基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法

2024-02-04陈仕龙王朋林高敬业毕贵红罗灵琳

电力系统及其自动化学报 2024年1期

陈仕龙，吴涛，王朋林，高敬业，毕贵红，罗灵琳

（昆明理工大学电力工程学院，昆明 650500）

多端混合直流输电系统采用电网换相换流器LCC（line commutated converter）作为直流功率输送端，多个模块化多电平换流器MMC（modular multi⁃level converter）作为直流功率受端，综合了传统直流换流技术成熟、运行成本低和柔性直流调节性能好、输出波形质量高等优点[1−3]。多端混合直流输电系统充分发挥传统直流和柔性直流输电技术的优势，成为解决大规模新能源并网和功率送出消纳的新方法，也是多端混合直流输电系统在今后直流输电系统中的重要发展方向。

在实际的多端混合直流输电工程中，需要直流架空线路进行远距离大容量功率传输，且直流架空线路的故障概率较高[4]。由于多端混合直流输电线路T 区边界不明显，使T 区汇流母线两侧直流线路故障的准确识别常常面临较大的困难[5]。因此，国内外学者开始对多端直流架空线路的故障区域识别方法进行研究，文献[6]提出利用行波相位特性差异的三端混合直流线路单端量故障区域识别方案，所提故障区域识别方案具有较高的速动性和可靠性，且具有较高的灵敏度；文献[7]利用不同采样频率下的时域电压行波幅值比差异来区分区内故障和区外故障，该方案具有较强的耐受过渡电阻能力，可适用于双端和多端直流系统。以上直流线路故障区域识别方法虽各有特色，但均需人工对故障区域识别判据的阈值进行理论分析和整定，阈值整定困难，工作量较大，且所需测量点较多。

近年来，人工智能算法逐渐应用于直流系统故障区域识别领域。基于人工智能算法的故障区域识别方案通过对直流系统进行故障特性分析，提取典型故障特征量，再利用人工智能网络输出故障区域识别结果，具有较高的故障识别精度[8−9]，可用于直流系统的故障区域识别；文献[10]选取直流电压及母线电压的高频暂态能量和作为输入特征量，构建门控循环单元网络模型，从而实现多端柔性直流线路的故障区域识别，该方法故障区域识别精度高，抗干扰能力强；文献[11]提出基于堆叠自编码器的四端柔性直流线路单端量故障区域识别方案，将输入电压反行波训练堆叠自编码器网络，由输出结果实现故障区域判断，该方案具备一定的耐受过渡电阻能力和抗雷击干扰能力。

本文提出一种利用深度学习及波形特征进行特高压三端混合直流输电线路故障区域识别方法。首先，对线路不同区域故障时的故障特征差异进行分析处理；其次，对线模电压和线模电流进行多尺度小波分解，提取线模电流中低频分量和线模电压高频分量，并结合正负极电压波形特征，组成深度学习模型的输入特征量，将故障区域作为输出量；然后，利用训练过的深度学习模型对获取的故障特征量进行处理，以实现故障区域识别的目的；最后，通过大量仿真验证了本文方法的可行性与准确性。

1 输电系统拓扑

本文以昆柳龙±800 kV 特高压三端混合直流输电工程为背景，送端为云南昆北换流站，输送功率为8 000 MW；受端为广西柳北换流站和广东龙门换流站，分别消纳功率3 000 MW、5 000 MW；输电线路全长为1 450.4 km，其系统拓扑结构如图1 所示。

图1 特高压三端混合直流输电系统拓扑示意Fig.1 Schematic of topology of three-terminal hybrid UHVDC transmission system

