關(guān)鍵詞：廣義回歸神經(jīng)網(wǎng)絡(luò)；特高壓直流輸電線路；繼電保護(hù)；廣義S變換；故障識(shí)別DOI：10.15938/j. jhust.2025.02.014中圖分類號(hào)：TM723 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1007-2683（2025）02-0131-09

Abstract：Aprotection methodforultra-highvoltage directcurenttransmisson linesbasedongeneralizedregressonneural network（GRNN）isproposedtoaddresstheisuesofeasyrejectionandlongfault detectiontimeinultra-highvoltagedirectcurrent protection.FirstlyasedonthegneralizedStransfo，thefaultcharacterisiciformationintefrequencydomainistaindto constructhe input data for GRNN.Secondly，thechaosquantum particleswarm optimization（CQPSO）algorithm isused tooptimize theparametersofthegeneralizedregressonneuralnetwork，foranidealnetworkmodelbasedontheprincipleofthelowestfinss function，andbeterlathultcharacterissofthulra-hghvageDCtrasmssonlne.TeSofaxlasifierisuiledto clasifydep-levelfeatures，dentifingfaultsasexteal，us，orlinefults，andpolarizingtemintopositive，negative，orbipolar faults，thenoutpuigrecogitioesultsinally，heultra-higagediecturnt tasmissnodelbuiltineCA/C simulatioenvronmentisvalidated，andtevadationresultsshowedthattheproposedmethodhasgoodpeformanceinfaultetection andfaultpoleselectionofultra-highvoltagedirectcurenttransmissionlinerelaprotectionComparedtotradionalonolutional neuralnetwoks，generalizedregressionneuralnetworks，upportvectormacines，andotermethods，thefultrecognitionacyof the proposed method in this paper has been improved by 6.6% ， 0.65% ，and 7.69% ，respectively，meeting the requirements of protection speed and reliability.

Keywords：generalizedregressonneuralnetwork；UHVDCtransmissionline；relayprotection；generalizedS-transform；faulti dentification

0 引言

隨著新型電力系統(tǒng)建設(shè)的推進(jìn)，特高壓直流輸電由于其傳輸容量大、傳輸距離遠(yuǎn)、線路損耗少等顯著優(yōu)勢(shì)，可以很好地接入分布式電源和儲(chǔ)能裝置，進(jìn)而推進(jìn)我國(guó)“雙碳”目標(biāo)，故研究特高壓直流輸電技術(shù)已經(jīng)成為熱點(diǎn)。然而特高壓直流輸電線路較長(zhǎng)，并且需要穿越復(fù)雜的地形環(huán)境，易發(fā)生故障事件，因此研究特高壓直流輸電線路保護(hù)技術(shù)成為了研究的重點(diǎn)[1-5] 。

目前，在特高壓直流輸電線路保護(hù)方面已經(jīng)取得了一些進(jìn)展。文[6]利用小波變換方法將高、低頻電壓信號(hào)都提取出來(lái)，可以使用多種保護(hù)判據(jù)，因此可以有效保護(hù)線路全長(zhǎng)。但是該方法的判據(jù)復(fù)雜，容易出現(xiàn)配合錯(cuò)誤的誤保護(hù)動(dòng)作，而且實(shí)際使用中小波變換對(duì)非線性信號(hào)處理能力欠佳，因此在直流輸電中應(yīng)用范圍有限。文[7]應(yīng)用了疊加原理提取的突變量來(lái)進(jìn)行直流輸電線路的保護(hù)，但是疊加原理和小波變換一樣，對(duì)非線性直流輸電線路適應(yīng)性不夠。文［8]整合突變量特性進(jìn)行線路保護(hù)，但是該方法容易受到通信干擾。

隨著近年來(lái)人工智能技術(shù)的快速發(fā)展，利用人工智能技術(shù)進(jìn)行電網(wǎng)故障特性分析，再進(jìn)行計(jì)算判斷輸出結(jié)果，比傳統(tǒng)的方法速度更快、精度更高[9-13]。深度學(xué)習(xí)具有很強(qiáng)的數(shù)據(jù)挖掘和非線性學(xué)習(xí)能力，已經(jīng)在直流保護(hù)中取得了一定的成果[14-17]。文[18]利用3個(gè)深度神經(jīng)網(wǎng)絡(luò)分別實(shí)現(xiàn)故障識(shí)別、選相和定位的功能，取得了一定的效果，但是網(wǎng)絡(luò)比較復(fù)雜，訓(xùn)練時(shí)間較長(zhǎng)。文[19]利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障檢測(cè)，將故障信號(hào)二維時(shí)頻能量作為網(wǎng)絡(luò)輸入，實(shí)現(xiàn)了故障識(shí)別。文［20]采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行直流系統(tǒng)故障檢測(cè)，但是沒(méi)有考慮到高阻故障。

