本文是一篇电气自动化论文，本文的研究重点在于探究适用于多端混合直流输电线路的故障区域识别方法，提出的算法可以作为现有故障诊断方法的补充，丰富研究手段，作为现有研究手段的比较，可以对不同方案进行互相验证，或者作为离线验证手段，为现有的保护方案提供新思路。
第一章绪论
1.1课题研究背景及意义
由于地理因素，我国的能源和电力负荷的分布极不平衡—西南、中南地区山川河流众多，水电资源丰富，而东部沿海地区工业发达、人口密集，用电负荷较为集中。我国以“西电东送”、“藏电外送”为代表的输电工程呈现出远距离、大功率等特点[1][2]高压直流输电因具有高输送功率、低传输损耗、可控性强、易与异步交流电网互联等诸多优势，现已成为大容量、长距离输电的重要途径。
目前的直流输电系统广泛采用基于晶闸管型相控换流器（Line CommutationConverter，LCC）的高压直流输电技术（LCC-HVDC）。该技术具有造价低廉、输送等级高、输送容量大等优点的同时仍存在一些缺点制约了其未来的发展[3][4]。首先，该直流输电系统运行过程中需要消耗大量的无功功率，容易产生较多谐波，导致需要额外的设备和措施来解决无功补偿和滤波等问题，增加了系统的成本和复杂度。其次，LCC-HVDC输电系统只能向有源电网输送电能，无法向无源电网输送电能，在向弱交流电网输送电能，交流系统受到干扰甚至发生故障时，将导致交流电压下降或谐波畸变等问题，从而引发逆变站发生换相失败，连续的换相失败可能会造成输送功率中断，进而导致潮流大规模转移到交流线路，严重危害系统的安全[5-7]。
..................................
1.2直流输电线路故障区域识别国内外研究现状
对于高压直流输电线路故障区域的识别，现有的方法可以归纳为两类：基于非智能算法和基于智能算法。基于非智能算法的方法主要依靠故障机理手段，构造行波信号的特征量，并将其与预先设定的阈值进行比较，以判断故障区域，但该方法需要人工进行阈值的设定，且阈值的选择比较困难[18]。相比之下，基于智能算法的方法则是将信号处理得到的特征信号或原始信号作为输入，通过训练挖掘输入信号间的特征差异，实现故障区域的准确识别，避免了故障阈值整定环节[19-21]。本文将上述基于智能算法和非智能算法两个方面介绍高压直流输电线路的故障区域识别手段。
1.2.1基于非智能算法的直流线路故障区域识别方法
（1）传统直流线路
传统LCC型直流输电系统主要利用行波来进行输电线路故障区域的识别，目前，行波故障区域识别原理是高压直流输电系统中最主要的故障区域判别原理之一[22]。在行波故障区域识别的研究中，关注点主要集中在分析不同故障区域的故障特征，并对故障区域识别判据的定值进行整定。
文献[23]分析了直流输电线路区内、外故障时电压行波及电压变化率的故障暂态特性，并提出了利用电压变化率最大值出现时刻差异来判别直流线路区内外故障。该方法能够准确判断直流线路的故障位置，具有耐受过渡电阻能力强、采用频率与实际工程一致、实现简便等优点。文献[24]将多重分形理论与故障暂态电压线模信号的波形分布与质量分布概率相结合，分别对高阻故障和雷击故障对判别方法的影响进行了讨论，实现了对直流输电线路区内外故障区域的判别。文献[25]总结了直流输电线路在区内和区外故障时，其行波波形存在的特征差异，基于这种特征差异，提出了一种仅利用单极电压的故障极判别方法，经过实验得出该保护方案能够快速识别区内外故障和故障极，准确检测高阻接地故障。
..........................
第二章基于PCNN-LSTM的特高压三端混合直流输电线路故障区域诊断
2.1引言
随着我国清洁能源的大力发展和跨区输送清洁能源的力度不断加大，多端混合直流输电系统被广泛应用于大规模电力传输。实际工程中的特高压多端混合直流输电系统，使用了大规模的直流输电线路，因其输电距离远，运行环境恶劣，故障发生概率高。特高压三端混合直流输电线路发生接地故障时，故障电气量变化存在很强的随机性和非线性，在过渡电阻和噪声干扰下其规律性更弱，很难快速、准确地提取故障特征，诊断出故障区域。
传统基于故障机理和物理模型等效的故障区域诊断方法在计算当中伴随着参数的简化或舍弃，影响诊断结果的准确性，其次，上述根据表达式计算阈值的方法，容易受到系统参数变化、过渡电阻、噪声干扰等因素的影响，难以精确整定阈值，从而影响最终的故障区域诊断准确率。然而深度学习为故障诊断提供了新的途径，摒弃人工提取故障信号特征和人为设定阈值的过程，利用深度学习精确挖掘海量数据中的深层抽象特征，实现端到端的故障区域判别。卷积神经网络（CNN）和LSTM是深度学习模型中常用的方法，CNN用于高维数据的深层空间耦合特征提取，LSTM用于时序特征。针对波动规律不明显的故障数据，CNN故障区域诊断的训练准确率较低，而LSTM神经网络的训练效率也不高，因此，本文搭建了双支路CNN网络（parallel convolutional neural network，PCNN），提出了一种基于PCNN-LSTM的多端混合直流输电线路故障区域诊断方法，该方法有效结合的二者的优势，提高了故障诊断精度。
...........................
