(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 202210903376.8 (22)申请日 2022.07.27 (71)申请人 国网河南省电力公司 地址 450052 河南省郑州市嵩 山南路87号 申请人 中国电力科 学研究院有限公司 　 国家电网公司华中分部 　 国网河南省电力公司电力科 学研究 院 (72)发明人 付红军　熊浩清　朱劭璇　李岩　 杜晓勇　李晓柯　谢岩　李呈昊　 邵德军　石梦璇　唐晓骏　赵兵　 仲悟之　徐式蕴　崔召辉　高峰　 李晓萌　郭泓佐　白梁军　 (74)专利代理 机构 北京工信联合知识产权代理 有限公司 1 1266 专利代理师 姜丽楼(51)Int.Cl. H02J 3/00(2006.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种用于区域电网宽频振荡风险的评估方 法与系统 (57)摘要 本发明公开了一种用于区域电网宽频振荡 风险的评估 方法及系统， 属于电力系统自动化技 术领域。 本发明方法， 包括： 采集区域电网异常波 动的历史数据， 基于所述历史数据获取深度卷积 模型； 获取目标区域电网的异常波动数据， 将所 述异常波动数据作为风险预测数据输入至所述 深度卷积模 型， 基于所述深度卷积模 型识别区域 电网的宽频振 荡模态； 对所述深度卷积模型识别 的区域电网的宽频振荡模态数据进行收集， 获取 宽频振荡集， 根据所述宽频振荡集确定目标区域 电网的宽频振 荡风险。 通过本发 明识别的宽频振 荡， 精度较高， 也避免了基于机理模型的诸多影 响因素带来的不确定性。 权利要求书3页 说明书12页 附图3页 CN 115275990 A 2022.11.01 CN 115275990 A 1.一种用于区域电网宽频振荡风险的评估方法， 其特 征在于， 所述方法包括： 采集区域电网异常波动的历史数据， 基于所述历史数据获取深度卷积模型； 获取目标区域电网的异常波动数据， 将所述异常波动数据作为风险预测数据输入至所 述深度卷积模型， 基于所述深度卷积模型识别区域电网的宽频振荡模态； 对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集， 获取宽频振荡 集， 根据所述宽频振荡集确定目标区域电网的宽频振荡风险。 2.根据权利要求1所述的方法， 其特征在于， 所述采集区域电网异常波动的历史数据， 基于所述历史数据获取深度卷积模型， 包括： 采集区域电网异常波动的历史数据， 并对所述历史数据进行预处理， 获取同一时刻场 景下的PMU两侧点多频振幅数据， 将所述多频振幅数据转换为多通道彩图； 将所述多通道彩图作为预先搭建的深度卷积神经网络的输入数据， 对所述深度 卷积神 经网络进行训练， 获取深度卷积模型。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述历史数据进行预处理， 获取同 一时刻场景下的P MU两侧点多 频振幅数据， 包括： 根据历史数据确定电网异常波动为 非电网 线路短路跳闸故障或机组跳闸故障所引起的大型波动， 并将历史数据中单一时刻的一个振 荡场景建立一个张量， 并针对给定的电网区域建立一个多维矩阵， 根据所述张量和多维矩 阵获取同一时刻场景 下的PMU两侧点多频振幅数据。 4.根据权利要求2所述的方法， 其特征在于， 所述预先搭建的深度 卷积神经网络， 包括， 激活函数； 所述激活函数， 如下 所示： 其中， g(x)为激活函数、 e为常数、 当x<0时g(x)的函数值为0， 且梯度为0、 当x>0时输出 Tanh函数。 5.