針對(duì)上述問(wèn)題，本文提出一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)（ generalized regression neuralnetwork，GRNN）的特高壓直流輸電線路故障識(shí)別方法?；趶V義S變換提取出頻域下的故障特征量，構(gòu)建GRNN的輸入數(shù)據(jù)。然后，利用混沌量子粒子群算法（chaos quantum particle swarm optimization， CQP-SO）優(yōu)化GRNN參數(shù)，以適應(yīng)度函數(shù)最低為原則形成理想的網(wǎng)絡(luò)模型，更好地學(xué)習(xí)特高壓直流輸電線路故障特征，采用Softmax分類器將深層的特征量進(jìn)行分類，將故障識(shí)別為區(qū)外故障、母線故障和線路故障3個(gè)類別，故障分類包括正極故障、負(fù)極故障和雙極故障3種類型，輸出識(shí)別結(jié)果。最后在PSCAD/EMTDC仿真環(huán)境下搭建特高壓直流輸電模型進(jìn)行驗(yàn)證，結(jié)果表明，所提的方法在特高壓直流輸電線路繼電保護(hù)的故障檢測(cè)、故障選極上具有很好的效果，滿足特高壓直流輸電線路保護(hù)的快速性和可靠性需求。

1特高壓直流輸電系統(tǒng)拓?fù)?/p>

本文采用 ±800kV 的特高壓直流輸電系統(tǒng)模型，結(jié)構(gòu)如圖1所示。

由圖1可見(jiàn)，該模型由雙端交流系統(tǒng)、變壓器、換流器、平波電抗器、直流輸電線路和直流濾波器組成。 表示交流母線的三相故障 ，f₂，f₄，f₅ 和 f₇ 表示直流輸電線路的區(qū)外故障 表示直流輸電線路的區(qū)內(nèi)故障。

輸電線路模型如圖2所示。導(dǎo)線型號(hào)為 6× LGJ-630/45，導(dǎo)線外徑 33.6mm ，6分裂，分裂間距450mm ，極間距離 22.2m ，塔上懸掛高度 33.5m ，弧垂 16m 。導(dǎo)線電阻為 0.046Ω/km ，每極自電感 L= 0.002H/km ，極間互電感 M=0.001H/km ，每極導(dǎo)體單位長(zhǎng)度對(duì)地電容為 9.99×10^-9F/km ，每單位長(zhǎng)度兩極導(dǎo)體間的電容為 2.11×10^-9F/km 。

2廣義回歸神經(jīng)網(wǎng)絡(luò)

特高壓直流輸電系統(tǒng)是一個(gè)具有高度復(fù)雜性的非線性特征系統(tǒng)，輸出的電壓、電流具有很強(qiáng)的非線性。此外，繼電保護(hù)的速斷性和可靠性要求故障檢測(cè)速度快、準(zhǔn)確率高，因此需要一個(gè)新的故障檢測(cè)模型使得特高壓直流輸電系統(tǒng)發(fā)生故障時(shí)能夠保證繼電保護(hù)裝置快速可靠動(dòng)作[21-22] 。

2.1 GRNN模型

GRNN是一種前向傳播網(wǎng)絡(luò)，具有很好的非線性映射效果和很快的收斂速度，自組織能力和泛化學(xué)習(xí)能力強(qiáng)[23-28]。假設(shè)網(wǎng)絡(luò)輸人為 （2號(hào) ，輸出為 P=[x，y]^T ，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

GRNN是一種非線性回歸分析的模型，如果 x 的觀測(cè)值為 X ，那么 y 在 X 上的回歸如式（1）所示：

如果 f（x，y） 服從正態(tài)分布，那么：

式中： n 為樣本的個(gè)數(shù)； p 為隨機(jī)變量 x 的維度數(shù)；f（x，y） 為 x 與 y 的聯(lián)合概率密度 X_i 為第 i 個(gè)樣本的輸入； Y_i 為第 i 個(gè)樣本的輸出； X 為當(dāng)前觀測(cè)點(diǎn)。把 替換為 f（X，y） ，代人式（1）中得到如下公式：

