CN115377999A - 一种基于宽频测量数据的次同步振荡辨识的方法 - Google Patents

Abstract

本发明公开了一种基于宽频测量数据的次同步振荡辨识的方法，首先对有次同步振荡与无次同步振荡的PMU测量数据和宽频测量数据进行特征提取，并将提取的一维特征数据转换为二维特征图像；将PMU数据特征图和宽频测量数据特征图，分别作为训练卷积神经网络CNN的训练图像数据；构建卷积神经网络CNN模型，将得到的训练图像数据分别输入到卷积神经网络中进行训练，得到各自对应的图像识别模型；针对新测得的类型未知的PMU和宽频测量数据，将提取出的PMU特征图像和宽频测量特征图像输入至对应的图像识别模型，实现次同步振荡的识别。该方法能够快速、准确地识别次同步振荡行为，并及时进行次同步振荡告警，提高识别效率。

Description

一种基于宽频测量数据的次同步振荡辨识的方法

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于宽频测量数据的次同步振荡辨识的方法。

背景技术

大力发展新能源是我国保障能源安全、应对气候变化的重要举措，风电、光伏是我国新能源利用的主要方式，在“三北”地区建设千万千瓦级风电/光伏基地、利用特高压直流送出是我国可再生能源开发利用的主导形式。大规模新能源汇集地区，新能源并网需装设大量电力电子设备，会将次/超同步谐波分量引入电力信号，从而造成电力系统次同步振荡现象，因此次同步振荡的实时监测对电网安全稳定运行至关重要。同步相量测量PMU的同步性和快速性为实现振荡信号的产生、传播和分布的大面积在线监测提供了条件，目前PMU装置已在电网中大量部署，可以满足监测的大部分需要。但PMU同步相量测量中均以工频相量为目标，测量的频带范围有限，所以进而出现了宽频测量装置，用来获得更大频段的测量数据，但目前宽频量测设备配置还比较少，只有在新能源发电并网节点和部分特定重要厂站、节点加以装设。由于测量装置改造和数据处理量大等因素，对电网中所有节点都装设宽频测量装置短期内是不现实的，但可以利用这部分宽频测量装置的数据对次同步振荡的识别进行补充，综合利用两种装置的数据，本文中将二者数据统称为宽频测量数据。

现有技术基于PMU的电力系统次同步振荡识别，需要对大量的数据点进行FFT频谱分析，根据所得间谐波分量的频率、幅值以及连续出现的次数来辨别，但这种方式运算量大、用时长，在对次同步振荡识别的快速性上尚有提升空间。

发明内容

本发明的目的是提供一种基于宽频测量数据的次同步振荡辨识的方法，该方法能够快速、准确地识别次同步振荡行为，并及时进行次同步振荡告警，提高识别效率。

本发明的目的是通过以下技术方案实现的：

一种基于宽频测量数据的次同步振荡辨识的方法，所述方法包括：

步骤1、首先对有次同步振荡与无次同步振荡的PMU测量数据和宽频测量数据进行特征提取，并通过线性映射填充的方式将提取的一维特征数据转换为二维特征图像；

步骤2、对步骤1得到的二维特征图像进行类型标记，得到PMU数据特征图和宽频测量数据特征图，分别作为训练卷积神经网络CNN的训练图像数据；

步骤3、构建卷积神经网络CNN模型，并设置模型参数，将步骤2得到的训练图像数据分别输入到卷积神经网络中进行训练，得到各自对应的图像识别模型，包括PMU数据图像识别模型和宽频测量数据图像识别模型；

步骤4、针对新测得的类型未知的PMU和宽频测量数据，将提取出的PMU特征图像和宽频测量特征图像输入至对应的图像识别模型，实现次同步振荡的识别。

由上述本发明提供的技术方案可以看出，上述方法所需数据窗长较短，识别速度较快，能够快速、准确地识别次同步振荡行为，并可减少数据的传输和存储，具有十分显著的优势。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的基于宽频测量数据的次同步振荡辨识的方法流程示意图；

