CN121117943A - 基于模态分析的宽频电网振荡定位方法和装置 - Google Patents

Abstract

本申请涉及一种基于模态分析的宽频电网振荡定位方法和装置。所述方法包括：获取电网中的宽频振荡数据，提取所述宽频振荡数据的频谱特征，基于所述频谱特征识别振荡模态，基于所述宽频振荡数据，确定所述电网中各支路节点的振荡定位指标，基于各支路节点的振荡定位指标，构建包含时间特征和空间特征的时空特征张量，并将识别出的振荡模态作为标签附加于所述时空特征张量，将所述时空特征张量输入至已训练的振荡源定位模型，得到振荡源定位结果，所述振荡源定位模型基于携带振荡源位置标签的历史时空特征张量对长短期记忆网络训练得到。采用本方法能够高效且准确地定位振荡源。

Description

基于模态分析的宽频电网振荡定位方法和装置

技术领域

本申请涉及振荡定位技术领域，特别是涉及一种基于模态分析的宽频电网振荡定位方法、装置、计算机设备和计算机可读存储介质。

背景技术

电网振荡通常源于电力系统中的功率失衡或扰动。可再生能源的大规模接入改变了电网系统的动态特性，成为诱发宽频振荡的潜在因素。然而，宽频振荡通常表现出区域性、高度随机性及多源性的特征，加之电网采集信息中往往包含大量与振荡源定位无关的冗余数据，这些因素共同导致精确定位宽频振荡源的工作极具挑战性。因此，及时准确地定位宽频振荡源对振荡的抑制起到了积极的参考作用。

目前，常用的振荡源定位方法主要包括分特征值法、阻抗法、能量函数法和振荡功率法。由于宽频振荡可能是由无明确物理扰动源的复杂因素诱发，因此上述常用的振荡源定位方法仍然难以准确识别出振荡扰动源的位置，实现准确定位。

发明内容

基于此，有必要针对上述技术问题，提供一种更为准确的基于模态分析的宽频电网振荡定位方法、装置、计算机设备和计算机可读存储介质。

第一方面，本申请提供了一种基于模态分析的宽频电网振荡定位方法，包括：

获取电网中的宽频振荡数据；

提取所述宽频振荡数据的频谱特征，基于所述频谱特征识别振荡模态；

基于所述宽频振荡数据，确定所述电网中各支路节点的振荡定位指标；

基于各支路节点的振荡定位指标，构建包含时间特征和空间特征的时空特征张量，并将识别出的振荡模态作为标签附加于所述时空特征张量；

将所述时空特征张量输入至已训练的振荡源定位模型，得到振荡源定位结果，所述振荡源定位模型基于携带振荡源位置标签的历史时空特征张量对长短期记忆网络训练得到。

在其中一个实施例中，所述提取所述宽频振荡数据的频谱特征之前，所述方法还包括：

对所述宽频振荡数据进行数据预处理，所述数据预处理包括缺失值识别；

在识别到存在缺失值的异常宽频振荡数据的情况下，根据已训练的生成对抗网络中的生成器填补所述异常宽频振荡数据中的缺失值，更新所述宽频振荡数据；

其中，所述生成器用于基于对抗训练生成与真实宽频振荡数据分布一致的修复值。

在其中一个实施例中，所述振荡源定位模型基于以下方式训练得到：

获取携带真实振荡源位置标签的历史时空特征张量；

将所述历史时空特征张量输入至基于长短期记忆网络构建的初始振荡源定位模型，得到振荡源预测结果；

通过联合损失函数拟合所述振荡源预测结果和真实振荡源位置的误差，迭代更新网络参数，直至所述初始振荡源定位模型收敛，得到训练后的振荡源定位模型；

其中，所述联合损失函数融合有数据预测误差项和机理正则项。

在其中一个实施例中，得到振荡源预测结果之后，所述方法还包括：

确定各振荡源定位指标对所述振荡源预测结果的影响权重；

根据各振荡源定位指标对所述振荡源预测结果的影响权重，对所述振荡源预测结果进行可解释性验证；

在所述振荡源预测结果通过可解释性验证的情况下，输出所述振荡源预测结果。

在其中一个实施例中，所述提取所述宽频振荡数据的频谱特征，基于所述频谱特征识别振荡模态，包括：

对所述宽频振荡数据进行频域变换，得到频域信号；

基于所述频域信号中各频率点对应的幅度变化量，筛选出幅度变化量高于预设变化量阈值的频谱峰值点；

基于所述频谱峰值点对应的预设频段，识别振荡模态。

在其中一个实施例中，所述基于所述宽频振荡数据，确定所述电网中各支路节点的振荡定位指标，包括：

基于所述宽频振荡数据，确定发电机转子运动方程；

基于所述发电机转子运动方程，确定所述电网中各节点的节点动能及节点势能；

基于所述宽频振荡数据，确定所述电网中各支路的有功功率偏差；

基于各所述支路的有功功率偏差，确定各支路的分支势能，振荡定位指标包括所述节点动能、所述节点势能和所述分支势能。

在其中一个实施例中，所述方法还包括：

将所述振荡源定位结果转换为母线坐标编码或区域编号。

第二方面，本申请还提供了一种基于模态分析的宽频电网振荡定位装置，装置包括：

数据获取模块，用于获取电网中的宽频振荡数据；

模态识别模块，用于提取所述宽频振荡数据的频谱特征，基于所述频谱特征识别振荡模态；

指标确定模块，用于基于所述宽频振荡数据，确定所述电网中各支路节点的振荡定位指标；

数据构建模块，用于基于各支路节点的振荡定位指标，构建包含时间特征和空间特征的时空特征张量，并将识别出的振荡模态作为标签附加于所述时空特征张量；

振荡源定位模块，用于将所述时空特征张量输入至已训练的振荡源定位模型，得到振荡源定位结果，所述振荡源定位模型基于携带振荡源位置标签的历史时空特征张量对长短期记忆网络训练得到。