從上式可以發(fā)現(xiàn)，確定了樣本數(shù)據(jù)后，網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值就可以確定了，故影響網(wǎng)絡(luò)的輸出因素只有平滑因子 σ 。如果 σ 很小，概率密度函數(shù)會(huì)表現(xiàn)為非高斯型，輸出會(huì)靠近訓(xùn)練的樣本值。若樣本集包含預(yù)測(cè)點(diǎn)，則網(wǎng)絡(luò)輸出結(jié)果和實(shí)際結(jié)果非常接近。若樣本集不包括預(yù)測(cè)點(diǎn)，則輸出結(jié)果和實(shí)際結(jié)果相差較遠(yuǎn)，結(jié)果不理想。然而 σ 值越大時(shí)，概率密度函數(shù)會(huì)呈現(xiàn)出更加平滑的趨勢(shì)， Y（X） 就是所有樣本 x 的平均值。所以取恰當(dāng)?shù)?σ 值會(huì)將所有的樣本值考慮其中，變量權(quán)重系數(shù)會(huì)變大。

綜上所述， σ 的值對(duì)網(wǎng)絡(luò)的輸出結(jié)果影響較大，因此要將其值作為一個(gè)考慮因素，開(kāi)展尋優(yōu)算法，進(jìn)而提升網(wǎng)絡(luò)的泛化能力以提升預(yù)測(cè)效果。

2.2 CQPSO 算法

傳統(tǒng)粒子群算法在迭代中每一維度的速度受到約束，導(dǎo)致粒子搜索范圍無(wú)法包含所有可行域，無(wú)法保證在全局收斂于最優(yōu)值。CQPSO算法是一種基于種群的概率算法，利用量子力學(xué)定律把粒子賦予量子的特征，粒子能夠在可行域內(nèi)任何位置進(jìn)行特定概率密度運(yùn)動(dòng)，進(jìn)而保障整個(gè)可行域內(nèi)能夠取得全局最優(yōu)值。

波函數(shù) ψ（X，t） 表示粒子動(dòng)量與能量等狀態(tài)量，粒子的概率由所處的勢(shì)場(chǎng)決定。利用薛定諤方程進(jìn)行求解，得到歸一化概率分布函數(shù)如下：

式中： L 決定粒子的搜索區(qū)間。使用MonteCarlo法把粒子按照如下的迭代方程搜索。

式中： u_ij 為 0～1 之間的均勻分布隨機(jī)數(shù)； k 為隨機(jī)數(shù)，范圍在 0～1 之間； β 是用來(lái)控制粒子收斂速度的擴(kuò)張因子 M_best 為在維度中，每個(gè)粒子的平均最佳位置。計(jì)算公式如下：

M_ijbest^t 為在 j 維度中，每個(gè)粒子的平均最佳位置，計(jì)算公式如下：

式中： M 為種群的規(guī)模數(shù)； P_i 為第 i 個(gè)個(gè)體粒子最佳位置 op_ij^t 為局部吸引子，計(jì)算公式如下：

p_ij^t=?_ij^′P_ijbest^t+（1-?_ij^′）G_jbest^t

混沌搜索算法可以在特定區(qū)間內(nèi)遵循自身規(guī)律遍歷所有狀態(tài)，尋優(yōu)的過(guò)程中避免出現(xiàn)局部最優(yōu)值的現(xiàn)象，具有很強(qiáng)的遍歷性

使用量子行為特性和混沌搜索結(jié)合的方法對(duì)參數(shù)進(jìn)行尋優(yōu)。先使用量子粒子群算法進(jìn)行全局搜索，尋找最優(yōu)值，然后以此值為中心添加微小擾動(dòng)，二次尋優(yōu)。通過(guò)這兩種方法組合的算法能夠?qū)崿F(xiàn)全局最優(yōu)，并且尋優(yōu)結(jié)果是唯一的。

二次尋優(yōu)采用經(jīng)典混沌系統(tǒng)映射模型，如下所示：

式中： l 為混沌搜索的次數(shù)； d 為變量的序號(hào)； cx 為混沌變量值。

2.3 基于CQPSO算法優(yōu)化GRNN

使用CQPSO算法優(yōu)化GRNN，將特高壓直流輸

電線路直流電壓、母線電壓、正極電抗電壓、負(fù)極電抗電壓作為網(wǎng)絡(luò)輸入，GRNN平滑因子 σ 為CQPSO算法的優(yōu)化對(duì)象，具體步驟如下所示：

步驟1）：進(jìn)行種群的初始化的操作；

步驟2）：構(gòu)建適應(yīng)度函數(shù)如下：

式中 ?f_fitnessi 為第 i 個(gè)粒子的適應(yīng)度值; （x_i^'-x_i） 為第i 個(gè)節(jié)點(diǎn)的預(yù)測(cè)坐標(biāo); （x_i，y_i） 為第 i 個(gè)節(jié)點(diǎn)的實(shí)際位置。

在設(shè)定適應(yīng)度函數(shù)后，計(jì)算所有種群中每個(gè)粒子的適應(yīng)度函數(shù)值，把其設(shè)置為對(duì)應(yīng)粒子的最優(yōu)值，然后對(duì)所有最優(yōu)值進(jìn)行對(duì)比得到全局最優(yōu)值；

