[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

说明书

本发明公开了一种基于LSTM神经网络与相轨迹分析法的电力系统低频振荡模态快速辨识方法，提供一种分析准确，设计合理的电力系统低频振荡模态快速辨识方法，包括：根据EDSs数学模型生成LFO样本数据，采用相轨迹分析法对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，建立数据集以供后续网络训练与测试；搭建LSTM神经网络模型，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；通过滑窗获取待测LFO信号，经预处理操作后输入LSTM神经网络，根据输出结果分析完成对LFO频率以及衰减因子模态的辨识。本发明具有对电力系统低频振荡模态辨识快速、可辨识低频振荡模态变化且识别结果可靠性高等优点。

技术领域

本发明涉及电力系统稳定与控制技术领域，具体涉及一种基于长短期记忆(long-short-term memory，LSTM)神经网络与相轨迹分析的电力系统低频振荡(low frequencyoscillation，LFO)模态的快速辨识方法。

背景技术

近几十年来，为了缓解能源短缺和环境危机，可再生能源分布式发电技术正在蓬勃发展。电力电子变换装置是分布式发电中广泛应用的发电装置，大量的新能源并网发电装备通过电力电子变换装置接入电网。然而，这些电力电子变换装置具有极高的响应速度和灵活的控制策略，其不同的动态特性导致系统极易产生振荡现象，这给电力系统的运行、管理和规划带来了巨大挑战。作为电力系统中常见的振荡现象，低频振荡问题日益突出，严重危及电力系统的安全稳定运行。低频振荡一旦发生，系统传输线路的距离保护可能会被触发而导致错误跳闸。此外，在某些严重的情况下，低频振荡会损坏电力设备，限制某些关键线路的电力传输能力，甚至导致系统解列或大面积停电。现如今，尽管已经开发了一些设备用以抑制低频振荡，例如电力系统稳定器(PSS)与柔性交流输电系统(FACTS)，但是快速准确的低频振荡模态分析仍是电网后续动态稳定性评估以及抑制策略调整的前提。因此，低频振荡模态分析对于现代电力系统的稳定性和安全性具有重大意义

自上世纪60年代电力系统出现低频振荡现象以来，电力系统在振荡检测方面取得了较为丰富的研究成果，出现了傅立叶类方法、小波分析法、Prony算法、希尔伯特－黄变换(HHT)、随机子空间、ARMA等一系列方法。但是这些方法均在不同程度上对被测信号做出了周期性、平稳性的假设，表现在实际应用中，往往需要采集数秒钟乃至数分钟后的数据。这在传统的输电网中，整个电力系统计划运行，做出这种假设是有一定的合理性。但在高比例可再生能源并网的电力系统中，系统状态变化具有随机性和快速性，振荡信号周期平稳性的假设难以成立。此外，传统的低频振荡分析方法针对某些情况也都存在各自的问题。如经典的Prony算法采用线性预测模型辨识参数，但对噪声极其敏感，且由于拟合阶数难以确定容易产生虚假模态。小波变换适合分析时变振荡信号，但其辨识精度与小波函数和分解层数的选择有关，且在多频率信号下存在分辨率不足的问题。虽然针对这些经典方法的不足出现了许多改进措施，但依然难以从根本上适应高比例可再生能源并网的电力系统中系统状态变化具有随机性和快速性。在这种背景下，亟需发展新的低频振荡辨识方法来适应电力系统的发展。

神经网络近年来发展迅速,在能源与电力系统中获得了成功应用,尤其是以深度学习为代表的复杂模型,已成为电网预测及辨识的重要技术。深度学习通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，通过在线的网络学习和调优，建立起从输入到输出的函数关系。使用训练成功的网络模型，就可以在线下实现对复杂事务处理的自动化要求。该过程说明了深度学习算法所具备的辨识快速性，这正是在高比例可再生能源并网电力系统中低频振荡在线辨识所迫切需要的一个特点。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。在此基础上，如何进一步选取合适的数据预处理方法以及契合的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