高压大容量柔性直流输电系统可以高效、灵活地接入新能源电源和直流负荷，是电网未来的发展的趋势[1]。然而，柔性直流输电系统所采用的架空线路工作环境恶劣，故障和扰动发生率高[2]。同时，直流电网是一个“低惯性”系统，直流侧在发生短路故障时，各换流站即刻向故障点馈入短路电流，故障电流极速上升，在数毫秒内波及整个电网[3]。因此，快速、准确地判断出故障类型，对于系统保护正确动作以及保障输电线路正常、高效运行具有重要意义。

目前，柔性直流系统的保护常参考已有的保护方法进行研究[4-5]。以电流差动为代表的纵联保护，具有高选择性的优势，但依赖于通信，很难满足直流系统对速动性的要求[6-7]。文献[8]以经过二阶微分变换后放大暂态故障分量信息，并利用边界内外的二阶微分量差异对直流侧故障时故障的区间和类型进行判别。文献[9]利用故障电流频谱能量比值与波头幅值最大比构建判据、识别故障，在实际工程中已得到应用。但阈值的整定多基于仿真确定，缺乏成熟的整定原则，严重时可能导致直流配电网无选择性停运[10]。文献[11]采用小波分析从故障暂态电流中提取出不同故障时的时频特征，送入支持向量机（Support Vector Machine,SVM）实现故障分类。但机器学习模型通常不具有挖掘暂态故障行波更深层次的信息能力。综上所述，柔直系统的故障辨识方法仍需探究。

深度学习作为新一代的人工智能技术在数据处理方面有较强的优势。特征自学习能够挖掘数据的深层特征，可以提取更丰富的暂态故障信息，与保护对灵敏性的要求契合。端到端模型的应用为故障分析提供了更加简洁的实现方式[12-13]。文献[14]采用卷积神经网络（Convolutional Neural Networks,CNN）实现交直流输电系统进行故障分类和故障测距，取得了不错的结果，但模型抗噪声较差。文献[15]通过采集故障暂态电压作为输入，利用深度置信网络（Deep belief network,DBN）对柔性直流配电网进行故障诊断，但在输入特征选取过程中，仅通过观察判断，缺乏理论依据。文献[16]采用自适应增强技术解决单端量保护高阻故障灵敏性不足问题，并通过增加模型的深度来提高模型性能。但模型加深也增加了计算复杂度、模型训练、存储成本和故障诊断时间。已有研究表明，对模型宽度进行加宽可以更好的节省算力[17]。并且，在样本数据量不足时，故障准确率会有大幅度下滑。

综上所述，综合考虑柔性直流输电系统技术保护的要求，本文提出了一种基于改进深度残差网络（Residual Network,ResNet））的柔性直流输电系统故障辨识方法。首先，在残差单元中引入通道注意力机制和空间注意力机制，对数据重要特征进行加强，提高模型抗噪性；其次，在模型前向、反向传播中添加Shake-Drop正则化方法，从而缓解样本较少时模型过拟合问题；接着，网络架构在模型宽度上确定最佳深度和宽度，减少故障诊断时间。然后，通过在交叉验证中执行递归特征消除（Recursive Feature Elimination,RFE）方法确定其中4类电气量数据作为改进深度残差收缩网络的特征输入量，提高模型泛化性能。最后，在PSCAD上搭建张北±500 kV柔性直流电网仿真模型，通过仿真对本文方法进行验证。

1、改进深度残差网络

He[18]等在2016年提出了ResNet，其核心思想是引入残差模块来学习残差，残差学习有效解决了严重影响模型效果的梯度消失问题及梯度下降问题。为了进一步提高ResNet网络在噪声或样本数据量不足时的辨识性能，对其残差单元和网络架构进行改进。

1.1 改进残差单元

1.1.1 注意力机制

通过SENet网络结构评估特征映射通道的重要程度来赋予各个通道合适的权重，将关键特征予以强化。为此，本文从通道和空间2方面引入注意力机制对数据进行加强，减少噪声对结果的影响。通道注意力是对特征的通道重要性进行关注，通道注意力模块基本结构参见图1。其中，Input Feature F为原始数据特征F,Avgpool,Maxpool分别为平均池化、最大池化模块，Shared MLP为多层感知机网络结构，Channel attention为注意力机制，C和W分别为长和宽，MC为通道注意力图。