图2为本发明实施例所述卷积神经网络CNN网络单元的结构图；

图3为本发明实施例提供的基于PMU测量数据的振荡与非振荡的数据窗特征图像对比图。

具体实施方式

下面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，这并不构成对本发明的限制。基于本发明的实施例，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他实施例，都属于本发明的保护范围。

如图1所示为本发明实施例提供的基于宽频测量数据的次同步振荡辨识的方法流程示意图，所述方法包括：

步骤1、首先对有次同步振荡与无次同步振荡的PMU测量数据和宽频测量数据进行特征提取，并通过线性映射填充的方式将提取的一维特征数据转换为二维特征图像；

在该步骤中，所述有次同步振荡与无次同步振荡的宽频测量数据按照历史或仿真的宽频测量数据的幅值数据进行选取，设置一定的窗长，对每个窗内的数据进行特征提取，将连续3s的间谐波幅值序列通过线性映射填充的方式将一维特征数据转换为二维特征图像；再利用传统FFT方法确定每个二维特征图像的标签，其中，振荡类别的标签值为+1，非振荡类别的标签值为-1，所述振荡是指次同步振荡；由此生成宽频测量数据特征图。

所述通过线性映射填充的方式将提取的一维特征数据转换为二维特征图像的过程具体为：

1)PMU数据特征图的生成方法为：

设0.5s的PMU电流幅值数据，得到包含50个数据点的序列X：

X＝[x₁,x₂,…,x_i,…,x₄₉,x₅₀]

其中x_i为X中的第i个元素，对X中的元素按升序进行排列，得到序列Y：

Y＝[y₁,y₂,…,y_i,…,y₄₉,y₅₀]

式中y_j为Y中的第j个元素；在Y中寻找其元素的最大值y_max和最小值y_min；然后采用线性映射的方法，使数值大小不同的矩阵元素对应不同的色彩，通过对排序后电流幅值矩阵进行10bit色彩化，将特征矩阵中的元素映射至10bit的色彩空间：

式中C_i代表经过色彩化后的元素；max(·)表示取最大值运算；min(·)代表取最小值运算；max(color)和min(color)表示色彩空间的维度，对于10bit色彩化方法，max(color)＝1024，min(color)＝0；

代表取整数运算；

将色彩化后的时空特征矩阵进行可视化处理，在Matlab中采用“redblue”色域进行可视化，表示为：

式中“redblue”色域是一个1024×3维的色域向量；→表示色域映射关系；[R(i),G(i),B(i)]^T表示色域可视化后对应位置的RGB数值；

根据对应的RGB数值获得每个元素所对应的不同颜色的矩形色块，将不同颜色的矩形色块在一维元素所对应的矩阵位置进行填充，最终得到所需的PMU数据二维特征图；

2)宽频测量数据特征图的生成方法为：

设连续三个窗，即3s的间谐波幅值数据，得到数据序列矩阵Z：

式中z_i,j为Z中的第i行第j列的元素；在Z中寻找其元素的最大值z_max和最小值z_min；然后采用线性映射的方法使数值大小不同的矩阵元素对应不同的色彩，通过对排序后间谐波幅值矩阵进行10bit色彩化，将特征矩阵中的元素映射至10bit的色彩空间，表示为：

式中C_i代表经过色彩化后的元素；max(·)表示取最大值运算；min(·)代表取最小值运算；max(color)和min(color)表示色彩空间的维度，对于10bit色彩化方法，max(color)＝1024，min(color)＝0；

代表取整数运算；

将色彩化后的时空特征矩阵进行可视化处理，在Matlab中采用“redblue”色域进行可视化，表示为：

式中“redblue”色域是一个1024×3维的色域向量；→表示色域映射关系；{R(i),G(i),B(i)]^T表示色域可视化后对应位置的RGB数值；

根据对应的RGB数值获得每个元素所对应的不同颜色的矩形色块，将不同颜色的矩形色块在一维元素所对应的矩阵位置进行填充；同时采用滑动窗技术，每隔1s进行滑窗得到新的数据窗矩阵，最终得到宽频测量数据二维特征图。