步驟3）：應(yīng)用薛定諤波動(dòng)方程，更新粒子的位置，并對(duì)粒子的位置進(jìn)行約束；

步驟4）：重新計(jì)算粒子的適應(yīng)度值，以獲取當(dāng)前的全局最優(yōu)值和最優(yōu)粒子；

步驟5）：使用混沌映射模型進(jìn)行混沌搜索，擴(kuò)大混沌遍歷空間。在量子粒子群算法所有的最優(yōu)值基礎(chǔ)上生成混沌序列，如果新的區(qū)間里尋到了更好的位置，那么替換掉當(dāng)前最優(yōu)位置，使得種群脫離局部最優(yōu)的危險(xiǎn)；

步驟6）：當(dāng)達(dá)到最大迭代次數(shù)或者達(dá)到預(yù)設(shè)的搜索精度要求時(shí)，搜索過(guò)程立即結(jié)束，否則返回步驟2，直到終止條件滿足為止;

步驟7）：利用最后獲得的最優(yōu)的 σ 值重構(gòu)GRNN模型，將輸入數(shù)據(jù)輸入至已經(jīng)訓(xùn)練好參數(shù)的網(wǎng)絡(luò)模型中即可獲得最優(yōu)輸出值。

2.4Softmax分類器

Softmax函數(shù)是一個(gè)典型的多分類問(wèn)題的函數(shù)，假如輸入 x 輸出的標(biāo)簽為 y ，那么 x 被認(rèn)為是類別 j 的概率是 P（y=j|x） ，Softmax 輸出一個(gè) n 維向量，且這 n 維向量的元素在 0～1 之間，所有向量元素之和為1，數(shù)學(xué)表達(dá)式如下：

式中： P（y_（i）=k|x_（i）） 為第 i 個(gè)樣本屬于類別 k 的概率； 為 Softmax 函數(shù)的輸出值。

3 基于GRNN的特高壓直流輸電線路故障識(shí)別

3.1 保護(hù)啟動(dòng)判據(jù)

本文需要設(shè)置啟動(dòng)元件來(lái)避免故障檢測(cè)時(shí)的頻繁動(dòng)作，構(gòu)造的保護(hù)判據(jù)如下：

式中： U_dc 為直流線路電壓； δ_set 為直流保護(hù)算法啟動(dòng)閾值。

3.2 網(wǎng)絡(luò)輸入數(shù)據(jù)的選擇

為了提高網(wǎng)絡(luò)訓(xùn)練效率，將不同線路、不同極的頻域特征下的故障特征量提取出來(lái)，使用廣義S變換提取的方法，公式如下：

式中： 為原始信號(hào) x（t） 的離散傅里葉變換;N 為采樣的點(diǎn)數(shù)； T 為采樣的時(shí)間間隔； αβ 為可調(diào)因子， α=1，β=2 。

通過(guò)廣義S變換，信號(hào)的暫態(tài)能量和為

式中： S[p，q] 為復(fù)時(shí)頻矩陣，行向量為某一個(gè)頻率下的時(shí)域特征，列向量為某一個(gè)時(shí)刻的幅頻特征；abs（S[p，q]） 為 S[p，q] 矩陣元素絕對(duì)值

本文用廣義S變換提取頻域特征下的故障特征量，將直流電壓、母線電壓、正極電抗電壓、負(fù)極電抗電壓的暫態(tài)能量提取出來(lái)，構(gòu)成四維特征數(shù)據(jù)作為GRNN的輸人。

3.3 數(shù)據(jù)預(yù)處理

考慮到故障特征的差異性，且訓(xùn)練數(shù)據(jù)的值范圍差異較大，為了提高網(wǎng)絡(luò)訓(xùn)練的精度，需要最大化故障特征的表達(dá)能力，故將樣本數(shù)據(jù)進(jìn)行歸一化處理，公式如下：

式中： 為歸一化后樣本數(shù)據(jù)； E_i 為原始數(shù)據(jù); min 、max為最小值和最大值函數(shù)。

3.4 故障檢測(cè)流程

基于GRNN的特高壓直流輸電線路繼電保護(hù)故障檢測(cè)方法，主要包括網(wǎng)絡(luò)訓(xùn)練和故障類型識(shí)別，如圖4所示，具體步驟如下：

步驟1）：利用公式（12）的故障啟動(dòng)元件構(gòu)造保護(hù)啟動(dòng)判據(jù)，滿足判據(jù)時(shí)再進(jìn)行后續(xù)的故障識(shí)別；

