CN110674791B - 一种基于多阶段迁移学习的强迫振荡分层定位方法 - Google Patents

一种基于多阶段迁移学习的强迫振荡分层定位方法 Download PDF

Info

Publication number
CN110674791B
CN110674791B CN201910986070.1A CN201910986070A CN110674791B CN 110674791 B CN110674791 B CN 110674791B CN 201910986070 A CN201910986070 A CN 201910986070A CN 110674791 B CN110674791 B CN 110674791B
Authority
CN
China
Prior art keywords
partition
oscillation
positioning
wvd
forced
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910986070.1A
Other languages
English (en)
Other versions
CN110674791A (zh
Inventor
冯双
陈佳宁
史豪
汤奕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910986070.1A priority Critical patent/CN110674791B/zh
Publication of CN110674791A publication Critical patent/CN110674791A/zh
Application granted granted Critical
Publication of CN110674791B publication Critical patent/CN110674791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于多阶段迁移学习的强迫振荡分层定位方法。该方法包括离线训练和在线定位两部分。首先依据发电机相关性对电力系统进行分区，将各分区振荡主成分的平滑伪Wigner‑Ville分布进行图像化，形成区间WVD图像。然后对预训练的卷积神经网络进行第一阶段迁移学习，得到第一层分区定位模型。输入定位分区的区内WVD图像，再对分区定位模型进行第二阶段迁移学习，得到第二层机组定位模型。最后验证本方法的离线定位正确率。通过先后将实际发生强迫功率振荡的区间和区内WVD图像分别输入到分区定位模型和机组定位模型，实现扰动源的在线定位。本发明不仅能够具有较高的定位准确率，并具有定位速度快，适应性高、鲁棒性强等特点。

