基于频谱局部异常因子和ConvNeXt网络的宽频振荡分类方法及相关装置与流程

摘要: 本发明涉及电力系统宽频振荡分析,具体是一种基于频谱局部异常因子和convnext网络的宽频振荡分类方法及相关装置。背景技术:1、随着电力系统“双高”形态加速演进...
基于频谱局部异常因子和ConvNeXt网络的宽频振荡分类方法及相关装置与流程

本发明涉及电力系统宽频振荡分析,具体是一种基于频谱局部异常因子和convnext网络的宽频振荡分类方法及相关装置。

背景技术:

1、随着电力系统“双高”形态加速演进,系统的动态特性愈发复杂,宽频振荡问题日益凸显,已成为威胁电网安全稳定运行的关键隐患之一。宽频振荡的频率覆盖范围极广,从低于0.2hz的超低频段到数khz的中高频段不等,不同频段的振荡不仅产生机理存在本质差异,其对电网的危害程度和抑制策略也截然不同。因此,实现对宽频振荡的快速、精准分类,是后续启动针对性抑制措施、避免事故扩大的前提,对保障电网安全具有重要的工程意义。

2、目前,电力系统宽频振荡分类技术主要围绕传统信号分析方法和早期机器学习模型展开,但在实际应用中均面临显著瓶颈。传统方法以小波分析、经验模态分解等信号处理技术为核心,通过提取振荡信号的频率、幅值、阻尼等特征实现分类。然而,这类方法存在明显局限性:一方面,电力系统实测信号中往往混杂着大量白噪声、负荷波动等干扰成分,传统信号分解方法(如经验模态分解)抗干扰能力较弱,易出现模态混叠问题,导致特征提取精度下降;另一方面,传统方法依赖人工设计特征,对于宽频范围内不同振荡类型的差异化特征刻画能力不足。

3、近年来,机器学习与深度学习技术因其强大的特征自适应学习能力,开始被应用于宽频振荡分类领域。例如,部分研究采用卷积神经网络(cnn)、循环神经网络(rnn)等模型,直接对原始振荡信号或其时频域特征进行学习分类。但现有深度学习方法仍存在改进空间:其一,多数模型对局部关键特征的捕捉能力有限,难以精准识别频谱中反映振荡类型的细微差异;其二,模型输入特征的构建缺乏针对性,多直接采用原始时频矩阵,未充分挖掘频谱中与振荡类型强相关的异常信息,导致模型训练效率低、泛化能力差。

4、针对上述问题,亟需开发一种兼具强抗干扰能力、精准特征提取能力和高泛化性能的宽频振荡分类技术。鲁棒性局部均值分解(rlmd)作为一种改进的自适应信号分解方法,相比传统方法具有更强的抗噪声干扰能力,能够有效分离信号中的干扰成分与有效信息,为后续特征提取提供高质量的数据基础。局部异常因子(lof)算法则可通过刻画振荡信号频谱的局部密度差异,精准识别频谱中反映振荡特性的异常特征,为不同类型振荡的区分提供有效依据。同时,convnext网络作为基于resnet改进的新一代深度学习模型,通过优化网络结构和卷积策略,在高维特征学习中展现出比传统cnn更优异的性能,能够充分挖掘特征矩阵中的深层关联信息。

5、基于此,将rlmd抗干扰分解、lof局部异常特征提取与convnext网络深度学习相结合,构建一套全新的宽频振荡分类方法,有望解决现有技术中抗干扰能力弱、特征针对性差、分类精度不足等问题,实现对宽频振荡的快速、精准分类,为电网安全稳定运行提供有力技术支撑,具有重要的理论价值和工程应用前景。

技术实现思路

1、针对现有技术的上述缺陷,本发明提供了一种基于频谱局部异常因子和convnext网络的宽频振荡分类方法,其目的在于灵敏、可靠和准确的实现电力系统宽频振荡的分类。

2、为实现上述目的,本发明一方面提供了一种基于频谱局部异常因子和convnext网络的宽频振荡分类方法,包括:

3、s1. 利用数值仿真,设置五种振荡类型并批量生成仿真数据,将历史宽频振荡实测数据纳入补充,整合仿真生成数据与历史实测数据,形成完整的数据集;

4、s2. 利用鲁棒性局部均值分解方法rlmd分解所述数据集,滤除采样数据中的干扰信号,将其余分解分量相加,得到重构信号;

5、s3. 利用快速傅里叶变换对所述重构信号进行频谱分析,计算频谱中每个频率分量的局部异常因子,获得局部异常因子特征向量,将各测点对应的局部异常因子特征向量按规定顺序排列,获得系统局部异常因子特征矩阵,并标注标签,构成模型的样本集;

6、s4. 对所述样本集实施随机划分,得到训练集与测试集后,输入convnext 网络模型进行训练,并保存训练得到的模型参数;