图1 中，f1～f10为不同故障区域；L1～L4为不同架空线路。系统参数如表1、2所示，架空线L1长度为908.4 km，架空线L2长度为542 km。

表1 系统主要参数Tab.1 Main parameters of system

表2 MMC 换流站主要参数Tab.2 Main parameters of MMC converter station

送端采用LCC，单极换流单元由2个12脉动换流器串联组成。受端采用MMC，单极换流单元由2个MMC串联组成，每个MMC 由全桥子模块和半桥子模块级联而成，该结构输出电压更逼近正弦波，谐波含量低。在图1 中，将测量点M1、M2、M3、M4配置在柳北站直流出口T区左右两侧，本文对高压直流输电工程中较为普遍的单极接地故障进行研究。架空直流线路正负极之间存在耦合，为了方便分析，对获取到的极线电气量进行相模变换处理[12]，即

式中：uG1、uL1分别为测量点M1处的地模电压和线模电压；uP1、uN3分别为测量点M1处的正极电压和M3处的负极电压；iG1、iL1分别为测量点M1处的地模电流和线模电流；iG2、iL2分别为测量点M2 处的地模电流和线模电流；iP1、iP2分别为测量点M1、M2处的正极电流；iN3、iN4分别为测量点M3、M4 处的负极电流。

2 直流线路各区域故障特征分析

2.1 T 区故障特征分析

对于并联型特高压三端混合直流输电系统而言，其存在如图1中的f9汇流区−T区汇流母线这一特殊结构。由于T区两侧所连接线路L1和L2之间边界条件较弱，造成T 区两侧线路故障难以识别，如何对T区两侧线路故障进行准确识别至关重要。

文献[13]研究发现T区边界对线模电流的中低频分量具有明显的衰减作用，可运用这一特性来判别T区故障区域。T区换流器对线模电流的中低频段有衰减作用，那么T区两侧测量装置得到的线模电流中低频分量的波形变化特征必然不同，利用线模电流中低频分量的波形变化特征可以进行故障区域判别。

为了利用T 区两侧线模电流中低频分量的波形变化特征差异进行T区故障区域识别，需要结合具体直流输电系统，确定故障线模电流经过T区的低频段对应的具体衰减频带。当直流线路L1故障时，参照文献[13]对T区等值电路的分析，结合本文直流输电系统，推导出T区传递函数H(s)的表达式为

式中：ΔI1(s)为T 区左侧测量点M1 得到的线模电流；ΔI2(s)为T 区右侧测量点M2 得到的线模电流；Z2为线路L2的线模波阻抗；Z3为T区的等值阻抗；Ld为T 区平波电抗器的电抗值；Req、Leq、Ceq均为T 区换流器的等值参数。MMC1相关参数如表3所示。

表3 MMC1 等值参数Tab.3 Equivalent parameters of MMC1

由式（2）绘制T区电流传递函数的幅频特性曲线如图2所示。

图2 幅频特性曲线Fig.2 Amplitude-frequency characteristic curve

由图2可知，|H(jω) |在中低频段即40～80 Hz左右大幅衰减，表明线模电流中低频分量即40～80 Hz的频率分量经过T区会大幅衰减。

对测量点得到的线模电流进行小波分解，因db4小波运算速度快、支撑性好，故采用db4小波函数进行五层分解。本文将采样频率设置为20 kHz，数据时间窗设置为5 ms，故障发生时刻为1 s。根据小波分解原则，第8 尺度细节系数对应的频带为39.062 5～78.125 0 Hz，在T 区传递函数的衰减频带范围内。因此，线模电流经过小波分解后，第8尺度细节系数d8即为线模电流中低频分量，其经过T区会发生衰减。当线路L1区内发生故障以后，测量点M1 得到的线模电流中低频分量ILM1及测量点M2 得到的线模电流中低频分量ILM2的波形如图3所示。

图3 T 区左侧线路故障线模电流中低频分量Fig.3 Low-and medium-frequency components of line mode current under line fault on left side of T zone

由图3 可知，T 区左侧线路发生故障以后，T 区左侧测量点M1得到的线模电流中低频分量和T区右侧测量点M2得到的线模电流中低频分量的波形幅值均减小，且T 区左侧波形幅值大于T 区右侧波形幅值，这是因为线模电流中低频分量经过T区会衰减。

