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 電力工程學院，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用[1-3]。然而，這種高壓直流輸電系統(tǒng)存在逆變側換相失敗的風險?；陔妷涸葱蛽Q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)濟成本較高且運行損耗較大。為了充分發(fā)揮兩者的優(yōu)點，多端混合直流輸電系統(tǒng)應運而生。在多端混合直流輸電系統(tǒng)中，整流側采用LCC換流站，逆變側采用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，這給繼電保護帶來了巨大的挑戰(zhàn)。

由于需要進行遠距離大容量功率傳輸，在多端混合直流輸電工程的實際應用中，使用直流架空線路是必不可少的；但是，這種遠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T區(qū)匯流母線發(fā)生直流線路故障時，保護裝置捕捉到故障信息的能力就會降低[6]。

文獻[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，通過分析整流側和逆變側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，實現(xiàn)了對區(qū)內(nèi)外故障的識別。

文獻[8]通過對T區(qū)傳遞函數(shù)的推導與分析，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，并在此基礎上提出了一種基于T區(qū)兩側暫態(tài)電流中低頻能量差異的故障方向判別原理。

文獻[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系數(shù)來實現(xiàn)故障區(qū)域的準確判別。該方法具有速動性較好及耐受大過渡電阻等優(yōu)點。

以上文獻所提出的保護方案雖然克服了T區(qū)這一特殊結構的難點，但是都需要面對復雜的閾值整定和計算環(huán)節(jié)。

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

文獻[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)樣本進行故障識別。

文獻[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)絡結構和訓練優(yōu)化的基礎上完成了故障區(qū)域判斷。

文獻[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。

以上文獻所提保護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)這一特殊結構，而T區(qū)結構的系統(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、柳北MMC1的T區(qū)邊界、龍門MMC2側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側直流邊界、MMC1側T區(qū)、MCC2側直流邊界的幅值衰減情況；然后，通過經(jīng)驗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，從而構建出CNN-SVM故障區(qū)域識別模型；最后，通過仿真驗證測試模型對不同故障區(qū)域故障的識別準確率、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，構成T區(qū)。M1、M2代表安裝在正極T區(qū)左右兩側的保護裝置；M3、M4代表安裝在負極T區(qū)左右兩側的保護裝置。

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M得到的原始數(shù)據(jù)實行處理，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處的正極電流與負極電流。

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

2.1 LCC側直流邊界頻率特性分析

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

圖2 LCC側直流線路邊界Fig.2 DC line boundary on the LCC side

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

2.2 MMC1側T區(qū)頻率特性分析

文獻[8]對含T區(qū)這一特殊結構的模型進行了剖析。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[13]方法進行分析，發(fā)現(xiàn)暫態(tài)信號中的中低頻段在MCC1側T區(qū)邊界的作用下會有一定的幅值衰減。

2.3 MCC2側直流邊界頻率特性分析

對于MCC2側，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成MMC2側直流輸電線路的物理邊界，其結構如圖4所示。

圖4 MCC2側直流線路邊界Fig.4 DC line boundary on the MCC2 side

結合圖4中的平波電抗器和對地電容的實際參數(shù)，通過文獻[13]方法進行分析可以得出：暫態(tài)信號中的高頻分量在MCC2側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 保護啟動元件

當直流線路發(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)電流突變量來構成保護啟動判據(jù)。

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

考慮實際正常運行時，線路電流會存在波動，故預留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為正常運行時的額定電流。

3.2 故障特征提取方法

本文選取經(jīng)驗小波變換提取故障特征是因為該方法基于信號特征自動地將信號分解為一組有限數(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)左側的保護裝置M1所檢測到的暫態(tài)電流一模信號中的中低頻分量遠大于T區(qū)右側的保護裝置M2。因此，可以利用T區(qū)兩側保護裝置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。

在仿真模型中驗證T區(qū)對一模電流中低頻分量的衰減作用。設置模型采樣頻率為20 kHz；故障發(fā)生地點為線路L1中點處（距保護裝置M1左側454.2 km）及線路L2中點處（距保護裝置M2右側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)左側線路L1發(fā)生故障時，保護裝置M1所檢測到的一模電流中低頻分量的波形與保護裝置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，保護裝置M1中的波形的變化趨勢明顯區(qū)別于保護裝置M2中的波形的變化趨勢，且保護裝置M1的波形一直位于保護裝置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。該結果符合T區(qū)幅頻特性的分析結果。

由圖6知，在T區(qū)右側線路L2發(fā)生故障時，保護裝置M1所檢測到的一模電流中低頻分量的波形與保護裝置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，保護裝置M1中的波形變化趨勢明顯區(qū)別于保護裝置M2中的波形變化趨勢，保護裝置M1的波形一直位于保護裝置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。該結果符合T區(qū)幅頻特性的分析結果。