步骤2、对步骤1得到的二维特征图像进行类型标记，得到PMU数据特征图和宽频测量数据特征图，分别作为训练卷积神经网络CNN的训练图像数据；

步骤3、构建卷积神经网络CNN模型，并设置模型参数，将步骤2得到的训练图像数据分别输入到卷积神经网络中进行训练，得到各自对应的图像识别模型，包括PMU数据图像识别模型和宽频测量数据图像识别模型；

在该步骤中，所述卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络由多层感知机(MLP)演变而来，由于其具有局部区域连接、权值共享、降采样的结构特点，使得卷积神经网络在图像处理领域表现十分出色；卷积神经网络通过其复杂的结构，将原始数据从低层次特征一步步进行提炼，逐渐表示为深层网络的“高级”特征，它主要由卷积层、激活函数、池化层和全连接层等网络组成。

在本实施例中，如图2所示为本发明实施例所述卷积神经网络CNN网络单元的结构图，所构建的卷积神经网络CNN模型有4层卷积层和1层全连接层，卷积层的特征提取过程表示为：

式中

表示卷积神经网络第k层第j个特征图的输出值；

为第k层第j个特征图与第k-1层第i个特征图之间的卷积核；

为第k层的偏置向量中第j个特征图所对应的阈值；N_j为输入特征图的集合；σ(·)为激活函数，具体为ReLU函数；

ReLU函数的数学表达式如下：

选择ReLU函数为激活函数能够解决梯度爆炸和消失问题，加快网络的收敛速度；

由于最大池化在处理图像时具有更好的特征提取能力，故所述卷积神经网络CNN模型采用最大池化；

且最后一层全连接层设置为softmax检测函数，用来进行分类。

步骤4、针对新测得的类型未知的PMU和宽频测量数据，将提取出的PMU特征图像和宽频测量特征图像输入至对应的图像识别模型，实现次同步振荡的识别。

在该步骤中，具体是针对新测得的类型未知的PMU和宽频测量数据，设置与模型训练时相同的窗长，对每个窗内的数据进行特征图像生成，从而将一维特征数据通过线性映射填充转换为PMU特征图像和宽频测量特征图像；

再将所述PMU特征图像和宽频测量特征图像输入至对应的图像识别模型，进行次同步振荡的识别。

在不同的时间、地点、电压等级下，取不同的次同步振荡事件，两类图像识别模型的测试准确率可达98％以上，证明此种次同步振荡识别方法具有较好的普适性，为了说明本发明实施例所述方案的效果，下面以具体实例进行验证：

1、特征提取测试

取新疆电网哈密变、麻黄沟东、天山换流站、老君庙附近的多条不同线路的连续PMU测量电流相量数据段。首先生成PMU数据特征图，取窗长为0.5s，数据窗滑动步长为0.5s。各数据段共计填满6086个完整的数据窗，通过传统FFT方法测试知3624个数据窗内的数据为振荡状态，2462个数据窗内的数据为非振荡状态，从而给定相应的类别标签。

其次生成宽频测量数据特征图，取窗长为3s，数据窗滑动步长为1s，各数据段共计填满5596个完整的数据窗，通过传统FFT方法测试知3171个数据窗内的数据为振荡状态，2425个数据窗内的数据为非振荡状态，从而给定相应的类别标签。

对每个数据窗内的数据进行特征提取，如图3所示为本发明实施例提供的基于PMU测量数据的振荡与非振荡的数据窗特征图像对比图，图3中：(a)(b)两个部分依次对应基于PMU数据生成的振荡和非振荡特征图；(c)(d)两个部分依次对应基于宽频测量数据生成的振荡和非振荡特征图。从图3可以直观地看出，特征图对于振荡和非振荡状态具有较好的区分能力，不同状态下特征图差异较为明显。如基于PMU数据生成的特征图，观察到正常时刻的特征图，颜色过渡呈现突变的特征，颜色变化较大；而振荡时刻的特征图，颜色过渡较为平滑，对比二者有显著差异。而基于宽频测量数据生成的特征图，可以发现正常情况下由于不同间谐波分量之间幅值大小差距不大，所以生成的特征图中色块颜色各异且分布较为杂乱；而发生次同步振荡时，振荡间谐波分量幅值会远大于其他间谐波分量且持续保持不变，而幅值越大对应的色块颜色差别越明显，在特征图中表现为存在多条连续显著的异色条纹，其余间谐波分量由于幅值相对较小，则表现为不同颜色，两者同样具有显著的差异。

