[發明專利]交直流電網運行狀態參數局部擾動特征學習方法及系統

在審

• 申請號: 201911064509.1
• 申請日: 2019-11-01
• 公開（公告）號: CN110909302A
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 楊曉楠;郎燕生;張印;李理;羅亞迪;李靜;王少芳;王磊;王淼;宋旭日;吳奇;彭獻永;林金星;張磊
• 申請（專利權）人: 中國電力科學研究院有限公司;國家電網有限公司;國網山東省電力公司電力科學研究院
• 主分類號: G06F17/15
• 分類號: G06F17/15;G06F17/18;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種交直流電網運行狀態參數局部擾動特征學習，其特征在于，包括：

對獲取的歷史運行參數進行降噪處理；

對降噪處理后的運行參數利用光滑偽仿射維格納-維勒分布生成深度學習的運行參數特征向量；

利用Student-t分布的混合模型對所述運行參數特征向量的隱變量進行學習生成各運行參數特征對應的狀態標簽；

基于各運行參數特征對應的狀態標簽采用深度收縮自編碼網絡-高斯過程識別交直流電網運行狀態。

2.如權利要求1所述的方法，其特征在于，所述對獲取的歷史運行參數進行降噪處理，包括：

通過DB10小波對交直流電網的歷史運行參數進行分解，獲得相應的小波系數幅值；

從小波系數幅值中去除小波系數極大值的變化趨勢為降低的運行參數，獲得降噪處理后的運行參數。

3.如權利要求1所述的方法，其特征在于，所述對降噪處理后的運行參數利用光滑偽仿射維格納-維勒分布生成深度學習的運行參數特征向量，包括：

對降噪處理后的運行參數進行時頻分布變換，獲得維格納分布函數；

在維格納分布函數中加入分析信號，獲得維格納-維勒分布函數；

在所述維格納-維勒分布函數中添加Kaiser窗函數，得到光滑偽維格納-維勒分布；

基于所述光滑偽維格納-維勒分布的時頻分布進行能量譜密度提取，生成深度學習的運行參數特征向量。

4.如權利要求3所述的方法，其特征在于，所述對降噪處理后的運行參數按下式進行時頻分布變換：

式中：s為運行參數；s^*(u)是s(u)的共軛復數；是核函數；u為時間變量；θ為函數的固定參數；τ為駐留時間；ω為頻率；t為時間。

5.如權利要求3所述的方法，其特征在于，所述Kaiser窗函數，如下式所示：

式中：G(t,w)為窗函數；τ為Kaiser窗的駐留時間；a為決定窗口形狀的非負實數；I₀為第一類的零階修正Bessel函數。

6.如權利要求3所述的方法，其特征在于，所述光滑偽維格納-維勒分布，如下式所示：

式中：W′^(l,m)為光滑偽維格納-維勒分布；Δω為頻率微分；Δt為時間微分，l為時間；j為時間步長；m為頻率；k為頻率頻長；p為瞬時頻率的時間參數，q為瞬時頻率的角頻率參數；p-l為窗函數G的時間t；q-m為窗函數G的頻率ω。

7.如權利要求1所述的方法，其特征在于，所述利用Student-t分布的混合模型對所述運行參數特征向量的隱變量進行學習生成各運行參數特征對應的狀態標簽，包括：

按下式對所述運行參數特征向量的隱變量進行學習生成各運行參數特征對應的狀態標簽：

式中：P(Y|θ_s)是Student-t分布的混合模型的聯合概率密度；λ_ic是不同學生分布的組成比例；Dir(λ_ic|η)是參數λ_ic的先驗；R_c是每組t分布的精度；d是運行參數數據的維度；v是自由度參數；η是狄利克雷分布參數；c是學生分布的組成變量；y_i是每組運行參數特征數據；是每組t分布的均值；v_v是控制t分布形狀的可調參數；N是運行參數特征數據維度；C是學生分布的組成數量；v_ic是第i組特征的第c組的自由度參數；R_ic是第i組運行參數特征的第c組的精度參數。

8.如權利要求1所述的方法，其特征在于，所述基于各運行參數特征對應的狀態標簽采用深度收縮自編碼網絡-高斯過程識別交直流電網運行狀態，包括：

將帶有狀態標簽的各運行參數特征輸入到深度收縮自編碼網絡-高斯過程模型中，學習到交直流運行狀態的抽象特征；

將所述抽象特征作為頂層分類器高斯過程的輸入進行交直流運行狀態的識別。