图1 通道注意力模块

通道注意力模块作用方式是在卷积后，首先进行Squeeze操作，目的是获取每个通道的全局信息嵌入。将空间维度进行特征压缩，将每个二维的特征通道全局池化变成一个实数，该实数某种程度上具有全局的感受野，并且输出的维度与输入的特征通道数相匹配。本文采用Maxpool和Avgpool 2种池化操作，与单一的Avgpool相比，引入Maxpool更易区分故障特征关键信息。然后，进行Excitation操作，学习每个通道的特征权值，以此捕获通道间的相关性。最后，将输入特征与所得权重相乘即为强化后的新特征Mc(F)。

式中：Avgpool（·），Maxpool（·）分别为平均池化、最大池化操作；MLP（·）为多层感知机函数；σ为非线性激活函数Sigmoid。

与通道注意力不同的是，空间注意力关注于空间位置的重要性，空间注意力模块基本结构如图2所示其中，Conv layer为卷积层，Spatial attention是关注空间中的特定区域，Mt为模块化组件。

图2 空间注意力模块

空间注意力是在通道维度方进行Maxpool和Avgpool 2种池化操作，将获得的特征映射按通道维度进行拼接，得到一个通道数为2的特征映射。采用包含单个隐藏层的卷积核对特征映射进行卷积操作，并通过sigmoid激活函数得到权重系数Ms，再将其和输入特征进行激活可得缩放后的新特征Ms(F)。

式中：f为卷积和运算。

1.1.2 正则化方法

当样本数据量不足、模型较为复杂时，模型会发生过拟合现象，导致模型测试准确率大幅度降低。为此，本文提出Shake-Drop正则化方法解决过拟合问题。该方法的本质是在训练过程中引入随机值，令前向信息流与反向信息流随机混合，极大地减轻了过拟合现象。Shake-Drop在残差网络中的应用见图3，运算过程可形式化为式3。其中，l为单元块所处层数，Hl为损失函数正则化，Hl+1为强度调整后的损失函数正则化，Conv为卷积，α和β为每层独立的随机均匀变量。在实验中确定了α=0,β～U(0,1）和α～U(-1,1),β～U(0,1）时测试效果最佳，bl为服从的伯努利分布，E为平方误差值。

图3 Shake-Drop正则化在残差网络中的应用

式中：in train-fwd为每次向前传播计算损失；in test为评估泛化能力。

式中：L为构建块总数；pl为变量比率；PL为模型初始参数，这里取0.5。

1.1.3 改进残差单元

注意力算法可与残差单元集成在一起，将SENet和Shake-Drop融入残差单元。具体结构参见图4。其中，BN,ReLU,Cov(k=c）分别表示批标准化、非线性激活函数、将卷积核k的协方差设置为c。

图4 改进残差单元

1.2 改进ResNet架构

本文借鉴Xie[19]提出的多分枝同构结构新模型ResNext，采用多条独立路径并联的方式，对模型架构进行调整。图5给出了基数为2的改进模型构建块。

图5 基数为2的改进模型构建块

由于改进模型和未改进模型的拓扑结构相同，因此改进框架可以采用组卷积进行高效实现，极大地减少了模型超参数数量，模型的运行速度得到提升。

2、基于改进ResNet的柔性直流电网保护策略

2.1 故障类型及定义标签

交直流系统发生故障时，故障两侧的电气量存在强耦合关系[20]。交流侧发生故障时，直流侧电气量也会发生改变。因此针对区内、区外共6种会对直流系统产生显著影响的故障进行数据采集，并设置相应的标签，如表1所示。

表1 标签设置

2.2 特征数据筛选

特征量的选择结果对模型的训练效果具有重要影响。对于柔性直流输电系统来说，数据之间存在大量高相关性的特征量。如果全部采用这些特征量，一方面增加了训练成本，另一方面特征过多会造成特征冗余、模型可解释性降低，因此需要对原始特征数据进行特征筛选。电气特征量如表2所示。

表2 电气特征量信息表

针对表2的电气特征量，本文在交叉验证（Cross Validation,CV）中执行递归特征消除（RFE）（记为RFECV），选择出最优的特征评分子集。其原理如图6所示，其中Model为计算模块。

为了对比原始数据和筛选数据与各故障间的相关性，采用T-SNE可视化算法对数据进行可视化操作，如图7所示。图7(a）中的输入为10种电气特征量组成的数据组，图7(b）给出了经过筛选的数据，因此可以看出特征数据重合现象得到了极大缓解。

