一种基于同步相量的次/超同步振荡智能辨识方法

1.本发明涉及电力系统广域监测技术，具体是一种基于同步相量的次/超同步振荡智能辨识方法，属于人工智能技术领域。


背景技术：

2.随着“双碳”目标的提出，可再生能源与电力电子设备的并网比例将大大提高，未来以新能源为主体的新型电力系统的“双高”特性将更为显著。在此背景下，次/超同步振荡的发生概率也大大提高，严重威胁系统的安全稳定运行。而对频率范围在数hz到数十hz的电力系统次/超同步振荡进行有效监测与分析是该领域面临的重要挑战。
3.目前，基于子站数据的次/超同步振荡辨识的方法非常丰富，按技术手段可分为基于数字信号分解的检测方法和基于信号模型估计的检测方法。以傅里叶变换为代表的信号分解方法存在栅栏效应和频谱泄露问题，分析时存在较大误差。以经验模态分解为代表的模态分解方法在分解两频率接近而能量相差大的模态时会出现模态混叠的情况。针对这信号分解方法存在的问题，演化出许多改进方案，在一定程度上提高了辨识的精度，但并没有从根本上解决问题。常见的信号模型估计方法有prony算法、esprit算法等，这类方法易受实际系统中噪音的影响，从而影响辨识精度；此外，这类方法在分析前需要提前确定信号阶数，不符合实际需求。基于子站数据的分析方法还存在数据难以获取的问题，且无法从全局角度分析振荡的传播和发展过程。基于主站数据进行检测是一种具有优势的解决方案，但传统分析难度大、耗时久、不精准。此外需要关注的是，主站数据受采样频率限制，很多基于子站数据的分析方法不能适用。目前基于主站数据进行次同步振荡辨识研究所提出的方法不能完整辨识振荡模态，且辨识不精确；基于主站数据的超同步振荡受限于采样定理无法辨识。
4.为此，本发明提出了一种基于同步相量的次/超同步振荡智能辨识方法，一方面可以提高次同步振荡的辨识精度，另一方面可以解决超同步振荡受限于采样频率无法辨识的问题。