第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一项基于模态分析的宽频电网振荡定位方法实施例中的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项基于模态分析的宽频电网振荡定位方法实施例中的步骤。

上述基于模态分析的宽频电网振荡定位方法、装置、计算机设备和计算机可读存储介质，通过提取宽频振荡数据中的频谱特征识别振荡模态，实现了时域、频域与空间信息的多模态融合分析，进而能够更为全面地刻画振荡行为，通过确定电网各支路节点的振荡定位指标，进而基于振荡定位指标识别相互的振荡模态构建包含时间特征和空间特征的时空特征张量，该特征张量能有效反映振荡在电网中的传播路径与演化规律，通过将该特征张量输入至基于长短期记忆网络训练得到的振荡源定位模型，能够准确捕获振荡信号中的长期依赖关系和非线性动态特征，进而准确地识别出振荡源。整个方案，通过频谱分析、指标计算、时空张量和深度学习的多模态协同分析框架，实现了对电网宽频振荡源的高精度定位。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对本申请实施例或相关技术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申请的一些实施例，对于本领域普通技术人员来讲，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相关的附图。

图1为一个实施例中基于模态分析的宽频电网振荡定位方法的应用环境图；

图2为一个实施例中基于模态分析的宽频电网振荡定位方法的流程示意图；

图3为另一个实施例中基于模态分析的宽频电网振荡定位方法的流程示意图；

图4为又一个实施例中基于模态分析的宽频电网振荡定位方法的流程示意图；

图5为一个实施例中训练振荡源定位模型步骤的流程示意图；

图6为一个实施例中荡源定位模型的结构示意图；

图7为一个实施例中对振荡源预测结果进行可解释性验证步骤的流程示意图；

图8为一个实施例中部分支路有功功率数据修复前后的对比效果图；

图9为一个实施例中部分支路有功功率的频谱图；

图10为一个实施例中CNN与LSTM的准确率与训练次数对比效果图；

图11为一个实施例中基于模态分析的宽频电网振荡定位装置的结构框图；

图12为另一个实施例中基于模态分析的宽频电网振荡定位装置的结构框图；

图13为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，本申请所使用的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。本申请所使用的术语“多个”指的是两个及两个以上。本申请所使用的术语“和/或”指的是其中的一种方案，或是其中多种方案的任意组合。

本申请实施例提供的基于模态分析的宽频电网振荡定位方法，可以应用于如图1所示的应用环境中。其中，服务器104通过通信接口与部署在电网各关键节点（如变电站、发电厂、新能源并网点）的终端设备102（如PMU（Phasor Measurement Unit，相量测量单元）、SCADA（Supervisory Control and Data Acquisition，数据采集与监视控制系统）系统、智能电表终端）建立实时数据连接。数据存储系统可以存储服务器104需要处理的数据，还部署有基于携带振荡源位置标签的历史时空特征张量对长短期记忆网络训练得到的振荡源定位模型。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。

具体地，可以是终端设备102实时采集电网系统中的数据，在电网发生振荡的情况下，终端102将采集到的宽频振荡数据上传至服务器104，服务器104获取宽频振荡数据之后，提取宽频振荡数据的频谱特征，接着，基于频谱特征识别振荡模态，基于宽频振荡数据，确定电网中各支路节点的振荡定位指标，基于各支路节点的振荡定位指标，构建包含时间特征和空间特征的时空特征张量，并将识别出的振荡模态作为标签附加于所述时空特征张量，最后，将时空特征张量输入至已训练的振荡源定位模型，得到振荡源定位结果。

其中，终端102可以但不限于是电网系统的数据采集终端、PMU、SCADA系统、智能电表终端、物理机、虚拟机或容器实例等。服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或分布式系统，还可以是提供云计算服务的云服务器。

在一个示例性的实施例中，如图2所示，提供了一种基于模态分析的宽频电网振荡定位方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤（以下简称为S）100至S500。其中：

S100，获取电网中的宽频振荡数据。

宽频振荡数据是指在电网系统运行过程中，由于功率失衡或扰动问题稳定性问题引发的频率范围较广（通常涵盖0.1 Hz（赫兹）至100 Hz）的电压、电流、功率或频率等电气量的动态波动数据。本实施例中，宽频振荡数据可由同步相量测量单元（PMU）采集，包括但不限于各支路的有功功率、无功功率以及各母线的电压幅值和相位信息等。

实际应用中，可以是服务器通过与部署在变电站、发电厂等关键位置的终端设备建立通信连接，主动请求或接收终端上传的实时量测数据流。终端设备在本地检测到异常波动（如频率变化率超过阈值）时，会自动触发数据采集，并将对应时间段的原始宽频振荡测量数据打包发送至服务器；服务器接收到原始宽频振荡测量数据后，可进行时间对齐、格式解析和初步筛选，提取出包含完整振荡起始、发展和衰减过程的数据片段，得到用于后续分析的宽频振荡数据。

S200，提取宽频振荡数据的频谱特征，基于频谱特征识别振荡模态。

频谱特征是指将时域信号通过数学变换转化为频率域表示后所呈现的能量分布特性，其能够揭示信号中包含的主要频率成分及其强度。振荡模态是指电网系统在特定频率下发生的振荡类型，通常分为低频（0.1–2 Hz）、中频（2–10 Hz）和高频（10–100 Hz）三类模态。

具体实施时，服务器在得到宽频振荡数据后，可首先对电网系统中每条支路或关键节点的电压、电流或功率时间序列进行去趋势和滤波处理，以消除直流偏移和噪声干扰。随后，服务器对处理后的信号执行快速傅里叶变换（FFT），将其从时间域转换为频率域，计算得到幅度谱。随后，可通过识别幅度谱中显著的能量峰值，并结合预设的频率区间划分标准，判断当前振荡属于哪一类模态，接着，该振荡模态识别结果将作为后续特征构建和模型推理的重要先验信息。

