(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211176588.7 (22)申请日 2022.09.26 (71)申请人 华北电力大 学 地址 102206 北京市昌平区朱辛庄北农路2 号 (72)发明人 刘灏　张文康　毕天姝　 (74)专利代理 机构 北京凯特来知识产权代理有 限公司 1 1260 专利代理师 郑立明　陈亮 (51)Int.Cl. H02J 3/24(2006.01) H02J 3/00(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于宽频测量数据的次同步振荡辨识 的方法 (57)摘要 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。 权利要求书3页 说明书6页 附图1页 CN 115377999 A 2022.11.22 CN 115377999 A 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P MU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3 s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，…， xi，…， x49， x50] 其中xi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，…， yj，…， y49， y50] 式中yj为Y中的第j个元素； 在Y中寻找其元素的最大值ymax和最小值ymin； 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Ci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：权　利　要　求　书 1/3 页 2 CN 115377999 A 2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zi， 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zmax和最小值zmin； 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Ci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： 权　利　要　求　书 2/3 页 3 CN 115377999 A 3