(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 202210973927.8 (22)申请日 2022.08.15 (71)申请人 广东电网有限责任公司广州供电局 地址 510620 广东省广州市天河区天河南 二路2号 (72)发明人 龙云　吴任博　梁雪青　卢有飞　 刘璐豪　赵宏伟　张少凡　陈明辉　 刘超　王历晔　刘俊　陈晨　赵誉　 刘晓明　彭鑫　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 郑秋松 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 基于深度学习考虑未知扰动类型的电力系 统扰动识别方法 (57)摘要 本发明公开了一种基于深度学习考虑未知 扰动类型的电力系统扰动识别方法， 包括以下步 骤： S1、 根据电力系统参数， 利用电网暂态仿真数 据和电网历史运行数据， 获取各类扰动发生时的 时间序列数据， 生成时间序列扰动数据集； S2、 采 用滤波技术对时间序列扰动数据集进行去噪； 3、 根据特征指标对时间序列扰动数据集进行特征 提取， 生成扰动识别特征样本集， 并划分为训练 集和测试集； S4、 构建包含深度神经网络和启发 式判断层的复合模型， 利用训练集及其对应的扰 动类型标签对深度神经网络进行训练； S5、 将测 试集输入复合模 型， 深度神经网络输出预分类结 果， 根据预分类结果以及测试集与训练集的相似 性判定， 启发 式判断层输出考虑未知扰动的最终 扰动识别结果。 权利要求书4页 说明书9页 附图3页 CN 115409335 A 2022.11.29 CN 115409335 A 1.一种基于深度学习考虑未知扰动类型的电力系统扰动识别方法， 其特征在于， 包括 以下步骤： S1、 根据电力系统参数， 利用电网暂态仿真数据和电网历史运行数据， 获取各类扰动发 生时正序电压、 负序电压、 零序电压的时间序列数据， 生成电力系统的时间序列扰动数据 集； S2、 采用滤波技 术对电力系统的时间序列扰动数据集进行去噪； S3、 根据特征指标对时间序列扰动数据集进行特征提取， 获得扰动特征数据并以扰动 特征数据对应的扰动类型为标签， 生成扰动识别特 征样本集， 并划分为训练集和 测试集； S4、 构建包含深度神经网络和启发式判断层的基于深度神经网络的电力系统扰动识别 复合模型， 利用训练集数据及其对应的扰动类型 标签对深度神经网络进行训练； S5、 将测试集数据输入基于深度神经网络的电力系统扰动识别复合模型， 深度神经网 络输出预分类结果， 根据预分类结果以及测试集数据与训练集数据的相似性判定， 启发式 判断层输出考虑未知扰动类型的最终扰动识别结果。 2.根据权利要求1的基于深度学习考虑未知扰动类型的电力系统扰动识别方法， 其特 征在于， 电力系统参数包括电力系统的网架结构、 电力系统所含电气设备的物理参数， 以及 不同运行 方式下的发电机组出力和负荷需求数据； 电网暂态仿真数据为电网通过各种可进行电力系统暂态仿真计算的分析软件进行暂 态计算仿真生成数据； 电网历史运行数据为电网实际运行期间， 发生扰动时所记录下来的时间序列的母线电 压的历史运行 数据； 各类扰动发生时正序电压、 负序电压、 零序电压的时间序列数据为母线发生单相短路 接地、 两相短路、 两相短路接地、 三相短路、 感应电机自启动或其他不同类型扰动时， 母线的 正序电压幅值、 负序电压幅值、 零序电压幅值和相位的时间序列数据。 3.根据权利要求1的基于深度学习考虑未知扰动类型的电力系统扰动识别方法， 其特 征在于， 滤波技 术为滑动平均值滤波， 滤波公式为： 式中， k为滤波 器窗口长度， 为滤波前数据， {xi,i＝1,2,...,N ‑k+1}为 滤波后的数据。 4.根据权利要求1的基于深度学习考虑未知扰动类型的电力系统扰动识别方法， 其特 征在于， 特征指标包括峭度因子、 时序总变化量、 C3系数、 FFT频谱中心、 功率谱密度和标准 差。 5.根据权利要求4的基于深度学习考虑未知扰动类型的电力系统扰动识别方法， 其特 征在于， 对于一条时间序列扰动数据集{xi,i＝1,2,...,n}， 峭度 因子K衡量扰动波形 的平 缓程度， 峭度因子K的公式为：权　利　要　求　书 1/4 页 2 CN 115409335 A 2式中， xi为时间序列扰动数据集中的第i个数据， n为一条时间序列扰动数据集的长度， 为时间序列扰动数据集的平均值； 时序总变化 量Cabs衡量扰动波形的变化幅度， 时序总变化 量Cabs的公式为： 式中， xi+1为时间序列扰动数据集中的第i+1个数据； C3系数衡量扰动波形的非线性 程度， C3系数的公式为： 式中， xi+2lag为时间序列扰动数据集中的第i+2 lag个数据， xi+lag为时间序列扰动数据集 中的第i+la g个数据， la g为人为设置的表示相位滞后的整数； FFT频谱中心CFFT衡量扰动波形的频域分布， FFT频谱中心CFFT为扰动数据的离散傅里叶 变换绝对值的频谱中心， n 点离散傅里叶变换的公式为： 式中， e为自然底数； 功率谱密度Sxx(m)衡量扰动波形的功率谱分布， 功率谱密度Sxx(m)的公式为： 式中，*表示共轭； 标准差σ 衡量扰动波形的统计分布， 标准差σ 的公式为： 6.根据权利要求1的基于深度学习考虑未知扰动类型的电力系统扰动识别方法， 其特 征在于， 深度神经网络包括深度神经网络1、 深度神经网络2和深度神经网络0， 深度神经网 络1输出正序数据分类结果， 深度神经网络2输出负序数据分类结果， 深度神经网络0输出零 序数据分类结果， 正序数据分类结果、 负序数据分类结果、 零序数据分类结果分别输入启发 式判断层。 7.根据权利要求6的基于深度学习考虑未知扰动类型的电力系统扰动识别方法， 其特 征在于， 分别比较正序测试集数据与正序数据分类结果对应的正序训练集数据、 负序测试 集数据与负序数据分类结果对应的负序训练集数据、 零序测试集数据与零序数据分类结果权　利　要　求　书 2/4 页 3 CN 115409335 A 3