一种基于波形数据的宽频振荡监测方法及系统技术方案

本发明专利技术公开了一种基于波形数据的宽频振荡监测方法及系统，首先利用广域测量系统采集到的系统各节点的波形数据进行相干谱分析，通过检测相干谱峰值判别振荡发生，若判断为发生振荡，将振荡样本输入到

【技术实现步骤摘要】
一种基于波形数据的宽频振荡监测方法及系统


[0001]本专利技术涉及电力系统，特别是一种基于波形数据的宽频振荡监测方法及系统
。

技术介绍

[0002]新一代能源电力系统具有高比例可再生能源和高比例电力电子设备的“双高”特点
。
在电力电子设备之间及其与电网之间相互作用引起的电气量随时间作周期性波动，且频率振荡在较宽的范围内变化的动态过程称为电力系统宽频振荡，振荡的频率从几
Hz
到数千
Hz。
宽频振荡实际案例中多模式并存，且随“源
‑
网
‑
荷”方式变化而变化，兼受扰动强弱影响而可能处在线性或非线性主导的不同阶段，呈现了强非线性特征
。
实际的振荡频率与特征值分析结果相比将产生偏移，而且振荡频率会随电网运行方式及电力电子设备运行点的变化而变化，即出现频率漂移现象，表现出明显的时变特征
。
宽频带振荡信号的强非线性和强时变特性导致给宽频振荡参数的准确辨识面临前所未有的挑战
。
[0003]目前关于电力系统振荡监测最主要的方法是信号处理类方法，并且振荡监测频段主要集中在低频
、
次同步
/
超同步振荡
。
典型的有快速傅里叶变换
(FFT)、Prony
变换
、
希尔伯特黄变换
(HHT)、
同步压缩小波变换
(SST)
以及各种方法的改进算法
。
但是，每种方法都有其适用的范围和局限性
。FFT
和
Prony
变换只能用于线性平稳信号的分析
。HHT
可以分析非线性非平稳信号，但其中的经验模态分解
(EMD)
有模态混叠问题
。SST
通过对传统时频谱进行重排，解决时频谱能量发散的问题，通过改变支撑区间来消除模态混叠，解决了
EMD
模态混叠的困扰
。
但
SST
方法对于具有时变特点的强调频信号处理结果不理想
。
上述方法都对噪声较为敏感，因此在电力系统强噪声情况下上述方法的实用性还需考证
。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种基于波形数据的宽频振荡监测方法及系统，从而解决宽频范围内对振荡信号的在线监测问题，并利用多节点波形数据相干谱判别振荡与噪声，有效减少了强噪声引起的误判断，在工程中具有重要意义
。
[0005]技术方案：本专利技术所述的一种基于波形数据的宽频振荡监测方法，包括以下步骤：
[0006]S1、
通过广域测量系统的同步相量测量单元对电网系统进行实时采样，得到各个时段的电信号波形序列，通过多通道信号相干谱方法判别振荡发生；
[0007]S2、
将
S1
中通过多通道信号相干谱方法判定为发生振荡的电信号波形序列定义为振荡样本，将振荡样本输入到经过无监督优化后的卷积神经网络模型
(CNN
模型
)
中，压缩数据的数量，提取振荡特征，并减小过拟合，汇总并输出特征数据集
D
；
[0008]S3、
采用卷积神经网络输出的宽频振荡信号的振荡特征数据集
D
作为极限梯度提升树
(XGBoost)
的输入，辨识振荡频率和衰减因子
。
[0009]所述步骤
S1
包括以下步骤：
[0010]S11、
对电信号波形序列进行功率谱密度计算，并计算不同节点的互功率谱密度；
[0011]S12、
计算不同节点间的相干谱，根据相干谱峰值判断振荡是否发生
。
[0012]S12
中所述相干谱的具体表达式为：
[0013][0014]其中
P
x1x1
和
P
x2x2
分别是信号
X1(t)
和
X2(t)
的功率谱密度；
P
x1x2
是信号
X1(t)
和
X2(t)
的互功率谱密度
。
[0015]所述步骤
S2
包括以下步骤：
[0016]S21、
对
CNN
模型进行无监督优化，以实现省去标签量的设定；
[0017]S22、
将判断为振荡的波形数据输入到
CNN
模型中进行特征提取
。
[0018]所述步骤
S21
包括以下步骤：
[0019]建立
n
组单模态信号时域波形叠加后输出值为：
[0020][0021]式中，
t
为时间；
A
i
为第
i
个模态信号的幅值；为第
i
个模态信号的相位；
f
i
为第
i
个模态信号的频率；
λ
i
为第
i
个模态信号的衰减因子；
[0022]损失函数定义为：
[0023][0024]其中，
n
为振荡样本总数；
g(t
i
)
为第
i
个输出值；
y(t
i
)
为第
i
个期望值；
[0025]利用
CNN
模型输出层的损失函数
E
调整网络权重
ω
和偏置量
γ
：
[0026][0027][0028]其中，
α
为网络学习效率；
ω
与
γ
为未调整的网络权重和偏置量；
ω
'
与
γ
'
是利用损失函数
