我国幅员辽阔,电力能源在西北地区较为丰富,而负荷中心却集中分布在东南沿海一带,为了实现对电力资源的合理利用和优化配置,高压直流输电（High voltage direct current,HVDC）技术在我国广泛应用。高压直流输电线路长,发生故障的几率较高,因此故障的正确识别与诊断对电力系统的平稳安全运行十分重要,研究快速、可靠、准确的直流输电线路故障诊断方法具有重要意义。本文围绕智能算法在HVDC输电线路故障诊断方面的应用展开相关研究,通过分析HVDC输电线路区内外故障特征和故障极特征,研究了基于智能算法的HVDC输电线路故障诊断算法。（1）针对行波保护算法灵敏性和速动性难以兼顾的问题,根据行波传播理论和边界元件对高频信号的阻滞作用,研究基于随机森林的HVDC输电线路故障诊断方法。分析表明,区内故障时,故障行波经输电线路到达测点处,衰减幅度较小;区外故障时,故障行波经边界元件和输电线路双重衰减到达测量点处,衰减幅度较大。通过S变换提取不同尺度下的故障行波信号,计算故障后2ms内采样数据的波动指数、正负极能量和的比值,构建故障特征样本集,对基于随机森林的智能故障诊断模型进行训练和测试,实现HVDC输电线路故障诊断。（2）利用HVDC输电线路边界元件对信号的衰减作用,研究基于变分模态分解（Variational mode decomposition,VMD）多尺度模糊熵和Softmax分类器的HVDC输电线路故障诊断方法。区内故障时,故障电流分量在输电线路上衰减程度较小,模糊熵值较大;区外故障时,故障电流分量经边界元件的衰减程度较大,模糊熵值较小。该方法利用VMD提取中心频率为600Hz左右的IMF2分量,对IMF2分量求解多尺度模糊熵向量、VMD能量和的比值向量,构建故障特征样本集对基于Softmax分类器的智能故障诊断模型进行训练和测试,实现HVDC输电线路故障诊断。（3）引入一维卷积神经网络（1-Dimensional convolutional neural network,1D-CNN）,研究基于Teager能量算子和1D-CNN的HVDC输电线路故障诊断方法。该方法利用故障后3ms时间窗内的采样数据计算Teager能量算子和正负极电流突变量的能量比值构建故障特征样本集,输入到基于1D-CNN的故障诊断模型中进行训练和测试,实现HVDC输电线路故障诊断。为验证故障诊断算法的可靠性,利用PSCAD/EMTDC建立500k V HVDC输电系统仿真模型,结合MATLAB进行仿真。仿真结果表明,所研究的HVDC输电线路故障智能诊断方法具有动作速度快、可靠性高、耐受过渡电阻能力强等优点。