随着我国直流输电技术的飞速发展,我国电网逐渐形成了交直流混联的格局。高压直流输电以其电压等级高、输送距离远、输送容量大的优势,解决了我国负荷和能源分布不均匀的问题。永富直流是我国建设的第一个省内直流输电系统,其逆变侧电源较弱,为弱交流系统。因此当其逆变侧交流系统发生故障时,很容易引发直流输电系统换相失败。换相失败作为直流输电系统的一种常见故障,会引起直流电流和直流电压发生突变,给直流系统的安全稳定运行带来严重威胁。因此,有效识别换相失败并采取相应抑制换相失败的措施,对直流输电系统意义重大。本文主要研究内容如下:(1)在PSCAD/EMTDC仿真软件中搭建了永富直流输电系统的仿真模型,分析了在逆变侧交流系统母线上发生单相接地故障、两相短路故障、两相接地故障、三相接地故障以及直流输电线路发生接地故障时电气量的变化。仿真结果表明,在发生各种故障下,搭建的仿真模型能够可靠的响应故障状态。(2)从理论上分析了换相失败的过程及引发换相失败的因素,总结了抑制换相失败的方法。通过大量的仿真得出当逆变侧换流变压器变比增大时引发换相失败及连续换相失败的临界变比,还得出逆变侧交流系统发生单相接地、两相短路,两相接地和三相接地故障时引发换相失败及连续换相失败的临界电阻。(3)研究了基于经验模态分解(Empirical Mode Decomposition,EMD)与Elman神经网络的换相失败故障诊断方法。采用EMD分解方法将直流电流信号分解为从高频到低频的相对平稳的本征模态函数分量和余项,运用近似熵和样本熵计算分量复杂度并进行特征重构,将其作为特征向量,使用神经网络进行换相失败故障识别,仿真结果表明使用该方法在样本容量较小时对故障识别率不高。(4)提出了基于快速集合经验模态分解(Fast Ensemble Empirical Mode Decomposition,FEEMD)与Elman神经网络的换相失败故障识别方法。通过FEEMD分解方法将直流电流信号分解为若干个IMF分量和一个余量R,计算出IMF分量的近似熵和样本熵,使用Elman神经网络进行故障识别,仿真结果表明通过样本熵与Elman神经网络相结合的方法在50组样本下能够很好的判断直流输电系统的换相失败、正常状态及线路故障。