高压直流(High Voltege Direct Current,HVDC)输电提高了输电效率和资源利用水平,是满足远距离大容量、清洁可再生能源输送需求的主要方式。以电压源型换流器(Voltage Scourced Converts,VSC)为核心的柔性直流(VSC-HVDC)输电技术具有运行方式灵活、可控性强等优点,在高压直流输电领域扮演着越来越重要的角色。继电保护是保障系统安全稳定运行的关键技术,而暂态信号识别是确保保护装置准确动作的重要环节。研究准确有效的暂态信号识别方法,对于提高系统供电可靠性和运维检修质量都具有重要意义。本论文围绕柔性直流输电线路的暂态信号识别问题,分析了常见暂态信号的发生机理,从人工智能技术的不同角度出发,研究了基于机器学习模型的暂态信号识别方法。论文的主要工作内容如下:调研了柔性直流输电线路暂态识别的研究背景和意义;分析了传统识别方法、人为特征提取与传统智能算法分类器相结合方法,以及基于无监督学习的特征自提取及分类模型相结合方法的研究现状及特点。研究了柔性直流输电线路的三类常见暂态信号:单极接地故障、雷击故障和雷击干扰的发展机理和波形特征。以±500kV柔性直流架空输电线路为研究对象,分析了单极接地故障和由绕击引起的雷击干扰、雷击故障的发展机理和数学模型;在PSCAD软件中搭建了双端柔性输电系统和暂态信号仿真模型,并结合仿真波形,分析了三类信号的暂态特性。研究了基于频谱熵(Frequency Spectrum Entropy,FSE)的特征提取与基于支持向量机(Support Vector Machines,SVM)的模式识别相结合的暂态识别方法。利用频谱分布的相对大小关系定义了 FSE,用来描述单端暂态电流特征,耐受距离、过渡电阻参数的影响;利用多个二分类的SVM构成多分类器,软化分类界限,避免了故障识别判据整定的复杂操作,提高了信号的识别精度。研究了基于置信网络特征自提取的暂态识别方法,实现端到端的暂态信号可靠识别。以原始暂态数据(解耦后的电流线模分量)为输入,利用置信网络的受限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)实现故障特征自提取,利用Softmax层进行暂态分类,实现了特征提取和分类的联合调整,减少了人为因素对故障识别的影响。同时,综合采用了多个系统暂态数据,增加样本数量,提高模型泛化能力。在满足低采样频率(10kHz)和短时间窗(3ms)的实际需求条件下,具有较高的识别精度。综上,本论文针对柔性直流输电线路的暂态信号识别问题,深入调研和分析了现有研究成果及存在不足,在建模和对比暂态信号特性的基础上,分别从:人为特征提取和模式识别相结合以及特征自提取的机器学习,两个角度开展了暂态识别的相关研究,并取得了较好的仿真识别效果。