S300，基于宽频振荡数据，确定电网中各支路节点的振荡定位指标。

振荡定位指标是用于表征振荡能量在电网中分布与传播特性的物理量，能够反映潜在振荡源的位置。本实施例中，振荡定位指标可包括但不限于节点势能和分支势能等。

承接上一步骤，服务器可基于宽频振荡数据，结合电力系统动态模型，计算关键振荡定位指标，节点动能、节点势能和分支势能。其中，节点动能反映节点处因频率或相角变化引起的动态能量积累，通常与发电机转子动能相关；节点势能体现节点间电压相角差所对应的储能状态；分支势能则描述支路上功率波动所携带的能量传播特性。服务器调用本地存储的电网拓扑参数（如线路阻抗、导纳矩阵）和物理模型，在每个时间步长上对各节点和支路逐一计算上述至少包括节点动能、节点势能和分支势能的振荡定位指标。

S400，基于各支路节点的振荡定位指标，构建包含时间特征和空间特征的时空特征张量，并将识别出的振荡模态作为标签附加于时空特征张量。

时空特征张量是一种高维数据结构，用于同时表达振荡过程在时间和空间两个维度上的演化规律。其中，时间特征可用于表征振荡能量随时间的变化趋势，空间特征可用于表征能量在电网不同节点和支路之间的分布与传播路径。

承接上一步骤，在计算各支路节点的振荡定位指标之后，可以是针对电网系统中 的每个节点i和支路j，提取完整振荡周期内振荡指标的时间序列。 接着，在关键时间点，汇总振荡指标形成空间分布向量，反映能量全 局分布状态，最终构建M×N维时空特征张量X作为LSTM模型输入：

其中，M为振荡指标数量，N为时间步长，行向量表征能量传播路径，列向量表征能量时间演化。

接着，将识别出的振荡模态作为标签附加于时空特征张量，用于区分不同类型的振荡事件。

S500，将时空特征张量输入至已训练的振荡源定位模型，得到振荡源定位结果，振荡源定位模型基于携带振荡源位置标签的历史时空特征张量对长短期记忆网络训练得到。

本实施例中，振荡源定位模型是一种基于长短期记忆网络（LSTM）的深度学习模型，专门用于从复杂的时空特征中识别振荡起始位置。其中，长短期记忆网络（LSTM）是一种循环神经网络（RNN）的变体，擅长捕捉时间序列中的长期依赖关系，适用于分析振荡能量随时间在空间上传播的动态过程。振荡源定位结果是指通过分析电力系统在发生宽频振荡时的动态数据，确定引发该振荡的源头位置的输出信息。振荡源定位结果包括但不限于空间位置标识，如具体的电网节点或区域的标识，或者以概率分布或置信度等级的形式表达的振荡源预测结果，

实际应用中，可以是预先利用大量历史振荡事件数据对长短期记忆网络进行训练，得到振荡源定位模型。具体的，可以是收集历史时间段发生的真实振荡事件，并构建带有真实振荡源位置标签的时空特征张量，并以此作为训练样本，监督LSTM学习从输入特征到输出位置的映射关系，得到训练后的振荡源定位模型。

具体实施时，服务器将携带振动模态标签的时空特征张量输入该已训练模型，该模型通过内部门控机制逐时间步处理输入序列，预测最可能的振荡源位置，输出预测出的振荡源定位结果。进一步地，服务器还可将该定位结果通过标准通信协议推送至调度中心终端或运维监控平台，供运行人员快速响应和处置，实现从数据感知到智能决策的闭环支持。

上述基于模态分析的宽频电网振荡定位方法，通过提取宽频振荡数据中的频谱特征识别振荡模态，实现了时域、频域与空间信息的多模态融合分析，进而能够更为全面地刻画振荡行为，通过确定电网各支路节点的振荡定位指标，进而基于振荡定位指标识别相互的振荡模态构建包含时间特征和空间特征的时空特征张量，该特征张量能有效反映振荡在电网中的传播路径与演化规律，通过将该特征张量输入至基于长短期记忆网络训练得到的振荡源定位模型，能够准确捕获振荡信号中的长期依赖关系和非线性动态特征，进而准确地识别出振荡源。整个方案，通过频谱分析、指标计算、时空张量和深度学习的多模态协同分析框架，实现了对电网宽频振荡源的高精度定位。

在另一些实施例中，得到振荡源定位结果之后，方法还包括：将振荡源定位结果转换为母线坐标编码或区域独热编号。

母线坐标编码是指将电网中每一个可能的振荡源候选位置（通常为关键母线）映射到一个唯一的、具有空间意义的编码。例如，服务器可依据电网地理接线图，为每条母线分配二维坐标（如经度-纬度或厂站平面坐标），或将母线按电压等级、厂站编号和母线序号组合成结构化编码（如“500kV-变电站A-#1母线”对应的数字ID）。在模型训练阶段，真实振荡源所在的母线被转换为该编码作为标签；在模型应用阶段，模型输出层直接预测该编码值，从而实现从特征输入到物理位置的端到端映射。

区域独热编号则是另一种空间编码方式，适用于大范围电网的粗粒度定位。服务器将整个电网划分为若干功能区域（如“负荷中心区”、“新能源汇集区”等），每个区域对应一个唯一的类别标签。在模型输出端，采用独热编码（one-hot encoding）表示：若有 N 个区域，则输出层包含 N 个神经元，每个神经元对应一个区域，激活值为1的神经元即表示预测的振荡源所在区域。例如，输出向量 [0,0,1,0]表示振荡源位于第3个区域。

