信息物理融合下的特高压换流站状态识别技术

肖耀辉 余俊松 李为明 王玉峰 王永平 薛海平 黄锴 姚金明

摘 要：由于特高压换流站系统数据来源广泛、采集密度高、量测装置多样、通信协议复杂，现有技术难以对换流站复杂状态及其隐含的故障特征进行准确辨识。因此本文提出了基于信息物理融合的特高压换流站特征识别技术，在对以图像为主的多源异构数据进行预处理与关联分析后，基于信息物理双侧状态运行及迁移特征关联矩阵，对换流站物理与通信双侧故障进行分析、训练与识别。基于实际换流站监控图像进行了实例分析和方法对比，结果表明该方法优于一些传统的故障诊断与特征识别算法，具有较好的诊断能力。

关键词：大数据挖掘；特高压直流；多源信息融合；信息物理系统；故障辨识

DOI：10.15938/j.jhust.2024.01.008

中图分类号： TM743  文献标志码： A

文章编号： 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

随着特高压直流跨区域传输线路的建设与发展，我国清洁能源的消纳与利用程度得到了大幅度加强。由于特高压换流站起着连接发电端和输配电端的核心作用，保证其安全稳定运行非常重要。传统的检测工作多以人工为主，存在劳动强度大的局限性，无法满足特高压工程快速发展的建设需要［1-2］。

中国目前的电力设备维护体系是一种简单的基于时间的预防性试验和定期维护体系［3］。这种维护制度由于自身的盲目性，可能会对运行中的设备良好运行状态造成损害［4-5］。

特高压换流站结构复杂，具有多电压交叉特性。虽然在关键设备与产品的设计和生产过程中，整体的绝缘特性得到了可靠的保证，但随着长期的运行，元件的性能退化，运行环境的变化，特别是渗水等要素对换流站的可靠运行造成了潜在的威胁［6-7］。因此，如何综合考虑电气与非电气状态量，对换流站状态进行整体建模与多源信息融合下的风险评估，是目前对换流站监测与运维应用的难点［8］。

本文首先介绍了换流站的基础功能、监控方法与监视架构，其次分析了用于验证换流站状态的各类数据，包括环境、图像、电气等多源信息及其图像混合识别方案［9-10］。接着，基于换流站多源信息及其与电力物理运行状态的关联关系，构建电网信息物理融合模型，分析通信与电力环节之间的状态转移特征与关系［11］。最后通过实际算例验证了在复杂信息环境下的换流站业务执行全过程。

1 换流站功能介绍

换流站主要由换流变压器、换流阀和直流、交流开关站组成［12］。直流开关站可容纳平滑电抗器、直流滤波器、直流测量装置、避雷器、浪涌电容器、耦合电容器、开关设备等［13］。交流开关站可容纳交流开关设备、交流滤波器、无功补偿装置、避雷器等。与传统的直流换流站不同，由于设备制造和运输方面的限制，UHVDC换流站每一极都有多个串联的12脉冲换流器，布置在多个阀厅。

1.1 换流站监控技术

换流站内部运行时，连续处于高电压、高噪声、强电磁场的环境中，因此无法直接测量换流阀、穿墙套管和避雷器等核心设备的运行状态［14］。而仅通过远程视频图像观察等手段，无法及时了解换流阀等设备各部分的运行健康状况，同时对各种异常情况如渗水、明火、放电等环境变化，仅通过人工监测手段难以及时发现问题［15］。因此换流站实际运行可能产生的极端性风险将造成巨大的经济损失。

目前，排除换流站设备隐患的方法是定期维修，而停电状态下的定期维修无法模拟换流阀等设备的实际运行状况，导致设备的一些运行缺陷或隐患无法再现［16-17］。因此，需要同时利用电气与环境综合信息进行关联检测，能够全面发现换流阀预警状况的最新技术。通过实时监测和采集电气设备的运行参数，进行综合处理和分析，确定设备的运行健康状况，并预测可能发生的故障。利用该技术可以准确定位设备故障，及早捕捉运行缺陷，使得快速查找和分析设备故障原因成为可能［18］。

目前换流站在线监测技术的实际效果不佳。对换流阀阀体表面的异常情况，只能通过人工手持设备进行走廊检查来监测，可靠性有限［19-22］。换流变压器表面漏油的异常情况也是通过远程视频和巡视走廊来进行，难以直接观察。在多维信息辅助判断设备故障的过程中，图像识别是其关键技术。智能图像识别诊断技术是伴随着人工智能研究的发展和摄像成型技术的飞跃而发展起来的一种在线监测技术。随着电网自动检测技术的发展，可以实现对重点设备关键点的24 h不间断录像。图像识别诊断已广泛应用于水电站、大型变电站等高可靠性要求的不间断系统的运行维护中［23］。