步驟2）：使用廣義S變換提取頻域特征下的故障特征量，將直流電壓、母線電壓、正極電抗電壓、負(fù)極電抗電壓的暫態(tài)能量提取出來(lái)，設(shè)置采樣率為5000，采樣時(shí)間為 0.4s ，故障電壓數(shù)據(jù)為 5000× 0.4=2000 維數(shù)據(jù)，因此構(gòu)成 2000×4 維特征數(shù)據(jù)作為GRNN的輸人；

步驟3）：對(duì)輸入的數(shù)據(jù)進(jìn)行歸一化處理，并將數(shù)據(jù)分成測(cè)試集和訓(xùn)練集；

步驟4）：利用CQPSO算法優(yōu)化GRNN的參數(shù)，找出最小適應(yīng)度函數(shù)下的平滑因子，形成理想的分類模型;

步驟5）：將訓(xùn)練集輸入到優(yōu)化后的GRNN中，深層次學(xué)習(xí)特高壓直流輸電線路的故障特征，進(jìn)一步將學(xué)習(xí)到的特征輸人到Softmax分類器中，實(shí)現(xiàn)故障的分類識(shí)別。將故障分為區(qū)外故障、母線故障和線路故障3個(gè)類別，并將故障分類細(xì)分為正極故障、負(fù)極故障和雙極故障。因此，設(shè)置分類器輸出維度為6，輸出識(shí)別結(jié)果，不斷迭代優(yōu)化網(wǎng)絡(luò)參數(shù)，最終形成性能較好的網(wǎng)絡(luò)模型；

步驟6）：利用測(cè)試集來(lái)驗(yàn)證本文方法的有效性。

4 實(shí)例分析

4.1 實(shí)驗(yàn)參數(shù)

以電磁暫態(tài)仿真平臺(tái)PSCAD/EMTDC為基礎(chǔ)，搭建如圖1所示的四端的MMC特高壓直流電網(wǎng)模型 為直流輸電線路區(qū)內(nèi)故障， 為交流母線故障 為直流輸電線路區(qū)外故障，直流輸電線路全長(zhǎng) 20000km ，參數(shù)如表1所示。

對(duì)線路和母線進(jìn)行保護(hù)研究，把故障數(shù)據(jù)樣本輸入到廣義回歸環(huán)神經(jīng)網(wǎng)絡(luò)中去，樣本數(shù)據(jù)一共5000組，按照4：1的比例形成訓(xùn)練集和測(cè)試集。故障啟動(dòng)判據(jù)閾值設(shè)為 200kV/ms 。

4.2 結(jié)果分析

網(wǎng)絡(luò)損失函數(shù)為

式中： N 為樣本個(gè)數(shù)； Ψ_tΨ_t 為期望輸出； y 為網(wǎng)絡(luò)實(shí)際輸出。

不斷提高網(wǎng)絡(luò)的迭代次數(shù)，準(zhǔn)確率和迭代次數(shù)的關(guān)系如圖5所示，網(wǎng)絡(luò)損失函數(shù)結(jié)果如圖6所示。從圖中可得，當(dāng)?shù)螖?shù)達(dá)到500時(shí)，準(zhǔn)確率趨于穩(wěn)定，故障識(shí)別準(zhǔn)確率高達(dá) 99.06% ，網(wǎng)絡(luò)損失只有0.42，因此設(shè)置網(wǎng)絡(luò)的迭代次數(shù)為 500 業(yè)

分別對(duì)線路處故障、區(qū)外故障、母線處故障進(jìn)行仿真驗(yàn)證，故障的過(guò)渡電阻設(shè)為 ，結(jié)果如表2所示。由表可見(jiàn)，GRNN可以快速準(zhǔn)確地識(shí)別出線路和母線的故障，并且可以實(shí)現(xiàn)故障的選極。表格中記錄了每種故障類型的最長(zhǎng)檢測(cè)時(shí)間，可以看出，最長(zhǎng)的檢測(cè)時(shí)間為 1.70ms ，說(shuō)明本文所提方法具有檢測(cè)速度快的優(yōu)點(diǎn)，可以滿足特高壓直流輸電線路保護(hù)的速動(dòng)性要求，

為了驗(yàn)證本文方法對(duì)各種故障均具有很好的識(shí)別效果，區(qū)外故障、母線正極故障、母線負(fù)極故障、母線雙極故障、線路正極故障、線路負(fù)極故障、線路雙極故障的每個(gè)識(shí)別結(jié)果如圖7所示。從圖中可得，本文方法對(duì)區(qū)外故障識(shí)別率最高，高達(dá) 99.52% ，線路正極故障識(shí)別率最低，但是也達(dá)到了 98.53% ，說(shuō)明本文方法對(duì)不同故障類型都能夠準(zhǔn)確識(shí)別出來(lái)，保證了直流電網(wǎng)保護(hù)的可靠性。

