一种四元特征集卷积神经网络的次同步振荡源定位方法

技术领域

本发明涉及电力系统次同步振荡源定位技术领域，尤其是一种四元特征集卷积神经网络的次同步振荡源定位方法。

背景技术

随着可再生能源大规模并网，电力系统安装了大量电力电子设备，提高了电网的输电能力。然而与此同时，电力系统的稳定性问题也日益凸显，次同步振荡(Sub-synchronous Oscillation,SSO)问题日益严重。SSO可能引起谐波污染，损坏可再生能源设备，对电网的安全稳定运行造成了威胁。快速准确地定位SSO的来源，及时调整相关参数，对于消除振荡现象至关重要。

SSO既可以局部分布在单个风力发电场，也可以扩散到整个电网，基于传统物理机理的数值算法的分析方法应用于新型SSO问题将会存在一定的局限性，然而人工智能的快速发展为复杂电力系统的SSO问题提供了新的解决思路。

基于对抗式迁移学习的含柔性高压直流输电的风电系统次同步振荡源定位[J].电工技术学报,2021,36(22):4703-4715，该论文建立了风电场通过VSC-HVDC与电力系统并网的线性化模型，提出了一种基于对抗式迁移学习的振荡源定位方法。利用开环模式谐振理论构建仿真系统，然后提取振荡特征量并构建训练定位模型，进而应用在实际系统，该方法初步验证了人工智能技术在系统振荡源定位的应用可行性，但该方法在更加复杂的大型风电场中表现有待进一步研究。

Y.Meng,Z.Yu,N.Lu,et al.Time Series Classification for Locating ForcedOscillation Sources[J].IEEE Transactions on Smart Grid,2021,12(2):1712–1721，该论文提出了一种基于机器学习的时间序列分类方法来定位强迫振荡源。该方法需要的计算时间短、精度高且具有鲁棒性。但提出的这种基于机器学习的方法无法保证结果的准确性，特别是当强迫振荡源是由负载侧以及强迫振荡源表现出与负载密切相关的动态响应时。

上述两篇论文所提出的次同步振荡源定位方法是基于人工智能算法的定位方法。需要依赖于大量的样本数据来训练特定的深度学习网络模型，然而实际电力系统无法采集到整个电网的振荡数据，可能没有足够的标记数据支撑深度学习网络模型的训练。而且监测到的振荡信号通常是无标记的，不能直接用于深度学习网络模型的训练。此外，此类振荡源定位方法依赖于深度学习较强的非线性拟合能力，忽略了电力系统中振荡生成和传播的物理机制。因此，此类方法相比查新方法缺乏一定的可解释性，限制了振荡源定位精度，无法适应更多情况。

因此，针对高比例可再生能源和电力电子设备电力系统中SSO问题，利用时空特征图和QFS-CNN深度学习算法快速准确地定位SSO的位置并及时将其切除，具有重要的理论与现实意义。

发明内容

本发明需要解决的技术问题是提供一种四元特征集卷积神经网络的次同步振荡源定位方法，以解决传统SSO定位方法不适用目前高比例可再生能源和电力电子设备电力系统的SSO定位问题。

