[發明專利]一種基于CNN的電力系統振蕩類型的快速辨識方法

在審

• 申請號: 202011050933.3
• 申請日: 2020-09-29
• 公開（公告）號: CN112200038A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 魏俊;葉圣永;張文濤;劉旭娜;劉立揚;韓宇奇;李達;趙達維;龍川;劉潔穎
• 申請（專利權）人: 國網四川省電力公司經濟技術研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;H02J3/00
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 張嚴芳

1.一種基于CNN的電力系統振蕩類型的快速辨識方法，其特征在于，方法包括以下步驟：

步驟1：根據電力系統振蕩信號數學模型為CNN模型生成振蕩樣本數據，所述振蕩樣本數據包括訓練樣本數據和測試樣本數據；

步驟2：采用預處理算法處理振蕩樣本數據以便后續訓練過程中的特征提??；

步驟3：確定電力系統振蕩類型的分類準則，根據分類準則為振蕩樣本數據添加類別標簽；

步驟4：根據振蕩樣本數據特征以及分類需求構建CNN模型；

步驟5：將訓練樣本輸入CNN模型，訓練模型的分類能力；

步驟6：將測試樣本輸入CNN模型，測試各CNN模型的辨識準確率，并通過調節網絡參數不斷提升辨識準確率以完成網絡訓練；

步驟7：通過滑動時窗獲取待測振蕩信號實測數據；

步驟8：處理待測振蕩信號并輸入CNN模型，根據CNN模型輸出分析振蕩信號的所屬類型。

2.根據權利要求1所述的一種基于CNN的電力系統振蕩類型的快速辨識方法，其特征在于，步驟1中所述振蕩信號數學模型為指數型衰減正弦量，其公式為：

式(1)中，x(t_j)為t_j時刻的信號；A_i為幅值；σ_i為衰減因子；f_i為頻率；為相位；i＝1,2,...,m；j＝0,1,2,...,n-1；n為采樣點數；m為模型實際階數；為第i階信號模態加入的時間節點；η(t)代表噪聲信號。

3.根據權利要求1所述的一種基于CNN的電力系統振蕩類型的快速辨識方法，其特征在于，步驟2中所述預處理算法采用平鋪的方式將序列數據處理為n階方陣，其公式為：

式(2)中，X為離散的時序序列，長度為N，由于目標矩陣為n階方陣，因此N＝n²；所述n階方陣采用零填充操作，將原輸入矩陣轉換為m(mn)階方陣。

4.根據權利要求1所述的一種基于CNN的電力系統振蕩類型的快速辨識方法，其特征在于，步驟3中所述分類準則為按存在性分類，具體方法為：

電力系統振蕩信號按不同頻率可分為四類，分別為：低頻振蕩(f≤2.5Hz)、次同步振蕩(2.5Hzf≤45Hz)、超同步振蕩(50Hzf100Hz)、中高頻振蕩(f≥100Hz)；對于某一高階振蕩信號，其可能包含任一類型振蕩模態或同時包含多種類型振蕩模態，按存在性分類即分別判斷該四種振蕩模態于某一振蕩信號中是否存在，再按存在與不存在分為兩類進行辨識，因此本發明需按照四種振蕩類型訓練四個不同的分類網絡。

5.根據權利要求1所述的一種基于CNN的電力系統振蕩類型的快速辨識方法，其特征在于，步驟4中所述CNN模型，具體結構包含輸入層、卷積層、池化層、全連接層、Dropout層以及輸出層；

所述輸入層用以輸入序列數據；卷積層用以將原始數據映射到隱層的特征空間；池化層用以縮小數據尺寸，減少全連接層的參數并加快訓練速度；全連接層用以完成分布式特征表示到樣本標記空間的映射；Dropout層通過令數據隨機失活來預防過擬合現象的發生；輸出層則輸出最終的分類結果。

6.根據權利要求1所述的一種基于CNN的電力系統振蕩類型的快速辨識方法，其特征在于，步驟5中所述網絡訓練過程為一個循環迭代過程，通過前向傳播算法和反向傳播算法更新網絡各層級狀態與參數，具體包括以下步驟：

S51：初始化各網絡參數，包括各神經元的權重和偏置；

S52：輸入訓練樣本數據；

S53：計算CNN網絡內部各層級輸出；

S54：計算當前序列索引預測輸出值及其損失函數；

S55：計算所有參數基于損失函數的偏導數，通過梯度下降法更新網絡所有的參數；

S56：當損失函數不再下降或達到設定訓練次數，完成訓練。