一种基于波形数据的宽频振荡监测方法及系统与流程

本发明涉及电力系统，特别是一种基于波形数据的宽频振荡监测方法及系统。

背景技术：

1、新一代能源电力系统具有高比例可再生能源和高比例电力电子设备的“双高”特点。在电力电子设备之间及其与电网之间相互作用引起的电气量随时间作周期性波动，且频率振荡在较宽的范围内变化的动态过程称为电力系统宽频振荡，振荡的频率从几hz到数千hz。宽频振荡实际案例中多模式并存，且随“源-网-荷”方式变化而变化，兼受扰动强弱影响而可能处在线性或非线性主导的不同阶段，呈现了强非线性特征。实际的振荡频率与特征值分析结果相比将产生偏移，而且振荡频率会随电网运行方式及电力电子设备运行点的变化而变化，即出现频率漂移现象，表现出明显的时变特征。宽频带振荡信号的强非线性和强时变特性导致给宽频振荡参数的准确辨识面临前所未有的挑战。

2、目前关于电力系统振荡监测最主要的方法是信号处理类方法，并且振荡监测频段主要集中在低频、次同步/超同步振荡。典型的有快速傅里叶变换(fft)、prony变换、希尔伯特黄变换(hht)、同步压缩小波变换(sst)以及各种方法的改进算法。但是，每种方法都有其适用的范围和局限性。fft和prony变换只能用于线性平稳信号的分析。hht可以分析非线性非平稳信号，但其中的经验模态分解(emd)有模态混叠问题。sst通过对传统时频谱进行重排，解决时频谱能量发散的问题，通过改变支撑区间来消除模态混叠，解决了emd模态混叠的困扰。但sst方法对于具有时变特点的强调频信号处理结果不理想。上述方法都对噪声较为敏感，因此在电力系统强噪声情况下上述方法的实用性还需考证。

技术实现思路

1、发明目的：本发明的目的是提供一种基于波形数据的宽频振荡监测方法及系统，从而解决宽频范围内对振荡信号的在线监测问题，并利用多节点波形数据相干谱判别振荡与噪声，有效减少了强噪声引起的误判断，在工程中具有重要意义。

2、技术方案：本发明所述的一种基于波形数据的宽频振荡监测方法，包括以下步骤：

3、s1、通过广域测量系统的同步相量测量单元对电网系统进行实时采样，得到各个时段的电信号波形序列，通过多通道信号相干谱方法判别振荡发生；

4、s2、将s1中通过多通道信号相干谱方法判定为发生振荡的电信号波形序列定义为振荡样本，将振荡样本输入到经过无监督优化后的卷积神经网络模型(cnn模型)中，压缩数据的数量，提取振荡特征，并减小过拟合，汇总并输出特征数据集d；

5、s3、采用卷积神经网络输出的宽频振荡信号的振荡特征数据集d作为极限梯度提升树(xgboost)的输入，辨识振荡频率和衰减因子。

6、所述步骤s1包括以下步骤：

7、s11、对电信号波形序列进行功率谱密度计算，并计算不同节点的互功率谱密度；

8、s12、计算不同节点间的相干谱，根据相干谱峰值判断振荡是否发生。

9、s12中所述相干谱的具体表达式为：

10、

11、其中px1x1和px2x2分别是信号x1(t)和x2(t)的功率谱密度；px1x2是信号x1(t)和x2(t)的互功率谱密度。

12、所述步骤s2包括以下步骤：

13、s21、对cnn模型进行无监督优化，以实现省去标签量的设定；

14、s22、将判断为振荡的波形数据输入到cnn模型中进行特征提取。

15、所述步骤s21包括以下步骤：

16、建立n组单模态信号时域波形叠加后输出值为：

17、

18、式中，t为时间；ai为第i个模态信号的幅值；为第i个模态信号的相位；fi为第i个模态信号的频率；λi为第i个模态信号的衰减因子；

19、损失函数定义为：

20、

21、其中，n为振荡样本总数；g(ti)为第i个输出值；y(ti)为第i个期望值；

22、利用cnn模型输出层的损失函数e调整网络权重ω和偏置量γ：

23、

24、

25、其中，α为网络学习效率；ω与γ为未调整的网络权重和偏置量；ω'与γ'是利用损失函数e调整以后的网络权重与偏置量。

26、所述步骤s22包括以下步骤：

27、将振荡原始数据通过输入层输入到cnn模型；

28、利用卷积层提取振荡数据的重要特征；

29、利用池化层降低振荡数据的维度；

30、利用全连接层对处理后的振荡数据进行分类；

31、最终通过输出层将结果输出到下一网络模型中。

32、所述步骤s3包括以下步骤：

33、s31、将样本特征集d输入到xgboost模型中，设定迭代次数、损失函数l、正则化系数λ与γ、初始迭代次数设定为1；计算全部样本在当前损失函数l的一阶导数和gj以及二阶导数和hj，设置默认参数gl＝0，hl＝0，gr＝0，hr＝0；

