改进PNN神经网络在电力系统次/超同步振荡监测中的应用

作     者：赵妍 赵起 张劲松 聂永辉 ZHAO Yan;ZHAO Qi;ZHANG Jinsong;NIE Yonghui

作者机构：东北电力大学输变电技术学院吉林吉林132012 东北电力大学电气工程学院吉林吉林132012 

出 版 物：《电力电容器与无功补偿》 (Power Capacitor & Reactive Power Compensation)

年 卷 期：2022年第43卷第5期

页      面：76-83页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然基金项目(61973072 51577023) 

主　　题：次同步振荡 超同步振荡 深度学习 PNN神经网络 同步压缩小波变换(SST) 在线监测 

摘      要：电力系统次/超同步振荡的常用的检测(标题用的是监测,让作者再看看)方法是:首先对实测数据进行滤波得到次/超同步振荡信号分量,再根据对各分量信号进行参数辨识的结果,来确认是否发生次/超同步振荡。这样,振荡判断的准确性就受到滤波器的效果和参数辨识方法准确性的双重影响。为了解决上述问题,提出将同步压缩小波变换(SST)和深度学习方法—概率神经网络(PNN神经网络)相结合应用于次/超同步振荡的监测。首先,用SST变换替代传统滤波器实现滤波的功能,得到次同步频率、工频频率和超同步频率的信号分量。然后,不再进行参数辨识,而是直接将得到的各类信号分量数据直接交于PNN神经网络进行分类,直接挖掘次/超同步振荡数据的特点,达到在线监测的目的。仿真和实例均验证了方法的可靠性。