具体实施时，可以是服务器首先在系统初始化阶段构建母线或区域的编码映射表，并将其存储于本地数据库。在模型训练阶段，服务器将历史振荡事件的真实源位置自动转换为对应的母线坐标或区域独热编号，作为监督标签；在模型结构设计上，输出层神经元数量与编码维度一致（如2维用于坐标回归，N维用于区域分类），并采用相应的损失函数（如均方误差用于坐标回归，交叉熵用于区域分类）。在振荡源实时定位阶段，服务器将模型输出的编码值反向映射回实际电网拓扑，生成可读的定位结果（如“振荡源位于#215母线”或“振荡发生于新能源汇集区”），并通过人机界面或告警系统推送至调度终端。

本实施例中，通过引入编码机制，实现了模型输出与物理空间的直接对齐，且调度人员可直接依据输出编号定位设备或区域，无需额外解析，同时，该编码机制支持灵活扩展，可适应不同规模和结构的电网系统。

如图3所示，在一些示例性的实施例中，提取宽频振荡数据的频谱特征之前，方法还包括：

步骤120，对宽频振荡数据进行数据预处理，数据预处理包括缺失值识别。

数据预处理是指在正式分析之前，对原始的宽频振荡数据进行包括但不限于清洗、格式化和结构化处理，以提升数据质量并满足后续算法输入要求。

具体实施时，服务器在从各终端（如PMU、SCADA系统）接收到原始量测数据后，首先执行数据预处理操作，例如对时间序列数据进行时间戳对齐，检查数据完整性，识别是否存在采样缺失、异常跳变或通信中断导致的空值。针对识别到的包含缺失值的宽频振荡数据样本，若有m个样本，每个样本有n个特征，可以构建一个m×n的缺失的振荡样本数据矩阵，其中缺失值的位置标记为NaN。通过上述方式，可以标记出存在缺失值的异常宽频振荡数据。

步骤140，在识别到存在缺失值的异常宽频振荡数据的情况下，根据已训练的生成对抗网络中的生成器填补异常宽频振荡数据中的缺失值，更新宽频振荡数据。

其中，生成器用于基于对抗训练生成与真实宽频振荡数据分布一致的修复值。

异常宽频振荡数据是指在宽频振荡事件过程中，由于通信中断、终端故障或存储异常等原因，导致部分时间点或部分节点的量测数据丢失的数据。生成对抗网络（GAN）是一种深度学习模型，由生成器（Generator）和判别器（Discriminator）构成，通过两者之间的对抗训练，使生成器能够学习真实数据的分布并生成逼真的样本。其中，“生成器”是GAN的核心组件，其作用是接收包含缺失值的数据作为输入，输出对缺失部分的合理估计值，使得修复后的数据在统计特性上与真实振荡数据难以区分。判别器的作用是区分真实样本和生成样本，判别器则接收真实数据样本和生成数据样本，输出它们属于真实数据的概率。

实际应用中，训练生成对抗网络的过程可以是：定义生成对抗网络的目标函数，目标函数表示判别器D和生成器G之间的博弈关系，其是一个最小化-最大化问题，目标是训练生成器G使其能够生成逼真的数据，同时训练判别器D使其能够准确区分真实数据和生成数据。其中，E表示期望，生成对抗网络目标函数为：

式中，表示判别器D和生成器G之间的博弈目标函数，E表示期望， 是真实数据的分布，是向量y的先验分布，和分别表示生成器和判别器的权重， 通过梯度下降方法交替更新，表示生成后的数据，表示输入数据为真实数 据的可能性。

在训练完对抗生成网络之后，可将识别到的包含缺失值的异常宽频振荡数据输入至生成器中，生成器能够生成与真实数据相似的样本。具体地，可将缺失的振荡样本数据矩阵和一个新的随机矩阵输入到生成器中，生成器通过其深层神经网络结构，结合上下文时间序列模式和空间相关性，生成对缺失值的修复估计，得到缺失值的候选填充值。例如，若某PMU在某一时间段内未上传数据，生成器会基于邻近节点的动态响应和历史相似振荡模式，推断出该节点在缺失时段的合理电压或功率变化曲线。服务器将生成的修复值填充至原数据矩阵的对应位置，从而得到完整、连续且符合真实数据分布特性的更新版宽频振荡数据。

本实施例中，通过引入对抗训练机制，对存在缺失值的振荡数据进行缺失值修复，能够应对不同振荡类型（如低频、高频）和不同网络结构下的数据修复需求，且生成的候补填充值在时频特性、能量分布等方面与真实数据更为一致，优于传统插值或均值填补方法，且能够提升振荡分析的鲁棒性与准确性。

如图4所示，在一些示例性的实施例中，S200，包括：

S220，对宽频振荡数据进行频域变换，得到频域信号，基于频域信号中各频率点对应的幅度变化量，筛选出幅度变化量高于预设变化量阈值的频谱峰值点，基于频谱峰值点对应的预设频段，识别振荡模态。

承接上一实施例，在对宽频振荡数据中的缺失值进行修复之后，可以将修复后的宽频振荡数据表示为时间域信号x[n]，对时间域信号x[n]进行快速傅里叶变换，得到频域信号X[k]。离散傅里叶变换的公式为：

式中，x[n]是时间域信号；X[k]是频域信号；N是信号的采样点数。

接着，基于快速傅里叶变换生成的频域信号X[k]，获得信号在不同频率下的能量强度，得到完整的频谱分布（幅度谱图）。

随后，服务器基于该幅度谱图进行关键特征提取。由于实际电网中存在背景噪声和非振荡性波动，需识别出真正由振荡引起的显著频率成分。为此，服务器计算频域信号中各频率点对应的幅度变化量，即当前信号在该频率点的幅度相对于稳态或正常运行水平的增量。服务器将该幅度变化量与一个预设变化量阈值进行比较，该阈值可根据历史噪声水平、系统灵敏度或统计方法（如3倍标准差）动态设定。只有当某频率点的幅度变化量超过该预设变化量阈值时，将其视为潜在的振荡频率点。接着，服务器从所有超阈值的潜在的振荡频率点中筛选出局部最大值，即频谱峰值点，这些点代表了系统中存在明显能量聚集的振荡频率。

