一种基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法技术

本发明专利技术公开了一种基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法，包括离线训练和在线定位两个环节；离线训练环节中，利用实际系统的量测数据或基于算例仿真，得到次/超同步宽频振荡模式下的电气量，构建宽频振荡离线样本库；采用压缩感知对离线样本库中的电气量进行编码压缩，得到训练集和测试集；采用训练集对构建的GCN定位模型进行训练学习，直到测试集达到目标定位精度，得到宽频振荡定位模型。在线定位环节中，子站采集电气量数据并用压缩感知技术压缩编码；将子站数据上传至主站；在主站将特征矩阵和系统邻接矩阵输入到训练好的GCN定位模型中，输出得到振荡源位置。本发明专利技术的方法对适用于多种运行条件下的宽频振荡扰动源定位。宽频振荡扰动源定位。宽频振荡扰动源定位。

【技术实现步骤摘要】
一种基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法


[0001]本专利技术涉及电气
，尤其是一种基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法。

技术介绍

[0002]大规模新能源发电、高压直流输电、大功率直流负荷在快速发展，使电力系统逐步向高比例新能源发电和高比例电力电子设备的“双高”趋势发展，而电力电子设备与电网之间相互作用引起的宽频振荡成为影响电网安全稳定运行的重要问题之一。因此对频率范围在数赫兹至数百赫兹的电力系统宽频振荡进行扰动源定位是该领域面临的重要挑战。目前，基于同步相量测量单元(PMU)的广域测量系统(WAMS)在低频振荡实时监测领域得到了广泛应用。现有利用同步相量数据，建立了网络中低频振荡能量流的计算公式，实现了振荡源定位；还有应用广域测量系统的实测数据来分析发电机电磁功率波动的相位关系实现低频振荡源的快速准确定位。针对次/超同步宽频振荡定位问题，目前利用暂态能量流与次/超同步功率之间的关系，并建立其和阻尼的联系，对利用暂态能量流实现次同步强迫振荡的定位作了初步探究。以上方法都是基于物理模型来定位振荡源，但由于电力系统宽频振荡是由多类型设备、多时间尺度控制交互引发的复杂系统问题，其精确参数难以获取，电磁暂态等值模型难以构建，且具有显著的随机性和强非线性，因此现有方法难以全面分析实际系统中的宽频振荡问题。
[0003]人工智能由于具有对系统模型的低依赖性、对大量数据之间非线性复杂关系的强大学习能力以及对随机时变环境的快速适应性等优秀性能，为电力系统宽频振荡问题提供了新的解决思路。目前人工智能采用自编码器信号压缩与长短期记忆(LSTM)网络相结合来定位宽频振荡扰动源。利用自编码器对电力系统量测信号进行编码压缩，然后将压缩数据输入到LSTM网络定位次同步振荡源，需对现有PMU装置进行改进，且经自编码器压缩后的电气信号不具有可解释性，同时宽频振荡在表现形式上具有明显时空分布特性，系统各节点间相互耦合，LSTM神经网络只对多个时序数据之间的关系进行分析，但振荡能量在不同设备之间的交换不能瞬间完成，而是要经过一段时间差才能相互传递，存在空间特性，因此这种方法忽略了对振荡传播和动态特性具有显著影响的电网拓扑结构。