Description

一种基于多阶段迁移学习的强迫振荡分层定位方法
技术领域
本发明涉及一种强迫振荡分层定位方法，尤其涉及一种基于多阶段迁移学习的强迫振荡分层定位方法。
背景技术
在区域大电网互联的背景下，电力系统发生低频振荡的风险日益增加。强迫功率振荡作为低频振荡的一种，由于它的零衰减特性，一旦发生且不及时处理，则可能严重威胁电力系统的安全稳定运行。其发生是由于电力系统中存在持续周期性的扰动源，最直接的抑制方法是在电网中找到扰动源的位置并将其快速切除。但是，当扰动源的扰动频率等于或接近系统固有频率时，电力系统会出现多区域多机组同时发生低频振荡，难以从各机组振荡幅度上判断扰动源位置，所以快速准确定位电力系统中强迫振荡扰动源具有重要意义。
目前强迫振荡扰动源定位的方法主要有行波检测法和暂态能量函数法等，这些方法主要通过在一些比较重要的假设前提下，依据系统的数学模型建立扰动源的定位判据。但随着电网规模的扩大，系统运行方式更加多变，会导致上述方法的一些重要前提假设不再成立。例如在使用行波检测法定位时，对于发生多模式振荡的情况，该技术还不够成熟，可能会导致误判；在使用暂态能量函数定位扰动源时，对于网络损耗较大的情况，可能会得到两个甚至多个定位结果。目前已有研究指出暂态能量函数法对于电力系统网络和负荷设置了过于严格的模型假设，导致在实际电力系统发生强迫功率振荡的情况下具有较大局限性。此外，随着电网大区域互联态势的发展，电网特性愈加复杂，仅靠从强迫振荡物理机理本身和人工经验入手解决扰动源定位问题难度不断提高，并且存在着使用条件苛刻，准确率低等问题。而且，从全网角度分析扰动源的定位问题由于要将全网数据进行传输和处理，会存在数据量过大和信息冗余的问题。因此亟需研究一种快速准确的强迫功率振荡扰动源定位方法。
发明内容
发明目的：为克服现有技术的缺陷，本发明提供一种基于多阶段迁移学习的强迫振荡分层定位方法。
技术方案：本发明所述的基于多阶段迁移学习的强迫振荡分层定位方法包括以下步骤：
基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，包括离线训练过程和在线定位过程；
所述离线训练过程包括：(1)对电力系统进行特征值分析，根据特征值和特征向量评估发电机之间的相关性，对整个系统的发电机进行分区；(2)在不同负荷水平下对所述电力系统中各台发电机的原动机转矩或者励磁输入上施加正弦波扰动来进行强迫功率振荡的批量仿真，获取批量强迫功率振荡数据样本；(3)对各个分区的发电机振荡信号进行主成分分析，提取每个分区的最大特征值所对应的特征向量为第一主成分，并将各个分区的第一主成分使用平滑伪Wigner-Ville分布进行变换得到各区振荡信号能量的时频分布，再对其进行图像化处理，形成强迫振荡区间WVD图像；(4)使用预训练的卷积神经网络对步骤(3)中生成的WVD图像进行训练得到定位扰动源所在分区的第一层分区定位模型；(5)将扰动源所在分区内部各台发电机的振荡信号使用平滑伪Wigner-Ville分布进行变换，并形成强迫振荡区内WVD图像；(6)将步骤(4)训练得到的第一层分区定位模型应用迁移学习来训练能够定位各个分区内部扰动源所在机组的第二层机组定位模型；(7)对卷积神经网络定位模型的正确率进行验证，若正确率不足95％，则通过对卷积神经网络增加迭代次数的方法对模型继续进行训练，直到超过预定正确率阈值；
所述在线定位过程包括：(8)当在实际系统监测到发生强迫功率振荡时，各分区调度中心采集区域内各PMU子站的发电机功率振荡数据；(9)对各个分区振荡信号进行主成分分析，并提取各分区的第一主成分上传到总调度中心；(10)在总调度中心对各分区振荡信号第一主成分进行WVD变换，并进行图像化处理，形成区间WVD图像；(11)将区间WVD图像输入第一层分区定位模型，定位扰动源所在分区；(12)根据分区定位结果调取定位扰动源所在分区内部各发电机振荡信号，并对其内部的发电机振荡信号进行WVD变换和进行图像化处理，形成所述扰动源所在分区区内WVD图像；(13)将所述电力系统的所述扰动源所在分区区内WVD图像输入第二层机组定位模型，定位扰动源所在机组。
有益效果：与现有技术相比，本发明的优点为：
1)通过对强迫功率振荡信号使用平滑伪Wigner-Ville分布进行变换，不仅能够较好抑制交叉项对Wigner-Ville分布的影响，还能反映强迫功率振荡信号能量随时频分布的特点，以凸显强迫功率振荡信号特征。