為了驗(yàn)證所提方法對(duì)不同過(guò)渡電阻都具有很好的識(shí)別效果，取不同過(guò)渡電阻進(jìn)行實(shí)驗(yàn)，結(jié)果如表3所示。由表可見(jiàn)，本文的方法對(duì)高阻故障也有很好的識(shí)別效果。

為了驗(yàn)證本文所提方法的優(yōu)越性，將本文方法與主流的卷積神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)GRNN、支持向量機(jī)進(jìn)行對(duì)比，結(jié)果如表4所示。由表可見(jiàn)，本文方法識(shí)別率達(dá)到了 99.06% ，相比于卷積神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)GRNN、支持向量機(jī)，故障識(shí)別準(zhǔn)確率分別提升了6.6%0.65%7.69% ，本文所用方法的故障識(shí)別準(zhǔn)確率得到提升的原因是卷積神經(jīng)網(wǎng)絡(luò)參數(shù)過(guò)多，出現(xiàn)了過(guò)擬合現(xiàn)象，傳統(tǒng)GRNN沒(méi)有對(duì)平滑因子進(jìn)行優(yōu)化，所使用的網(wǎng)絡(luò)在故障檢測(cè)時(shí)的性能不是最佳的，支持向量機(jī)對(duì)非線性數(shù)據(jù)特征學(xué)習(xí)能力不足，故對(duì)非線性的特高壓直流輸電系統(tǒng)故障檢測(cè)的準(zhǔn)確率較低。在故障檢測(cè)時(shí)間上，本文所提的模型收斂速度很快，相比于卷積神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)GRNN分別快了 0.34ms?0.04ms ，相比于支持向量機(jī)只多了0.02ms 。由此可得，本文模型對(duì)時(shí)間序列樣本數(shù)據(jù)的學(xué)習(xí)能力最強(qiáng)，泛化能力最好，故障識(shí)別率最高，檢測(cè)時(shí)間較短，在特高壓直流輸電線路保護(hù)上有著明顯的優(yōu)勢(shì)。

5結(jié)論

本文提出了基于廣義回歸神經(jīng)網(wǎng)絡(luò)的特高壓直流輸電線路故障識(shí)別方法，主要取得了以下成果：

1）本文利用廣義S變換提取出特高壓直流輸電系統(tǒng)頻域特征下的故障特征量，將直流電壓、母線電壓、正極電抗電壓、負(fù)極電抗電壓的暫態(tài)能量提取出來(lái)作為網(wǎng)絡(luò)輸入數(shù)據(jù)，提升了網(wǎng)絡(luò)的訓(xùn)練效率；

2）利用GRNN自組能力和泛化學(xué)習(xí)能力強(qiáng)的優(yōu)勢(shì)，將其應(yīng)用于特高壓直流輸電線路故障檢測(cè)中，用CQPSO算法優(yōu)化網(wǎng)絡(luò)參數(shù)，提高了模型的訓(xùn)練效果，與Softmax分類器結(jié)合，提升了故障識(shí)別的準(zhǔn)確率；

3）經(jīng)過(guò)實(shí)驗(yàn)仿真驗(yàn)證結(jié)果，本文方法在特高壓直流輸電線路故障保護(hù)中，檢測(cè)速度快，故障識(shí)別率高，滿足要求，對(duì)不同過(guò)渡電阻均具有很好的檢測(cè)效果。

參考文獻(xiàn)：

[1]劉振亞，秦曉輝，趙良，等.特高壓直流分層接入方式 在多饋入直流電網(wǎng)的應(yīng)用研究[J].中國(guó)電機(jī)工程學(xué) 報(bào)，2013，33（10）：1. LIU Zhenya，QIN Xiaohui，ZHAO Liang，et al.Research onthe Application ofUHVDCLayered Accessin Multi-feed DCPowerGrid[J]. Proceedings of theCSEE， 2013，33（10） ：1.

[2] 馬愛(ài)清，畢永翔，陳鑫濤，等.特高壓交直流輸電線路 帶電作業(yè)安全防護(hù)及碳減排效應(yīng)分析[J].電測(cè)與儀 表，2024，61（8） ：47.

MA Aiqing，BI Yongxiang，CHEN Xintao，et al. Safety Protectionand Carbon Emission Reduction EffectAnalysis ofUHV AC-DC Transmission LineLive Operation[J].ElectricalMeasurementamp;Instrumentation，2O24，61 （8） ：47.

