基于深度学习双通道特征融合的同塔双回直流线路故障区域辨识

摘要

针对同塔双回直流输电线路的电气量之间具有强耦合性，且故障时过渡电阻进一步导致故障特征难以辨识的问题，提出一种基于改进残差和门控循环神经网络双通道特征融合的同塔双回直流线路单端量故障区域辨识方法。首先，根据同塔双回直流输电线路串联阻抗矩阵、并联导纳矩阵推导相模变换矩阵，对故障信号进行极模变换得到故障行波模量，并计算出故障电压反行波。其次，利用格拉姆和角场将一维的故障电压反行波映射为二维格拉姆角场图像。随后，将一维数据、二维数据分别输入门控循环单元模型和基于卷积块注意力模块改进的ResNet-50模型进行特征挖掘，并通过注意力机制进行不同模型的特征融合，多维度利用了故障电压信号时序特征。最后，利用蜣螂优化算法对模型参数进行优化，实现故障区域快速、准确辨识。仿真结果表明，用该方案能够有效提高故障辨识的准确率、抑制过渡电阻对辨识精度影响，使模型具有较强的抗干扰能力，并且优于其他深度学习模型。

关键词

同塔双回 / 波形特征 / 格拉姆和角场 / 深度学习 / 故障区域辨识 / 直流输电线路