换流站的整体监控拓扑与监控数据类型如图1所示，主要包括图像、环境、电气等多维信息参数。

1.2 自助可控监视技术

目前现有传统监视技术主要采用层次混合监视，主要是采用监视板卡来监视系统中其他插件是否正常运行，但是在一些故障情况下，传统的监视方法很难区分故障发生的位置是监测板卡还是被监视的板卡。而自主可控平台采用的控制保护主要是根据平台自身的软件和硬件特点，依据处理器多核特性，采用“核内自监视+核间平行监视”的监视新技术，即系统内的每一个核都会自我监视同时监视其他核，并且每个自我监视的核也受到其他核监视。自主可控主机监视逻辑如图2所示。

“核内自监视+核间平行监视”的监视新技术主要包括以下优点：1）系统内所有插件都被监视，能够精准定位到故障；2）核间平行监视无需第三方中转所监测到的故障信息；3）能够在系统运行异常时主动切换系统，提高系统稳定性。

2 换流站异常状态监测关键技术

为了对换流站异常状态进行有效监测，首先，广泛收集、整理各类与电气特性及有关的异构信息，包括：气象、火灾、渗水率等各类事件等，并完成数据的转换，满足大数据分析需求。其次，利用建立的关联分析模型对状态数据进行标定，形成正常和异常状态集；再次，利用人工设定的案例，定义数据相关性的关联规则的支持度和置信度数学模型，并对异构信息数据进行频繁度挖掘关联分析，最终建立特高压换流站多源信息融合模型。

在状态识别过程中，首先，引入证据理论处理异构信息的融合。证据理论是信息融合领域的重要基础理论，非常擅长处理不确定问题。针对建立的信息融合框架，设计异构信息的冲突处理机制，确保异构信息融合的准确度。最后，考虑到用电数据识别结果的重要性，在现有证据融合算法中引入证据权重，优化证据融合算法，形成基于信息融合的换流站异常状态识别算法，如图3所示。

2.1 多源数据类型

特高压换流站样本的基本数据类型包括：

1）变压器运行数据：主要包含变压器运行是否正常的数据，例如套管压力、分接头动作次数等。

2）开关运行数据：包含监测开关绝缘和操作结构是否正常运行的实时信息，如SFc压力、动作次数等。

3）一次测量设备数据：用于检测一次设备是否正常运行，包括如驱动电流和运行温度等。

4）避雷器运行数据：用于监测避雷器是否正常运行，包括如动作次数和泄流电流等。

5）直流侧运行数据：用于监测高压直流系统的控制情况，包括如直流电压、直流电流、功率、触发角、分接头档位等。

6）阀冷却系统运行数据：用于检测换流阀的水冷效果情况，包括如水压，水流等。

7）交直流滤波运行数据：用于检测电容器的运行情况，包括如电容器的不平衡电流等。

8）红外测温运行数据：用于监测设备的实时温度，包括如电压致热性的套管、电流致热性的开关、电压互感器、刀闸、变压器等设备的实时温度。

在换流站日常监测数据中，具有以下特征。

1）数据类型及设备类型复杂，采样频率高，运维及存储难度大；

2）数据状态分布不平衡，由于换流站设备整体运行状态较好，因此其故障数据往往隐藏在整体海量数据中，不易被辨识，关键数据价值密度较低。

3）不同类型的异构数据往往来源于不同的传感器与监控系统中，共享难度大，数据难以集成以协同分析。

针对较为复杂的图像信息，在图像增强、图像滤波、图像锐化、图像分割、形态学图像处理的基础上，使地图显示更加清晰，减少失真，满足识别和预警处理的要求。以图像信息为基础，建立图像分辨率和清晰度指标，结合提取的特征量，基于卷积神经网络算法，对采集的图像进行识别和评价。

在大量地图采集和标准化存储的基础上，基于特征量，需要研究基于聚类分析的数据挖掘、基于多类支持向量分析的机器学习、智能检索等关键技术，构建标准化的典型对象和典型案例图像分析库。

2.2 多源数据处理架构

电力业务的结构化数据的交换服务，可以采用数据抽取和数据推送的数据同步方式进行数据交换，所谓的结构化数据，即指的是存在传统关系型数据库中的数据，这些数据同样遵守标准数据结构，可以采用二位表的形式来进行逻辑表达和理解，结构化数据的交换采用光传输综合承载平台，该平台为可以结构化数据交换的逻辑通道。

