[发明专利]一种基于CNN的电力系统振荡类型的快速辨识方法

说明书

本发明公开了一种基于CNN的电力系统振荡类型的快速辨识方法，本发明提供一种分析准确的电力系统振荡类型的快速辨识方法，包括：根据EDSs数学模型生成电力系统振荡样本数据，采用平铺以及零填充算法对振荡样本数据进行预处理操作；根据辨识要求确立分类准则，按照分类准则划分标记电力系统振荡样本数据以供后续网络训练与测试；搭建CNN模型，输入训练样本进行网络训练，通过测试样本分类准确率确定网络训练完成与否；将待测振荡信号经滑窗取样输入CNN，通过输出分析完成对电力系统振荡类型的辨识。本发明具有对电力系统振荡类型快速辨识的有效性和可行性等优点。

技术领域

本发明涉及电力系统稳定与控制技术领域，具体涉及一种基于卷积神经网络(convolutional neural network，CNN)的电力系统振荡类型的快速辨识方法。

背景技术

自电力系统诞生以来，振荡研究就成为了关乎电力系统动态性能与稳定性的重要研究之一。经过多年的研究，传统电力系统中低频振荡(low frequency oscillation，LFO)和次同步振荡(sub-synchronous oscillation，SSO)的特性已被充分揭示。它们的共同特性是由较大物理惯量的旋转单元所主导，尤其是大型同步发电机组。然而，由于可再生能源的快速发展，如太阳能、风能、地热能、生物质能等，大量的新能源并网发电装备通过电力电子逆变装置接入电网，这给电力系统的规划以及运行控制带来了巨大的挑战。传统控制策略的电力电子逆变器侧重于发电和电能质量的控制，具有响应速度快、低惯量等特性，大量的采用传统电力电子技术，会导致系统呈现出惯量减弱的趋势，严重危及电力系统的稳定运行。例如，2009年10月，美国德克萨斯州的双馈风力发电系统和串联补偿电网之间发生了频率约为20Hz的次同步谐振事故，造成消弧电路损坏和大规模断路故障。考虑到电力系统振荡对电力系统稳定运行的严重威胁，快速辨识出电力系统振荡类型对电网后续动态稳定性的评估及调整具有重要意义。

目前，电力系统振荡类型的辨识主要是模态辨识，对应的方法分为基于模型的方法和基于实测信号的方法。由于无需系统精确的模型和参数，后者在电力系统中得到了广泛应用。常见算法有基于快速傅里叶变换(fast fourier transformation，FFT)的算法、小波分析、Prony、希尔伯特-黄变换(HHT)等以及近年来发展起来的借助旋转不变技术估计信号参数(ESPRIT:estimation of signal parameters via rotational invariancetechnique),矩阵束方法(MP:matrix pencil algorithm),随机子空间方法(SSI:stochastic subspace identification)等。经过多年的研究与改进，这些方法可以较为准确地获取系统的模态，在抗噪性上也有一定的效果，但在辨识的数学机理上，这些算法将被测信号视作平稳随机过程，并且往往需要采集数秒钟乃至数分钟的数据。随着可再生能源并网比例的提高以及大量的电力电子设备接入电网，所产生的振荡表现出不同于传统电力系统振荡的新特性。由于可再生能源的发电机单元和AC/DC电网之间的复杂动态交互，所产生的振荡一般具有从几赫兹到几千赫兹的宽频范围，同时还具有强时变性、非线性、非平稳性以及强噪声干扰等特性。在这种背景下，传统电力系统中振荡信号近似平稳的假设难以保证，亟需发展新的振荡类型辨识方法来适应电力系统的发展。