当T区区内f9和线路L2区外f4发生金属接地故障时，测量点M1、M2 得到的线模电流中低频分量的波形图如图4、5所示。由图4可知，T区区内发生故障以后，T区左侧测量点M1得到的线模电流中低频分量的波形幅值增大，T区右侧测量点M2得到的线模电流中低频分量的波形幅值减小。由图5可知，T区右侧线路发生故障以后，T区左侧测量点M1 得到的线模电流中低频分量和T 区右侧测量点M2 得到的线模电流中低频分量的波形幅值均增大，且T区右侧波形幅值的绝对值大于左侧波形幅值的绝对值，这是因为线模电流中低频分量经过T区会产生衰减。因此，可以利用故障发生后，T区左侧测量点M1 和右侧测量点M2 得到的线模电流中低频分量的波形特征差异识别T区故障区域。

图4 T 区区内故障线模电流中低频分量Fig.4 Low and medium frequency components of line mode current under fault in T zone

图5 T 区右侧线路故障线模电流中低频分量Fig.5 Low and medium frequency components of line mode current under line fault on right side of T zone

2.2 昆北侧直流线路区内和区外故障特征分析

图1中的直流线路L1区内f1和区外f2之间存在平波电抗器和直流滤波器，两者组成了线路L1区内和区外的物理边界，此边界对线模电压高频分量有明显的衰减作用[14]，可利用测量点M1 处线模电压高频分量的波形变化特征差异判别线路L1或L3的区内和区外故障（故障距离l为故障点到测量点M的距离）。

若线路L1区内f1(l=300 km)处区外发生金属接地故障，采用db4 小波对测量点M1 得到的线模电压uL1进行五层小波分解，因第1尺度细节系数d1为最高频带分量，直流边界对最高频分量的衰减作用更强，故本文采用线模电压第1尺度细节系数即线模电压高频分量，第1尺度细节系数对应频带为5～10 kHz。线路L1发生区内外故障后，线模电压高频分量ULM1波形如图6所示。

图6 线路L1 区内外故障线模电压高频分量波形Fig.6 High-frequency component waveform of line mode voltage under fault inside or outside the line L1

由图6可知，当线路区内故障时，测量点M1得到的线模电压高频分量幅值变化大，波形变化不规则；当线路区外故障时，测量点M1得到的线模电压高频分量幅值接近0，波形变化趋于直线。因此，可通过M1、M3检测到的线模电压高频分量波形特征的差异来识别线路L1、L3的区内外故障。

2.3 龙门侧直流线路区内和区外故障特征分析

图1中的直流线路L2区内f3和区外f4之间存在平波电抗器，平波电抗器作为直流边界元件，同样对线模电压高频分量存在明显衰减作用，可利用测量点M1处线模电压高频分量的波形变化特征差异判别线路L2或L4的区内和区外故障。

若线路L2区内f3（l=400 km）和区外f4处发生金属接地故障，采用db4 小波对测量点M1 得到的线模电压uL1进行五层小波分解，线模电压第1尺度细节系数，即线模电压高频分量ULM1波形如图7所示。

图7 线路L2 区内外故障线模电压高频分量波形Fig.7 High-frequency component waveform of line mode voltage under fault inside or outside the line L2

图7中，当线路L2区内故障时，测量点M1得到的线模电压高频分量幅值变化较大，波形变化极不规则；当线路区外故障时，测量点M1得到的线模电压高频分量幅值接近0，波形变化趋于直线。因此，可通过M2、M4检测到的线模电压高频分量波形特征的差异来识别线路L2、L4的区内外故障。

2.4 直流线路单极故障特征分析

对于直流双极系统，当一条极线发生接地故障时，故障极线路电压比健全极线路电压幅值变化明显，波形振荡更剧烈。因此，可利用测量点M1、M3得到的正极电压故障波形、负极电压故障波形进行故障极判别。