[3]劉振亞，張啟平.國(guó)家電網(wǎng)發(fā)展模式研究[J].中國(guó)電 機(jī)工程學(xué)報(bào)，2013，33（7）：1. LIU Zhenya， ZHANG Qiping. Research on the Development Model of National Power Grid[J].Proceedings of the CSEE，2013，33（7） ：1.

[4]晁武杰，李智誠(chéng)，唐志軍，等．基于MMC 的柔性直流輸 電線路雙極性故障檢測(cè)方法研究［J].電測(cè)與儀表， 2023，60（9） ：165. CHAO Wujie，LI Zhicheng，TANG Zhijun，et al. Research of Bipolar Fault Detection Method Based on the MMC Flexible DC Transmission Lines [J]. Electrical Measurement amp; Instrumentation， 2023，60（9） ： 165.

[5]趙嘉興，荊玉智，張彥.基于模糊神經(jīng)網(wǎng)絡(luò)的電網(wǎng)消 防預(yù)警算法［J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2024，46 （1）： 19. ZHAO Jiaxing，JING Yuzhi， ZHANG Yan. Algorithm Based on Fuzzy Neural Network for Power Grid Fire Warning[J]. Journal of Shenyang University of Technology，2024，46（1） ： 19.

[6］李振強(qiáng)，魯改鳳，呂艷萍.基于小波變換的高壓直流輸 電線路暫態(tài)電壓行波保護(hù)［J].電力系統(tǒng)保護(hù)與控制， 2010，38（13） ：40. LI Zhenqiang，LU Gaifeng，LV Yanping. Transient Voltage Traveling Wave Protection for HVDC Transmission Lines Based on Wavelet Transform[J].Power System Protection and Control， 2010，38（13） ：40.

[7］李振興，譚洪，葉詩(shī)韻，等.應(yīng)用△I極性與信號(hào)處理的 UHVDC輸電線路保護(hù)新方案［J].電力系統(tǒng)保護(hù)與控 制，2018，46（15） ：68. LI Zhenxing，TAN Hong，YE Shiyun，et al.A New Scheme for UHVDC Transmission Line Protection Using △I Polarity and Signal Processing[J]. Power System Protection and Control， 2018，46（15） ：68.

[8］齊國(guó)強(qiáng)，王增平.基于 Hilbert-Huang 變換的 HVDC 突 變量方向縱聯(lián)保護(hù)方法［J].電力系統(tǒng)保護(hù)與控制， 2017，45（20） ：92. QI Guoqiang，WANG Zengping. HVDC Mutation Direction Longitudinal Protection Method Based on HilbertHuang Transform[J]. Power System Protection and Control，2017，45（20） ：92.

[9]JAYAMAHA D K，LIDULA N W，RAJAPAKSE A D. Wavelet-multi Resolution Analysis Based ANN Architecture for Fault Detection and Localization in DC Microgrids [J]. IEEE Access，2019，7： 145371.

[10］楊賽昭，向往，張峻櫟，等.基于人工神經(jīng)網(wǎng)絡(luò)的架空 柔性直流電網(wǎng)故障檢測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào)， rauit Detecuon Mieuou Ol ruwer Grid Based on Artificial Neural Network[J]. Proceedings of theCSEE，2019，39（15）：4416.

［11］丁江橋，文屹，呂黔蘇，等．基于時(shí)間序列和神經(jīng)網(wǎng)絡(luò) 的電力設(shè)備狀態(tài)異常檢測(cè)方法[J].電測(cè)與儀表， 2024，61（2） ：185. DING Jiangqiao，WEN Yi，LV Qiansu，et al. Abnormal State Detection Method of Power Equipment Based on Time Series and Neural Network[J]. Electrical Measurement amp; Instrumentation，2024，61（2） ：185.

[12]嚴(yán)宇平，蕭展輝.基于自編碼神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障預(yù) 測(cè)算法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2023，45（1）：1. YAN Yuping， XIAO Zhanhui. Fault Prediction Algorithm Based on Auto-encoding Neural Network for Power Grid [J]．Journal of Shenyang University of Technology， 2023，45（1） ： 1.

[13］馬愛(ài)清，畢永翔，陳鑫濤，等．特高壓交直流輸電線路 帶電作業(yè)安全防護(hù)及碳減排效應(yīng)分析[J].電測(cè)與儀 表，2024，61（8）： 47. MA Aiqing，BI Yongxiang，CHEN Xintao，et al． Analysis on Safety Protection and Carbon Emission Reduction Effct of UHV AC/DC Transmission Line Live Working [J].Electrical Measurement amp; Instrumentation，2024， 61（8） ： 47.

[14]LAN S，CHEN M，CHEN D. A Novel HVDC Double-terminal Non-synchronous Fault Location Method Based on Convolutional Neural Network[J]. IEEE Transactions on Power Delivery，2019，34（3）：848.