綜上可得，當T區(qū)外L1、L2線路發(fā)生故障時，可用由所對應的保護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側邊界、MMC2側邊界都會對暫態(tài)電壓高頻分量信號強度進行弱化。在L1發(fā)生故障的情況下，保護裝置M1所檢測到的一模電壓高頻分量會遠大于故障發(fā)生在L1區(qū)外時。當區(qū)內(nèi)線路L2發(fā)生故障時，保護裝置M2所檢測到的一模電壓高頻分量會遠大于故障發(fā)生在L2區(qū)外時。因此，可以根據(jù)對應線路上保護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。

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

保護裝置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。當線路L1區(qū)外發(fā)生故障時，保護裝置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。

在仿真模型中驗證MMC2側邊界對一模電壓高頻分量的衰減作用。設置模型采樣頻率為20 kHz；采樣數(shù)據(jù)時間窗為4 ms；故障發(fā)生地點與保護裝置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。當線路L2區(qū)外發(fā)生故障時，保護裝置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)進行積分，以提高數(shù)據(jù)的精確性，達到提高故障區(qū)域識別的可靠性的目的。其次，利用保護裝置M1、M3上的功率數(shù)據(jù)來構造故障選極元件，表達式為：

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

當正極線路發(fā)生故障時，保護裝置M1上k個正極功率數(shù)據(jù)之和會大于保護裝置M3上k個負極功率數(shù)據(jù)之和，S的值就會大于1；當負極線路發(fā)生故障時，保護裝置M1上k個正極功率數(shù)據(jù)之和會小于保護裝置M3上k個負極功率數(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、池化層為基礎的具有權值共享等特性的前饋深度學習網(wǎng)絡，具有良好的非線性運算能力和特征提取能力[10]；但是針對非線性問題，CNN網(wǎng)絡輸出層的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種技術結合起來，用SVM來代替CNN網(wǎng)絡中的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)樣本之間的相互關系，大幅度提高模型的識別準確率。

本文構建的CNN-SVM結構圖如圖9所示。圖中網(wǎng)絡結構主要包括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)絡結構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)絡的訓練造成影響，先將輸入數(shù)據(jù)進行Min-Max歸一化處理。CNN層的作用是對輸入量進行特征分塊提取。為了將卷積層所提取到的特征量進行抽象合并，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，進而使非線性的特征量線性可分，其優(yōu)點在于：可直接使用映射后的新樣本點的點乘計算公式，無需具體計算原始樣本點映射的新的無窮維度的樣本點，且樣本量少、分類精度高，從而使SVM支持向量機能夠避免數(shù)據(jù)分類上的障礙。

在MATLAB平臺上搭建CNN-SVM網(wǎng)絡模型的各層結構；采用Relu作為激活函數(shù)，卷積核大小設置為3×3；初始學習率采用0.001；設置最大迭代次數(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一步提取特征；SVM模塊中懲罰因子設置為100，核函數(shù)類型設置為徑向基函數(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)左右兩側保護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)左側線路L1還是T區(qū)右側線路L2。

故障線路區(qū)內(nèi)外識別。利用T區(qū)左右兩側保護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，實現(xiàn)直流線路故障區(qū)域識別。將T區(qū)兩側保護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，每個值分別對應故障發(fā)生在f1—f8區(qū)域的概率。例如，當故障發(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訓練及測試結果

4.1 CNN-SVM訓練

CNN-SVM網(wǎng)絡參數(shù)設置完成以后，在上述仿真模型上進行故障仿真。

故障類型為單極接地故障。仿真數(shù)據(jù)共252組。具體訓練數(shù)據(jù)如表1所示。表1中實驗數(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 訓練數(shù)據(jù)Tab.1 Training data

訓練結果損失值和預測精度曲線如圖11、圖12所示。

圖11 損失值曲線Fig.11 Loss-value curve

圖12 預測精度百分量曲線Fig.12 Prediction accuracy percentage curve

4.2 CNN-SVM測試

利用訓練完成后的CNN-SVM網(wǎng)絡進行故障區(qū)域識別。

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

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

表2 CNN-SVM測試結果Tab.2 Test results of CNN-SVM

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

4.3 抗噪聲能力驗證

為模擬現(xiàn)實噪聲信號對測量造成的干擾，在由模型仿真得到的測量點原始電流、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)進行數(shù)據(jù)處理，然后使用訓練完成的CNN-SVM對其進行測試。測試結果如表3所示。

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

由表3的測試結果可知，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確識別故障區(qū)域，模型具有一定的抗噪能力。

5 結論

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。通過仿真實驗，得到以下主要結論。

1）LCC側、MMC2側線路邊界對暫態(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)絡對時序數(shù)據(jù)進行學習，將CNN網(wǎng)絡特征提取能力強的優(yōu)點與SVM網(wǎng)絡分類能力準確的優(yōu)點相結合，使模型避免了傳統(tǒng)保護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。