若线路L1区内f1（l=300 km）处和线路L4区内f7（l= 400 km）处发生金属接地故障，测量点M1、M3 得到的正极电压uP故障波形、负极电压uN故障波形如图8 所示。由图8 可知，直流线路故障时，故障极电压幅值变化较大，波形偏离额定电压；健全极电压幅值变化较小，波形围绕额定电压上下变化并最终趋于额定电压。因此，可以利用故障发生后，测量点M1、M3 得到的正极电压故障波形和负极电压故障波形特征差异进行故障选极。

图8 线路单极故障时正负极电压波形Fig.8 Positive and negative voltage waveforms under line unipolar faults

正极电压故障波形和负极电压故障波形特征差异在所有情况下均会存在，若在某些特定情况下波形特征差异较弱，可通过定量计算分析正负极电压变化量的差异，从而进行故障选极。以直流线路正极发生极对地故障为例，正负极电压变化量可表示为

式中：| ΔuP|为正极电压变化量；| ΔuN|为负极电压变化量；Zd、Zx分别为地模波阻抗和线模波阻抗；Rg为过渡电阻；E为正常运行时的对地电压。由于Zd+Zx＞Zd−Zx，故|ΔuP|＞|ΔuN|；同理，直流线路负极发生极对地故障时，| ΔuP|＜|ΔuN|。为了减小测量误差，本文对故障后4 ms数据窗内的电压变化量进行积分。

2.5 直流线路双极故障特征分析

对于双极系统，当发生双极接地故障时，正负极电压均将发生波动，可利用测量点M1、M3 得到的正负极电压波形判断双极故障。

若线路L1区内f1（l=300 km）处和线路L4区内f7（l= 400 km）处发生双极接地故障，测量点M1、M3得到的正极电压uP故障波形和负极电压uN故障波形如图9 所示。由图9 可知，直流线路双极故障时，正负极电压幅值均变化较大，波形偏离额定电压，双极故障电压跌落情况大体一致，可以利用此特征对双极故障进行判别。

图9 线路双极故障时正负极电压波形Fig.9 Positive and negative voltage waveforms under line bipolar faults

综合本文第2.4节和第2.5节，可利用故障后测量到的正极电压故障波形和负极电压故障波形的变化情况是否具有一致性来判断是单极故障还是双极故障。若判断为单极故障，则进一步按第2.4节的分析判断方法进行故障选极。

3 故障区域识别方法

3.1 网络模型的构建

卷积神经网络CNN（convolutional neural net⁃works）是以卷积层、池化层为基础的具有权值共享等特性的深度神经网络，网络权值数量少、结构简单，可以自动提取时间序列数据中的有效特征信息，发现数据样本之间的特征差异，但当时间序列数据波动性较大时，单一CNN难以较好地挖掘数据中的重要信息。相较于卷积神经网络，长短期记忆LSTM（long short−term memory）神经网络在波动性较大的时间序列数据建模方面表现更为优异。将CNN提取的初步特征输入到LSTM中能够更好地挖掘时间序列数据中更深层次和更抽象的特征，并且充分发现数据样本之间的相互关系，大幅度提高模型的识别准确率[15]。

根据第2 节的分析可知，通过T 区左侧测量点和右侧测量点得到的线模电流中低频分量的波形特征差异可识别T区故障区域；M1、M3检测到的线模电压高频分量波形特征的差异可识别线路L1、L3的区内外故障，M2、M4检测到的线模电压高频分量波形特征的差异可识别线路L2、L4的区内外故障；测量点M1、M3的正极电压uP故障波形和负极电压uN故障波形的特征差异可用于故障选极。故本文将ILM1、ILM2、ULM1、uP和uN作为CNN 与LSTM 混合神经网络CNN−LSTM（convolutional neural networks −long short term memory）的输入量，即X=[ILM1ILM2ULM1uPuN]。为实现故障区域f1～f10的识别，本文CNN−LSTM 网络设计10 个输出结果，输出量为Y=(y1,y2,y3,y4,y5,y6,y7,y8,y9,y10)，y1～y10为每个输入量X归属故障区域f1～f10的概率。f1～f10发生故障时，卷积递归网络预测结果如表4所示。