为解决上述技术问题，本发明所采用的技术方案是：一种四元特征集卷积神经网络的次同步振荡源定位方法，包括：

从电网获取SSO数据样本中全网可观测元件端口的电压和电流数据；

根据所述电压和电流数据，计算暂态能量流和能流功率；

根据所述暂态能量流和能流功率，利用基于暂态能量和能流功率的二维SSO时空特征提取方法，获得SSO样本的时空特征矩阵；

根据所述SSO样本的时空特征矩阵，利用色域映射将特征矩阵转换为时间空间特征图像；

根据所述时间空间特征图像，利用QFS数据增强方法，构建基于QFS数据增强方法的QFS-CNN深度学习模型，对SSO振荡源进行定位。

本发明技术方案的进一步改进在于：所述根据所述电压和电流数据，计算暂态能量流和能流功率，包括：

根据所述电压和电流数据瞬时值，定义从线路始端母线i流向末端母线j的暂态能量流；

根据所述暂态能量流，利用求导并结合三相电压和电流，计算暂态能量流功率；

根据所述暂态能量流功率，确定能流功率。

本发明技术方案的进一步改进在于：所述暂态能量流为

其中，W

其中，ω

本发明技术方案的进一步改进在于：所述暂态能量流功率为

p

其中，p

本发明技术方案的进一步改进在于：所述根据所述暂态能量流和能流功率，利用基于暂态能量和能流功率的二维SSO时空特征提取方法，获得SSO样本的时空特征矩阵，包括：

根据所述暂态能量流和能流功率，构建整个电网可观测母线的特征向量；

根据所述整个电网可观测母线的特征向量，构建SSO样本的时空特征矩阵。

本发明技术方案的进一步改进在于：所述整个电网可观测母线的特征向量包括：暂态能量流向量和能流功率向量；

所述暂态能量流向量为

W＝[w

其中，W表示t

所述能流功率向量为

P

其中，P

本发明技术方案的进一步改进在于：所述SSO样本的时空特征矩阵包括：时间特征矩阵和空间特征矩阵；

所述时间特征矩阵为

其中，W

所述空间特征矩阵为

Δa

其中，P

本发明技术方案的进一步改进在于：所述根据所述时间空间特征图像，利用QFS数据增强方法，构建基于QFS数据增强方法的QFS-CNN深度学习模型，对SSO振荡源进行定位，包括：

根据所述时间空间特征图像，通过QFS数据增强方法，生成大量的QFS特征集；

根据所述QFS特征集作为训练样本，构建QFS训练样本集合；

根据所述QFS训练样本集合，结合QFS-CNN深度学习模型训练的超参数，利用QFS-CNN深度学习模型进行学习，训练SSO振荡源定位模型；

根据所述SSO振荡源定位模型，对SSO振荡源进行定位。

本发明技术方案的进一步改进在于：所述QFS特征集为

其中，Q

由于采用了上述技术方案，本发明取得的技术进步是：

本发明实施例提供一种四元特征集卷积神经网络的次同步振荡源定位方法，从电网获取SSO数据样本中全网可观测元件端口的电压和电流瞬时值信号，计算暂态能量流和能流功率，利用基于暂态能量和能流功率的二维SSO时空特征提取方法，提取SSO样本的时间特征和空间特征，获得SSO样本的时空特征矩阵，表征整个电力系统的SSO特征信息，通过色域映射的方法，使用特征矩阵生成特征图像，利用QFS数据增强方法，构建基于QFS数据增强方法的QFS-CNN深度学习模型，据此对SSO振荡源进行定位，本申请能够快速定位SSO振荡源，且具有较高的定位精度和较强的抗噪声能力。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的四元特征集卷积神经网络的次同步振荡源定位方法流程图；

图2是本发明实施例提供的时间特征图像与空间特征图像生成原理图；

图3是本发明实施例提供的计算暂态能量流和能流功率流程图；

图4是本发明实施例提供的确定时空特征矩阵流程图；

图5是本发明实施例提供的改进的IEEE-39节点风力发电系统；

图6是本发明实施例提供的QFS-CNN的网络结构和具体超参数图；

图7是本发明实施例提供的不同SNR下QFS-CNN的损失函数图；

图8是本发明实施例提供的不同SNR下QFS-CNN的训练精度。

具体实施方式

下面结合实施例对本发明做进一步详细说明：

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

图1为本发明实施例提供的一种四元特征集卷积神经网络的次同步振荡源定位方法的实现流程图，详述如下：

步骤101，从电网获取SSO数据样本中全网可观测元件端口的电压和电流数据。

可选的，获取的SSO数据样本中电压和电流数据为瞬时值信号。

步骤102，根据电压和电流数据，计算暂态能量流和能流功率。

可选的，在本步骤中，根据电压和电流数据瞬时值，定义从线路始端母线i流向末端母线j的暂态能量流。将暂态能量流对时间求导，然后对abc坐标系下的三相电压和电流进行xy旋转坐标系转换，将转换后电压和电流代入求导后的暂态能量流，计算暂态能量流功率，进而确定能流功率。