接着，服务器根据内置的频率分类规则识别振荡模态，频率分类规则可如下：若频谱峰值点位于0.1 Hz至2 Hz范围内，则判定为低频振荡模态，此类振荡通常与同步发电机转子摇摆、区域间功率交换失稳相关；若峰值点位于2 Hz至10 Hz之间，则归类为中频振荡模态，此类振荡多与电力电子设备的控制系统动态交互相关，发生于新能源高比例接入场景；若峰值点落在10 Hz至100 Hz的高频区间，则识别为高频振荡模态，此类振荡由常见于电力电子设备（如逆变器）的开关谐振或控制器带宽附近。服务器可基于这些频谱峰值点所处的预设频段，识别其对应的振荡模态。可以理解的是，频率分类规则具体可根据实际情况设定，在此不做唯一限定。

如图4所示，在一些示例性的实施例中，S300，包括：

S320，基于宽频振荡数据，确定发电机转子运动方程，基于发电机转子运动方程，确定电网中各节点的节点动能及节点势能，基于宽频振荡数据，确定电网中各支路的有功功率偏差，基于各支路的有功功率偏差，确定各支路的分支势能，振荡定位指标包括节点动能、节点势能和分支势能。

发电机转子运动方程是描述同步发电机转子在机械转矩与电磁转矩不平衡作用下角速度和相角动态变化的基本微分方程，通常表示为二阶微分方程。节点动能表征机组转子在功率系统机电振荡过程中储存的旋转动能，反映系统的惯性响应能力；节点势能表征节点在功率振荡过程中，由于其端口有功功率不平衡以及网络约束所累积的能量，体现系统恢复同步的能力。分支势能表征输电线路或变压器等网络支路在功率振荡过程中，由于其传输的有功功率偏离稳态值而储存或释放的能量。有功功率偏差是指在振荡过程中，支路上传输的有功功率相对于其稳态值的偏离量，是反映功率波动强度和能量流动方向的关键变量。

本实施例中，服务器在获取宽频振荡数据后，可调用电网模型数据库，提取各发电机节点的参数（如惯量、阻尼、额定功率等），并结合PMU采集的实时有功功率、频率和相角数据，对转子运动方程进行小扰动线性化处理，将其转化为适用于振荡分析的线性形式，通过数值解算该方程，还原发电机在振荡过程中的动态行为，推导出在线性化解算扰动场景下的转子运动方程：

其中，为发电机组的惯性特性参数；M为发电机的阻尼特性参数；为扰动功 率的波动；为电功率的波动；为转子角度偏离量；为转速变化量；， 为基准频率。

服务器在获得线性化后的转子运动方程后，对其进行积分运算，构建电力系统的能量函数模型：

对转子运动方程进行积分得到电力系统的能量函数：

式中，为节点动能函数，为节点势能函数。

其中，节点动能函数用于表征机组转子在功率系统机电振荡过程中储存的旋转动 能相对于其同步参考轴的变化量。该能量源于转子惯量对加速/减速功率的响应，第i个节 点的动能函数表示为：

节点势能函数用于表征节点在功率振荡过程中，由于其端口有功功率不平衡以及 网络约束所累积的能量。这部分能量反映了系统偏离原始平衡点时电磁场所做的功，第i个 节点的势能函数表示为：

分支势能用于表征输电线路或变压器等网络支路在功率振荡过程中，由于其传输 的有功功率偏离稳态值而储存或释放的能量。这部分能量反映了网络中电磁场的能量变 化，与支路两端母线电压相角差相关，第j个支路的分支势能表示为：

式中，是振荡发生时分支的有功功率；是分支稳态时的有功功率；是支 路j的角频率差。

具体实施时，服务器可代入相应的参数至上述节点动能函数计算每个发电机节点的节点动能，代入相应的参数至上述节点势能函数，计算每个发电机节点的节点势能。接着，获取各支路两端的电压、电流相量数据，实时计算每条支路的有功功率，可通过滑动平均或低通滤波提取该功率序列的稳态分量，并计算每一时刻的有功功率偏差值，将所有支路的有功功率偏差存储为时间序列矩阵，作为计算分支势能的基础输入。基于各支路的有功功率偏差和角频率差，结合其时间积分特性或能量累积模型，计算分支势能。最后，可将分支势能与节点动能、节点势能统一进行归一化处理，形成三类核心振荡定位指标。这些指标共同构成多维特征空间，节点动能揭示能量源头的动态惯性响应，节点势能反映局部稳定性，分支势能则表征能量传播通道。服务器将这三类指标按节点和支路编号组织，形成结构化数据集，用于后续构建时空特征张量。

本实施例中，通过确定节点动能、节点势能和分支势能这三类振荡定位指标，分别从“动态储能”、“静态储能”和“能量传输”三个维度刻画振荡过程，全面反映能量的产生、分布与传播。相比单一依赖电压或功率幅值的方法，该指标体系能更早、更准地识别振荡源，尤其在多源、弱阻尼场景下表现更为优越。

如图5所示，在一些示例性的实施例中，振荡源定位模型基于以下方式训练得到：

S420，获取携带真实振荡源位置标签的历史时空特征张量。

S440，将历史时空特征张量输入至基于长短期记忆网络构建的初始振荡源定位模型，得到振荡源预测结果。

S460，通过联合损失函数拟合振荡源预测结果和真实振荡源位置的误差，迭代更新网络参数，直至初始振荡源定位模型收敛，得到训练后的振荡源定位模型，其中，联合损失函数融合有数据预测误差项和机理正则项。