表4 卷积递归网络预测结果Tab.4 Prediction results based on convolutional recurrent network

本文构建的CNN−LSTM网络模型如图10所示，其主要包括1个输入层，2个CNN层，1个LSTM层，1个输出层。

图10 CNN-LSTM 网络结构Fig.10 Structure of CNN-LSTM network

3.2 CNN-LSTM 网络模型的训练

参考乌东德等实际工程方案，本文设置采样频率为20 kHz，故障发生时刻为1 s。为便于观察对比故障前后的波形变化和满足故障数据分析的需要，测量点处每个电气量选取故障前1 ms和故障后4 ms 的数据时间窗，采样点个数为100，此时，输入量X为一个100×5 的矩阵。由于输入量X中各数值之间差异较大，为了提高网络对故障区域的识别精度，对输入量X进行归一化处理[16]，即

输入量X的获取综合考虑故障区域、故障距离（变化步长为100 km）和过渡电阻（0.01～300 Ω，步长为50 Ω）等影响因素，以保证训练样本的充足性；利用充足的训练样本训练CNN−LSTM网络模型，使其挖掘不同样本之间的特征差异，进行故障区域f1～f10的识别。

在MATLAB 平台中设计卷积递归网络模型以及误差函数和最优算法，根据训练结果调整模型的网络参数（CNN 层数、卷积核大小、卷积核个数、LSTM 层数、LSTM 单元数）和训练参数（迭代次数、批量大小、初始学习率），最终确定识别效果较优的CNN−LSTM网络模型，其参数如表5所示。

表5 模型参数Tab.5 Model parameters

在PSCAD平台中进行故障仿真，生成272个训练样本，对CNN−LSTM 网络模型进行训练，训练结果如图11、12 所示。由图11、12 可知，准确率随着迭代次数的增加而提高，当迭代次数达到200 次以上时，准确率趋近于1，损失值接近为0。

图11 训练集损失值曲线Fig.11 Loss curve of training set

图12 准确率变化曲线Fig.12 Accuracy curve

本文算法流程如图13 所示。CNN−LSTM 深度学习网络模型训练完成以后，将网络模型进行保存，直流线路不同故障区域f1～f10发生故障以后，对故障数据进行采样和处理，得到输入量X，然后输入到保存的CNN−LSTM网络模型，根据模型的输出结果判别故障区域。

图13 本文算法流程Fig.13 Flow chart of the proposed algorithm

4 仿真验证

根据工程实际参数搭建昆柳龙多端混合直流输电系统模型。测量装置的采样频率取20 kHz、数据窗长取5 ms。为进一步验证本文CNN−LSTM 网络模型的普适性，对不同故障区域f1～f10、不同故障距离和不同过渡电阻进行仿真测试，测试样本与训练样本不同。

4.1 故障距离对CNN-LSTM 故障识别算法的影响

为探究本文故障识别算法在不同故障距离处的适应情况，在线路L1距离测量点M1 为35 km、368 km、750 km 处和线路L1区外设置单极接地故障，过渡电阻为0.01 Ω。测量点M1、M2 得到的线模电流中低频分量波形如图14 所示。由图14 可知，当线路L1区内不同故障距离和区外发生故障时，T 区左侧测量点M1和右侧测量点M2 得到的线模电流中低频分量波形的幅值均减小，符合第2.1节分析的T 区区外左侧线路故障时测量点M1、M2处线模电流中低频分量的波形特征。

图14 不同故障距离下线模电流中低频分量波形Fig.14 Waveforms of low-and medium-frequency components of line mode current at different fault distances

