来源：期刊VIP网 时间：
作者：张学友;石永建;李冀;郭振宇;戴剑丰;
单位：国网安徽省电力有限公司超高压分公司;南京邮电大学自动学学院,人工智能学院;
摘要：为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题，提出基于长短时记忆(long short term memory,LSTM)循环神经网络（recurrent neural network, RNN）的特高压直流输电线路继电保护故障检测方法。首先，基于快速傅里叶变换分析特高压直流输电系统暂态故障特征，使用相模变换和小波变换提取出故障特征量作为输入数据。其次，将输入数据输入到LSTM-RNN中进行前向传播，对系统故障特征进行深度学习，同时使用反向传播方式更新网络参数，将深层的特征量输入到Softmax分类器中进行分类，把故障识别分成区外故障、母线故障和线路故障，故障分类为正极故障、负极故障和双极故障，并输出识别结果。最后，在PSCAD/EMTDC仿真条件下，搭建特高压直流输电模型。验证结果表明：所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有更好的效果，相比于人工神经网络、卷积神经网络、支持向量机，故障识别准确率分别提升4.71%、6.57%、9.32%。
关键词：LSTM-RNN;特高压直流输电线路;继电保护;快速傅里叶变换;故障识别
