一种基于LCD-Hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位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与溯源,具体是一种基于lcd-hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位方法及相关装置。背景技术:1、随着高比例...
一种基于LCD-Hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位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与溯源,具体是一种基于lcd-hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位方法及相关装置。

背景技术:

1、随着高比例新能源和高比例电力电子设备的大规模接入,电力系统动态行为呈现跨频段耦合、多设备交互和传播路径复杂的特点,宽频振荡已成为影响并网设备安全与系统稳定运行的重要问题。宽频振荡覆盖从超低频到中高频的较宽频域范围,诱发机理复杂,既可能表现为局部设备振荡,也可能经电网传播后形成区域性共振。

2、现有宽频振荡源定位方法大致包括基于机理模型的方法、基于阻抗判据的方法以及基于深度学习的方法。机理模型方法往往依赖设备控制器参数和系统精确模型,实际工程中难以全面获取;阻抗法虽然具有较强的物理可解释性,但往往需要满足一定的先验条件,或存在阈值难以统一设定的问题。近年来,深度学习模型被引入振荡辨识领域,展现出强大的特征学习能力。然而,纯深度学习方法虽有较好的分类能力,但存在黑箱性强、机理解释不足等问题,导致模型对复杂振荡模式的定位精度和泛化能力有限。

3、在振荡定位之前,如何稳定地从同步波形量测信号中提取宽频振荡的多频段有效信息,是后续传播机理分析和源定位的基础。传统傅里叶法难以反映明显的非平稳时频特性,小波法存在小波基选择困难的问题,emd类经验模态方法则可能出现模态混叠与端点效应。

4、综上所述,亟待发展一种能够深度融合信号时频分析与先进人工智能模型的宽频振荡定位方法,以克服现有技术在处理多频段、多模式振荡信息时的不足。通过对具有明确物理意义的特征矩阵的学习,保证先进人工智能模型在运用于宽频振荡定位时,具有更高的精度、更强的适应性,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lcd-hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位方法及相关装置,其目的在于灵敏、可靠和准确的实现电力系统宽频振荡源定位。

2、为实现上述目的,本发明一方面提供了一种基于lcd-hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位方法,包括:

3、s1. 获取电力系统多个监测节点的同步量测信号,对各节点量测信号进行时间对齐处理,得到待分析信号集。

4、s2. 利用局部特征尺度分解lcd和hilbert变换,对待分析信号集进行子频带分解,提取各监测节点在不同子频带下的包络序列,并构造节点时频矩阵。

5、s3. 根据各监测节点的子频带包络序列和节点时频矩阵奇异值分布,构造表征节点局部振荡特性的节点特征矩阵。

6、s4. 在主站根据电网拓扑得到体现节点关系的邻接掩码矩阵,计算相邻节点在各子频带下正反两个方向的延时包络最小对齐误差;根据正反两个方向的延时包络最小对齐误差差异,构造表征振荡传播方向与传播强度的定向传播矩阵。

7、s5. 建立并训练有向图学习模型,所述有向图学习模型以宽频振荡样本对应的节点特征矩阵和定向传播矩阵为输入,以振荡源节点标签为监督信息,训练得到用于输出节点得分向量的有向图学习模型。

8、s6. 系统发生宽频振荡后,对实际量测信号按照步骤s1至s4进行处理,得到待定位的节点特征矩阵和定向传播矩阵,将所述待定位的节点特征矩阵和定向传播矩阵输入训练后的有向图学习模型,通过多层图卷积融合节点局部振荡特征和节点间定向传播信息,输出节点得分向量,并将节点得分向量输入softmax函数,得到各节点对应的振荡源概率,依据所述振荡源概率实现宽频振荡源定位。

9、进一步地,所述s1中同步量测信号为各监测节点的有功功率量测信号,所述同步量测信号带有统一时间戳,以实现不同监测节点之间的同步对齐。

10、进一步地,所述s2中构造节点时频矩阵的过程包括:

11、s21. 利用lcd算法将原始信号分解为内禀尺度分量(isc分量),当上一阶分解的残余分量中极值点数小于两个,或者残余分量的幅值小于阈值时,即停止lcd分解,并利用带通滤波算法对每个isc分量进行滤波。

12、s22. 基于得到的isc分量,对每个isc分量进行hibert变换,得到瞬时频率和瞬时幅值信号。对于每个采样点,根据各isc在该点的瞬时频率将其幅值累加到对应子频带,得到节点i在子频带b上的包络序列。随后将各子频带包络序列按频带和时间排列,形成节点时频矩阵ai:

13、

14、其中,矩阵ai的行对应不同子频带,列对应采样时刻。该矩阵集中表征节点i在各频带上的振荡演化信息。

15、进一步地,所述s3中节点特征矩阵的构造过程包括:

16、s31. 定义节点在子频带下的包络能量为:

17、

18、其中,为节点在子频带下的包络序列,为分析数据长度;

19、s32. 定义节点的本地振荡总强度为:

20、

21、其中,为子频带总数;

22、s33. 定义节点在子频带下的能量占比为:

23、

24、其中,为极小正数;

25、s34. 对节点时频矩阵进行奇异值分解,并定义节点的模态集中度为:

26、

27、其中,为节点时频矩阵最大奇异值,为节点时频矩阵的秩;

28、s35. 将各节点特征向量纵向拼接,构造节点特征矩阵。

29、

30、进一步地,所述步骤s4中定向传播矩阵的构造过程包括:

31、s41. 根据电网拓扑关系构造邻接掩码矩阵,其中当节点与节点直接相连时,,否则;

32、s42. 对节点在各子频带下的包络序列进行归一化处理,得到归一化包络序列;

33、

34、s43. 对于相邻节点和,定义节点指向节点在子频带下、时滞为时的延时对齐误差为:

35、

36、其中,为节点在子频带下的归一化包络序列,为候选时滞,满足,为预设最大搜索时滞;

37、s44. 根据各延时对齐误差序列的大小确定正向最佳传播延时,并由此确定正向匹配度,具体为:

38、选择延时对齐误差最小值对应的数据点为最佳传播延时:

39、

40、进一步定义正向匹配度为:

41、

42、同理可获得反向匹配度,若明显大于,说明“的当前包络”和“的延时包络”更容易对齐,因而更符合节点位于节点的振荡传播上游。

43、s45. 根据正向匹配度和反向匹配度差异定义节点到节点的传播强度,并由各节点传播强度构造定向传播矩阵。

44、

45、并令:,各节点间的定向传播强度组成定向传播矩阵:

46、

47、进一步地,所述步骤s5中有向图学习模型的训练方法和节点得分向量的获得过程包括:

48、s51. 构建宽频振荡样本集,所述宽频振荡样本集包括历史宽频振荡记录、仿真生成的宽频振荡样本或二者的组合;对于每组宽频振荡样本,按照步骤s1至s4构造对应的节点特征矩阵x和定向传播矩阵p,并以该宽频振荡样本中的振荡源节点作为振荡源节点标签;将所述节点特征矩阵x和定向传播矩阵p作为有向图学习模型的输入,将所述振荡源节点标签作为监督信息,对有向图学习模型中的可训练参数进行训练,得到训练后的有向图学习模型。

49、s52. 将s3中得到的节点特征矩阵x和s4中得到的定向传播矩阵p,作为图卷积网络的输入。节点特征矩阵x代表节点的局部振荡特性,而定向传播矩阵p代表节点间的传播关系。通过图卷积操作,将节点特征和相邻节点传播的信息进行融合,得到各作为振荡源的节点得分向量h。

50、所述有向图学习模型优选为有向加权图卷积网络,其第+1层图卷积表示为:

51、

52、其中,表示第l层的节点特征表示;为输入层的节点特征矩阵,即步骤3得到的节点特征矩阵;表示将节点间的传播信息汇聚到当前节点的信息;表示从当前节点向外传播的信息;和分别为入度矩阵和出度矩阵,用于对图卷积操作结果进行归一化;和为可训练的权重矩阵,用于调整节点特征的影响权重;为非线性激活函数,通常使用relu函数。

53、通过每一层的图卷积操作,将节点的局部振荡特征与相邻节点的传播信息逐层融合。在多层图卷积网络的作用下,每个节点得分矩阵逐渐从局部信息到全局传播信息的融合,最终得到一个能够反映节点是否为振荡源的节点得分相量h。

54、进一步地,所述步骤s6中获得各节点振荡源概率的方法为:

55、发生宽频振荡后,对实际量测信号按照步骤s1至s4进行处理,将得到节点特征矩阵和定向传播矩阵输入训练后的图卷积模型,将图卷积网络输出的节点得分向量作为输入传递给softmax函数,得到每个节点作为振荡源的概率ki为:

56、

57、其中,就是图卷积网络最后一层的输出特征中对应节点的特征值,为总节点数。将得分矩阵映射至0~1范围内,依据得到的振荡源概率,振荡源概率最大的节点即为宽频振荡源,实现宽频振荡源定位。

58、另一方面,本发明还提供了一种基于lcd-hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位装置,用于执行如上所述的基于lcd-hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位方法,包括:

59、信号获取模块,用于获取电力系统多个监测节点的同步量测信号,对各节点量测信号进行时间对齐处理,得到待分析信号集;

60、时频分解模块,用于利用局部特征尺度分解lcd和hilbert变换,对所述待分析信号集进行子频带分解,提取各监测节点在不同子频带下的包络序列,并构造各监测节点的节点时频矩阵;

61、节点特征构造模块,用于根据各监测节点的所述子频带包络序列和所述节点时频矩阵进行奇异值分解,构造表征节点局部振荡特性的节点特征矩阵;

62、定向传播构造模块,用于根据电网拓扑构造邻接掩码矩阵,基于各监测节点的所述子频带包络序列,计算相邻节点在各子频带下正反两个方向的延时包络最小对齐误差,根据所述正反两个方向的延时包络最小对齐误差差异,构造表征振荡传播方向与传播强度的定向传播矩阵;

63、模型训练模块,用于建立并训练有向图学习模型,以宽频振荡样本对应的所述节点特征矩阵和所述定向传播矩阵为输入,以振荡源节点标签为监督信息,训练得到用于输出节点得分向量的有向图学习模型;

64、振荡源定位模块,用于在系统发生宽频振荡后,对实际量测信号通过所述时频分解模块、节点特征构造模块和定向传播构造模块进行处理,得到待定位的节点特征矩阵和定向传播矩阵,将所述待定位的节点特征矩阵和定向传播矩阵输入训练后的所述有向图学习模型,输出节点得分向量,并将所述节点得分向量输入softmax函数,得到各节点对应的振荡源概率,依据所述振荡源概率实现宽频振荡源定位。

65、另一方面,本发明还提供了一种基于lcd-hilbert子频带包络对齐与有向图学习模型的宽频振荡源定位系统,包括:计算机可读存储介质和处理器;

66、所述计算机可读存储介质用于存储可执行指令;

67、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,执行上述方法。

68、另一方面,本发明还提供了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权利要求1-7中任一项所述的变电站硬压板状态监控方法。

69、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:

70、本发明首次将局部特征尺度分解、hilbert变换算法的信号提取方法,与基于有向图学习模型相结合,构造能够同时反映节点自身振荡强度、电网拓扑及节点间的振荡传播方向的两个特征矩阵作为图学习模型输入,构建一套全新的宽频振荡源定位方法,解决了现有技术中信号模态混叠、噪声敏感,人工智能定位方法机理解释性差、黑箱性强等问题,能够实现对宽频振荡源的快速、精准定位,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。