2)使用了多阶段卷积神经网络迁移学习对强迫功率振荡扰动源进行定位，利用整个电力系统中定位具体分区和分区中定位具体扰动源的相似性，仅需对部分层进行训练，使第二阶段训练利用了第一阶段学习到的知识，减少了训练量。相比传统的机器学习算法，不仅在定位扰动源的效果上准确性高，而且具有不需要对数据集进行特征工程和适应性强的优势。
3)使用了分层式定位方法，在进行大区定位时仅需每个分区上传第一主成分分量，大大减少了上传至上一级调度中心的数据量，缓解了通信压力和调度中心的数据处理负担，具有可操作性高，适用性强的特点。
附图说明
图1为本发明的一种基于多阶段迁移学习的强迫振荡分层定位方法的流程图；
图2为本发明一个实施例中涉及的WECC 179节点系统分区示意图；
图3为本发明一个实施例中得到的用于卷积神经网络分区定位模型训练的典型强迫振荡区间WVD图像；
图4为本发明一个实施例中得到的各区域用于卷积神经网络机组定位模型训练的典型强迫振荡区内WVD图像。
具体实施方式
下面结合附图对本发明作进一步详细描述。
本发明的基于多阶段迁移学习的强迫振荡分层定位方法的大致过程包括离线训练过程和在线定位过程。离线训练过程大致为：首先依据发电机相关性对整个电力系统进行分区，在各分区内提取其振荡主成分，并采用平滑伪Wigner-Ville分布(WVD)进行变换，将其图像化后得到强迫振荡区间WVD图像。然后对预训练的卷积神经网络进行第一阶段迁移学习，得到能够定位扰动源所在分区的第一层分区定位模型。再输入分区内部各机组WVD图像，使用第一层定位模型进行第二阶段迁移学习，训练定位各个分区内部扰动源所在机组的第二层机组定位模型。最后对神经网络定位模型的正确率进行验证。在线定位过程大致为：针对在实际电力系统中发生的强迫功率振荡，先后将该振荡的强迫振荡区间WVD图像和区内WVD图像分别输入到第一层分区定位模型和第二层机组定位模型，实现扰动源所在发电机的定位。
具体地，离线训练过程实现步骤如下：
步骤一：对电力系统进行特征值分析，根据特征值和特征向量评估发电机之间的相关性，对整个系统的发电机进行分区。
本实施例的电力系统采用WECC 179节点系统，对其进行分区的具体步骤如下：
(1)依据WECC 179节点系统模型，建立系统的非线性微分方程组和非线性代数方程组，如下所示：
Figure BDA0002236730060000041
其中，xi为第i个系统状态变量，n为系统状态变量数，m为系统非线性微分方程数。
(2)在稳态运行点进行线性化，得到线性化方程式：
Figure BDA0002236730060000042
其中，ΔX为系统状态变量矩阵，ΔY为代数变量矩阵，J为系统线性化矩阵，A和B为将电力系统的微分方程组求一阶偏导后状态变量和代数变量分别对应的系数矩阵，C和D为将电力系统的代数方程组求一阶偏导后状态变量和代数变量分别对应的系数矩阵。
(3)在上式中消去非状态变量，得到系统的状态方程：
Figure BDA0002236730060000043
其中E为n×n维的系统状态矩阵。
(4)对系统的状态方程进行特征值计算，计算得到模态频率在0.1-2.6Hz的特征值、特征向量和参与因子等信息。
(5)计算发电机相关指数，计算方法如下：
Figure BDA0002236730060000051
其中，dij为第i台和第j台发电机的相关指数，Wi和Wj分别为根据步骤四计算得到的第i台和第j台发电机转子角所对应的特征向量。
(6)将发电机相关指数大于设定阈值(例如，0.85)的发电机分在同一区域，以此对WECC 179节点系统发电机进行分群。
按上述方法对WECC 179节点系统进行分区后，共将该系统分为四区，如图2所示。分区结果如下表1所示：
表1
区域编号 发电机所在节点编号
1 140，40，103，138，43，144，148，13，47，15，149
2 11，36，4，6，159，9，45，162，18
3 35
4 79，30，70，77，65，112，116，118
步骤二：在电力系统中，在不同系统负荷水平下，通过在各台发电机的原动机转矩或者励磁输入上施加正弦波扰动来进行强迫功率振荡的批量仿真，从而获取批量强迫功率振荡数据样本。
以下仍以WECC 179节点系统为例说明如何进行强迫功率振荡批量仿真。