对于非结构化数据的交换业务，可以采用数据抽取和数据推送的数据同步方式来对电力业务中的非结构化数据进行数据交换，非结构化数据指的是相对结构化数据来说不适合使用数据库的二位逻辑来表达的数据，包含例如文档、文本、图表、图像和多媒体文件等。非结构化数据的交换通道主要为光传输综合承载平台专设的业务通道。

首先构建换流站各类电气与非电气数据的基础数据库，实现多源异构数据集成。其次基于数据清洗及多时间尺度数据处理技术，对不同数据属性根据时间特征、空间特征、物理特征和关联关系进行特征分析及规范化处理，采用重复字段匹配、空缺值检测、一致性检测等技术，识别系统数据实体中重复数据、空缺数据以及不满足约束的异常数据，基于数据相关性的贝叶斯推断等技术对系统数据实体中的异常数据进行清洗及综合处理。最后，研究基于MySQL关系型数据库的数据存储技术，实现对数据本身与行为策略的分析，实现数据隐藏换流站直流侧、交流侧、设备层与电网层等深层次状态行为的提取与检验。

3 信息物理融合方法

基于上文中的图像识别与分析技术，可以获取特高压换流站中的非电气参数，结合D5000系统中传递的电气参数，可以进行异构信息融合处理，得到特高压换流站的全面状态感知结果，扩充其状态库，流程如图4所示。

构建的特高压换流站异构信息模型如下：

1）首先采集特高压换流站电气数据，进行数据预处理，包括数据缺失值填补，无效数据删除；

2）获取数据对应日期的天气及气象数据，监控设备对应的各类事件信息，基于关联关系分析方法挖掘历史异构数据与用电数据之间的关联关系以及置信度与强规则集合，分析影响异常状态数据的关键信息；

3）基于不同时间尺度（气象数据以天为单位，监控设备事件以小时为单位）将异构信息与电气数据进行融合；

4）根据已有的行为经验进行贴标签处理，其中正常状态标签为0，异常状态按照故障类型设定标签为1～n，去除无标签数据；

5）接着选取标签0样本，进行异常值的剔除，基于过采样算法进行标签0样本的扩充；选取标签1～n样本，基于过采样算法进行标签1～n样本的扩充；

6）基于标签0样本扩充数据集与标签1～n样本扩充数据集构建有标签新数据集，进行训练集和测试集的划分。

在此基础上，可以对多源信息与物理状态进行联合，构建信息物理系统（cyber physical system， CPS）模型。

31 CPS元件建模方法

由于电网CPS中存在着电力与通信等多源信息的复杂耦合，为了全面揭示这些信息对换流站运行物理特性的影响，需要构建一个信息物理拓扑关联模型。简而言之，在电网CPS中，电力CPS节点通常指电力通信负荷系统的电力通信负荷系统的信息传输与能量的交汇点，这些节点的组成可以是单个CPS系统的元器件，也可以由多个元器件共同组成，需要对这些节点进行精确建模，即所搭建的模型具有较好的兼容性，对外可以提供连接口，同时也可以接入新元件，具有良好的拓展性。

3.2 信息物理融合序列建模

在物理层面，电力CPS一般会以固定的时间检测对电压、电流和频率进行采样，采样完成后会通过通讯网络进行传输至主站，采样的测量值在时间序列上是连续的；在信息层面，只有在特定的事件或动作下才会产生带有时间戳的日志，所以这些数据在时间序列上是不连续的。在信息物理融合的序列建模时，首要是基于专家进行对屋里层面的测量值进行离散化，在离散的空间中将连续地物理量映射出来。

与此同时为确保特高压系统安全稳定地运行，本文设置了一些规范：电网的电压、电流和额定频率只能在一定的范围内波动；其中由于不同线路的承载电流不同，所以电流的取值范围和线路正常运行的情况关系密切，本文为了标准化电流的变化情况，以故障前的电网稳态测量电流值作为参考电流，若电流的变化相较于初始电流超过本文所给限定范围，则被看作为异常变化。具体的物理量测量值离散化的方法如式（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为阶跃函数；ft为t时刻的频率；Ii，t为t时刻线路i的电流；IiN为线路i故障前的电流；Uu，t为t时刻母线u的电压；UuN为母线u的额定电压；f′t，I′i，t和U′u，t为离散后的频率、电流和电压值，m、p和l分别代表交流侧额定频率偏差值、电网电压的波动值和相对于初始稳态电流值变化值，其中m，p和l需根据具体应用场景来确定。除阶跃函数外的其他方法也可以采用相同的思路，将其中的连续量测进行离散化处理。