E
调整以后的网络权重与偏置量
。
[0029]所述步骤
S22
包括以下步骤：
[0030]将振荡原始数据通过输入层输入到
CNN
模型；
[0031]利用卷积层提取振荡数据的重要特征；
[0032]利用池化层降低振荡数据的维度；
[0033]利用全连接层对处理后的振荡数据进行分类；
[0034]最终通过输出层将结果输出到下一网络模型中
。
[0035]所述步骤
S3
包括以下步骤：
[0036]S31、
将样本特征集
D
输入到
XGBoost
模型中，设定迭代次数
、
损失函数
l、
正则化系数
λ
与
γ
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于波形数据的宽频振荡监测方法，其特征在于，包括以下步骤：
S1、
通过广域测量系统的同步相量测量单元对电网系统进行采样，得到各个时段的电信号波形序列，通过多通道信号相干谱方法判别振荡发生；
S2、
将
S1
中通过多通道信号相干谱方法判定为发生振荡的电信号波形序列定义为振荡样本，将振荡样本输入到经过无监督优化后的卷积神经网络
CNN
模型中，压缩数据的数量，提取振荡特征，并减小过拟合，汇总并输出特征数据集
D
；
S3、
采用卷积神经网络输出的宽频振荡信号的振荡特征数据集
D
作为极限梯度提升树
XGBoost
的输入，辨识振荡频率和衰减因子
。2.
根据权利要求1所述的一种基于波形数据的宽频振荡监测方法，其特征在于，所述步骤
S1
包括以下步骤：
S11、
对电信号波形序列进行功率谱密度计算，并计算不同节点的互功率谱密度；
S12、
计算不同节点间的相干谱，根据相干谱峰值判断振荡是否发生
。3.
根据权利要求2所述的一种基于波形数据的宽频振荡监测方法，其特征在于，
S12
中所述相干谱的具体表达式为：其中
P
x1x1
和
P
x2x2
分别是信号
X1(t)
和
X2(t)
的功率谱密度；
P
x1x2
是信号
X1(t)
和
X2(t)
的互功率谱密度
。4.
根据权利要求1所述的一种基于波形数据的宽频振荡监测方法，其特征在于，所述步骤
S2
包括以下步骤：
S21、
对
CNN
模型进行无监督优化，以实现省去标签量的设定；
S22、
将判断为振荡的波形数据输入到
CNN
模型中进行特征提取
。5.
根据权利要求4所述的一种基于波形数据的宽频振荡监测方法，其特征在于，所述步骤
S21
包括以下步骤：建立
n
组单模态信号时域波形叠加后输出值为：式中，
t
为时间；
A
i
为第
i
个模态信号的幅值；为第
i
个模态信号的相位；
f
i
为第
i
个模态信号的频率；
λ
i
为第
i
个模态信号的衰减因子；损失函数定义为：其中，
n
为振荡样本总数；
g(t
i
)
为第
i
个输出值；
y(t
i
)
为第
i
个期望值；利用
CNN
模型输出层的损失函数
E
调整网络权重
ω
和偏置量
γ
：：
其中，
α
为网络学习效率；
ω
与
γ
为未调整的网络权重和偏置量；
ω
'
与
γ
'
是利用损失函数
E
调整以后的网络权重与偏置量
。6.
根据权利要求4所述的一种基于波形数据的宽频振荡监测方法，其特征在于，所述步骤
S22
包括以下步骤：将振荡原始数据通过输入层输入到
CNN
模型；利用卷积层提取振荡数据的重要特征；利用池化层降低振荡数据的维度；利用全连接层对处理后的振荡数据进行分类；最终通过输出层将结果输出到下一网络模型中
。7.
根据权利要求1所述的一种基于波形数据的宽频振荡监测方法，其特征在于，所述步骤
S3
包括以下步骤：
S31、
将样本特征集
D
输入到
XGBoost
模型中，设定迭代次数
、
损失函数
l、
正则化系数
λ
与
γ
、
初始迭代次数设定为1；计算全部样本在当前损失函数
l
的一阶导数和
G
j
以及二阶导数和
H
j
，设置默认参数
G
L
＝0，
H
L
＝0，
G
R
＝0，
H
R
＝0；
S32、
计算样本放入左子树以后新的
G
L
与
H
L
、
放入右子树以后新的
G
R
与
H
R
，更新增益参数
score
，基于增益参数
score
划分特征和特征值分裂子树，实现振荡参数预测
。8.
根据权利要求7所述的一种基于波形数据的宽频振荡监测方法，其特征在于，步骤
S31
中所述的
XGBoost
模型的具体表达式为：其中，
f
p
(x
i
)
是第
p
棵树模型；
p
是树的序号；
x
i<...

【专利技术属性】
技术研发人员：黄堃，张晓燕，王杨，王辉，温传新，斯建东，郭王勇，余才阳，梁加本，汪鹤，郑舒，张驰，朱涛，王超群，周翔，李剑，陈翔，肖先勇，云阳，刘如帆，谭涛，徐旭，朱逸芝，丁爱芬，郑鑫，朱轶群，罗啸远，
申请(专利权)人：国网电力科学研究院有限公司四川大学国网浙江省电力有限公司台州供电公司国家电网有限公司，
类型：发明
国别省市：