技术实现要素：

5.本发明的目的在于提供一种基于同步相量的次/超同步振荡智能辨识方法，通过在主站对采集的次/超同步振荡数据进行分析，实现广域电力系统次/超同步振荡的准确辨识，解决目前基于主站同步相量数据无法准确辨识的问题。
6.本发明的目的可以通过以下技术方案实现：一种基于同步相量的次/超同步振荡智能辨识方法，所述辨识方法包括次/超同步振荡训练数据生成、离线训练支持向量机(support vector machine，svm)定阶模型和卷积神经网络(convolutional neural network，cnn)智能参数辨识模型、在线辨识过程：所述训练数据生成过程包括：s1:选择振荡模态阶次n、振荡模态频率fi范围、阻尼αi范围、幅值ai范围、相位范围
4，对应信号的四个参数。cnn模型的损失函数为均方根误差rmse。
13.进一步地，所述步骤s11采集的同步相量数据为复数形式，不同于针对同步相量幅值数据的参数辨识方法，本方法能辨识出振荡模态的完整信息。
14.进一步地，步骤s13所述的振荡模态定阶由所有的svm分类器投票决定，最终得票最多的阶次确定为振荡模态阶次n。
15.进一步地，所述步骤s14使用的模态分解方法包括经验模态分解(empirical mode decomposition，emd)、集合经验模态分解(ensemble empirical mode decomposition，eemd)、互补集合经验模态分解(complementary ensemble empirical mode decomposition，ceemd)、自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，ceemdan)和变分模态分解(variational mode decomposition，vmd)。
16.本发明的有益效果：1、本发明公开的智能参数辨识方法避免了传统分析方法的“维数灾”问题，大大缩减了辨识的周期；2、本发明公开的智能参数辨识方法解决了传统方法基于主站同步相量不能完整准确辨识次同步振荡参数，无法辨识超同步振荡参数的问题；3、本发明公开的智能参数辨识方法具有辨识速度快、辨识精度高、鲁棒性强的优点，可满足在线辨识需求。
附图说明
17.下面结合附图对本发明作进一步的说明。
18.图1是本发明流程图；图2是本发明实施例一中振荡频率为14.5hz的次同步振荡主站同步相量数据实部还原波形图；图3是本发明实施例一中振荡频率为14.5hz的次同步振荡主站同步相量数据虚部还原波形图；图4是本发明实施例一中振荡频率为14.5hz的次同步振荡子站时序数据还原波形图；图5是本发明实施例一中振荡频率为80.0hz的超同步振荡主站同步相量数据实部还原波形图；图6是本发明实施例一中振荡频率为80.0hz的超同步振荡主站同步相量数据虚部还原波形图；图7是本发明实施例一中振荡频率为80.0hz的超同步振荡子站时序数据还原波形图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它
实施例，都属于本发明保护的范围。
20.本发明的实施例中，子站采样频率为1000hz，子站上传频率为100hz，采样时间为2.0s。本实施例的电力系统采用含直驱风电场的四机两区仿真系统，在系统中注入不同频率、幅值、阻尼、相位大小的正弦扰动信号，仿真出实施例所需的次/超同步振荡样本。将采集的电力系统次/超同步振荡信号进行预处理过滤掉基频分量，输入svm定阶模型判定振荡模态阶次，根据模态阶次进行模态分解，将分解后的信号输入cnn智能参数辨识模型，完成次/超同步振荡辨识。下面结合一个实施例对本方法做进一步说明。
21.实施例一：系统次同步振荡和超同步振荡同时发生时的辨识分析(1)、次/超同步振荡训练数据生成确定振荡模态频率取值范围为1~100hz，幅值取值范围为5~50mw，阻尼取值范围为0.01~1，相位取值范围为0~2π rad，振荡模态阶次最高为3阶，生成1阶、2阶、3阶的次/超同步振荡数据。
22.(2)、离线训练支持向量机定阶模型选择1阶、2阶、3阶的次/超同步振荡数据各5000个，共计15000个振荡数据作为原始样本；从1阶和2阶数据中各选2500个用来训练第一个svm分类器，最终分类精度为98.1%，得到能区分1阶和2阶数据的svm分类器；从1阶和3阶数据中各选2500个用来训练第二个svm分类器，最终分类精度为99.3%，得到能区分1阶和3阶数据的svm分类器；从2阶和3阶数据中各选2500个用来训练第三个svm分类器，最终分类精度为98.3%，得到能区分2阶和3阶数据的svm分类器；将这三个训练好的svm分类器组合成所需的svm定阶模型。
23.(3)、离线训练卷积神经网络智能参数辨识模型选择1阶次/超同步振荡数据，共计200万个数据作为原始样本；使用tensorflow框架搭建卷积神经网络模型，损失函数选择均方差损失函数，优化器选择adam优化器；进行批训练，每批256个样本；最终模型在训练数据上的参数辨识误差为：频率0.01%，幅值0.18%，阻尼3.09%，相位0.78%；最终模型在训练数据上的参数辨识误差为：频率0.01%，幅值0.20%，阻尼4.05%，相位0.92%。将训练好的模型保存，即卷积神经网络智能参数辨识模型。
24.(4)、在线辨识过程
①
在系统中同时施加频率为14.5hz，幅值为10.0mw，阻尼为-0.2，相位为1.047rad的正弦扰动信号和频率为80.0hz，幅值为10.0mw，阻尼为-0.5，相位为0.524rad的正弦扰动信号，触发系统次/超同步振荡；
②
在主站采集同步相量，进行预处理过滤掉50hz基频分量，输入svm定阶模型判定振荡模态阶次为2阶，根据模态阶次进行变分模态分解得到2个振荡分量对应的信号，将分解后的信号输入cnn智能参数辨识模型分析出2个振荡分量的模态参数、(5)、具体实施结果：次同步振荡分量同步相量的实部、虚部分解结果分别如图2和图3所示，次同步振荡辨识结果为频率14.459hz，幅值10.007mw，阻尼比-0.197，相位1.034rad，信号还原波形如图4所示，可看出次同步振荡信号的原始波形和还原波形具有较高的重合度。超同步振荡分量同步相量的实部、虚部分解结果分别如图5和图6所示，超同步振荡辨识结果为频率80.001hz，幅值10.027mw，阻尼比-0.512，相位0.561rad，信号还原波形如图7所示，可看出超同步振荡信号的原始波形和还原波形具有较高的重合度。本发明可对次/超同步振荡数据进行分析，实现广域电力系统次/超同步振荡的辨识分析。
25.电力系统次/超同步振荡信号还可以是系统各节点电压或传输线路电流。
26.本发明在分析次/超同步振荡时无须求解特征值，有效避免了求特征值计算慢、耗时长的问题。将整个辨识周期缩短到毫秒级，为振荡在线检测提供支撑。
27.本发明有效解决了传统方法基于主站同步相量不能完整准确辨识次同步振荡参数，无法辨识超同步振荡参数的问题，正确辨识了次/超同步振荡。
28.本发明基于主站进行分析，采集的数据量小，辨识速度快，辨识精度高，鲁棒性强。
29.在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
30.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。