34、s32、计算样本放入左子树以后新的gl与hl、放入右子树以后新的gr与hr，更新增益参数score，基于增益参数score划分特征和特征值分裂子树，实现振荡参数预测。

35、步骤s31中所述的xgboost模型的具体表达式为：

36、

37、其中，fp(xi)是第p棵树模型；p是树的序号；xi是第i个振荡样本；f为由决策树组成的函数空间；是预测值；

38、损失函数具体表达式为：

39、

40、其中，xi是第i个振荡样本；yi是实际参数值。

41、步骤s32中所述的增益参数score的具体表达式为：

42、

43、式中，gl与hl分别是样本放入左子树以后新的损失函数一阶导数、二阶导数；gr与hr分别是放入右子树以后新的损失函数一阶导数、二阶导数。

44、一种基于波形数据的宽频振荡监测系统，包括以下模块：

45、实时采样模块：通过广域测量系统的同步相量测量单元对电网系统进行实时采样，得到各个时段的电信号波形序列；

46、振荡判别模块：通过多通道信号相干谱方法判别振荡发生；

47、样本输入模块：将振荡样本输入到经过无监督优化后的cnn模型中；

48、特征数据集输出模块：通过卷积层和池化层压缩数据的数量，提取振荡特征，并减小过拟合，全连接层汇总并输出特征数据集d；

49、振荡监测模块：采用卷积神经网络输出的宽频振荡信号的振荡特征作为xgboost的输入，辨识振荡频率和衰减因子。

50、所述相干谱的具体表达式为：

51、

52、其中px1x1和px2x2分别是信号x1(t)和x2(t)的功率谱密度；px1x2是信号x1(t)和x2(t)的互功率谱密度。

53、所述样本输入模块的运行方式如下：

54、建立n组单模态信号时域波形叠加后输出值为：

55、

56、式中，t为时间；ai为第i个模态信号的幅值；为第i个模态信号的相位；fi为第i个模态信号的频率；λi为第i个模态信号的衰减因子；

57、损失函数定义为：

58、

59、其中，n为振荡样本总数；g(ti)为第i个输出值；y(ti)为第i个期望值；

60、利用cnn模型输出层的损失函数e调整网络权重ω和偏置量γ：

61、

62、

63、其中，α为网络学习效率；ω与γ为未调整的网络权重和偏置量；ω'与γ'是利用损失函数e调整以后的网络权重与偏置量。

64、所述特征数据集输出模块的运行方式如下：

65、将振荡原始数据通过输入层输入到cnn模型；

66、利用卷积层提取振荡数据的重要特征；

67、利用池化层降低振荡数据的维度；

68、利用全连接层对处理后的振荡数据进行分类；

69、最终通过输出层将结果输出到下一网络模型中。

70、所述振荡监测模块的运行方式如下：

71、将样本特征集d输入到xgboost模型中，设定迭代次数、损失函数l、正则化系数λ与γ、初始迭代次数设定为1；计算全部样本在当前损失函数l的一阶导数和gj以及二阶导数和hj，设置默认参数gl＝0，hl＝0，gr＝0，hr＝0；

72、计算样本放入左子树以后新的gl与hl、放入右子树以后新的gr与hr，更新增益参数score，基于增益参数score划分特征和特征值分裂子树，实现振荡参数预测。

73、一种计算机存储介质，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上述的一种基于波形数据的宽频振荡监测方法。

74、一种计算机设备，包括储存器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于波形数据的宽频振荡监测方法。

75、有益效果：与现有技术相比，本发明具有如下优点：

76、本发明不需要安装额外的设备，只需要利用已经在电网中大范围安装的同步相量测量装置的数据实现对宽频范围内的振荡监测，极大地降低了监测的成本，解决了宽频范围内对振荡信号的在线监测问题，并利用多节点波形数据相干谱判别振荡与噪声，有效减少了强噪声引起的误判断，通过对cnn进行无监督构造，省去了标签量的设定，提高了模型的泛化能力与计算效率，在工程中具有重要意义。