技术实现思路

[0004]针对现有的宽频振荡扰动源定位方法存在的上述不足，本专利技术提供一种基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法。
[0005]本专利技术提供的基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法，主要包括离线训练和在线定位两个环节。
[0006]所述离线训练环节包括以下步骤：
[0007](1)利用实际系统的量测数据或基于算例仿真，得到次/超同步宽频振荡模式下的
电气量，电气量包括线路电流、节点电压、有功功率等，形成图数据样本，根据发生振荡的机组编号对样本打上相应标签，完成宽频振荡离线样本库的构建。
[0008](2)采用压缩感知技术对离线样本库中的各种电气量进行编码压缩，得到每张图的各个节点的特征向量，形成一个特征矩阵。
[0009](3)将每张图的特征矩阵和邻接矩阵以及每张图所对应的标签输入到构建的图卷积神经网络GCN定位模型中进行训练学习，动态调节网络结构与超参数，直到测试集达到目标定位精度，得到并保存宽频振荡定位模型。
[0010]所述在线定位环节包括以下步骤：
[0011](1)当电力系统发生宽频振荡后，子站采集电气量数据并利用压缩感知技术将采集的电气量进行压缩编码。
[0012](2)通过数据通信网络将各子站数据上传至主站；在主站将特征矩阵和系统邻接矩阵输入到训练好的GCN定位模型中，输出得到振荡源位置。
[0013]所述压缩感知技术包含采样矩阵、稀疏变换基以及重构算法的选取。
[0014]其中，所述采样矩阵采用高斯矩阵，矩阵Φ的维度为M
×
N；在矩阵里面，每一个元素都服从均值为0，方差为的高斯正态分布。
[0015]所述稀疏变换基为离散余弦变换，对于N维信号x，其离散余弦变换表示为：
[0016][0017]式中，k＝1,2,
···
,N
‑
1。
[0018]所述重构算法采用正交匹配追踪算法，通过贪婪思想每次迭代选择一个局部最优解来逐步逼近原始信号；衡量压缩感知重构效果根据差值相量的L2范数来计算，其表达式为：
[0019][0020]式中，是N
×
1维重构信号。
[0021]所述图卷积神经网络GCN的结构包括图卷积层Graph Conv，网络输入为图结构性数据(X,A)，X为各节点特征构成的信息矩阵，A为图的邻接矩阵；每经过一个Graph Conv层，其输出特征提取规则表示为：
[0022][0023][0024]式中，D为图的度矩阵，矩阵由邻接矩阵A与单位矩阵I相加得到；W
(l)
为参数矩阵，H(
l
)是邻接矩阵A每个节点的特征；i和j表示度矩阵得索引序号，n是节点个数。
[0025]与现有技术相比，本专利技术的有益之处在于：
[0026](1)本专利技术利用压缩感知理论在子站对宽频振荡数据进行压缩采样，压缩后的电气量具有实际的物理意义，同时减小了数据冗余；宽频振荡信号经过压缩感知压缩采样，突破了采样定理的限制，能够满足现有带宽下的数据传输，同时主站也能够根据压缩信号利用OMP算法进行精准重构。
[0027](2)主站可以直接根据上传压缩数据和系统拓扑结构，充分融合振荡的时空信息，利用图卷积神经网络实现宽频振荡扰动源的定位，摆脱了依赖系统数学模型，需要对系统进行假设和简化的缺点，对多种运行条件下的宽频振荡具有较好的适应性。GCN利用了拓扑结构，融合了电力系统振荡的时空特性，能够深入挖掘振荡源位置与电气量之间的映射关系，从而实现了更加精确的振荡源定位。
[0028](3)考虑PMU在采集的原始数据中存在噪声、子站PMU在数据上传主站发生数据丢失和数据有误的情况下的定位准确度，该方法依然具有不错的重构效果以及较高的定位准确度。
[0029]本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。
附图说明
[0030]图1、基于压缩感知和图卷积神经网络振荡源定位的算法流程图。
[0031]图2、基于压缩感知和图卷积神经网络的宽频振荡定位方法框架图。
[0032]图3、GCN模型示意图。
[0033]图4、压缩感知重构效果对比图。
[0034]图5、不同算法定位性能对比图。
[0035]图6、数据缺失定位性能图。
[0036]图7、数据有误定位性能图。
具体实施方式
[0037]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0038]如图1和2所示，本专利技术提供的基于压缩感本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法，其特征在于，包括离线训练和在线定位两个环节；所述离线训练环节包括以下步骤：(1)利用实际系统的量测数据或基于算例仿真，得到次/超同步宽频振荡模式下的电气量，形成图数据样本，根据发生振荡的机组编号对样本打上相应标签，完成宽频振荡离线样本库的构建；(2)采用压缩感知技术对离线样本库中的各种电气量进行编码压缩，得到每张图的各个节点的特征向量，形成一个特征矩阵，得到训练集和测试集；(3)将训练集的每张图的特征矩阵和邻接矩阵以及每张图所对应的标签输入到构建的图卷积神经网络GCN定位模型中进行训练学习，动态调节网络结构与超参数，直到测试集达到目标定位精度，得到并保存宽频振荡定位模型；所述在线定位环节包括以下步骤：(1)当电力系统发生宽频振荡后，子站采集电气量数据并利用压缩感知技术将采集的电气量进行压缩编码；(2)通过数据通信网络将各子站数据上传至主站；在主站将特征矩阵和系统邻接矩阵输入到训练好的GCN定位模型中，输出得到振荡源位置。2.如权利要求1所述的基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法，其特征在于，所述电气量包括线路电流、节点电压、有功功率。3.如权利要求1所述的基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法，其特征在于，所述压缩感知技术包含采样矩阵、稀疏变换基以及重构算法的选取。4.如权利要求3所述的基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法，其...

【专利技术属性】
技术研发人员：王渝红，李晨鑫，郑宗生，周旭，朱玲俐，史云翔，何其多，陈明雪，
申请(专利权)人：四川大学，
类型：发明
国别省市：