2、CNN图像识别模型训练

取新疆电网新疆电网哈密变、麻黄沟东、天山换流站的不同线路、电压等级的出线数据，对得到的PMU电流相量幅值和宽频测量数据进行特征提取，划分训练集和测试集。分别对两类特征图进行训练生成对应的图像识别模型，同时选用不同长度的数据窗长测试，结果如表1所示，两类模型都具有较高的辨识准确率，准确率最高可达99％以上。

表1不同窗长下的两类图像识别模型测试准确率

3、泛化测试

选用新疆地区老君庙地区的数据对模型进行泛化验证测试。泛化测试考虑了不同时间、不同线路、不同电压等级、振荡频率大小、不同振荡场景、单一振荡频率与多个振荡频率等因素，测试结果如表2所示，同样可达98％以上的准确率，证明此种振荡识别方法具有较好的普适性。

表2泛化测试准确率

由训练测试以及对大量新数据的泛化测试，可得到以下结论：

在不同的窗长下，训练得到的图像识别模型均有较好的分类准确率。基于PMU数据的图像识别模型，随着窗长增加准确率先增加后减少，可见0.5s窗长具有最好的辨识效果；而基于宽频测量数据的图像识别模型，随着窗长的增加，准确率也不断增加，但窗长达到3s以上时，准确率相差不大，且由于窗长越短越容易进行更早的辨识，且可减少数据量的传送，则选用3s作为宽频测量数据模型的窗长。

同时由泛化测试结果知，利用某一时段数据训练的分类器在未见的新数据上仍具有较高的分类准确率，泛化性能良好，分类器对于不同时间、不同线路、不同电压等级、振荡频率大小、不同振荡场景、单一振荡频率或多个振荡频率的振荡均有较好的适应性。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

综上所述，本发明实施例所述方法所需数据窗长较短，识别速度较快，能够快速、准确地识别次同步振荡行为，并可减少数据的传输和存储，具有十分显著的优势。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (5)

1.一种基于宽频测量数据的次同步振荡辨识的方法，其特征在于，所述方法包括：

步骤1、首先对有次同步振荡与无次同步振荡的PMU测量数据和宽频测量数据进行特征提取，并通过线性映射填充的方式将提取的一维特征数据转换为二维特征图像；

步骤2、对步骤1得到的二维特征图像进行类型标记，得到PMU数据特征图和宽频测量数据特征图，分别作为训练卷积神经网络CNN的训练图像数据；

步骤3、构建卷积神经网络CNN模型，并设置模型参数，将步骤2得到的训练图像数据分别输入到卷积神经网络中进行训练，得到各自对应的图像识别模型，包括PMU数据图像识别模型和宽频测量数据图像识别模型；

步骤4、针对新测得的类型未知的PMU和宽频测量数据，将提取出的PMU特征图像和宽频测量特征图像输入至对应的图像识别模型，实现次同步振荡的识别。

2.根据权利要求1所述基于宽频测量数据的次同步振荡辨识的方法，其特征在于，在步骤1中：

所述有次同步振荡与无次同步振荡的宽频测量数据按照历史或仿真的宽频测量数据的幅值数据进行选取，设置一定的窗长，对每个窗内的数据进行特征提取，将连续3s的间谐波幅值序列通过线性映射填充的方式将一维特征数据转换为二维特征图像；

再利用传统FFT方法确定每个二维特征图像的标签，其中，振荡类别的标签值为+1，非振荡类别的标签值为-1，所述振荡是指次同步振荡；由此生成宽频测量数据特征图。

3.根据权利要求1或2所述基于宽频测量数据的次同步振荡辨识的方法，其特征在于，在步骤1中，所述通过线性映射填充的方式将提取的一维特征数据转换为二维特征图像的过程具体为：

