[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

说明书

本发明公开了基于CNN的电力系统低频振荡模态特征的快速辨识方法，提供一种更加适用于高比例可再生能源并网电力电子化系统中相对复杂的运行工况与振荡环境的识别方法，包括：根据EDSs数学模型生成LFO样本数据，采用时域特征提取的算法对LFO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LFO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LFO信号经滑窗取样输入CNN，通过输出分析完成对LFO频率以及衰减因子模态特征的辨识。本发明具有对电力系统低频振荡模态特征快速辨识等优点。

技术领域

本发明涉及电力系统稳定与控制技术领域，具体涉及基于卷积神经网络(convolutional neural network，CNN)的电力系统低频振荡(low frequencyoscillation，LFO)模态特征的快速辨识方法。

背景技术

随着电网规模日渐扩大、长距离交直流系统互联、可再生能源并网发电比例 的提高，电力系统低频振荡的问题日益突出，严重危及电力系统的安全稳定运行。 近年来，电力系统发生低频振荡的现象层出不穷。一旦发生了低频振荡，往往会 触发输电线路的距离保护，严重的时候则会损坏设备，甚至导致系统解列。因此， 低频振荡辨识及低频振荡抑制一直是电力工作者所关心的问题。

目前，电力系统低频振荡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，由于可再生能源出力往往具有随机性、间歇性和不可控性以及电力电子 设备有别于传统同步发电机的快速动态响应的特性，电力系统面临的振荡局面更 加复杂。振荡发生的机理、频率范围、影响因素和表象等，均有别于传统的以同 步发电机为主的电力系统。在这种背景下，传统电力系统中低频振荡信号近似平 稳的假设难以保证，亟需发展新的低频振荡辨识方法来适应电力系统的发展。

近年来，深度学习(deep learning，DL)发展迅猛，在众多领域已经得到了成 功的应用。在低频振荡辨识方面，也有学者开展了探索性的研究。有研究提出使 用深度学习算法识别电力系统低频振荡模态的阶数。还有研究提出指数型衰减正 弦神经网络(exponentially damped sinusoids neural network，EDSNN)的辨识方法。 但这些研究，均存在对被测振荡信号非平稳性特性考虑不足的缺陷。目前，同步 相量测量单元(PMU)的广域测量系统(WAMS)在电力系统中获得了广泛应用，为 低频振荡分析提供了数据来源，让深度学习在电力系统低频振荡模态辨识方面的 应用成为可能。同时，由于事先通过大量的数据学习，深度学习的引入还使得低 频振荡模态辨识具有神经网络类算法的共同优点——辨识速度迅速。而这往往是 系统状态强时变的高比例可再生能源并网电力系统中迫切需要的一个特点。因 此，随着可再生能源渗透率的进一步提高，电力系统中的振荡模式愈发频繁且复 杂，如何借鉴深度学习算法实现低频振荡模态的在线快速辨识，成为了一个亟待 解决的技术问题。

发明内容

本发明的目的在于针对高比例可再生能源并网的电力电子化系统中易出现 的复杂振荡现象，提供一种分析准确，设计合理的基于CNN的低频振荡模态特 征的快速辨识方法。本发明可通过下述技术方案实现。