[发明专利]基于LSTM与相轨迹的电力系统低频振荡模态辨识方法

权利要求书

1.基于LSTM与相轨迹的电力系统低频振荡模态辨识方法，其特征在于，包括以下步骤：

步骤1：根据LFO信号数学模型为LSTM神经网络模型生成样本数据，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：通过LFO样本数据的预处理算法获取LFO信号的相轨迹数据；

步骤3：确定LFO模态的分类准则，根据分类准则为LFO样本数据添加类别标签；

步骤4：根据步骤2的LFO模态以及步骤3的分类需求构建LSTM神经网络模型，并确定训练参数与训练过程；

步骤5：将处理过的LFO训练样本数据输入LSTM神经网络模型，训练模型的分类能力；

步骤6：将处理过的LFO测试样本数据输入LSTM神经网络模型，测试各网络模型的辨识准确率，并通过调节网络参数不断提升辨识准确率至预期目标以完成网络训练；

步骤7：通过滑动时窗采样，获取LFO信号实测数据；

步骤8：处理待测LFO信号并输入至训练完成的LSTM神经网络模型，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LSTM与相轨迹的电力系统低频振荡模态辨识方法，其特征在于，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,...,L-1；m为模型实际阶数；L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LSTM与相轨迹的电力系统低频振荡模态辨识方法，其特征在于，步骤2中所述的预处理算法采用杜芬振子模型输出LFO信号的相轨迹，其具体表示形式为一个带有高次项的非线性方程，如式(2)所示：

式中，f(t)为一个含高次项的非线性函数，g(t)为一个周期函数，δ≥0表示振子的阻尼特性；

采用的杜芬振子模型为Holmes型杜芬振子，具体写作：

式中，高次项的非线性方程取f(t)＝x-x³,周期函数取g(t)＝γcos(ωt)，γ表示该周期函数的幅值，ω表示该周期函数的角频率；

将式(3)所示方程写作状态方程得：

式中，状态方程的状态变量x、y分别为相轨迹的横、纵坐标，矩阵(x；y)即LFO经处理后的相轨迹数据；

为了更好地体现LFO模态的变化特征，在预处理过程中引入了滑动时窗，具体步骤为：

S21：对于一段长度为N的原始信号X，构造滑动时窗采样，如式(5)所示：

式中，L_d为滑窗长度；f_s为信号采样频率，t_s为取样间隔时长，滑动步长则为t_s·f_s，且需要满足N＝L_d+n·t_s·f_s；D₁、D₂、…、D_n+1即为通过滑动时窗获取的不同时段LFO信号数据，共n+1段；

S22：通过杜芬振子模型，依次输出各时段LFO信号相轨迹数据，如下式所示：

式中，k＝1，2，…，n+1；X_k，Y_k为第k段LFO信号经处理的相轨迹数据；

S23：综合各段LFO信号的相轨迹数据，预处理后各样本的最终形式为矩阵(X₁；Y₁；X₂；Y₂；…；X_n+1；Y_n+1)。