随着电力电子技术的飞速发展,高压直流(High Voltege Direct Current,HVDC)输电因为其损耗小,传输容量大,绝缘要求低等优势,在远距离大容量输电方面逐渐取代交流输电。而以电压源型换流器(Voltage Scourced Converter,VSC)为基础的柔性直流(VSC-HVDC)输电技术具有运行方式灵活、可控性强等优点,克服了传统的HVDC易换相失败的缺点,因此在HVDC输电领域扮演着越来越重要的角色。然而,高压输电线路一直是电力系统中故障概率最高的元件之一,所以快速准确的故障定位对于保障电力系统安全稳定运行至关重要。本论文围绕柔性直流输电线路的故障定位问题,分析了行波的波过程和单极接地短路故障下暂态信号的发生机理,借助人工智能技术,对基于机器学习的故障定位方法展开了以下研究。首先,调研了柔性直流输电线路故障定位的研究背景和意义,分析了现有故障定位方法的优势与不足。探讨了人工智能技术应用于故障定位领域的优势与可行性,并提出了一种基于机器学习的故障定位方法。其次,对于行波在输电线路上的传播进行了研究,包括行波的衰减与折反射现象。研究了柔性直流输电线路上单极接地故障的发展机理和波形特征。以±200k V柔性直流架空输电线路为研究对象,分析了单极接地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,分析了故障信号的暂态特性。然后,研究了基于堆叠式降噪自编码器的故障定位方法,实现了简易快速的故障定位。该方法以原始暂态数据(解耦后的电流线模分量)为输入,利用多个自编码器相叠加的结构实现故障特征自提取,并在提取到的特征的基础上微调网络,建立起了暂态信号与故障距离之间的映射关系,进而实现故障定位。该方法以实际故障距离(样本标签)为目标,对特征提取和回归拟合进行联合调整,减少了人为因素对故障定位的影响。同时,综合采用了不同输电系统多条输电线路的暂态数据,增加了样本数量以提高模型的泛化能力。在满足低采样频率(10 k Hz)和短时间窗(5 ms)的情况下,具有准确的定位结果。最后,考虑到基于人工智能的故障定位方法需要大量样本才能得以实现,而实际电力系统中只存在少量的故障样本。由于仿真模型与实际工程系统可能存在一定差距,难以保证仿真数据与现场实测数据完全相同。另一方面,当定位模型接收到来自与训练集中的线路参数差别较大的新线路时,定位误差会有所增大。针对以上问题,提出了基于迁移学习的故障定位方法,该方法通过迁移学习实现利用少量的样本完成对网络的训练,并且提升了网络的实际应用价值。综上,本论文针对柔性直流输电线路的故障定位问题,深入调研和分析了现有研究成果及存在的不足,在仿真建模的基础上,分别利用堆叠式降噪自编码器和迁移学习开展了故障定位的相关研究,并取得了较好的定位效果。