图15 为测量点M1 在线路L1接地故障情况下所得到的线模电压的高频分量波形。由图15 可知，线路L1区内不同位置故障时，测量点M1得到的线模电压高频分量波形的幅值均大于线路L1区外故障时线模电压高频分量波形的幅值，且区内故障时波形变化极不规则，区外故障时波形趋于一条直线，符合第2.2 节分析的线路区内外故障时测量点M1得到的线模电压高频分量的波形特征。

图15 不同故障距离下线模电压高频分量波形Fig.15 High-frequency component waveforms of line mode voltage at different fault distances

图16为测量点M1、M3所得到的正负极电压在线路L1接地故障情况下的波形。

图16 不同故障距离下正负极故障电压波形Fig.16 Positive and negative fault voltage waveforms at different fault distances

由图16 可知，当昆北侧正极线路在不同位置发生故障后，正极电压发生较大变化，波形也明显偏离额定电压。测量点M3得到的负极电压波形的幅值变化小，波形围绕额定电压上下变化并最终趋于额定电压，符合第2.4 节分析的线路正极故障时测量点M1、M3得到的正负极故障电压的波形特征。

综上可知，同一故障区域内的不同故障距离下，测量点M所得到的6个特征量具有相似的波形变化特征，不受故障距离影响。

计算线路L1区内不同距离和区外故障下的输入量X，将其输入到保存的CNN−LSTM 网络模型，模型的输出结果如表6 所示。由表6 可知，CNN−LSTM 网络模型可准确识别线路L1区内故障f1和区外故障f2，不受故障距离的影响。这是因为同一故障区域下测量点M 得到的输入量X具有相似的波形特征，该相似特征已被训练完成的CNN−LSTM网络模型掌握。

表6 不同故障距离的测试结果Tab.6 Test results at different fault distances

4.2 过渡电阻对CNN-LSTM 故障识别算法的影响

基于CNN−LSTM 网络模型的故障识别算法需要分析其对高阻接地故障的灵敏性。在线路L1区内f1（l=368 km）处发生非金属接地故障，过渡电阻取值为0.01 Ω、100 Ω、500 Ω、800 Ω。图17 为测量点M1、M2所获取的线路模态电流中低频分量波形。由图17 可知，当线路L1区内不同过渡电阻取值下发生故障时，测量点M1、M2 得到的线模电流中低频分量波形的幅值均减小，符合第2.1 节的故障特征分析。图18 为测量点M1 所获取的线路模态电压高频分量的波形。由图18 可知，测量点M1得到的线模电压高频分量波形幅值均大于线路L1区外经0.01 Ω 接地故障时线模电压高频分量的波形幅值（见图15），且区内故障时波形变化极不规则，符合第2.2节的故障特征分析。

图17 不同过渡电阻下线模电流中低频分量波形Fig.17 Waveforms of low-and medium-frequency components of line mode current with different transition resistances

图18 不同过渡电阻下线模电压高频分量波形Fig.18 High-frequency component waveforms of line mode voltage with different transition resistors

图19为测量点M1、M3所获取的正负极电压在发生故障时的波形。由图19 可知，线路L1的同一位置在不同过渡电阻下正极发生故障时，测量点M1 得到的正极电压波形的幅值变化较大，波形偏离额定电压；测量点M3 得到的负极电压波形的幅值变化较小，波形围绕额定电压上下变化并最终趋于额定电压，符合第2.4节的故障特征分析。

图19 不同过渡电阻下正负极故障电压波形Fig.19 Positive and negative fault voltage waveforms with different transition resistances

在图19 中，过渡电阻取值为500 Ω 和800 Ω时，测量点M1、M3 所获取的正负极电压在发生故障时的波形变化仍具有相同变化趋势，但已较为平缓，可用式（3）计算出测量点M1、M3得到的正极电压变化量的积分数值和负极电压变化量的积分数值进行故障选极。在过渡电阻为500 Ω 时，正负极电压变化量积分数值分别为7.24×103和1.13×103；在过渡电阻为800 Ω 时，正负极电压变化量积分数值分别为5.48×103和0.87×103。按第2.4节分析，直流线路正极故障与上述分析一致，因此，正负极直流线路不同位置发生极对地故障时，可以利用测量点M1 和M3 得到的正负极电压变化量的特征差异进行故障选极。综上，随着过渡电阻的增大，波形幅值的变化较大，而波形形状的变化较小，采用波形形状进行故障区域判别可大幅度提高耐受过渡电阻的能力。

