在电力系统城市电网扩容和可再生能源并网等大环境下,模块化多电平换流器高压直流输电（MMC-HVDC）技术凭借其显著优势得到了开阔的应用前景。适用于远距离大容量输电的架空线路已成为高压直流输电领域的主要发展方向,但其在输电过程中易受途径气候与地理环境变化的影响,导致直流线路故障率高,其中发生单极接地故障的占比最高。当直流输电线路发生故障时,保护系统必须快速可靠地对故障进行检测定位,为故障的及时清除创造条件。因此,保证精准快速的故障检测技术是输电系统可靠运行的重要保障。过渡电阻因素常常会对故障定位的精度带来一定干扰,且随着过渡电阻的增大,进行故障定位的难度也会进一步提升。当前,针对单极接地故障定位的研究大多是基于小于500Ω的过渡电阻,但在实际架空线路输电过程中,其故障过渡电阻有可能高达数千欧姆,而基于小过渡电阻的故障定位方法往往并不适用于高阻故障。如何从故障暂态信号中提取深层故障特征,并利用深层故障特征与人工智能算法相结合进行故障定位,将成为提高输电线路高阻故障定位精度的突破口。针对上述问题,本文从故障行波的基本传输特性出发,着重对单极接地故障的故障点定位方法展开研究,主要工作包括:首先,本文详细介绍了MMC-HVDC系统的工作机理和控制策略,并利用PSCAD/EMTDC软件搭建±250k V双端MMC-HVDC系统模型。基于搭建完毕的系统模型,对系统正常运行工况与各直流短路故障进行仿真模拟。其次,结合信息熵理论和小波包分析理论二者在提取信号特征上的优势,详细介绍了小波包能量熵算法、小波包奇异熵算法和小波包时间熵算法的各自优点与计算方法,并分别对线路故障暂态信号进行特征提取。再次,阐述了深度信念网络（DBN）的模型结构与训练机理,以小波包能量熵算法对故障暂态信号的特征提取结果作为训练数据,提出了一种基于小波包能量熵和深度信念网络的MMC-HVDC输电线路故障检测系统。通过利用粒子群寻优（PSO）算法对DBN模型参数进行寻优,解决了DBN在训练时易陷入局部最优的问题。该系统可实现输电线路故障类型识别和单极接地故障的故障点定位,且完全依靠数据驱动,无需额外增加设备。最后,在研究Stacking集成学习思想的基础上,建立了融合多小波包熵特征信息的单极接地故障点定位模型。该方法从多个角度提取故障暂态信号的深层特征,充分发挥各小波包熵算法的自身特点与优势,避免了依靠单一小波包熵进行故障定位可能出现的高阻故障定位困难的问题。与基于单一小波包熵的故障定位方法相比,基于多小波包熵特征融合的Stacking集成学习的单极接地故障定位方法具有较高的定位精度与抗干扰能力。