根据权利要求2所述的方法， 其特征在于， 所述预先搭建的深度 卷积神经网络， 包括： 神经网络架构； 所述神经网络架构卷积层的卷积核， 如下 所示： 其中， Yn为第n个输出张量、 xi为输入张量， 为第i通道上的第n个卷积核， bn是偏置， M 为总通道数的常量。 6.根据权利要求2所述的方法， 其特征在于， 所述对所述深度卷积神经网络进行训练， 包括： 对所述深度卷积神经网络的动态超参数进行调整； 所述动态超参数， 包括： Epoc h及batch参数、 损失函数及学习速率。 7.根据权利要求2所述的方法， 其特征在于， 所述深度卷积神经网络进行训练时， 以多 进程多起 点并行搜索交 互的方式搜索最优解， 包括： 使用N+1台CPU搜索最优解， 且N>10， 控制每台CPU从一个初始解开始迭代计算， 获取计 算结果， 并将计算结果的适应值发送至统一 服务器按照适应度排序； 排序完成后， 选择算子并采用选择算法根据适应值排序， 若第N+1台CPU 的计算结果不权　利　要　求　书 1/3 页 2 CN 115275990 A 2优于N台CPU的计算结果， 则将本次迭代计算的最忧解随机分配至N台CPU； 并控制N+1台CPU在继续执 行迭代计算， 当l oss值低于阈值时终止迭代计算。 8.根据权利要求1所述的方法， 其特征在于， 采用全电磁仿真网络对所述宽频振荡模态 数据进行收集。 9.根据权利要求1所述的方法， 其特征在于， 所述深度卷积模型识别区域电网的宽频振 荡模态时， 若识别失败或识别程度不满足要求， 则锁定振荡源， 根据振荡源确定宽频振荡模 态， 将确定的宽频振荡模态作为 新模式装 入所述深度卷积模型的堆栈式。 10.一种用于区域电网宽频振荡风险的评估系统， 其特 征在于， 所述系统包括： 训练单元， 用于采集区域电网异常波动的历史数据， 基于所述历史数据获取深度卷积 模型； 输出单元， 用于获取目标区域电网的异常波动数据， 将所述异常波动数据作为风险预 测数据输入至所述深度卷积模型， 基于所述深度卷积模型识别区域电网的宽频振荡模态； 评估单元， 用于对所述深度卷积模型识别的区域电网的宽频振荡模态数据进行收集， 获取宽频振荡集， 根据所述宽频振荡集确定目标区域电网的宽频振荡风险。 11.根据权利要求10所述的系统， 其特征在于， 所述训练单元采集 区域电网异常波动的 历史数据， 基于所述历史数据获取深度卷积模型， 包括： 采集区域电网异常波动的历史数据， 并对所述历史数据进行预处理， 获取同一时刻场 景下的PMU两侧点多频振幅数据， 将所述多频振幅数据转换为多通道彩图； 将所述多通道彩图作为预先搭建的深度卷积神经网络的输入数据， 对所述深度 卷积神 经网络进行训练， 获取深度卷积模型。 12.根据权利要求11所述的系统， 其特征在于， 所述训练单元对所述历史数据进行预处 理， 获取同一时刻场景下的PMU两侧点多频振幅数据， 包括： 根据历史数据确定电网异常波 动为非电网线路短路跳闸故障或机组跳闸故障所引起的大型波动， 并将历史数据中单一时 刻的一个振荡场景建立一个张量， 并针对给定的电网区域建立一个多维矩阵， 根据所述张 量和多维矩阵获取同一时刻场景 下的PMU两侧点多频振幅数据。 13.根据权利要求11所述的系统， 其特征在于， 所述训练单元中预先搭建的深度 卷积神 经网络， 包括， 激活函数； 所述激活函数， 如下 所示： 其中， g(x)为激活函数、 e为常数、 当x<0时g(x)的函数值为0， 且梯度为0、 当x>0时输出 Tanh函数。 14.根据权利要求11所述的系统， 其特征在于， 所述训练单元中预先搭建的深度 卷积神 经网络， 包括： 神经网络架构； 所述神经网络架构卷积层的卷积核， 如下 所示： 其中， Yn为第n个输出张量、 xi为输入张量， 为第i通道上的第n个卷积核， bn是偏置， M 为总通道数的常量。权　利　要　求　书 2/3 页 3 CN 115275990 A 3