图6 RFECV特征选择器原理

图7 特征数据输出分布可视化

2.3 数据采集及预处理

柔性直流系统是一个“低惯量”系统，需要保护装置在3～5 ms内能够识别故障[21]。考虑到模型处理时间，故采集故障后1.28 ms的故障数据进行故障识别。采样频率为100 kHz，采集的样本为正、负极接地电流和正、负极接地电压变化率4个指标在故障发生后每隔0.01 ms在128个采样点得到的数据。为了对不同量级的指标进行比较和加权以方便模型训练，对数据进行Min-Max标准化处理，如式5所示。

式中：x*为标准化后的电气特征量；x为实时数据，即输入特征的正、负极电流数据；xmax,xmin分别为一次样本特征量的最大值和最小值。

2.4 启动阈值判据设置

输电线路故障诊断需要获取线路的实时电气量。为了避免数据的频繁采集及系统的故障诊断，需设置启动判据。输电线路直流端发生故障时，电压剧烈变化。高压直流设计规程规定电压允许波动，电压变化标幺值不允许超过0.2，为此设置判据如式6所示：

式中：Ua为极电压值；Δua为电压变化量；UN为额定电压。

当启动判据满足时，数据开始采集。

2.5 网络架构的确定

算例采集柔性直流系统四区域不同过渡电阻和不同故障距离的故障数据。以正、负极电流和正负极电压变化率的组合向量作为1组输入来辨识线路故障性质。直流侧故障时，过渡电阻范围设置在0～1 000Ω，每个区域采集每种故障1 000组，共计24 000组数据。将数据按照7∶3的比例划分为训练集数据和测试集数据。以康北-丰宁站对应的诊断模型为例，在深度和宽度2个层面，不断增加层结构的数量，观察准确率的改变情况。准确率-层数目关系如图8所示。

图8 准确率随层结构数目变化情况

由图8可知，当深度层为3个，宽度层为2个时，准确率接近最大。此时再增加层结构数目，准确率无明显变化，但训练的成本逐渐增加。故确定模型采用深3宽2的基本架构。

2.6 基于改进深度ResNet的故障检测

基于改进深度ResNet的柔性直流电网故障辨识策略流程如图9。其中，DRSN为改进的深度残差网络。

图9 柔直系统故障识别流程图DRSN解释

3、算例分析

3.1 模型构建

本文基于PSCAD仿真平台构建了张北电网模型如图10所示，相关参数见表3和表4。设置康宝站、张北站为主控单元，采用定直流电压、定无功设置；北京站和丰宁站为从控单元，采用定有功、定无功设置；设置丰宁站接收功率1 000 MW，北京站接收功率1 600 MW。

图1 0 张北柔性直流电网结构示意图

表3 换流变压器参数

表4 换流站参数

3.2 模型评估对比

在相同样本集、损失函数情况下，对传统深度ConvNet,ResNet,AlexNet算法和DRSN进行对比，对比模型深度皆为6层，未进行加宽和引入注意力机制。取10次实验结果的平均值，各算法在测试集的准确率和消耗时间结果如图11所示。其中，ConvNet为卷积神经网络，AlexNet是由Alex Krizhevsky提出的神经网络。

图1 1 模型结果比较

由图11可知，以深度ResNet为代表的深度学习算法，由于在深层学习中引入快捷分支结构，更好地平衡了模型线性转换与非线性转换之间的关系，所以线路故障辨识效果优于没有引入分支结构的AlexNet和DBN。

3.3 工程实用性分析

实际电力系统运行方式多变，系统参数也随之发生变化，与仿真系统存在误差。为验证本文方法的泛化性能，利用仿真模型对以下几种情况进行仿真分析。

1）抗噪性对比。实际工程中由于多种电力电子器件的应用及环境的影响，采集到的故障暂态信号往往含有不同程度的噪声，严重影响故障辨识准确度，特别是在高阻故障情况下。为验证本文所提方法具有良好的抗噪性，将具有不同信噪比的高斯白噪声加入测试数据中。对训练好的模型进行测试，识别结果如表5所示。由表5可知，在加入不同信噪比的白噪声后，模型的识别准确率相比无噪声情况都有了不同程度的下降。

表5 噪声条件下各模型评估结果

2）样本集数量对模型的影响。为验证样本集数量对模型辨识结果的影响，以康宝-丰宁区域为例，在应用和无应用Shake-Drop正则化方法2种情况下，对改进深度ResNet分别进行训练和测试，测试结果准确率如表6所示。由表6可知，本文所提改进模型在达到相同准确率的同时对样本数据的需求更小。

