[發(fā)明專利]一種基于多階段遷移學習的強迫振蕩分層定位方法

有效

• 申請?zhí)枺?/td>: 201910986070.1
• 申請日: 2019-10-17
• 公開（公告）號: CN110674791B
• 公開（公告）日: 2022-04-12
• 發(fā)明（設計）人: 馮雙;陳佳寧;史豪;湯奕
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;H02J3/24
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于多階段遷移學習的強迫振蕩分層定位方法，其特征在于，包括離線訓練過程和在線定位過程；

所述離線訓練過程包括：

(1)對電力系統(tǒng)進行特征值分析，根據(jù)特征值和特征向量評估發(fā)電機之間的相關性，對整個系統(tǒng)的發(fā)電機進行分區(qū)；

(2)在不同負荷水平下對所述電力系統(tǒng)中各臺發(fā)電機的原動機轉矩或者勵磁輸入上施加正弦波擾動來進行強迫功率振蕩的批量仿真，獲取批量強迫功率振蕩數(shù)據(jù)樣本；

(3)對各個分區(qū)的發(fā)電機振蕩信號進行主成分分析，提取每個分區(qū)的最大特征值所對應的特征向量為第一主成分，并將各個分區(qū)的第一主成分使用平滑偽Wigner-Ville分布進行變換得到各區(qū)振蕩信號能量的時頻分布，再對其進行圖像化處理，形成強迫振蕩區(qū)間WVD圖像；

(4)使用預訓練的卷積神經(jīng)網(wǎng)絡對步驟(3)中生成的WVD圖像進行訓練得到定位擾動源所在分區(qū)的第一層分區(qū)定位模型；

(5)將擾動源所在分區(qū)內部各臺發(fā)電機的振蕩信號使用平滑偽Wigner-Ville分布進行變換，并形成強迫振蕩區(qū)內WVD圖像；

(6)將步驟(4)訓練得到的第一層分區(qū)定位模型應用遷移學習來訓練能夠定位各個分區(qū)內部擾動源所在機組的第二層機組定位模型；

(7)對卷積神經(jīng)網(wǎng)絡定位模型的正確率進行驗證，若正確率不足95％，則通過對卷積神經(jīng)網(wǎng)絡增加迭代次數(shù)的方法對模型繼續(xù)進行訓練，直到超過預定正確率閾值；

所述在線定位過程包括：

(8)當在實際系統(tǒng)監(jiān)測到發(fā)生強迫功率振蕩時，各分區(qū)調度中心采集區(qū)域內各PMU子站的發(fā)電機功率振蕩數(shù)據(jù)；

(9)對各個分區(qū)振蕩信號進行主成分分析，并提取各分區(qū)的第一主成分上傳到總調度中心；

(10)在總調度中心對各分區(qū)振蕩信號第一主成分進行WVD變換，并進行圖像化處理，形成區(qū)間WVD圖像；

(11)將區(qū)間WVD圖像輸入第一層分區(qū)定位模型，定位擾動源所在分區(qū)；

(12)根據(jù)分區(qū)定位結果調取定位擾動源所在分區(qū)內部各發(fā)電機振蕩信號，并對其內部的發(fā)電機振蕩信號進行WVD變換和進行圖像化處理，形成所述擾動源所在分區(qū)內WVD圖像；

(13)將所述電力系統(tǒng)的所述擾動源所在分區(qū)內WVD圖像輸入第二層機組定位模型，定位擾動源所在機組。

2.根據(jù)權利要求1所述的一種基于多階段遷移學習的強迫振蕩分層定位方法，其特征在于，步驟(2)中，所述強迫功率振蕩數(shù)據(jù)樣本指各臺發(fā)電機輸出的有功功率信號。

3.根據(jù)權利要求1所述的一種基于多階段遷移學習的強迫振蕩分層定位方法，其特征在于，所述步驟(3)包括以下步驟：

(31)將每個分區(qū)的各臺發(fā)電機振蕩信號組成一個表征該分區(qū)振蕩信息的多元時間序列D_i∈R^N*M，i＝1,2,...,X，其中X為分區(qū)個數(shù)，N為發(fā)電機節(jié)點的數(shù)目，M為錄波信號的采樣點數(shù)目；

(32)分別對每個分區(qū)的多元時間序列D_i分別進行主成分分析，提取每個分區(qū)的第一主成分；

(33)使用平滑偽Wigner-Ville分布對各分區(qū)的第一主成分分別進行分析，以反映各分區(qū)第一主成分能量隨時間和頻率的分布，并將各分區(qū)第一主成分的平滑偽Wigner-Ville分布進行排列，形成表征整個電力系統(tǒng)振蕩信息的多元時間序列；

(34)將步驟(33)中的多元時間序列按矩陣元素數(shù)值大小轉化為不同顏色，并在矩陣的對應位置染色，從而形成反映整個電力系統(tǒng)振蕩信息的圖像。

4.根據(jù)權利要求1所述的一種基于多階段遷移學習的強迫振蕩分層定位方法，其特征在于，步驟(4)中，所述預訓練的卷積神經(jīng)網(wǎng)絡通過以下方式得到：將VGG16、VGG19、或GoogLeNet卷積神經(jīng)網(wǎng)絡模型的輸出層替換為標簽數(shù)目與分區(qū)數(shù)目一致的全連接層，在所述全連接層后連接Softmax層以用于分類；對所述預訓練的卷積神經(jīng)網(wǎng)絡進行訓練時采用的優(yōu)化器是隨機梯度下降法。