，等. 基于高分insar數據的特高壓換流站穩定性監測［J］. 電力勘測設計， 2017（6）：5.

CHENG Zhengfeng， HU Jun， LU Shengwei， et al. The Stability Monitoring of UHV Convertor Station Using High Resolution Insar Dataset［J］. Electric Power Survey & Design， 2017（6）：5.

［6］ HUANG X，XIE Y， MA C， et al. Design and Application of Insulator Detection Robot System for UHVDC Transmission Line［J］. International Journal of Mechanical Engineering and Applications， 2019， 7（4）：106.

［7］ 謝民， 邵慶祝， 汪偉，等. 特高壓換流站保護系統全景監視圖像超分辨率重建方法［J］. 廣東電力， 2022， 35（5）：101.

XIE Min， SHAO Qingzhu， WANG Wei， et al. Research on Super-resolution Reconstruction Method of Panorama Monitoring Images of Extra-high Voltage Converter Station Protection System［J］. Guangdong Electric Power， 2022， 35（5）：101.

［8］ 陸如， 于惠鳴， 劉自超. 基于全景數據系統的特高壓直流換流站監控方案［J］. 通信電源技術， 2019， 36（7）：80.

LU Ru， YU Huiming， LIU Zichao. Monitoring Scheme of UHVDC Converter Station Based on Panoramic Data System［J］. Telecom Power Technology， 2019， 36（7）：80.

［9］ 李葦. 特高壓變電站計算機監控系統方案探討［J］. 電力建設， 2007， 28（9）：5.

LI Wei. Discussion on Schemes of UHV Substation Computerized Monitoring Systems［J］. Electric Power Construction， 2007， 28（9）：5.

［10］馮慶東， 黃文濤. 特高壓直流試驗基地試驗線段監測監視系統研制［J］. 電力設備， 2008， 9（2）：18.

FENG Qidong， HUANG Wentao. The Development of Test Line Monitoring System in the UHVDC Test Base Station［J］. Electrical Equipment， 2008， 9（2）：18.

［11］閃鑫， 王軼禹， 金一丁，等. 特高壓互聯電網一體化監視和故障協同處置方案及應用［J］. 電力系統自動化， 2018， 42（2）：84.

SHAN Xin， WANG Yiyu， JIN Yiding， et al. Scheme and Application of Integrated Monitoring and Fault Co-disposal Technology of UHV Interconnected Power Grid［J］. Automation of Electric Power Systems， 2018， 42（2）：84.

［12］陳生棟， 孫海峰. 特高壓換流站三柱四繞組結構換流變壓器諧波抑制研究［J］. 電網技術， 2021， 45（8）：3155.

CHEN Shengdong， SUN Haifeng. Harmonic Elimination for Three-limb Four-winding Converter Transformer in UHVDC Converter Station［J］. Power System Technology， 2021， 45（8）：3155.

［13］康保林， 高亮， 屈子程. 基于MMC的直流電網故障分析和保護方案研究［J］. 電測與儀表， 2020， 57（13）：130.

KANG Baolin， GAO Liang， QU Zicheng. Research on DC Faults Analysis and Protection Scheme of D-C Power Grid Based on MMC［J］. Electrical Measurement & Instrumentation， 2020， 57（13）：130.

［14］GAO L， JI S， ZHU L， et al. Vibration and Noise c-haracteristics of Air-Core Reactor Used in HVDC Converter Stations［J］. IEEE Transactions on Power Delivery， 2021， 37（2）： 1068.

［15］MU D， LIN S， ZHANG H， et al. A NovelFault Identification Method for HVDC Converter Station Section Based on Energy Relative Entropy［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 1.

［16］CHAI B， XU H， DOU J， et al. A WSN Integrated Supporting System Deployment of an HVDC Converter Station［C］//2021 5th International Conference on Smart Grid and Smart Cities （ICSGSC）. IEEE， 2021： 10.

［17］YONG S， CE F， LEI C， et al. Inertia Parameter Selection Method for HVDC Converter Station Ba-sed on VSG Control［J］. Journal of ElectricalEngi-neering & Technology， 2022， 17（2）： 1019.

［18］LI Y， REN X， HUANG T， et al. A Fault Analysis for the Action of the Bridge Arm Overcurrent Protection of a Flexible HVDC Converter Station［C］//2021 IEEE Sustainable Power and Energy Conference （iSPEC）. IEEE， 2021： 231.

［19］ZHAO C， JIANG S， XIE Y， et al. Analysis of Fault and Protection Strategy of a Converter Station in MMC-HVDC System［J］. Sustainability， 2022， 14（9）： 5446.

［20］郜建良，譚貝斯，賈琳，等.特高壓電網無功電壓控制策略迭代求解方法研究［J］.電測與儀表，2022，59（11）：126.

GAO Jianliang，TAN BeiSi，JIA lin，et al.Research on Iterative Method of Reactive Power Voltage Control Strategy for UHV Power Grid［J］.Electrical Measurement & Instrumentation，2022，59（11）：126.

［21］汪本進，王睿晗，吳士普，等.特高壓直流電壓互感器換熱結構設計及其對誤差特性的影響研究［J］.電測與儀表，2022，59（1）：84.

WANG Benjin，WANG Ruihan，WU Shipu，et al.Research on the Heat Exchange Structure Designing for UHV DCVT and its Influence on Error Characteristics［J］.Electrical Measurement & Instrumentation，2022，59（1）：84.

［22］周挺，唐信.特高壓直流極母線避雷器污穢狀況下內外部電場分布的仿真研究［J］.電測與儀表，2023，60（5）：92.

ZHOU Ting，TANG Xin.Simulation of Internal and External Electric field of UHV DC Polar Bus Arrester Under Pollution Conditions［J］.Electrical Measurement & Instrumentation，2023，60（5）：92.

［23］鐘堯， 任嘯， 吳高林，等. 圖像特征分析的電力金屬腐蝕評估方法［J］. 哈爾濱理工大學學報， 2021， 26（1）：9.

ZHONG Yao， REN Xiao， WU Gaolin， et al. Image Recognition and Model Cluster Matching of Relaying Plate［J］. Journal of Harbin University of Science And Technology， 2021， 26（1）：9.

（編輯：溫澤宇）

基金項目： 國家自然科學基金（52207009），中國南方電網有限責任公司科技項目（0120002021030304AS00062）

作者簡介：肖耀輝（1989—），男，碩士，工程師；

余俊松（1996—），男，助理工程師

通信作者：姚金明（1989—），女，博士，講師，E-mail：yao_jinming@126.com.