该系统共有179个节点，29台同步发电机和263条支路，初始总负荷为60785.41MW。均匀改变WECC 179节点系统的负荷从95％-105％总负荷变化，通过在29台发电机的原动机转矩和励磁上分别施加周期性正弦波等扰动源来生成强迫功率振荡样本。其中，施加在原动机转矩上扰动源的幅值在0.1-0.5pu之间变化，施加在励磁上扰动源的幅值在0.05-0.25pu之间变化，每次变化的步长为0.05。扰动频率在0.1-2.6Hz之间变化，每次变化的步长为0.02。仿真时间设置为30s，每隔2.5％的负荷变化记录一组数据。为模拟电力系统中PMU的工作状态，信号采样频率为30Hz。
步骤三：对各个分区的发电机振荡信号进行主成分分析，提取每个分区的最大特征值所对应的特征向量为第一主成分，并将各个分区的第一主成分使用平滑伪Wigner-Ville分布进行变换得到各区振荡信号能量的时频分布，再对其进行图像化处理，形成强迫振荡区间WVD图像，具体步骤如下：
(1)将每个分区的各台发电机振荡信号组成一个表征该分区振荡信息的多元时间序列Di∈RN*M，i＝1,2,...,X，其中X为分区个数，N为发电机节点的数目，M为录波信号的采样点数目；
(2)分别对每个分区的多元时间序列Di分别进行主成分分析，提取每个分区的第一主成分，主成分分析的具体步骤如下：
(a)将表征各分区振荡信息的多元时间序列Di进行标准化得到标准化矩阵Zi，标准化计算公式为：
Figure BDA0002236730060000061
其中，zn,m为标准化矩阵Zi第n行、第m列的元素，dn,m为多元时间序列矩阵Di第n行、第m列的元素。
(b)对标准化矩阵Zi求相关系数矩阵Ri，计算公式如下：
Figure BDA0002236730060000062
其中，Ri为标准化矩阵Zi的相关系数矩阵，Zi T标准化矩阵Zi的转置矩阵。
(c)求解相关系数矩阵的特征方程，选出第一主成分作为该分区的振荡信息的代表向量。特征方程如下：
|Ri-λIp|＝0 (7)
其中，λ为相关系数矩阵Ri的特征值，IP为与相关系数矩阵Ri维数相同的单位矩阵。
选择出最大特征值对应的单位特征向量b1，则第一主成分的计算公式如下：
Pi,1＝Zi*b1 (8)
其中，Pi,1为相关系数矩阵Ri的第一主成分，b1为最大特征值对应的单位特征向量。
(3)使用平滑伪Wigner-Ville分布对各分区的第一主成分分别进行分析变换，以反映各分区第一主成分低频振荡能量随时间和频率的分布，并将各分区第一主成分的平滑伪Wigner-Ville分布横向排列，形成表征整个电力系统振荡信息的多元时间序列；
(4)将(3)中的多元时间序列使用Matlab中的imagesc函数进行染色，其工作原理是按矩阵元素数值大小转化为不同颜色，并在矩阵的对应位置染色，从而形成反映整个电力系统振荡信息的图像。图3为典型的强迫振荡区间WVD图像，图中的(a)(b)(c)(d)分别对应图2中1,2,3,4号区域内部分别发生强迫功率振荡的区间WVD图像。
步骤四：使用预训练的卷积神经网络对步骤三中生成的WVD图像进行训练得到定位扰动源所在分区的第一层分区定位模型。
对强迫振荡区间WVD图像进行训练所采用的预训练的卷积神经网络通过以下方式得到：将常用的卷积神经网络模型(例如，VGG16、VGG19或GoogLeNet等)的输出层替换为标签数目与分区数目一致的全连接层，在该层后连接Softmax层以用于分类，训练采用的优化器Optimizer是随机梯度下降法。
本实施例中，采用VGG16作为预训练网络对强迫振荡区内WVD图像进行的卷积神经网络训练，具体包括：将VGG16网络的输出层替换为标签数目与分区数目一致的全连接层，在该层后连接softmax层以用于分类。训练采用的优化器(Optimizer)是随机梯度下降法，批次大小(Batch size)设置为10，迭代次数(Epoch)设置为30代，学习率(Learning rate)设置为0.0001。卷积神经网络分区定位模型的准确率通过Holdout方式验证，即将样本集随机分为85％的训练集和15％的测试集，分区定位准确率100％。
步骤五：将扰动源所在分区内部各台发电机的振荡信号使用平滑伪Wigner-Ville分布进行变换，截取频率范围在0-5Hz的数据，并将其横向排列形成强迫振荡区内WVD图像。
图4为各区域典型的强迫振荡区内WVD图像，(a)(b)(c)(d)分别对应1号区域的140号节点发电机，2号区域的4号节点发电机，3号区域的35号节点发电机，4号区域的116号节点发电机分别发生强迫功率振荡的区内WVD图像。
步骤六：将步骤四训练得到的第一层分区定位模型应用迁移学习进行训练，得到能够定位各个分区内部扰动源所在机组的第二层机组定位模型。