物理层面的连续数据离散化在本质上是一种利用专家经验滤波的过程，其主要是聚焦于系统发生异常事件的时刻，所有时刻的系统的物理状态序列可以通过公式表示为：Sphys={t，f，U，V}，其中t为记录状态的时间戳，Sphys为系统的物理状态。

信息层面的离散事件可表示为事件是否正在发生的形式，为：Scyber={t，LS}，其中LS为事件的状态，如某设备是否正在发生动作，用0和1表示未发生和已发生。数据中的每一维数据都对应着不同的时间，经过处理后，信息层面和物理层面的数据可以使用相同的时间戳来表示，表示为公式即为：Scpps={t，f，U，V，LS}，即在信息层面和物理层面发生的一切事件的状态都是有限地，即事件的状态可以被有限表示，通过下标对有限的系统状态进行区分，按照时间戳的形式可以将所有时刻的系统状态表示为：

Ey={Sa，Sa，Sb，Sb，Sc}，a，b，c∈n（2）

式中：Ey为事件状态迁移过程，a，b，c为某个事件的状态，n为状态总数。在给定的事件状态采样周期内，存在事件的连续状态相同，即系统状态在采样周期内没有发生变化。

在事件发生的过程中，事件的系统状态在大部分采样周期时间内均保持不变，只在一些特定时刻发生系统状态迁移，在事件系统状态迁移过程中去除未发生改变的数据，即可提取出状态迁移序列：

Ey={Sa，Sb，Sc}，a，b，c∈n（3）

式中：Ey为时间离散化后的事件序列。

3.3 信息物理融合故障辨识

通过比较待检测的故障事件序列和特征序列库中的数据，即可得到故障类型，在此过程中，将待检测的序列和库中序列对比时，若有且只有一条数据和待检测的序列数据匹配，即可获得故障类型，若无数据匹配或者有多条数据匹配，则归类为“未知”和“待定”。基于信息物理融合特征序列的故障原因辨识流程如图5所示。

训练流程为：

1）将数据分成两组：训练样本和测试样本。

2）设定不同支持度组合来模拟各种换流站监控场景，每个支持度对应特定的场景，如电气设备故障或通信设备故障。

3）根据2）步骤给定的支持度，提取并保存在支持度下的序列集。

4）采用蒙特卡洛法调整支持度组合，然后重复步骤2）和步骤3）。

5）对训练中保存的序列集进行测试，并将获得的准确率最高的序列集用于实际情况。

4 算 例

基于简单的特高压换流站等效系统算例，说明电力CPS结构与事件建模流程。算例中的特高压换流站原始拓扑与等效模型如图6所示。

系统的采样、传输和分析控制环节可以被简化为一个等效模型，如图7所示。Sf表示传感器，A表示执行环节，而C则代表简化的决策环节。决策环节可以是单独的控制中心节点，也可以是附加在执行环节的计算环节。

图7中，可以将B1和传感器Sf看作同一个CPS节点，也可以看作是通过接口连接的两个独立节点，若两个元件之间的连接介质无法被忽略的话，这两个元件则不能看做同一个节点。对上述的经典CPS的系统进行抽象概括，则CPS主要包含：电力一次系统、感知原件、执行器、决策环节和通信环节。

4.1 故障测试

算例所用测试场景分为三类：1）机械故障；2）电气故障；3）常规运行状态。相关测试样本数据集来自某特高压换流站全景监视系统采集的10000幅监视图像，在Windows 10环境下利用Pytorch深度学习框架进行训练，处理器型号为Intel（R） Core（TM） i5-10400F CPU ，样本集采取专家经验人工标注。

经过换流站日常视频图像采样选取了3个不同的特征子集。通过超高清摄像头拍摄换流站监控中心显示屏得到监控图像，然后将图像上传至云端进行图像预处理、图像矫正、图像去噪以及提取边缘信息等步骤，接着对监控图像进行字符分割及识别，最后获得检测结果，从而能够识别出了故障时间、类型、地点及等级等属性。本次检测得到了三类初步诊断结果，并进一步得到合成后的最终诊断结果。原始故障样本为572条，将原始故障数据扩充为2802条故障数据样本，80％的扩充故障样本作为训练集，20％的扩充测试样本作为测试集。同时，采集了换流站直流侧与交流侧的电流、电压、频率信息进行辅助故障识别，基于信息物理融合特征序列方法的整体辨识结果及其与传统方法对比如表1所示。

