[发明专利]基于CNN的电力系统低频振荡模态特征的快速辨识方法

权利要求书

1.基于CNN的电力系统低频振荡模态特征的快速辨识方法，其特征在于，包括以下步骤：

步骤1：根据LFO信号数学模型为CNN模型生成LFO样本数据，所述LFO样本数据包括LFO训练样本数据和LFO测试样本数据；

步骤2：采用预处理算法处理所述LFO样本数据，并进行LFO模态特征提取，所述预处理算法为对LFO样本数据进行多个时域特征提取，并将其转化为二维矩阵；

步骤3：确定LFO模态特征的分类准则，根据分类准则为LFO样本数据添加分类标签；

所述分类准则为定性分类：

所述分类准则包括频率和衰减因子两种分类，且给出各个模态的参数所在的范围；

依据电力系统低频振荡的频率范围为0.1～2.5Hz，将低频振荡的频率等分成n份，则每份覆盖的频率范围为(2.5-0.1)/n Hz，即2.4/n Hz，模态频率特征识别就是判断低频振荡模态的频率是否落在某一频率区间内；依据电力系统低频振荡的衰减情况，将衰减因子分成k份，代表k个不同等级，其中k＝4，可分别表示为强阻尼、弱阻尼、弱发散以及强发散的情况，模态衰减因子特征识别就是判断低频振荡模态的衰减因子是否落在某一衰减因子区间内；

步骤4：根据步骤2的LFO模态特征以及步骤3的分类构建CNN模型；

步骤5：将所述LFO训练样本数据输入CNN模型，训练CNN模型的分类能力；

步骤6：将所述LFO测试样本输入CNN模型，测试各CNN模型的辨识准确率，并通过调节网络参数不断提升辨识准确率以完成网络训练；

步骤7：通过滑动时窗获取待测LFO信号实测数据；

步骤8：处理所述待测LFO信号并输入训练完成的CNN模型，根据网络输出分析LFO频率以及衰减因子特征的辨识结果。

2.根据权利要求1所述的基于CNN的电力系统低频振荡模态特征的快速辨识方法，其特征在于，所述步骤1中所述LFO信号数学模型为指数型衰减正弦量，其公式为：

式(1)中，x(t_j)为t_j时刻的信号；A_i为幅值；σ_i为衰减因子；f_i为频率；为相位；i＝1,2,...,m；j＝0,1,2,...,n-1；m为模型实际阶数；n为采样点数；η(t)代表噪声信号。

3.根据权利要求1所述的基于CNN的电力系统低频振荡模态特征的快速辨识方法，其特征在于，步骤2中所述预处理算法采用LFO样本数据信号的时域特征提取，共涉及信号16项时域特征的计算，其公式如下表1所示：

表1的公式中，x表示时序数据，i表示第i个采样点，n为数据长度；

具体的预处理操作包括以下步骤：

S21：对于原始信号x，构造滑动时窗采样，其中滑窗长度为t_m，取样间隔为t_i；

S22：按照上表计算每个采样窗数据的时域特征量，产生16个时域特征随时间变化序列，实现特征提取和滤波的功能；

S23：对于每个时域特征序列，再构造另一组滑动时窗采样，其中滑窗长度为t_n，取样间隔为t_j；

S24：获取n²个采样窗数据后，将其平铺为矩阵，得到16个n×n的矩阵。

4.根据权利要求1所述的基于CNN的电力系统低频振荡模态特征的快速辨识方法，其特征在于，步骤4中所述CNN模型，具体结构包含输入层、卷积层、池化层、全连接层、Softmax层以及输出层；

其中，输入层用以输入序列数据；卷积层用以将原始数据映射到隐层的特征空间；池化层用以缩小数据尺寸，减少全连接层的参数并加快训练速度；全连接层与Softmax层用以完成分布式特征表示到样本标记空间的映射以及结果归一化；输出层则输出最终的分类结果。