2.2特高压三端混合直流输电系统模型
昆柳龙特高压三端混合直流输电系统主要由三个换流站及相连的直流输电线路组成。其地理位置分布图如图2-1所示。输电工程送端的昆北换流站位于云南省禄劝县丽山村，输送功率为8000MW，输送电压等级为±800kV；中间受端落点的柳北换流站位于广西柳州市中渡镇黄村，消纳功率为3000MW，电压等级为±800kV；末尾受端落点的龙门换流站位于广东省龙门县土湖村，消纳功率为5000MW，电压等级为±800kV。其中云南昆北换流站至广西柳北换流站间的直流输电线路为932km，广西柳北换流站至广东龙门换流站之间的直流输电线路为557km。
电气自动化论文怎么写
..........................
第三章 基于 Res-GRU 网络的特高压三端混合直流输电线路故障区域诊断 ................................. 30
3.1 引言 ........................... 30
3.2 故障波形分析 ........................... 30
第四章 基于多模式分解和多支路并行残差网络的特高压三端混合直流输电线路故障区域诊断 ......................... 47
4.1 引言 ................................ 47
4.2 直流线路各区域故障特征分析................. 47
第五章 结论及展望 ........................... 67
5.1 结论 .................................. 67
5.2 未来展望 .................................. 68
第四章基于多模式分解和多支路并行残差网络的特高压三端混合直流输电线路故障区域诊断
4.1引言
前文基于PCNN-LSTM和Res-GRU深度学习模型对多端混合直流输电线路故障区域进行了精确诊断。然而上述研究中，诊断模型的超参数是人为设定的，且故障诊断效率会受到所设定参数的影响，故障诊断模型的最佳参数匹配能够极大缩短故障诊断时长，如果将前文结论直接应用于实际的特高压多端混合直流输电系统当中，其它附加问题也随之而来。由于实际电网中的断路器耐受能力有限，且故障的发生会带来人身安全和经济损失的问题，因此，多端混合直流输电线路上的故障实验样本有限，凭借人为设定参数的深度学习模型并不能够将网络训练至最优。此外，当电网的运行参数和结构发生变化时，故障诊断模型的超参数可能需要重新选择或调整，这需要额外的时间和计算资源。超参数的选择通常需要大量的经验和实验，特别是当超参数的空间很大时，如果人工对比实验搜索，这可能需要数百或数千次试验才能找到最佳的超参数设置。相比之下，引入优化算法对故障诊断模型的超参数进行寻优，可以帮助模型自动搜索最佳的超参数设置，并且在时间和计算成本上更加高效。
电气自动化论文参考
............................
第五章结论及展望
5.1结论
多端混合直流输电系统结合了常规直流和柔性直流的优点，兼顾可控性和经济性，是未来直流输电技术的重要发展方向。由于该系统输送跨度大、输送距离远，架空线路运行环境恶劣，输电线路发生故障是概率高。现阶段针对多端混合直流输电线路区域诊断的研究较为匮乏，本文的研究重点在于探究适用于多端混合直流输电线路的故障区域识别方法，提出的算法可以作为现有故障诊断方法的补充，丰富研究手段，作为现有研究手段的比较，可以对不同方案进行互相验证，或者作为离线验证手段，为现有的保护方案提供新思路，本文的主要工作及研究成果如下：
（1）通过分析昆北侧、龙门侧线路和柳北T区电压传递函数的幅频特性，发现特高压多端混合直流输电线路不同区域故障的特征差异，利用柳北T区左右四个测量点采集暂态故障电压数据，作为深度学习的训练样本，构建了具有双支路CNN空间特征提取能力和LSTM时序特征提取能力的PCNN-LSTM诊断模型，通过参数对比实验确定模型的结构参数。采用数据驱动的方法实现端到端的区域诊断，避免了传统的阈值整定过程。大量仿真实验表明：所提出的故障诊断方案采用离线训练、在线检测的模式，仅需获取3ms的数据窗，采样频率仅为20kHz，利于现有控保硬件的实现；在高强度的噪声干扰下，本文所提模型仍然能够保持相对较高的诊断准确率，与其它CNN、LSTM等单一诊断模型相比，具有一定的抗干扰能力。
（2）通过分析昆北侧、龙门侧线路和柳北T区电流传递函数的幅频特性，发现特高压多端混合直流输电线路不同区域故障的特征差异，通过小波分解对故障暂态电流进行分解，频带固定的模态分解结果，将其作为深度学习模型的输入样本。搭建的Res-GRU模型结合了残差网络和GRU网络，通过残差连接可以有效地减少训练过程中的梯度消失和爆炸问题，而GRU网络能够有效地捕捉暂态电流序列中的动态变化，二者结合，使得模型更加稳定，提高了噪声下的诊断精度。通过搭建不同机器学习、深度学习模型对比分析得知，所提方法对于噪声具有较强的抗干扰性能，在强噪声背景下仍能保持较高的诊断精度。
参考文献（略）