实际应用中，振荡源定位模型（以下简称为模型）是基于历史数据通过监督学习方式训练得到。具体地，训练过程包括：首先，服务器从历史数据库中获取携带真实振荡源位置标签的历史时空特征张量。这些历史数据来源于电网中已发生并经过专家标注或仿真确认的宽频振荡事件。每个历史时空特征张量均按照前述S100至S400的流程构建：即基于真实PMU量测数据，经过预处理、GAN修复（如存在缺失）、频谱分析与模态识别后，计算各节点和支路的动能、势能等振荡定位指标，并按时间与空间维度组织成结构化的张量。与此同时，每一条样本都附带一个真实振荡源位置标签，该标签由故障录波分析、现场排查或高精度仿真（如EMT仿真）确定，通常编码为具体母线编号、区域ID或独热向量（one-hotvector），作为模型训练的监督目标。

接着，服务器将这些带标签的历史时空特征张量作为输入，送入一个基于长短期记忆网络（LSTM）构建的初始振荡源定位模型中。LSTM是一种擅长处理序列数据的循环神经网络，能够捕捉时间序列中长期的依赖关系。本实施例中，LSTM被设计为多层结构，接收历史时空特征张量的时间序列切片作为输入，逐时刻提取能量传播的动态模式，并通过全连接层输出对振荡源位置的概率预测，即振荡源预测结果。该预测结果是模型在当前网络参数下对输入特征的判断，初始阶段通常与真实标签存在较大偏差。

为了优化模型性能，实现电网宽频振荡源的精准定位，本实施例中引入联合损失函数来衡量预测结果与真实标签之间的误差，并指导模型参数更新。该损失函数并非仅依赖传统的数据拟合误差（如交叉熵损失），而是进一步融合了机理正则项，形成复合型目标函数。具体而言，联合损失函数包含两个部分：其一是数据预测误差项（如分类交叉熵损失函数，即数据拟合部分），用于确保模型输出尽可能接近真实振荡源位置；其二是机理正则项，用于强制模型遵循电力系统的基本物理规律。

交叉熵损失函数即数据拟合部分，其核心是衡量模型预测的位置和真实位置 之间的差异，通过最小化这种差异来训练模型，使模型能够准确地预测振荡源位置，可以表 示为：

式中，N表示训练样本数量，为模型预测的振荡源位置，y为真实振荡源位置。

机理正则项用于确保模型的预测结果符合物理规律，防止过拟合，使模型更 加稳定可靠，可以表示为：

式中，和是正则化参数，用于平衡主损失函数和机理正则项在总损失中的权 重，为模型预测数据点p和数据点q的振荡指标峰值时差，为真实数据点 p和数据点q的振荡指标峰值时差，为振荡源区域支路的相位锁定值，用于衡量两 条支路在振荡过程中的相位同步性，当源区支路相位同步时PLV趋近于1，反之趋近0。

具体地，模型训练过程可以包括以下步骤：

步骤3-1：前向传播，准备已知振荡源位置的时空特征张量X输入LSTM网络，通过门控机制学习能量传播的长期依赖关系，LSTM模型结构可参见图6；

步骤3-2：损失计算，联合损失函数评估预测位置的精度及物理合理性；

其中，联合损失函数表示为：

步骤3-3：反向传播，计算损失对参数的梯度，梯度表示为：

式中，表示模型输出值；为输出门的权重矩阵；y为真实的振荡源位置；为 输出门的偏置向量；为当前时间步的隐藏状态，其公式为：

式中，为-1到1之间的值；为记忆单元的状态。

步骤3-4：迭代收敛，重复训练直到模型在训练数据上的梯度收敛到一个较小的值。

在每一轮训练迭代中，服务器执行前向传播计算损失值，再通过反向传播算法将联合损失函数的梯度传递至LSTM网络各层参数，利用优化器（如Adam）更新权重。该过程持续进行，直至模型在验证集上的定位准确率趋于稳定，且联合损失不再显著下降，即判定初始振荡源定位模型收敛。最终，服务器保存收敛后的网络参数，得到训练完成的振荡源定位模型，并部署于服务器中，用于后续在线振荡事件的源定位任务。

本实施例中，通过引入机理正则项显著提升了模型的可解释性与泛化能力，且提升了模型的预测精度。

如图7所示，在一些示例性的实施例中，得到振荡源预测结果之后，方法还包括：

S480，确定各振荡源定位指标对振荡源预测结果的影响权重。

S482，根据各振荡源定位指标对振荡源预测结果的影响权重，对振荡源预测结果进行可解释性验证。

S484，在振荡源预测结果通过可解释性验证的情况下，输出振荡源预测结果。

本实施例中，可以是通过可解释性分析算法，量化各振荡源定位指标对最终预测结果的影响程度，判断哪些振荡定位指标在决策过程中起到了关键作用。在本实施例中，输入特征为时空特征张量，其包含的底层变量为计算的各类振荡定位指标，如节点动能、节点势能和分支势能等。因此，服务器在获得振荡源预测结果后，调用可解释性分析算法（如SHAP值、LIME或基于梯度的敏感性分析），计算每个定位指标对预测输出的贡献权重。示例性地，在判定某次振荡源位于母线#5的预测结果中，该节点的动能在振荡初期显著上升，其特征贡献度远高于其他节点和指标，而相邻支路的势能传播方向也指向该节点，进一步佐证其为能量源头。这种量化分析使原本的LSTM模型决策过程变得透明，运维人员可据此判断模型是否基于合理的物理机制做出判断。

