一种基于多阶段迁移学习的强迫振荡分层定位方法
专利汇可以提供一种基于多阶段迁移学习的强迫振荡分层定位方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于多阶段迁移学习的强迫振荡分层 定位 方法。该方法包括离线训练和在线定位两部分。首先依据发 电机 相关性对电 力 系统进行分区，将各分区振荡主成分的平滑伪Wigner-Ville分布进行图像化，形成区间WVD图像。然后对预训练的 卷积神经网络 进行第一阶段迁移学习，得到第一层分区定位模型。输入定位分区的区内WVD图像，再对分区定位模型进行第二阶段迁移学习，得到第二层机组定位模型。最后验证本方法的离线定位正确率。通过先后将实际发生强迫功率振荡的区间和区内WVD图像分别输入到分区定位模型和机组定位模型，实现扰动源的在线定位。本发明不仅能够具有较高的定位准确率，并具有定位速度快，适应性高、鲁棒性强等特点。，下面是一种基于多阶段迁移学习的强迫振荡分层定位方法专利的具体信息内容。
1.一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，包括离线训练过程和在线定位过程；
所述离线训练过程包括：
(1)对电力系统进行特征值分析，根据特征值和特征向量评估发电机之间的相关性，对整个系统的发电机进行分区；
(2)在不同负荷水平下对所述电力系统中各台发电机的原动机转矩或者励磁输入上施加正弦波扰动来进行强迫功率振荡的批量仿真，获取批量强迫功率振荡数据样本；
(3)对各个分区的发电机振荡信号进行主成分分析，提取每个分区的最大特征值所对应的特征向量为第一主成分，并将各个分区的第一主成分使用平滑伪Wigner-Ville分布进行变换得到各区振荡信号能量的时频分布，再对其进行图像化处理，形成强迫振荡区间WVD图像；
(4)使用预训练的卷积神经网络对步骤(3)中生成的WVD图像进行训练得到定位扰动源所在分区的第一层分区定位模型；
(5)将扰动源所在分区内部各台发电机的振荡信号使用平滑伪Wigner-Ville分布进行变换，并形成强迫振荡区内WVD图像；
(6)将步骤(4)训练得到的第一层分区定位模型应用迁移学习来训练能够定位各个分区内部扰动源所在机组的第二层机组定位模型；
(7)对卷积神经网络定位模型的正确率进行验证，若正确率不足95％，则通过对卷积神经网络增加迭代次数的方法对模型继续进行训练，直到超过预定正确率阈值；
所述在线定位过程包括：
(8)当在实际系统监测到发生强迫功率振荡时，各分区调度中心采集区域内各PMU子站的发电机功率振荡数据；
(9)对各个分区振荡信号进行主成分分析，并提取各分区的第一主成分上传到总调度中心；
(10)在总调度中心对各分区振荡信号第一主成分进行WVD变换，并进行图像化处理，形成区间WVD图像；
(11)将区间WVD图像输入第一层分区定位模型，定位扰动源所在分区；
(12)根据分区定位结果调取定位扰动源所在分区内部各发电机振荡信号，并对其内部的发电机振荡信号进行WVD变换和进行图像化处理，形成所述扰动源所在分区区内WVD图像；
(13)将所述电力系统的所述扰动源所在分区区内WVD图像输入第二层机组定位模型，定位扰动源所在机组。
2.根据权利要求1所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，步骤(2)中，所述低频振荡数据样本指各台发电机输出的有功功率信号。
3.根据权利要求1所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，所述步骤(3)包括以下步骤：
(31)将每个分区的各台发电机振荡信号组成一个表征该分区振荡信息的多元时间序列Di∈RN*M，i＝1,2,...,X，其中X为分区个数，N为发电机节点的数目，M为录波信号的采样点数目；
(32)分别对每个分区的多元时间序列Di分别进行主成分分析，提取每个分区的第一主成分；
(33)使用平滑伪Wigner-Ville分布对各分区的第一主成分分别进行分析，以反映各分区第一主成分能量随时间和频率的分布，并将各分区第一主成分的平滑伪Wigner-Ville分布进行排列，形成表征整个电力系统振荡信息的多元时间序列；
(34)将步骤(33)中的多元时间序列按矩阵元素数值大小转化为不同颜色，并在矩阵的对应位置染色，从而形成反映整个电力系统振荡信息的图像。
