System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电力系统故障检测,更具体地,涉及一种电力系统的振荡源定位方法、装置和控制系统。
技术介绍
1、在日益庞大而复杂的当代电力系统背景下,快速确定振荡源的准确位置是消除电力系统中多频振荡问题的前提。传统的多频振荡定位方法主要基于电气设备的物理特性,通过数学建模电力系统中的多频振荡问题并通过电力系统的动态模型定位振荡源。该方法的准确性取决于电力组件建模的准确性。然而,各种功率电子设备具有很强的非线性,它们的动态特性在频率变化时变化很大。在实际情况下,准确获取功率电子设备的结构和参数是困难的。因此,从数学建模的角度实际应用振荡源定位方法是困难的,该方法通常用于离线分析振荡源。
2、然而,基于人工智能的多频振荡源定位方法可以分析电力系统中的海量数据和与振荡源位置的关系来定位振荡源。该方法可以避免数学建模精度低的问题,适用于各种情况下的振荡源定位。同时,与传统的机器学习方法相比,深度学习模型可以学习复杂的非线性关系,在处理大规模和高维数据方面更有效。此外,深度学习可以自动学习数据的特征表示,避免了机器学习中人工特征选择引起的特征和分类器不匹配的问题。
技术实现思路
1、针对现有技术的以上缺陷或改进需求,本专利技术提供了一种电力系统的振荡源定位方法、装置和控制系统,其目的在于对电力系统中发电机的有功功率振荡信号进行特征提取得到第一阶段定位图像和特征向量,再利用第一阶段分类器进行一阶段的振荡频段定位,进一步地基于振荡频段利用对应的第二阶段定位器进行振荡位置定位,由此解决现有
2、为实现上述目的,按照本专利技术的一个方面,提供了一种电力系统的振荡源定位方法,包括:
3、将电力系统中发电机的有功功率振荡信号对应的时频表征矩阵转化为第一阶段定位图像;对所述有功功率振荡信号进行特征提取得到特征向量;
4、将所述第一阶段定位图像和所述特征向量输入第一阶段分类器得到所述电力系统的振荡类型;
5、将所述电力系统的振荡类型对应振荡频段的有功功率振荡信号的时频表征矩阵转化为第二阶段定位图像,将所述第二阶段定位图像输入振荡类型对应的第二阶段定位器,得到振荡源的位置。
6、在其中一个实施例中,所述对所述有功功率振荡信号进行特征提取,包括:通过同步压缩小波变换与希尔伯特变换对所述第一阶段定位图像进行特征提取,得到包括振荡信号的主成分能量占比、主成分幅值与主成分频率的特征向量。
7、在其中一个实施例中,所述对所述第一阶段定位图像进行特征提取,包括:
8、设所述有功功率振荡信号表达式为:n为所述有功功率振荡信号中含有n个成分,k为第k个振荡成分,ak(t)为第k个成分的瞬时振荡幅值,ωk为第k个成分的振荡频率,φk为第k个成分的相位;
9、对s(t)进行连续小波变换并压缩至时频面得到同步压缩小波变换的结果;对所述同步压缩小波变换的结果进行逆变换得到n个谐波信号sk(t),k∈[1,n];对每个谐波信号分量sk(t)进行希尔伯特变换得到y(t);对y(t)进行希尔伯特反变换得到z(t):z(t)=sk(t)+jy(t)=ak(t)ejθ(t);
10、利用公式计算得到第k个谐波信号sk(t)的瞬时幅值ak(t),利用瞬时幅值ak(t)计算第k个谐波信号sk(t)在采样时间段内的平均幅值ak;
11、利用公式计算谐波信号sk(t)的瞬时频率ωk(t),利用瞬时频率ωk(t)计算第k个谐波信号sk(t)在采样时间段内的平均频率ωk;其中,θ(t)为信号sk(t)的时变相位,
12、利用公式amain=max{a1,a2,…,an}表示主成分幅值amain;主成分频率ωmain为主成分幅值amain对应平均频率;利用公式表示主成分能量占比pmain;最终得到的特征向量表示为:v={pmain,amain,ωmain}。
13、在其中一个实施例中,所述将电力系统中发电机的有功功率振荡信号对应的时频表征矩阵转化为第一阶段定位图像,包括:
14、针对不同的频段采用不同的窗口函数长度进行短时傅里叶变换,得到时频表征矩阵;其中,对于低频频段选择较长的窗口长度,对于次同步频段选择较短的窗口长度;
15、将各个频段的时频表征矩阵连接起来得到所述电力系统的多频段振荡的时频表征矩阵;将所述多频段振荡时频表征矩阵转换成所述第一阶段定位图像。
16、在其中一个实施例中,所述第一阶段分类器和所述第二阶段定位器的训练过程包括:
17、第一阶段分类器包括第一阶段高斯svm分类器与第一阶段resnet分类器;