迁移学习是指冻结第一层分区定位模型的前一或多个卷积层，并调整该模型输出层对应的标签数目与该分区所含发电机数目相一致，对第二层机组定位模型进行训练。步骤六具体包括：考虑到在大电网中定位分区和定位分区中的具体扰动源的相似性，冻结步骤四第一层分区定位模型的前二十层，使其参数不再变化，可以有效提高神经网络模型训练效率。
步骤七：对神经网络定位模型的正确率进行验证，卷积神经网络机组定位模型的准确率通过Holdout方式验证，即将样本集随机分为85％的训练集和15％的测试集，各分区机组定位的准确率如表2所示：
表2
区号 定位准确率
1(9台机) 96.55％
2(11台机) 98.38％
3(1台机) 100％
4(8台机) 99.29％
至此，一种多阶段迁移学习的强迫振荡分层定位方法的离线训练过程结束。若其他实施例中正确率不足95％，则通过增加迭代次数(Epoch)的方法对模型继续进行训练，直至达到要求。
在线定位过程具体为：
步骤八：当在实际系统监测到发生强迫功率振荡时，各分区调度中心采集区域内各PMU子站的发电机功率振荡数据。
本实施例中，已知一由扰动源位置在45号母线上发电机引发的强迫功率振荡，获取该振荡各区域内PMU子站的发电机功率振荡数据。
步骤九：对各个分区振荡信号进行主成分分析，并提取各分区的第一主成分上传到总调度中心；
步骤十：在总调度中心对各分区振荡信号第一主成分进行WVD变换，并进行图像化处理，形成区间WVD图像；
步骤十一：将区间WVD图像输入第一层分区定位模型，定位扰动源所在分区，将扰动源所在分区记为S分区；
步骤十二：根据分区定位结果调取定位扰动源所在分区内部各发电机振荡信号，并对其内部的发电机振荡信号进行WVD变换和进行图像化处理，形成S分区(即扰动源所在分区)区内WVD图像；
步骤十三：将电力系统的区内WVD图像输入第二层机组定位模型，定位扰动源所在机组。
本实施例中，将S分区区内WVD图像输入第二层机组定位模型，定位扰动源所在位置为45号母线上发电机。
至此，一种多阶段迁移学习的强迫振荡分层定位方法的在线定位过程结束。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，包括离线训练过程和在线定位过程；
所述离线训练过程包括：
(1)对电力系统进行特征值分析，根据特征值和特征向量评估发电机之间的相关性，对整个系统的发电机进行分区；
(2)在不同负荷水平下对所述电力系统中各台发电机的原动机转矩或者励磁输入上施加正弦波扰动来进行强迫功率振荡的批量仿真，获取批量强迫功率振荡数据样本；
(3)对各个分区的发电机振荡信号进行主成分分析，提取每个分区的最大特征值所对应的特征向量为第一主成分，并将各个分区的第一主成分使用平滑伪Wigner-Ville分布进行变换得到各区振荡信号能量的时频分布，再对其进行图像化处理，形成强迫振荡区间WVD图像；
(4)使用预训练的卷积神经网络对步骤(3)中生成的WVD图像进行训练得到定位扰动源所在分区的第一层分区定位模型；
(5)将扰动源所在分区内部各台发电机的振荡信号使用平滑伪Wigner-Ville分布进行变换，并形成强迫振荡区内WVD图像；
(6)将步骤(4)训练得到的第一层分区定位模型应用迁移学习来训练能够定位各个分区内部扰动源所在机组的第二层机组定位模型；
(7)对卷积神经网络定位模型的正确率进行验证，若正确率不足95％，则通过对卷积神经网络增加迭代次数的方法对模型继续进行训练，直到超过预定正确率阈值；
所述在线定位过程包括：
(8)当在实际系统监测到发生强迫功率振荡时，各分区调度中心采集区域内各PMU子站的发电机功率振荡数据；
(9)对各个分区振荡信号进行主成分分析，并提取各分区的第一主成分上传到总调度中心；
(10)在总调度中心对各分区振荡信号第一主成分进行WVD变换，并进行图像化处理，形成区间WVD图像；
(11)将区间WVD图像输入第一层分区定位模型，定位扰动源所在分区；
(12)根据分区定位结果调取定位扰动源所在分区内部各发电机振荡信号，并对其内部的发电机振荡信号进行WVD变换和进行图像化处理，形成所述扰动源所在分区内WVD图像；
(13)将所述电力系统的所述扰动源所在分区内WVD图像输入第二层机组定位模型，定位扰动源所在机组。
2.根据权利要求1所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，步骤(2)中，所述强迫功率振荡数据样本指各台发电机输出的有功功率信号。
