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

本发明专利技术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

【技术实现步骤摘要】
一种四元特征集卷积神经网络的次同步振荡源定位方法


[0001]本专利技术涉及电力系统次同步振荡源定位
，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
。

技术介绍

[0002]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
。
[0003]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
。
[0004]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
。
[0005]Y.Meng,Z.Yu,N.Lu,et al.Time Series Classification for Locating Forced Oscillation 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
。
[0006]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
。
[0007]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
。

技术实现思路

[0008]本专利技术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
。
[0009]为解决上述技术问题，本专利技术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：
[0010]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；
[0011]根据所述电压和电流数据，计算暂态能量流和能流功率；
[0012]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；
[0013]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；
[0014]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
。
[0015]本专利技术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：
[0016]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；
[0017]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；
[0018]根据所述暂态能量流功率，确定能流功率
。
[0019]本专利技术技术方案的进一步改进在于：所述暂态能量流为
[0020][0021]其中，
W
ij
为暂态能量流；在
xy
坐标系下的电压电流，可从
abc
坐标下转换而来，坐标转换方法为
[u
x u
y
]T
＝
H[u
a u
b u
c
]T
，
[i
x i
y
]T
＝
H[i
a i
b i
c
]T
，其中转换矩阵其中，
ω0为同步角频率；分别为
x
轴超前
a
轴
、b
轴
、c
轴的电角度，其中
x
轴滞后
y
轴
90
°
；
i
ij
为线路
L
ij
上的电流，
*
表示共轭，
i
ij,x
和
i
ij,y
分别为线路
L
ij
在
x
轴和
y
轴上的电流；
u
i
为母线
i
的电压，
u
i,x
和
u
i,y
分别为母线
i...

【技术保护点】

【技术特征摘要】
1.
一种四元特征集卷积神经网络的次同步振荡源定位方法，其特征在于，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
。2.
根据权利要求1所述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，其特征在于，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
。3.
根据权利要求1‑2中任一项所述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，其特征在于，所述暂态能量流为其中，
W
ij
为暂态能量流；在
xy
坐标系下的电压电流，可从
abc
坐标下转换而来，坐标转换方法为
[u
x u
y
]
T
＝
H[u
a u
b u
c
]
T
，
[i
x i
y
]
T
＝
H[i
a i
b i
c
]
T
，其中转换矩阵其中，
ω0为同步角频率；分别为
x
轴超前
a
轴
、b
轴
、c
轴的电角度，其中
x
轴滞后
y
轴
90
°
；
i
ij
为线路
L
ij
上的电流，
*
表示共轭，
i
ij,x
和
i
ij,y
分别为线路
L
ij
在
x
轴和
y
轴上的电流；
u
i
为母线
i
的电压，
u
i,x
和
u
i,y
分别为母线
i
在
x
轴和
y
轴上的电压，
u
a
，
u
b
和
u
c
分别为在
a
，
b
，
c
轴上的瞬时电压，
i
a
，
i
b
和
i
c
分别为在
a
，
b
，
c
轴上的瞬时电流
。4.
根据权利要求2所述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，其特征在于，所述暂态能量流功率为
p
EF
(t)
＝
‑
U
ss
I0(
ω0‑
ω
ss
)cos((
ω0‑
ω
ss
)t
‑
α
ss
+
β0)
‑
U
ss
I
ss
(
ω0‑
ω
ss
)cos(
α
ss
‑
β
ss
)
其中，
p
EF
(t)
为暂态能量流功率；
U
ss
I0(
ω0‑
ω
ss
)cos((
ω0‑
ω
ss
)t
‑
α
ss
+
β0)
为振荡项，振
荡项与元件的暂态能量变化有关，
U
ss
I
ss
(
ω0‑
ω
ss
)cos(
α
ss
‑
β
ss
)
为非振荡项，非振荡项对应元件能量的消耗或者产生，与元件的阻尼特性对应；其中，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；其中，
U
ss
和
α
ss
分别为次同步频率电压的幅值和相位；
I0和
β0分别为基频电流的幅值和相位；
I
ss
和
β...

【专利技术属性】
技术研发人员：李盼，马腾，向文旭，张淑清，
申请(专利权)人：燕山大学，
类型：发明
国别省市：