[15] LUO G，CHENG M，SUN H，et al. Stacked Auto-encoder-based Transients Recognition in VSC-HVDC[J]. IEEE Access，2020，8：14223.

[16］劉敏，王紅旭，周國(guó)亮，等.基于深度學(xué)習(xí)的輸電線路 耐張線夾傾斜缺陷定量檢測(cè)[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)， 2023，45（4） ： 442. LIU Min，WANG Hongxu， ZHOU Guoliang，et al. Quantitative Detection Based on Deep Learning Technology for Inclination Defects of Strain Clamps[J]. Journal of Shenyang University of Technology，2023，45（4） ： 442.

［17］李彥君，劉友波，冉金周，等．深度學(xué)習(xí)驅(qū)動(dòng)的電網(wǎng) 無(wú)功－電壓優(yōu)化控制策略模型[J]．電測(cè)與儀表， 2023，60（11） ： 165. LI Yanjun，LIU Youbo，RAN Jinzhou et al.Optimal Control Strategy Model of Reactive Power-voltage in Power Grid Driven by Deep Learning[J]. Electrical Measurement amp; Instrumentation，2023，60（11）：165.

[18]JAMES JQ，HOU Y，LAM A Y S，et al. Intelligent Fault Detection Scheme for Microgrids with Wavelet-based Deep Neural Networks[J]. IEEE Transactions on Smart Grid，2019，10（2） ： 1694.

[19]GUO Moufa，YANG Nienche，CHEN Weifan. DeepTransform and Convolutional Neural Network in Power Distribution Systems[J]. IEEE Sensors Journal，2019， 19（16） ： 6905.

[20] YANG Qingqing，LE BLOND S，AGGARWAL R， et al. New ANN Method for Multi-terminal HVDC Protectionrelaying[J]. Electric Power Systems Research，2017， 148： 192.

［21］譚金龍，熊小伏，陳軍，等.基于改進(jìn)孿生支持向量機(jī) 的新型電力系統(tǒng)繼電保護(hù)故障診斷模型[J].沈陽(yáng)工 業(yè)大學(xué)學(xué)報(bào)．2023，45（6）：631. TAN Jinlong， XIONG Xiaofu，CHEN Jun， et al. A Fault Diagnosis Model Based on Improved Twin Support Vector Machine for Relay Protection of New Type Power System [J]．Journal of Shenyang University of Technology， 2023，45（6） ：631.

［22］葉遠(yuǎn)波，謝民，陳曉東，等．高壓繼電保護(hù)裝置的失 效特性分析[J].電測(cè)與儀表，2023，60（4）：121. YE Yuanbo，XIE Min，CHEN Xiaodong，et al.Research on Failure Characteristic of High-voltage Relay Protection Device[J]. Electrical Measurement amp; Instrumentation， 2023，60（4）： 121.

[23] SPECHT D F. A General Regression Neural Network[J]. IEEE Transactions on Neural Networks， 1991，2（6）： 568.

[24] CIGIZOGLU H K，ALP M. Generalized Regression Neural Network in Modelling River Sediment Yield[J]．Advances in Engineering Software，2006，37（2）： 63.

[25] YUAN Q Q， XU H Z，LI T W， et al. Estimating Surface Soil Moisture from Satelite Observations Using a Generalized Regression Neural Network Trained on Sparse Ground-Based Measurements in the Continental US[J]. Journal of Hydrology，2020，580：124351.

[26］徐朝陽(yáng)，王孝友，徐德貴，等.基于改進(jìn)粒子群算法的 動(dòng)態(tài)無(wú)功優(yōu)化研究［J].東北電力大學(xué)學(xué)報(bào)，2017， 37（3） ：33. XU Zhaoyang，WANG Xiaoyou， XU Degui，et al． Research on Dynamic Reactive Power Optimization Based on Improved Particle Swarm Optimization ［J]. Journal of Northeast Dianli University，2017，37（3）：33.

[27]LIU Q，NIU H， XU W，et al. A Service-oriented Spectrum Allocation Algorithm Using Enhanced PSO for CognitiveWirelessNetworks [J].ComputerNetworks， 2014， 74： 81.

[28］李鵬，李濤，張雙樂(lè)，等.基于混沌二進(jìn)制粒子群算法 的獨(dú)立微網(wǎng)系統(tǒng)的微電源組合優(yōu)化［J].電力自動(dòng)化 設(shè)備，2013，33（12） ：33. LI Peng，LI Tao， ZHANG Shuangle，et al. Optimization of Micro-power Supply Combination for Independent Micro-grid System[J]. Power Automation Equipment，2013， 33（12） ：33. （編輯·溫澤宇）