3.根据权利要求1所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，所述步骤(3)包括以下步骤：
(31)将每个分区的各台发电机振荡信号组成一个表征该分区振荡信息的多元时间序列Di∈RN*M，i＝1,2,...,X，其中X为分区个数，N为发电机节点的数目，M为录波信号的采样点数目；
(32)分别对每个分区的多元时间序列Di分别进行主成分分析，提取每个分区的第一主成分；
(33)使用平滑伪Wigner-Ville分布对各分区的第一主成分分别进行分析，以反映各分区第一主成分能量随时间和频率的分布，并将各分区第一主成分的平滑伪Wigner-Ville分布进行排列，形成表征整个电力系统振荡信息的多元时间序列；
(34)将步骤(33)中的多元时间序列按矩阵元素数值大小转化为不同颜色，并在矩阵的对应位置染色，从而形成反映整个电力系统振荡信息的图像。
4.根据权利要求1所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，步骤(4)中，所述预训练的卷积神经网络通过以下方式得到：将VGG16、VGG19、或GoogLeNet卷积神经网络模型的输出层替换为标签数目与分区数目一致的全连接层，在所述全连接层后连接Softmax层以用于分类；对所述预训练的卷积神经网络进行训练时采用的优化器是随机梯度下降法。
5.根据权利要求3所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，所述步骤(32)包括以下步骤：
(321)将表征各分区振荡信息的多元时间序列Di进行标准化得到标准化矩阵Zi，标准化计算公式为：
Figure FDA0003430783430000031
其中，zn,m为标准化矩阵Zi第n行、第m列的元素，dn,m为多元时间序列矩阵Di第n行、第m列的元素，M为录波信号的采样点数目；；
(322)对标准化矩阵Zi求相关系数矩阵Ri，计算公式如下：
Figure FDA0003430783430000032
其中，Ri为标准化矩阵Zi的相关系数矩阵，Zi T标准化矩阵Zi的转置矩阵；
(323)求解相关系数矩阵的特征方程，选出第一主成分作为该分区的振荡信息的代表向量，其中特征方程如下：
|Ri-λIp|＝0 (3)
其中，λ为相关系数矩阵Ri的特征值，IP为与相关系数矩阵Ri维数相同的单位矩阵；
选择出最大特征值对应的单位特征向量b1，则第一主成分的计算公式如下：
Pi,1＝Zi*b1 (4)
其中，Pi,1为相关系数矩阵Ri的第一主成分，b1为最大特征值对应的单位特征向量。
6.根据权利要求1所述的基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于：步骤(5)中，所述强迫振荡区内WVD图像是指把对应分区内每台发电机的WVD图像进行排列，形成能够反映该分区内振荡信息的图像。
7.根据权利要求1所述的基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，步骤(6)中，所述的迁移学习包括：在保证准确率的前提下，从第一个卷积层开始冻结第一层分区定位模型的一或多个卷积层，并调整该模型输出层使得对应的标签数目与该分区所含发电机数目相一致，对第二层机组定位模型进行训练。
8.根据权利要求1所述的基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于：步骤(9)中，所述对各个分区振荡信号进行主成分分析的操作在各个分区的调度中心内实现，无需将全网发电机的振荡信号上传至电力系统总调度中心，以减少振荡信号上传的数据量。
CN201910986070.1A 2019-10-17 2019-10-17 一种基于多阶段迁移学习的强迫振荡分层定位方法 Active CN110674791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910986070.1A CN110674791B (zh) 2019-10-17 2019-10-17 一种基于多阶段迁移学习的强迫振荡分层定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910986070.1A CN110674791B (zh) 2019-10-17 2019-10-17 一种基于多阶段迁移学习的强迫振荡分层定位方法