1)PMU数据特征图的生成方法为：

设0.5s的PMU电流幅值数据，得到包含50个数据点的序列X：

X＝[x₁，x₂，…，x_i，…，x₄₉，x₅₀]

其中x_i为X中的第i个元素，对X中的元素按升序进行排列，得到序列Y：

Y＝[y₁，y₂，…，y_j，…，y₄₉，y₅₀]

式中y_j为Y中的第j个元素；在Y中寻找其元素的最大值y_max和最小值y_min；然后采用线性映射的方法，使数值大小不同的矩阵元素对应不同的色彩，通过对排序后电流幅值矩阵进行10bit色彩化，将特征矩阵中的元素映射至10bit的色彩空间：

式中C_i代表经过色彩化后的元素；max(·)表示取最大值运算；min(·)代表取最小值运算；max(color)和min(color)表示色彩空间的维度，对于10bit色彩化方法，max(color)＝1024，min(color)＝0；

代表取整数运算；

将色彩化后的时空特征矩阵进行可视化处理，在Matlab中采用“redblue”色域进行可视化，表示为：

式中“redblue”色域是一个1024×3维的色域向量；→表示色域映射关系；[R(i)，G(i)，B(i)]^T表示色域可视化后对应位置的RGB数值；

根据对应的RGB数值获得每个元素所对应的不同颜色的矩形色块，将不同颜色的矩形色块在一维元素所对应的矩阵位置进行填充，最终得到所需的PMU数据二维特征图；

2)宽频测量数据特征图的生成方法为：

设连续三个窗，即3s的间谐波幅值数据，得到数据序列矩阵Z：

式中z_i，j为Z中的第i行第j列的元素；在Z中寻找其元素的最大值z_max和最小值z_min；然后采用线性映射的方法使数值大小不同的矩阵元素对应不同的色彩，通过对排序后间谐波幅值矩阵进行10bit色彩化，将特征矩阵中的元素映射至10bit的色彩空间，表示为：

式中C_i代表经过色彩化后的元素；max(·)表示取最大值运算；min(·)代表取最小值运算；max(color)和min(color)表示色彩空间的维度，对于10bit色彩化方法，max(color)＝1024，min(color)＝0；

代表取整数运算；

将色彩化后的时空特征矩阵进行可视化处理，在Matlab中采用“redblue”色域进行可视化，表示为：

式中“redblue”色域是一个1024×3维的色域向量；→表示色域映射关系；[R(i)，G(i)，B(i)]^T表示色域可视化后对应位置的RGB数值；

根据对应的RGB数值获得每个元素所对应的不同颜色的矩形色块，将不同颜色的矩形色块在一维元素所对应的矩阵位置进行填充；同时采用滑动窗技术，每隔1s进行滑窗得到新的数据窗矩阵，最终得到宽频测量数据二维特征图。

4.根据权利要求1所述基于宽频测量数据的次同步振荡辨识的方法，其特征在于，在步骤3中，所构建的卷积神经网络CNN模型有4层卷积层和1层全连接层，卷积层的特征提取过程表示为：

式中

表示卷积神经网络第k层第j个特征图的输出值；

为第k层第j个特征图与第k-1层第i个特征图之间的卷积核；

为第k层的偏置向量中第j个特征图所对应的阈值；N_j为输入特征图的集合；σ(·)为激活函数，具体为ReLU函数；

ReLU函数的数学表达式如下：

选择ReLU函数为激活函数能够解决梯度爆炸和消失问题，加快网络的收敛速度；

由于最大池化在处理图像时具有更好的特征提取能力，故所述卷积神经网络CNN模型采用最大池化；

且最后一层全连接层设置为softmax检测函数，用来进行分类。

5.根据权利要求1所述基于宽频测量数据的次同步振荡辨识的方法，其特征在于，在步骤4中，针对新测得的类型未知的PMU和宽频测量数据，设置与模型训练时相同的窗长，对每个窗内的数据进行特征图像生成，从而将一维特征数据通过线性映射填充转换为PMU特征图像和宽频测量特征图像；

再将所述PMU特征图像和宽频测量特征图像输入至对应的图像识别模型，进行次同步振荡的识别。

Images