示例性地，通过模型解释技术利用SHAP值进行特征贡献度分析。所谓SHAP值， 用于衡量如分支势能、节点动能、节点势能等对模型预测振荡源位置的贡献程度，其计算综 合考量所有可能的特征组合及其对模型输出的影响。其中，SHAP值越大，对应指标对振荡源 预测结果的影响越显著。若分支势能在多数时间步长的SHAP值较高，而模型预测其所在支 路临近振荡源位置，这表明该支路的能量变化是模型预测的关键依据。SHAP值可以表示为：

式中，S表示振荡指标子集；表示使用子集S的特征时，LSTM模型输出的振荡 源位置预测值；表示加入目标支路j后，LSTM模型输出的振荡源位置预测值；M表 示振荡指标数量；表示所有指标排列组合的总数；表示固定子集S和目 标支路j位置时的排列数。

进一步地，基于各振荡源定位指标对振荡源预测结果的影响权重，对振荡源预测结果进行可解释性验证，验证标准可以包括：关键特征贡献是否集中在少数物理上合理的节点；能量传播路径是否符合“由源向四周扩散”的拓扑规律；主要贡献指标是否与识别出的振荡模态相匹配（如低频振荡应以动能主导，高频振荡可能与分支势能突变相关）。若上述条件均满足，服务器判定模型通过可解释性验证，认为该振荡源预测结果具有较高的可信度，进而输出该振荡源预测结果，还可将其作为最终结果输出至调度终端或监控平台，供运行人员参考。

本实施例中，通过引入可解释性验证机制，实现了从“预测”到“验证”的闭环流程，确保输出的每一个振荡源定位结果都兼具准确性与可解释性，为电网安全稳定运行提供坚实支撑。

为了对本申请提供的基于模态分析的宽频电网振荡定位方法做出更为清楚的说明，下面结合一个具体实施例进行说明，该具体实施例包括以下内容：

1.样本数据

在某实际电网系统中，选取一个包含4台发电机组、5条输电线路的局部电网进行测试。在母线2附近人为设置振荡源，模拟宽频振荡故障。通过安装在各母线和支路上的PMU设备采集电网运行数据，采样频率为50Hz，采集时长为10秒，共获取500个样本数据。每个样本数据包含各支路的有功功率、无功功率以及各母线的电压幅值和相位信息，具体信息参见表1：

表1电网测试数据

2.数据采集与预处理

由于采集到的原始数据中存在部分缺失值和噪声干扰。利用生成对抗网络（GAN）对缺失数据进行修复。构建GAN模型，将采集到的带有缺失值的振荡样本数据作为输入，经过约800次迭代训练后，生成器生成修复后的完整数据样本。如图8所示，该图展示了部分支路有功功率数据修复前后的对比效果。

3.振荡模态分析

对修复后的数据采用快速傅里叶变换进行频谱分析，提取振荡信号的频谱特性，基于频谱特征识别主要振荡模态。如图9展示了支路有功功率信号的频谱图，从图中可以清晰地看到主要振荡模态频率成分集中在1.5Hz-2Hz之间，属于低频振荡模态。

4.振荡源定位

计算各支路的分支势能、节点动能和节点势能等振荡定位指标，构建时空特征张量，并将低频振荡模态作为标签附加于时空特征张量，最后，将添加有标签的时空特征张量作为振荡源定位模型的输入。利用CNN算法与LSTM神经网络进行比较，设置训练周期为150次。从图10可以看出，CNN的精确值大概在80个训练周期时稳定于0.8，而基于LSTM构建的振荡源定位模型的精确值仅需20个训练周期便能达1，其结果表明本申请所提供的基于模态分析的宽频电网振荡定位方法相较于其他方法效果更优。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。可以理解的是，不同实施例中各步骤可以根据需要自由组合，组合所形成的各种无矛盾的方案均属于本申请保护的范围。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于模态分析的宽频电网振荡定位方法的基于模态分析的宽频电网振荡定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于模态分析的宽频电网振荡定位装置实施例中的具体限定可以参见上文中对于基于模态分析的宽频电网振荡定位方法的限定，在此不再赘述。

在一个示例性的实施例中，如图11所示，提供了一种基于模态分析的宽频电网振荡定位装置500，装置包括：数据获取模块510、模态识别模块520、指标确定模块530、数据构建模块540和振荡源定位模块550，其中：

数据获取模块510，用于获取电网中的宽频振荡数据。

模态识别模块520，用于提取宽频振荡数据的频谱特征，基于频谱特征识别振荡模态。

指标确定模块530，用于基于宽频振荡数据，确定电网中各支路节点的振荡定位指标。

数据构建模块540，用于基于各支路节点的振荡定位指标，构建包含时间特征和空间特征的时空特征张量，并将识别出的振荡模态作为标签附加于时空特征张量。

振荡源定位模块550，用于将时空特征张量输入至已训练的振荡源定位模型，得到振荡源定位结果，振荡源定位模型基于携带振荡源位置标签的历史时空特征张量对长短期记忆网络训练得到。

如图12所示，在一些示例性的实施例中，装置还包括缺失值修复模块512，用于对宽频振荡数据进行数据预处理，数据预处理包括缺失值识别，在识别到存在缺失值的异常宽频振荡数据的情况下，根据已训练的生成对抗网络中的生成器填补异常宽频振荡数据中的缺失值，更新宽频振荡数据，其中，生成器用于基于对抗训练生成与真实宽频振荡数据分布一致的修复值。

在一些示例性的实施例中，装置还包括模型训练模块542，用于获取携带真实振荡源位置标签的历史时空特征张量，将历史时空特征张量输入至基于长短期记忆网络构建的初始振荡源定位模型，得到振荡源预测结果，通过联合损失函数拟合振荡源预测结果和真实振荡源位置的误差，迭代更新网络参数，直至初始振荡源定位模型收敛，得到训练后的振荡源定位模型；其中，联合损失函数融合有数据预测误差项和机理正则项。