步骤103，根据暂态能量流和能流功率，利用基于暂态能量和能流功率的二维SSO时空特征提取方法，获得SSO样本的时空特征矩阵。

可选的，在本步骤中，根据暂态能量流和能流功率，构建整个电网可观测母线的特征向量，构建SSO样本的时空特征矩阵。

步骤104，根据SSO样本的时空特征矩阵，利用色域映射将特征矩阵转换为特征图像。

可选的，为了更加直观的表示SSO的时空特征，并且便于深度学习算法的学习。时间特征矩阵W

步骤105，根据时间空间特征图像，利用QFS数据增强方法，构建基于QFS数据增强方法的QFS-CNN深度学习模型，对SSO振荡源进行定位。

可选的，根据时间空间特征图像，通过QFS数据增强方法，利用有限的特征图像生成大量的QFS特征集，然后使用QFS特征集作为训练样本，构建QFS训练样本集合。设置QFS-CNN模型训练的超参数，将构建好的QFS训练样本集合使用QFS-CNN模型进行学习，训练SSO振荡源定位模型，对离线训练的SSO振荡源定位模型的定位准确率进行判断，如果未能达到预期，调整QFS训练样本集合的样本数量，重新进行定位模型的训练，直到模型的定位准确率到达期望的值。最后通过训练好的SSO振荡源定位模型，对SSO振荡源进行定位。

可选的，其中QFS特征集为

其中，Q

在一实施例中，如图3所示，本步骤中，根据电压和电流数据，计算暂态能量流和能流功率，可以包括：

步骤301，根据电压和电流数据瞬时值，定义从线路始端母线i流向末端母线j的暂态能量流。

可选的，暂态能量流为

其中，W

步骤302，根据暂态能量流，利用求导并结合三相电压和电流，计算暂态能量流功率。

可选的，暂态能量流功率为

p

其中，p

步骤303，根据暂态能量流功率，确定能流功率。

可选的，暂态能量流功率的非振荡项与在暂态能量流线型拟合曲线W(t)＝at+b的斜率a等效，即为能流功率。

在一实施例中，如图4所示，本步骤中，根据暂态能量流和能流功率，利用基于暂态能量和能流功率的二维SSO时空特征提取方法，获得SSO样本的时空特征矩阵，可以包括

步骤401，根据暂态能量流和能流功率，构建整个电网可观测母线的特征向量。

可选的，暂态能量流向量为

W＝[w

其中，W表示t

可选的，能流功率向量为

P

其中，P

步骤402，根据整个电网可观测母线的特征向量，构建SSO样本的时空特征矩阵。

可选的，时间特征矩阵为

其中，W

可选的，空间特征矩阵为

Δa

其中，P

上述四元特征集卷积神经网络的次同步振荡源定位方法，本发明实施例提供一种四元特征集卷积神经网络的次同步振荡源定位方法，从电网获取SSO数据样本中全网可观测元件端口的电压和电流瞬时值信号，计算暂态能量流，然后将暂态能量流对时间求导，代入转换后的电压和电流，计算暂态能量流功率，进而确定能流功率，利用基于暂态能量和能流功率的二维SSO时空特征提取方法，提取SSO样本的时空特征，构建整个电网可观测母线的特征向量，获得SSO样本的时空特征矩阵，表征整个电力系统的SSO特征信息，通过色域映射的方法，使用特征矩阵生成特征图像，利用QFS数据增强方法，生成大量的QFS特征集，构建基于QFS数据增强方法的QFS-CNN深度学习模型，据此对SSO振荡源进行定位，本申请能够快速定位SSO振荡源，且具有较高的定位精度和较强的抗噪声能力。

下面以一个具体的实施例说明本方案的实施过程。

如图5所示的改进的IEEE-39节点风力发电系统。其中风电场WF1-WF5分别在母线4、7、16、18、27上接入。每个风电场内包含66台双馈风电机组(Doubly Fed InductionGenerator,DFIG)，每台DFIG的额定功率为1.5MW，风速设置为15米/秒。为了在SSO振荡源不可观测的情况下，通过正阻尼特性元件吸收的暂态能量来提取SSO振荡源的时间特征图像与空间特征图像。因此，PQM只安装在母线30-39上，这是系统中的10个正阻尼特性元件端口。每个PQM的编号与连接到母线的发电机编号相同。系统频率为50Hz，PQM的采样频率设置为1000Hz。