4.2 时延测试

在理想情况下，使用纯数据进行驱动的模型在一般情况下可以实现较好效果。但是在电力CPS中，通信系统的延时是不可避免的客观影响因素，使用评估失稳故障为例，通信延时造成的采样数据偏差如图8所示。

可以发现在不同的延时的环境下频率测量准确率不同。在此基础上，可以计算特高压换流站紧急控制业务的量测、执行与物理恢复用时。以简单的安全稳定控制动作过程为例说明：

1）Sf采集B2母线频率信息fB2；

2）fB2通过通信通道传输至控制中心C；

3）控制中心C根据预先制定的策略，计算B2节点切除状态；

4）切除状态通过通信通道传输至B2节点执行器A；

5）执行器A完成动作指令，对直流线路进行切除。

各控制环境用时如表2所示。

由表2可以看出，当网络环境正常时，一次闭环的电力业务响应过程大约需要69ms，可以满足绝大部分的实时电力业务需求，但是，在网络环境发生异常时，网络的数据传输会收到网络异常的影响，导致传输所需要的时间增加，甚至会导致电网的频率波动，加剧电网的不稳定性。因此在后续研究过程中可以利用模型预测控制方法，增加反馈校正的过程，使得补偿控制中增强了抗扰动和客服系统不确定性的能力，从而能够提高换流站系统在高延时下的稳定性。

5 结 论

本文介绍了一种信息物理融合下的特高压换流站状态识别技术，该技术通过对电力信息物理中的大量电力数据进行融合分析，首先对电力通信系统的构成和信息采集与监控设备的介绍，然后针对电力CPS的队员异构信息和复杂的一二次融合设备，使用信息物理融合时间序列进行建模，最后通过仿真验证信息流和能量流对设备、网络和系统业务执行的影响。

通过对信息层面和物理层面融合分析的方法，可以针对电力CPS内部的关键固有因素和关联影响要素进行综合分析，同时可以分析换流站内部的信息物理融合事件的迁移过程，当信息层面的系统系统的参数发生变化时，可以精确评估对特高压换流站事件状态评估准确率的影响，并能够高效识别各类故障和状态。

参 考 文 献：

［1］ 李宏昌， 陈俊宇. 特高压换流站监控参数的异常判据研究［J］. 电工技术， 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］ 张爱枫， 彭东， 项方宇. 基于bim-5d技术的特高压换流站工程管控系统［J］. 电测与仪表， 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］ 吴浩， 李红元， 刘建红. 特高压直流换流站二次设备回路传导电压干扰特性研究［J］. 电测与仪表， 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， 卢生炜，等. 基于高分insar数据的特高压换流站稳定性监测［J］. 电力勘测设计， 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］ 谢民， 邵庆祝， 汪伟，等. 特高压换流站保护系统全景监视图像超分辨率重建方法［J］. 广东电力， 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］ 陆如， 于惠鸣， 刘自超. 基于全景数据系统的特高压直流换流站监控方案［J］. 通信电源技术， 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］ 李苇. 特高压变电站计算机监控系统方案探讨［J］. 电力建设， 2007， 28（9）：5.

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

［10］冯庆东， 黄文涛. 特高压直流试验基地试验线段监测监视系统研制［J］. 电力设备， 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］闪鑫， 王轶禹， 金一丁，等. 特高压互联电网一体化监视和故障协同处置方案及应用［J］. 电力系统自动化， 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］陈生栋， 孙海峰. 特高压换流站三柱四绕组结构换流变压器谐波抑制研究［J］. 电网技术， 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的直流电网故障分析和保护方案研究［J］. 电测与仪表， 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，谭贝斯，贾琳，等.特高压电网无功电压控制策略迭代求解方法研究［J］.电测与仪表，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］汪本进，王睿晗，吴士普，等.特高压直流电压互感器换热结构设计及其对误差特性的影响研究［J］.电测与仪表，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.特高压直流极母线避雷器污秽状况下内外部电场分布的仿真研究［J］.电测与仪表，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］钟尧， 任啸， 吴高林，等. 图像特征分析的电力金属腐蚀评估方法［J］. 哈尔滨理工大学学报， 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.

（编辑：温泽宇）

基金项目： 国家自然科学基金（52207009），中国南方电网有限责任公司科技项目（0120002021030304AS00062）

作者简介：肖耀辉（1989—），男，硕士，工程师；

余俊松（1996—），男，助理工程师

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