计算线路L1区内不同过渡电阻取值下的输入量X，将其输入到保存的CNN−LSTM 网络模型，模型的输出结果如表7所示。

表7 不同过渡电阻的测试结果Tab.7 Test results of different transition resistances

由表7 可知，在不同过渡电阻取值下，CNN−LSTM 网络模型可准确识别故障区域，在过渡电阻为800 Ω 的条件下，CNN−LSTM网络模型仍能有效识别故障区域，该方法灵敏度较高。

4.3 不同故障区域和故障类型对CNN-LSTM 故障识别算法的影响

为综合考虑不同故障区域和不同故障类型（正极接地故障、负极接地故障和双极故障）下CNN−LSTM 网络模型的可靠性，对不同区域和故障类型进行故障仿真。计算输入量X，将其输入到保存的CNN−LSTM 网络模型，得到模型的输出结果如表8所示。仿真分析均基于高压直流输电工程中较为普遍的单极接地故障展开，为验证本文方法对不同类型故障具有普适性，表8中补充了以线路L1双极故障为例，在不同故障距离和过渡电阻下的故障识别测试结果。其余线路的双极故障分析方法类似，本文不再赘述。

由表8 可以看出，在同一故障类型下（单极故障），当故障距离和过渡电阻变化时，CNN−LSTM网络模型能够准确地识别不同故障区域。即使在过渡电阻为750 Ω 的情况下，识别结果依然准确，可见该故障识别方法灵敏度高，耐过渡电阻能力强，能够准确地反映不同故障区域，从而实现对故障区域的判别。对于不同类型的单极故障和双极故障，本文方法均能较好地识别。

4.4 噪声干扰对CNN-LSTM 故障识别算法的影响

高噪声会干扰测量装置得到的采样信号，引起故障识别方法对故障区域的判别不准确。为验证本文所提CNN−LSTM 故障识别方法耐受高噪声的能力，直流线路不同区域f1～f10发生接地故障时，在测量点M 得到的直流电压和直流电流数据中添加30 dB的白噪声，计算得到输入量X并将其输入到保存的CNN−LSTM网络模型，可得模型输出结果如表9所示。

表9 噪声干扰下的测试结果Tab.9 Test results under noise interference

由表9可知，在30 dB白噪声的影响下，本文提出的CNN−LSTM 网络模型依然能够对故障区域进行准确识别，具有一定的抗噪声干扰能力。

4.5 与乌东德实际工程故障检测方法对比分析

根据《乌东德电站送电广东广西特高压多端直流示范工程−三端混合直流控制保护策略研究》报告，乌东德实际工程中的直流线路保护装置是利用直流电压变化率和变化量构建保护判据进行故障检测。该方法不仅需要站间通信，而且需要与汇流母线保护相互配合，才能准确辨别是T区汇流母线故障还是线路故障。

当线路L2区内f3（l=300 km）处经0.01 Ω 发生接地故障时，测量点M1、M2 测得的直流电压变化量和直流电压变化率如图20所示。由图20可以看出，在T 区汇流母线左右侧直流线路发生故障时，测量点M1、M2得到的直流电压变化量和直流电压变化率波形的变化基本一致。乌东德实际工程在单极昆柳段线路两端和柳龙段线路两端共配置了4套线路保护装置，这4套保护装置在相互配合的情况下能够实现单极两段线路的全线速动保护。但乌东德实际工程的T区边界并不明显，若按乌东德工程的故障检测方法，利用直流电压变化量和变化率构建保护判据，则将无法判断是T区汇流母线左侧线路故障还是右侧线路故障。