(1)训练数据生成

为了生成不同的SSO时空特征，在[0.1,0.2]的范围内随机选取DFIG的网侧变换器电流调节器积分系数K

案例1：添加PQM的测量噪声(信噪比为10、20、30、40、50dB的高斯白噪声)。

案例2：PQM的安装数量和安装位置如表1所示。

表1可观测性降低时PQM的安装情况

本发明模拟了500个振荡场景来表示不同的SSO事件。在这500个场景中，将有300个场景作为训练样本用于QFS-CNN定位模型的训练，其余200个未用于QFS-CNN训练的场景将用于训练好的SSO振荡源定位模型的定位测试，如表2所示。

表2 SSO模拟场景的数量

其中，

(2)不同训练样本数量的定位结果

当仿真系统的采样时间为1s时，采集到的数据(电压和电流)将占用728KB的存储空间，时间特征矩阵和空间特征矩阵占用76KB的存储空间，提取的特征图像像素大小为224×224，时间特征图像和空间特征图像占用16KB的存储空间。因此，时间特征图像和空间特征图像占用的存储空间最小。

分别使用50个场景(

表3不同训练场景数量下的测试定位精度(％)

QFS-CNN的网络结构和具体超参数如图6所示。表3说明了QFS数据增强方法在SSO振荡源定位中起到的重要作用。使用QFS数据增强方法的情况下，训练好的SSO振荡源定位模型的定位精度高于没有使用QFS数据增强方法的SSO振荡源定位模型的定位精度。即使在训练场景较少的情况下，QFS数据增强方法仍然可以使定位模型保持较高的定位精度。因此，QFS数据增强方法可以有效提高SSO振荡源的定位精度。

(3)不同噪声下的定位结果

在实际电力系统中，PQM测量数据的噪声会影响SSO定位模型的定位结果。因此，本发明在考虑噪声的情况下分析了所提SSO振荡源定位方法的性能。在不同高斯白噪声水平的场景(案例1)下，根据表2，分别设置500个SSO场景，采集测量数据，生成时空特征图像，作为QFS-CNN的输入样本数据。不同信噪比(Signal to Noise Ratio，SNR)值下的QFS-CNN的损失函数与训练精度曲线如图7和图8所示。

损失函数随着训练迭代次数的增加而减小，说明QFS-CNN网络模型具有良好的收敛性，如图7所示。从图8可以看出，在训练过程中，迭代次数小于100时，噪声对训练精度的影响十分显著。没有测量噪声的情况下，网络模型训练迭代50次即可达到较高的精度。当训练迭代次数大于150次时，不同噪声水平下的训练精度均可达到90％以上。在训练迭代次数达到300次之后，QFS-CNN定位模型达到了较高的训练精度并趋于稳定。这表明QFS-CNN对不同噪声环境具有良好的鲁棒性，可用于电力系统实际运行状态下的SSO振荡源定位。

表4总结了，在不同的SSO振荡源个数的情况下，QFS-CNN定位模型的SSO振荡源定位测试结果。虽然PQM的测量数据受到噪声的严重污染，但经过训练的QFS-CNN定位模型在定位多个SSO振荡源时性能表现良好。结果表明，噪声对所提方法的SSO振荡定位精度的影响较小。一方面是因为空间特征图像具有较强的抗噪性，另一方面，CNN的结构也可以在一定程度上消除噪声。因此，本发明提出的SSO振荡源定位方法能够准确定位多个SSO振荡源源，且有较强的抗噪性。

表4不同噪声水平下的测试定位精度(％)

(4)不同可观测性下的定位结果

本发明提出的SSO振荡源定位方法根据电力系统中正阻尼特性元件吸收的暂态能量来定位SSO振荡源。在系统可观测性较差的情况下，可通过可测量母线的电压电流数据提取时空特征图像，然后定位SSO振荡源。

在不同PQM安装数量情况下，利用训练好的QFS-CNN定位模型对200个测试场景进行SSO振荡源定位，测试定位精度列在表5中。

表5不同PQM安装数量下的测试定位精度(％)

如表5所示，当系统中PQM的安装数量为7和10时，QFS-CNN定位模型具有很好的定位精度。当PQM的安装数量减少到4个和2个时，由于系统中观测到的SSO信息减少，因此SSO振荡源定位精度降低。但即便如此，在系统中只安装2个PQM的情况下，本发明提出的QFS-CNN定位方法，定位精度仍为93.50％。以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。