Publications (2)

Publication Number Publication Date
CN110674791A CN110674791A (zh) 2020-01-10
CN110674791B true CN110674791B (zh) 2022-04-12

Family

ID=69083027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910986070.1A Active CN110674791B (zh) 2019-10-17 2019-10-17 一种基于多阶段迁移学习的强迫振荡分层定位方法

Country Status (1)

Country Link
CN (1) CN110674791B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355247B (zh) * 2020-02-18 2022-04-01 清华大学 电网低频振荡预测方法及装置
US20220115871A1 (en) * 2020-10-08 2022-04-14 Zhe Yu Power System Low-Frequency Oscillation Mechanism Identification with CNN and Transfer Learning

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101051749A (zh) * 2007-04-27 2007-10-10 清华大学 电力系统低频振荡的分布式分析方法
CN103178535A (zh) * 2013-02-27 2013-06-26 中国电力科学研究院 一种兼顾两类机制的电力系统低频振荡在线防控方法
CN105738772A (zh) * 2016-04-18 2016-07-06 东南大学 基于功率及频率波动相位的强迫扰动源定位方法
CN109217362A (zh) * 2018-08-22 2019-01-15 华北电力大学 一种双馈风机并网系统低频振荡扰动源定位系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101051749A (zh) * 2007-04-27 2007-10-10 清华大学 电力系统低频振荡的分布式分析方法
CN103178535A (zh) * 2013-02-27 2013-06-26 中国电力科学研究院 一种兼顾两类机制的电力系统低频振荡在线防控方法
CN105738772A (zh) * 2016-04-18 2016-07-06 东南大学 基于功率及频率波动相位的强迫扰动源定位方法
CN109217362A (zh) * 2018-08-22 2019-01-15 华北电力大学 一种双馈风机并网系统低频振荡扰动源定位系统及方法

Also Published As

Publication number Publication date
CN110674791A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN112149316B (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN110595765A (zh) 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN106951695A (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN110674791B (zh) 一种基于多阶段迁移学习的强迫振荡分层定位方法
CN110672905A (zh) 基于cnn的自监督电压暂降源辨识方法
Saravanakumar et al. Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN113887136A (zh) 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法
CN112414715B (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN111553510A (zh) 一种短期风速预测方法
CN115169235A (zh) 一种基于改进生成对抗网络的超表面单元结构逆设计方法
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN114841199A (zh) 配电网故障诊断方法、装置、设备及可读存储介质
Huang et al. An adversarial learning approach for machine prognostic health management
CN113486698B (zh) 一种氢燃料电池工作的识别预测方法、存储介质及系统
CN113780160A (zh) 一种电能质量扰动信号分类方法和系统
Lim et al. Evolutionary optimization with dynamic fidelity computational models
CN115965150A (zh) 一种基于权重分配的电力负荷预测方法
CN102788955A (zh) 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法
CN116432077A (zh) 基于优化bp神经网络的智能站二次系统故障定位方法
CN115936926A (zh) 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质
Chen et al. Graph convolution network-based fault diagnosis method for the rectifier of the high-speed train
CN108760813A (zh) 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant