[發明專利]基于CNN的電力系統低頻振蕩模態特征的快速辨識方法

有效

• 申請號: 202011068700.6
• 申請日: 2020-09-29
• 公開（公告）號: CN112329535B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 葉圣永;張文濤;魏俊;劉旭娜;劉立揚;韓宇奇;龍川;劉潔穎;李達;趙達維
• 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: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06N3/0464;G06N3/08;G06N3/084;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.基于CNN的電力系統低頻振蕩模態特征的快速辨識方法，其特征在于，包括以下步驟：

步驟1：根據LFO信號數學模型為CNN模型生成LFO樣本數據，所述LFO樣本數據包括LFO訓練樣本數據和LFO測試樣本數據；

步驟2：采用預處理算法處理所述LFO樣本數據，并進行LFO模態特征提取，所述預處理算法為對LFO樣本數據進行多個時域特征提取，并將其轉化為二維矩陣；

步驟3：確定LFO模態特征的分類準則，根據分類準則為LFO樣本數據添加分類標簽；

所述分類準則為定性分類：

所述分類準則包括頻率和衰減因子兩種分類，且給出各個模態的參數所在的范圍；

依據電力系統低頻振蕩的頻率范圍為0.1～2.5Hz，將低頻振蕩的頻率等分成n份，則每份覆蓋的頻率范圍為(2.5-0.1)/n Hz，即2.4/n Hz，模態頻率特征識別就是判斷低頻振蕩模態的頻率是否落在某一頻率區間內；依據電力系統低頻振蕩的衰減情況，將衰減因子分成k份，代表k個不同等級，其中k＝4，可分別表示為強阻尼、弱阻尼、弱發散以及強發散的情況，模態衰減因子特征識別就是判斷低頻振蕩模態的衰減因子是否落在某一衰減因子區間內；

步驟4：根據步驟2的LFO模態特征以及步驟3的分類構建CNN模型；

步驟5：將所述LFO訓練樣本數據輸入CNN模型，訓練CNN模型的分類能力；

步驟6：將所述LFO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LFO信號實測數據；

步驟8：處理所述待測LFO信號并輸入訓練完成的CNN模型，根據網絡輸出分析LFO頻率以及衰減因子特征的辨識結果。

2.根據權利要求1所述的基于CNN的電力系統低頻振蕩模態特征的快速辨識方法，其特征在于，所述步驟1中所述LFO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；m為模型實際階數；n為采樣點數；η(t)代表噪聲信號。

3.根據權利要求1所述的基于CNN的電力系統低頻振蕩模態特征的快速辨識方法，其特征在于，步驟2中所述預處理算法采用LFO樣本數據信號的時域特征提取，共涉及信號16項時域特征的計算，其公式如下表1所示：

表1的公式中，x表示時序數據，i表示第i個采樣點，n為數據長度；

具體的預處理操作包括以下步驟：

S21：對于原始信號x，構造滑動時窗采樣，其中滑窗長度為t_m，取樣間隔為t_i；

S22：按照上表計算每個采樣窗數據的時域特征量，產生16個時域特征隨時間變化序列，實現特征提取和濾波的功能；

S23：對于每個時域特征序列，再構造另一組滑動時窗采樣，其中滑窗長度為t_n，取樣間隔為t_j；

S24：獲取n²個采樣窗數據后，將其平鋪為矩陣，得到16個n×n的矩陣。

4.根據權利要求1所述的基于CNN的電力系統低頻振蕩模態特征的快速辨識方法，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、Softmax層以及輸出層；

其中，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；全連接層與Softmax層用以完成分布式特征表示到樣本標記空間的映射以及結果歸一化；輸出層則輸出最終的分類結果。