(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 202211155064.X (22)申请日 2022.09.21 (71)申请人 四川大学 地址 610044 四川省成 都市一环路南 一段 24号 (72)发明人 王杨　闵伟菘　杨晓梅　肖先勇　 汪颖　张文海　付强　赵劲帅　 郑子萱　马晓阳　 (74)专利代理 机构 西安正华恒远知识产权代理 事务所(普通 合伙) 61271 专利代理师 黄鑫 (51)Int.Cl. H02J 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 17/16(2006.01) (54)发明名称 一种基于振 荡分量椭圆轨迹的次/超同步振 荡的检测方法 (57)摘要 本发明公开了一种基于振荡分量椭圆轨迹 的次/超同步振荡的检测方法， 包括以下步骤： S1、 获取PMU数据样本， 并计算其中振荡的频率； S2、 根据所述振荡频率构建椭圆轨迹， 得到椭圆 轨迹特征值； S3、 将所述椭圆轨迹特征值输入单 隐层前馈神经网络， 得到次/超同步振荡分类结 果， 完成次/超同步振荡的检测。 本发明基于在实 际工程中应用较广泛的同步向量测量装置的数 据进行振荡类型检测的特点， 将其从时域转化为 频域， 并利用振荡特有的椭圆轨迹特征， 准确的 对振荡类型进行了分类； 采用了极限学习机智能 算法， 实现了振荡的实时检测与分类； 鲁棒性强， 在较强的噪声影 响下， 依然可达到较高的分类准 确性， 具有较大的实际工程 价值。 权利要求书2页 说明书6页 附图1页 CN 115441441 A 2022.12.06 CN 115441441 A 1.一种基于振荡分量椭圆轨迹的次/超同步振荡的检测方法， 其特征在于， 包括以下步 骤： S1、 获取PMU数据样本， 并计算 其中振荡的频率； S2、 根据所述振荡 频率构建椭圆轨 迹， 得到椭圆轨 迹特征值； S3、 将所述椭圆轨迹特征值输入单隐层前馈神经网络， 得到次/超同步振荡分类结果， 完成次/超同步振荡的检测。 2.根据权利要求1所述的基于振荡分量椭圆轨迹的次/超同步振荡的检测方法， 其特征 在于， 所述S1包括以下分步骤： S11、 基于PMU数据样本， 获取其 中振荡的线性数据矩阵， 根据所述线性数据矩阵解出最 小范数解向量； S12、 根据最小范数解向量构建特征多项式， 根据所述特征多项式解出频率表达式， 以 频率表达式的第一个特 征值作为振荡的频率。 3.根据权利要求2所述的基于振荡分量椭圆轨迹的次/超同步振荡的检测方法， 其特征 在于， 所述S1 1中， 振荡的线性数据矩阵的表达式具体为： x＝Xa 式中， x为振荡的测量向量， a为 最小范数解向量， X为测量向量矩阵； 所述S12中， 特 征多项式的表达式具体为： ap+ap‑1z1+…+a1zp‑1+zp＝0 式中， [ap,ap‑1,…,a1,1]T为最小范数解向量的多项式阶， {z1,z2,…,zp}为连续时间特 征值的离 散时间近似值， p为定义的多 项式阶； 所述振荡的频率fi的表达式具体为： fi＝arctan(Im(zi)/Re(zi))/(2 πΔt) 式中， Im(zi)为特征值zi的虚部， Re(zi)为特征值zi的实部， zi＝{z1,z2,…,zp}。 4.根据权利要求3所述的基于振荡分量椭圆轨迹的次/超同步振荡的检测方法， 其特征 在于， 所述S2包括以下分步骤： S21、 计算所述振荡 频率的正频率部分和负频率部分； S22、 根据所述振荡频率的正频率部分和负频率部分计算所述椭圆轨迹的长半轴和短 半轴； S23、 将椭圆轨 迹的长半轴和短 半轴作为椭圆轨 迹特征值。 5.根据权利要求4所述的基于振荡分量椭圆轨迹的次/超同步振荡的检测方法， 其特征 在于， 所述S21具体为： 根据所述振荡频率的测量向量构建范德蒙矩阵φ， 并构建范德蒙矩阵φ与数据窗h的 关系表达式， 通过最小二乘法得到数据窗h以及振荡 频率的正频率部分和负频率部分； 其中， 范德蒙矩阵φ与数据窗h的关系表达式 式具体为： φh＝x权　利　要　求　书 1/2 页 2 CN 115441441 A 2式中， 范德蒙矩阵 所述振荡 频率的正频率部分和负频率部分的表达式具体为： 式中， 为振荡的正频率部分， 为振荡的负频率部分。 6.根据权利要求5所述的基于振荡分量椭圆轨迹的次/超同步振荡的检测方法， 其特征 在于， 所述S2 2中， 计算所述椭圆轨 迹的长半轴A和短 半轴B的表达式具体为： 式中， ||*||2为矩阵的二范 数。 7.根据权利要求1所述的基于振荡分量椭圆轨迹的次/超同步振荡的检测方法， 其特征 在于， 所述S 3中， 单隐层前馈神经网络包括依次连接的输入层、 隐藏层和输出层； 其中， 所述 单隐层前馈神经网络的隐藏层设置有m个隐藏层结点， 所述单隐层前馈神经网络的表达式 具体为： 式中， Xj为输入单隐层前馈神经网络的椭圆轨迹特征值， βn＝[βn1, βn2,…, βnp]T为第n个 隐藏层节点各独立成分的输出权重， ωn＝[ωn1,ωn2,…,ωnp]T为第n个隐藏层节点各独立 成分的输入权 重， g(x)为激活函数， bn是第n个隐藏层节点各独立成分的偏置 。权　利　要　求　书 2/2 页 3 CN 115441441 A 3