在一些示例性的实施例中，装置还包括可解释性验证模块552，用于确定各振荡源定位指标对振荡源预测结果的影响权重，根据各振荡源定位指标对振荡源预测结果的影响权重，对振荡源预测结果进行可解释性验证，在振荡源预测结果通过可解释性验证的情况下，输出振荡源预测结果。

在一些示例性的实施例中，模态识别模块520，还用于对宽频振荡数据进行频域变换，得到频域信号，基于频域信号中各频率点对应的幅度变化量，筛选出幅度变化量高于预设变化量阈值的频谱峰值点，基于频谱峰值点对应的预设频段，识别振荡模态。

在一些示例性的实施例中，指标确定模块530，还用于基于宽频振荡数据，确定发电机转子运动方程，基于发电机转子运动方程，确定电网中各节点的节点动能及节点势能，基于宽频振荡数据，确定电网中各支路的有功功率偏差，基于各支路的有功功率偏差，确定各支路的分支势能，振荡定位指标包括节点动能、节点势能和分支势能。

在一些示例性的实施例中，振荡源定位模块550，还用于将振荡源定位结果转换为母线坐标编码或区域编号。

上述基于模态分析的宽频电网振荡定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储压力测试节点的资源利用数据和目标系统的性能指标，以及压力测试结果等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过通信连接通信。该计算机程序被处理器执行时以实现一种基于模态分析的宽频电网振荡定位方法。

本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任意一项基于模态分析的宽频电网振荡定位方法实施例中的步骤。

在一个示例性的实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一项基于模态分析的宽频电网振荡定位方法实施例中的步骤。

在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任意一项基于模态分析的宽频电网振荡定位方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性存储器和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（Resistive Random Access Memory，ReRAM）、磁变存储器（Magnetoresistive RandomAccess Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器、人工智能（Artificial Intelligence，AI）处理器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本申请记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于模态分析的宽频电网振荡定位方法，其特征在于，所述方法包括：

获取电网中的宽频振荡数据；

提取所述宽频振荡数据的频谱特征，基于所述频谱特征识别振荡模态；

基于所述宽频振荡数据，确定所述电网中各支路节点的振荡定位指标；

基于各支路节点的振荡定位指标，构建包含时间特征和空间特征的时空特征张量，并将识别出的振荡模态作为标签附加于所述时空特征张量；

将所述时空特征张量输入至已训练的振荡源定位模型，得到振荡源定位结果，所述振荡源定位模型基于携带振荡源位置标签的历史时空特征张量对长短期记忆网络训练得到。

2.根据权利要求1所述的方法，其特征在于，所述提取所述宽频振荡数据的频谱特征之前，所述方法还包括：

对所述宽频振荡数据进行数据预处理，所述数据预处理包括缺失值识别；

在识别到存在缺失值的异常宽频振荡数据的情况下，根据已训练的生成对抗网络中的生成器填补所述异常宽频振荡数据中的缺失值，更新所述宽频振荡数据；

其中，所述生成器用于基于对抗训练生成与真实宽频振荡数据分布一致的修复值。

3.根据权利要求1所述的方法，其特征在于，所述振荡源定位模型基于以下方式训练得到：

获取携带真实振荡源位置标签的历史时空特征张量；

将所述历史时空特征张量输入至基于长短期记忆网络构建的初始振荡源定位模型，得到振荡源预测结果；

通过联合损失函数拟合所述振荡源预测结果和真实振荡源位置的误差，迭代更新网络参数，直至所述初始振荡源定位模型收敛，得到训练后的振荡源定位模型；

其中，所述联合损失函数融合有数据预测误差项和机理正则项。

4.根据权利要求3所述的方法，其特征在于，得到振荡源预测结果之后，所述方法还包括：

确定各振荡源定位指标对所述振荡源预测结果的影响权重；

根据各振荡源定位指标对所述振荡源预测结果的影响权重，对所述振荡源预测结果进行可解释性验证；

在所述振荡源预测结果通过可解释性验证的情况下，输出所述振荡源预测结果。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述提取所述宽频振荡数据的频谱特征，基于所述频谱特征识别振荡模态，包括：

对所述宽频振荡数据进行频域变换，得到频域信号；

基于所述频域信号中各频率点对应的幅度变化量，筛选出幅度变化量高于预设变化量阈值的频谱峰值点；

基于所述频谱峰值点对应的预设频段，识别振荡模态。

6.根据权利要求1至4任意一项所述的方法，其特征在于，所述基于所述宽频振荡数据，确定所述电网中各支路节点的振荡定位指标，包括：

基于所述宽频振荡数据，确定发电机转子运动方程；

基于所述发电机转子运动方程，确定所述电网中各节点的节点动能及节点势能；

基于所述宽频振荡数据，确定所述电网中各支路的有功功率偏差；

基于各所述支路的有功功率偏差，确定各支路的分支势能，振荡定位指标包括所述节点动能、所述节点势能和所述分支势能。

7.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：

将所述振荡源定位结果转换为母线坐标编码或区域编号。

8.一种基于模态分析的宽频电网振荡定位装置，其特征在于，所述装置包括：

数据获取模块，用于获取电网中的宽频振荡数据；

模态识别模块，用于提取所述宽频振荡数据的频谱特征，基于所述频谱特征识别振荡模态；

指标确定模块，用于基于所述宽频振荡数据，确定所述电网中各支路节点的振荡定位指标；

数据构建模块，用于基于各支路节点的振荡定位指标，构建包含时间特征和空间特征的时空特征张量，并将识别出的振荡模态作为标签附加于所述时空特征张量；

振荡源定位模块，用于将所述时空特征张量输入至已训练的振荡源定位模型，得到振荡源定位结果，所述振荡源定位模型基于携带振荡源位置标签的历史时空特征张量对长短期记忆网络训练得到。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。