表6 不同样本集下改进ResNet模型辨识准确率

3）对比分析。为证明本文方法较传统保护方法耐受过渡电阻能力的优越性，将本文方案与传统定位方法中的微分欠压保护和基于单环定理的纵联保护进行对比分析。分别比较本文方法和其他定位方法在不同距离下对过渡电阻的耐受程度，结果如图12，其中横坐标为占线路总长的百分比。

图1 2 不同保护方法在不同故障距离下对过渡电阻的耐受程度

由图12可知，本文方法受过渡电阻影响小，可有效提取故障暂态特征，相较于其他传统保护方法具有更高的耐受过渡电阻能力。

4、结论

针对在高压柔性直流输电系统研究中传统深度模型存在的不足，本文提出了一种基于改进深度ResNet的柔性直流输电线路故障辨识方法，通过建立仿真模型验证方法的有效性，进而得到以下结论：

1）通过引入双重注意力机制和正则化方法，对残差单元进行改进。在提升模型的抗噪能力的同时，也减少了算法对样本集数量的依赖。

2）在宽度和深度2个方面，对模型架构进行调整，证明从宽度和深度进行优化相对单一深度优化可更好地节省算力，令故障辨识的速度得到显著提升，满足了保护对速动性的要求。

3）考虑不同故障下电气量的相关性，在交叉验证中执行RFE，去除冗余数据，提高了模型泛化性能。

4）与现有保护方法相比，本文基于改进深度ResNet的柔性直流输电线路故障辨识方法在电阻耐受程度方面优于传统保护方法，在高阻故障下也可有效识别故障。

参考文献:

[1]饶宏,周月宾,李巍巍,等.柔性直流输电技术的工程应用和发展展望[J].电力系统自动化,2023,47(1):1-11.

[2]阚鹏,郑华俊,袁旭峰,等.不同模型对MMC-HVDC系统大信号稳定性分析准确性影响的对比研究[J].智慧电力,2024,52(5):105-113.

[3]蒋原,刘谨华,陈明轩.柔性直流输电的故障分析及保护策略综述[J].化工自动化及仪表,2022,49(6):677-685.

[4]杨赛昭,向往,文劲宇.架空柔性直流电网线路故障保护综述[J].中国电机工程学报,2019,39(22):6600-6617.

[5]贾科,施志明,张旸,等.基于电缆早期故障区段定位的柔性直流配电系统保护方法[J].电力系统自动化,2023,47(4):163-171.

[6]岳清,束洪春,王春又,等.双馈风电场送出线类四边形距离纵联保护方案[J].昆明理工大学学报(自然科学版),2023,48(1):89-101.

[7]杨国生,樊沛林,王聪博,等.基于能量分布的新能源场站送出线路纵联保护[J].电网技术,2023,47(4):1415-1424.

[8]韩昆仑,刘书豪,代宇,等.一种基于边界特性的高压直流输电线路单端量保护方法[J].电力科学与技术学报,2023,38(2):75-83.

[9]余修勇,肖立业.基于新型方向判据的多端MMC-HVDC故障快速检测方案[J].中国电机工程学报,2021,41(24):8437-8447.

[11]和敬涵,罗易萍,罗国敏,等.基于小波多分辨分析和支持向量机的柔性直流系统单端保护方案[J].电网技术,2018,42(12):4022-4030.

[13]和敬涵,罗国敏,程梦晓,等.新一代人工智能在电力系统故障分析及定位中的研究综述[J].中国电机工程学报,2020,40(17):5506-5515.

[14]张大海,张晓炜,孙浩,等.基于卷积神经网络的交直流输电系统故障诊断[J].电力系统自动化,2022,46(5):132-145.

[15]汪光远,杨德先,林湘宁,等.基于深度置信网络的柔性直流配电网高灵敏故障辨识策略[J].电力系统自动化,2021,45(17):180-188.

[16]汪光远,马啸,林湘宁,等.基于集成学习的柔性直流配电线路单端量高灵敏保护方案.中国电机工程学报,2021,41(24):8447-8463.

[17]郭玥秀,杨伟,刘琦,等.残差网络研究综述[J].计算机应用研究,2020,37(5):1292-1297.

[20]宋国兵,张宇轩,张晨浩,等.换流站传递特性及其对交直流电网保护影响[J].清华大学学报(自然科学版),2021,61(5):465-477.

基金资助:国家自然科学基金资助项目(52277170)~~;

文章来源:赵妍,张森禹,黄艳祖,等.基于改进深度残差网络的柔性直流配电线路故障辨识[J].智慧电力,2024,52(09):72-79.