18、将第一样本集中的第一阶段特征图像输入所述第一阶段分类器中的resnet分类器进行训练;
19、将第一样本集中的特征向量输入所述第一阶段分类器中高斯svm分类器进行训练;
20、将第二样本集输入所述第二阶段定位器中的第二阶段resnet50定位器进行训练;
21、采用十折交叉验证方法对训练过程中高斯svm分类器的分类准确率进行监测,直至通过交叉验证。
22、在其中一个实施例中,采用十折交叉验证方法对训练过程中第一阶段分类器与第二阶段定位器的分类准确率进行监测,直至通过交叉验证,包括:
23、采用十折交叉验证方法对第一阶段分类器和所述第二阶段定位器的分类准确率进行监测,当监测到分类准确率低于正确率阈值时,修改所述分类器中高斯svm分类器的惩罚系数,减少所述分类器与定位器中迁移学习resnet50模型的冻结层数,重新进行训练,直至通过交叉验证。
24、在其中一个实施例中,所述将所述电力系统的振荡类型对应振荡频段的有功功率振荡信号转化为第二阶段定位图像,将所述第二阶段定位图像输入振荡类型对应第二阶段定位器得到振荡源的位置,包括:
25、当所述振荡类型为低频振荡时,选择低频频段进行快速傅里叶变换,生成低频振荡定位图像,输入至低频第二阶段定位器进行定位,找出低频振荡源的位置;
26、当所述振荡类型为次同步振荡时,选择次同步频段进行快速傅里叶变换,生成次同步振荡定位图像,输入至次同步第二阶段定位器进行定位,找出次同步振荡源的位置。
27、按照本专利技术的另一方面,提供了一种电力系统的振荡源定位装置,包括:
28、特征提取模块,用于将电力系统中发电机的有功功率振荡信号对应的时频表征矩阵转化为第一阶段定位图像;对所述有功功率振荡信号进行特征提取得到特征向量;
29、第一定位模块,用于将所述第一阶段定位图像和所述特征向量输入第一阶段分类器得到所述电力系统的振荡类型;
30、第二定位模块,用于将所述电力系统的振荡类型对应振荡频段的有功功率振荡信号的时频表征矩阵转化为第二阶段定位图像,将所述第二阶段定位图像输入振荡类型对应第二阶段定位器得到振荡源的位置。
31、按照本专利技术的另一方面,提供了一种电力本文档来自技高网...
【技术保护点】
1.一种电力系统的振荡源定位方法,其特征在于,包括:
2.如权利要求1所述的电力系统的振荡源定位方法,其特征在于,所述对所述有功功率振荡信号进行特征提取,包括:
3.如权利要求2所述的电力系统的振荡源定位方法,其特征在于,所述对所述第一阶段定位图像进行特征提取,包括:
4.如权利要求1所述的电力系统的振荡源定位方法,其特征在于,所述将电力系统中发电机的有功功率振荡信号对应的时频表征矩阵转化为第一阶段定位图像,包括:
5.如权利要求1所述的电力系统的振荡源定位方法,其特征在于,所述第一阶段分类器和所述第二阶段定位器的训练过程包括:
6.如权利要求5所述的电力系统的振荡源定位方法,其特征在于,采用十折交叉验证方法对训练过程中第一阶段高斯SVM分类器、第一阶段ResNet分类器、第二阶段ResNet50分类准确率进行监测,直至通过交叉验证,包括:
7.如权利要求1-6任一项所述的电力系统的振荡源定位方法,其特征在于,所述将所述电力系统的振荡类型对应振荡频段的有功功率振荡信号转化为第二阶段定位图像,将所述第二阶段定位
8.一种电力系统的振荡源定位装置,其特征在于,用于执行权利要求1-7任一项所述的电力系统的振荡源定位方法,包括:
9.一种电力系统的控制系统,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种电力系统的振荡源定位方法,其特征在于,包括:
2.如权利要求1所述的电力系统的振荡源定位方法,其特征在于,所述对所述有功功率振荡信号进行特征提取,包括:
3.如权利要求2所述的电力系统的振荡源定位方法,其特征在于,所述对所述第一阶段定位图像进行特征提取,包括:
4.如权利要求1所述的电力系统的振荡源定位方法,其特征在于,所述将电力系统中发电机的有功功率振荡信号对应的时频表征矩阵转化为第一阶段定位图像,包括:
5.如权利要求1所述的电力系统的振荡源定位方法,其特征在于,所述第一阶段分类器和所述第二阶段定位器的训练过程包括:
6.如权利要求5所述的电力系统的振荡源定位方法,其特征在于,采用十折交叉验证方法对训练过程中第一阶段高斯svm分类器、第一阶段resnet分类器、第二阶段r...
【专利技术属性】
技术研发人员:姚伟,余明,文劲宇,刘海光,陈汝斯,李大虎,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。