论文部分内容阅读
随着我国经济的快速发展,电网规模不断扩大,其结构也变得越来越复杂,大型电网之间的互联引起的低频振荡会造成电力系统设备损坏,严重威胁整个电网稳定性和安全性。抑制低频振荡的关键在于识别振荡模式参数,Prony算法具有便捷、精度高及速度快等特点,是提取电力系统低频振荡特征的常用方法。针对传统Prony算法在阶数选取难、抗噪性差的特点,本文通过将深度学习算法与Prony算法相结合,提出一种基于深度学习算法的电力系统低频振荡模式识别算法,实现对电力系统低频振荡信号模式准确地分析。首先,介绍了Prony算法基本原理和数学推导模型,研究了Prony算法初始阶数选取对Prony算法拟合精度的影响。仿真结果表明,Prony算法初始阶数选择过低,会导致低频振荡的部分模态不能够识别,拟合效果较差;阶数过高,会增加计算量,同时会产生大量伪模态。研究了Prony算法的抗噪性,针对Prony算法对噪声比较敏感,提出通过FIR低通滤波器对含有噪声的低频振荡信号滤波,提高抗噪性,仿真结果表明该方法能够提高Prony算法的抗噪性。然后,介绍了深度学习算法的理论知识,提出基于深度学习的低频振荡信号阶数识别算法。算法模型由两部分组成,第一部分是由3个限制玻尔兹曼机(RBM)叠加组成的深度学习模型(DBN),第二部分是用来对低频振荡信号阶数进行分类的softmax分类器。算法步骤包括三步,第一步是用训练样本完成模型的训练,第二步将待识别低频振荡信号输入模型得出概率分布,第三步通过概率分布得出该信号的阶数,仿真结果表明深度学习模型能够准确识别低频振荡信号阶数,相比传统SVD奇异值分解法和基于BP神经网络阶数的识别,该模型对低频振荡模式识别准确率更高。最后,基于上述研究提出了一种基于深度学习算法的电力系统低频振荡模式识别算法。该算法主要步骤是将通过FIR低通滤波器预处理后的待识别低频振荡信号输入已完成训练的深度学习模型中,识别其阶数,然后根据其阶数设置Prony算法初始阶数,对待识别信号进行Prony分析。通过RTDS搭建的10机39节点模型,仿真三相接地短路故障引起的低频振荡,并在MATLAB上实现算法的仿真对比分析,证明了该算法在低频振荡信号模式识别上的有效性。