4.根据权利要求1所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，步骤(4)中，所述预训练的卷积神经网络通过以下方式得到：将VGG16、VGG19、或GoogLeNet卷积神经网络模型的输出层替换为标签数目与分区数目一致的全连接层，在所述全连接层后连接Softmax层以用于分类；对所述预训练的卷积神经网络进行训练时采用的优化器是随机梯度下降法。
5.根据权利要求3所述的一种基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，所述步骤(32)包括以下步骤：
(321)将表征各分区振荡信息的多元时间序列Di进行标准化得到标准化矩阵Zi，标准化计算公式为：
其中，zn,m为标准化矩阵Zi第n行、第m列的元素，dn,m为多元时间序列矩阵Di第n行、第m列的元素；
(322)对标准化矩阵Zi求相关系数矩阵Ri，计算公式如下：
其中，Ri为标准化矩阵Zi的相关系数矩阵，ZiT标准化矩阵Zi的转置矩阵；
(323)求解相关系数矩阵的特征方程，选出第一主成分作为该分区的振荡信息的代表向量，其中特征方程如下：
|Ri-λIp|＝0 (3)
其中，λ为相关系数矩阵Ri的特征值，IP为与相关系数矩阵Ri维数相同的单位矩阵；
选择出最大特征值对应的单位特征向量b1，则第一主成分的计算公式如下：
Pi,1＝Zi*b1 (4)
其中，Pi,1为相关系数矩阵Ri的第一主成分，b1为最大特征值对应的单位特征向量。
6.根据权利要求1所述的基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于：
步骤(5)中，所述强迫振荡区内WVD图像是指把对应分区内每台发电机的WVD图像进行排列，形成能够反映该分区内振荡信息的图像。
7.根据权利要求1所述的基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于，步骤(6)中，所述的迁移学习包括：在保证准确率的前提下，从第一个卷积层开始冻结第一层分区定位模型的一或多个卷积层，并调整该模型输出层使得对应的标签数目与该分区所含发电机数目相一致，对第二层机组定位模型进行训练。
8.根据权利要求1所述的基于多阶段迁移学习的强迫振荡分层定位方法，其特征在于：
步骤(9)中，所述对分区振荡信号进行主成分分析的操作在各个分区的调度中心内实现，无需将全网发电机的振荡信号上传至电力系统总调度中心，以减少振荡信号上传的数据量。
一种基于多阶段迁移学习的强迫振荡分层定位方法
技术领域
背景技术
发明内容
具体实施方式
1 140，40，103，138，43，144，148，13，47，15，149
2 11，36，4，6，159，9，45，162，18
3 35
4 79，30，70，77，65，112，116，118
0.25pu之间变化，每次变化的步长为0.05。扰动频率在0.1-2.6Hz之间变化，每次变化的步长为0.02。仿真时间设置为30s，每隔2.5％的负荷变化记录一组数据。为模拟电力系统中PMU的工作状态，信号采样频率为30Hz。
1(9台机) 96.55％
2(11台机) 98.38％
3(1台机) 100％
4(8台机) 99.29％
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 减少半导体器件中的带到带隧穿 | 2020-05-08 | 786 |
| 牙齿植入物 | 2020-05-08 | 30 |
| 一种一体化无人机检测方法 | 2020-05-08 | 830 |
| 一种变色防伪标签 | 2020-05-08 | 510 |
| 基于无线侧业务识别的视频业务感知提升方法及基站 | 2020-05-08 | 859 |
| 基于耳机位置的设备和应用控制 | 2020-05-08 | 769 |
| 一种使用残差注意力机制网络的同步定位与建图方法 | 2020-05-08 | 489 |
| 一种基于极化SAR图像的车辆船舶检测方法及装置 | 2020-05-08 | 429 |
| 一种检测发光小球特征信息的方法及装置 | 2020-05-08 | 183 |
| 用于确定电线位置的方法和设备以及存储介质 | 2020-05-11 | 817 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