7、s5. 系统发生宽频振荡后,对测量信号按照步骤s2-s3进行信号处理,得到待分类的系统局部异常因子特征矩阵,将所述待分类的系统局部异常因子特征矩阵输入已训练的convnext 网络模型,输出得到宽频振荡分类结果。

8、进一步的,所述s1中的五种振荡类型分别为超低频段振荡、低频段振荡、次同步频段振荡、超同步频段振荡、中高频段振荡,对应的频率范围分别是≤0.2hz、0.2hz~2.5hz、2.5hz~49.5hz、50.5hz~100hz、100hz~5000hz。

9、进一步的,所述s2中进行rlmd分解时,直至余量信号为单调数据或常数则停止分解,表征白噪声的干扰信号为rlmd分解从采样数据中分离的第一层信号分量。

10、进一步的,所述s3中计算频谱中每个频率分量的局部异常因子过程包括:

11、s31. 针对快速傅里叶变换得到的频谱,分别计算各频率分量与距其幅值最接近的频率分量的距离,所述距离为两个频率分量频率差的绝对值,

12、s32. 根据所述距离计算各频率分量的邻域;

13、s33. 根据所述距离计算各频率分量的局部可达距离;

14、s34. 根据所述邻域和局部可达距离计算各频率分量的局部可达密度;

15、s35. 根据所述局部可达密度计算各频率分量的局部异常因子;

16、s36. 将每个频率分量的局部异常因子顺序排列,获得局部异常因子特征向量,将各测点对应的局部异常因子特征向量按规定顺序排列,获得系统局部异常因子特征矩阵。

17、进一步的,以频谱中频率为p的分量为例,所述频率p分量距其幅值最接近的频率分量q的距离记为;

18、邻域记为,计算公式为:

19、;

20、其中,n为快速傅里叶变换得到频谱中的频率合集,dis(p, q)为频谱中频率为p的分量与频率为q的分量之间的距离,该距离为两个频率分量频率差的绝对值;

21、频谱中频率p分量距离频率q分量的局部可达距离,计算公式为:

22、;

23、频率p分量的局部可达密度,计算公式为:

24、;

25、局部可达密度记为,计算公式为:

26、;

27、频率p分量的部异常因子记为,其计算公式为:

28、。

29、进一步的,所述convnext网络模型选用convnext-s版本,且convnext网络模型

30、的卷积核尺寸h×h与系统测点数y满足h<0.5y。

31、一种基于频谱局部异常因子和convnext网络的宽频振荡分类装置,用于执行如上所述的方法,包括:

32、数据集构建模块,用于利用数值仿真设置五种振荡类型并批量生成仿真数据,将历史宽频振荡实测数据纳入补充,整合仿真生成数据与历史实测数据,形成完整的数据集;

33、信号重构模块,用于利用鲁棒性局部均值分解方法分解所述数据集中的各采样数据,滤除采样数据中的干扰信号,将其余分解分量相加,得到重构信号;

34、特征矩阵构造模块,用于利用快速傅里叶变换对所述重构信号进行频谱分析,计算频谱中每个频率分量的局部异常因子,获得局部异常因子特征向量,将各测点对应的所述局部异常因子特征向量按规定顺序排列,获得系统局部异常因子特征矩阵,并对所述系统局部异常因子特征矩阵标注标签,构成模型的样本集;

35、模型训练模块,用于对所述样本集实施随机划分,得到训练集与测试集,将所述训练集和测试集输入convnext网络模型进行训练,并保存训练得到的模型参数;

36、在线分类模块,用于在系统发生宽频振荡后,对测量信号通过所述信号重构模块和特征矩阵构造模块进行处理,得到待分类的系统局部异常因子特征矩阵,将所述待分类的系统局部异常因子特征矩阵输入已训练的所述convnext网络模型,输出得到宽频振荡分类结果。

37、一种基于频谱局部异常因子和convnext网络的宽频振荡分类装置,包括:计算机可读存储介质和处理器;

38、所述计算机可读存储介质用于存储可执行指令;

39、所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行如上所述的方法。

40、一种基于频谱局部异常因子和convnext网络的宽频振荡分类系统,包括:计算机可读存储介质和处理器;

41、所述计算机可读存储介质用于存储可执行指令;

42、所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行如上所述的方法。

43、一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上所述的方法。

44、总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:

45、本发明首次将rlmd抗干扰分解、lof局部异常特征提取与convnext网络深度学习相结合,构建一套全新的宽频振荡分类方法,解决了现有技术中抗干扰能力弱、特征针对性差、分类精度不足等问题,实现对宽频振荡的快速、精准分类,为电网安全稳定运行提供有力技术支撑,具有重要的理论价值和工程应用前景。