摘要：电网规模随着我国经济的增长也随之出现不断扩大的态势，而且其结构也由简单变得复杂，所以这也就会使很多大型大网因此原因出现互联并引起低频振荡等问题，从而使电力设备或者电力系统出现损坏并影响正常的运行状态。所以，以确保电网安全运行为目标，本文基于深度学习算法对电力系统低频振荡进行了分析，以期可以证明深度学习算法在低频振荡模式中的辨识有效性。
关键词：深度学习算法；电力系统；模型辨识
低频振荡， 即是指电力系统振中的多个不同的发电机因输电线并列运行而出现相对摆动等状态，一旦阻尼数值低，那么其也就在一定的赫兹范围内振荡，且这种振荡也是持续。其中，电力系统分为本地振荡和区域振荡两个类别。前者主要指一个或者一组发电机在脱离其他机组后，减慢发电机转子的惯性时间并随之引起高频率赫兹振荡；而后者主要是，无法使所有不同位置的发电机实现同步，这也就会提高等价惯性时间并引起振荡现象。所以，本文基于深度学习算法对此控制回路的研究有着非常重要的意义。
一、低频振荡产生的原因
（一）阻尼数值不够
因电力系统中存在正阻尼和负阻尼两种，一旦正阻尼将负阻尼抵消，那么电力系统的阻尼综述就会减小并处于负数。所以，在欠阻尼的情况下，如果一旦受到扰动，那么就会导致功率振荡。对于不同层级系统的振荡机理会出现多个不同频率的振荡。
（二）励磁调整过于灵敏
为了更好地提高系统在不同状态下的稳定性，在电力系统中也就需要采用数字式、高强励倍数的快速励磁系统将时间常数减少，然后根据电力系统不同情况下的变化做出及时的反应，从而调节所有的不合理现象。但是由于这些调节会对电力系统造成更多的循环性扰动并对系统造成不利的影响。
（三）电力系统存在非线性奇异现象
根据电力系统已有的分析法分析得出，系统特征为负实部的状态下，则系统稳定；如果存在一个零根或者虚根的话，那么系统只是在稳定的边界运动；如果特征根中有一个正数的实数或者一对具有正实部的负数，那么可以判断系统不稳定。但因实际的电力系统具有非线性特征，所以系统的虚轴附件就会存在奇异现象。据相关学者研究表明，一旦系统出现奇异现象，就会使系统的特征或者状态出现变化，从而引发一定程度的振荡。
（四）共振机理
当电力系统自带的频率与输入信号都满一定条件的时候，那么系统就会出现共振和谐振的现象，如果是频率的处于低频率这一范围的时候，那么就非常容易出现低频率振荡。
二、深度学习及深度学习模型的概述
（一）深度学习
深度学习（deep learning）属于一种机器学习方式。伴随我国各个领域的快速发展，人工神经网络逐步完善，并可以通过模拟大脑自动学习而进行分析。通过已有研究克制，人在识别不同物体的时候，主要是通过大脑将视觉所接收的信号进行分析，然后提取其特征并进行抽象处理，最后根据高层次特征进行判断和识别。另外，深度学习具有三个层次，分别是输入层、隐藏层和输出层，其与过去的多层神经网络相比，主要表现在训练模型方式和初值选取方面。
（二）深度学习模型
1、算法基本框架
基于深度学习的电力系统低频振荡信号即识别算法的基本框架如图1所示。
.png)
图1 算法框架
一般情况下，训练过程大致分为无监督训练和有监督的微调两个部分，其具体过程如图2所示。
.png)
图2 预训练过程
而微调的具体步骤则是将预训练所得到的模型参数作为初始值，然后再将样本输入到网格模型中，并通过正向传播获取较高层次的特征并对其进行分类，最后将其进行对比并计算误差，从而确保整个模型的分类误差可以达到设定中所要求的精度。
2、算法基本步骤
深度学习算法的步骤大致分为三步，其一是待识别信号预处理，其二是待识别信号阶数识别，其三是Prony分析。通过以上步骤的计算，最终得到低频振荡下各个模态的参数值。
三、算例分析
为了对上文中所提出的低频振荡模型的可行性进行识别，那么就可以测试其算法，测试之前小在完成整个模型的初始化工作并调节好参数设置，并将模型中的网格结构层中的不同层神经分别128、80、40、20、4，并将本次使用的训练样本根据现实中电力系统的低频振荡范围及特点将幅值范围和频率范围分别定义在1-20和0.1Hz和2.0Hz之间，并将采样频率和阶数范围进行识别，从而判断深度学习是否可以有效的识别低频振荡信号。
结论：
综上所述，随着我国经济以及电力事业的发展，无论是电网规模还是电网效率都在一定程度上有所提高，但是低频振荡频率的严重性也威胁了整个电网的稳定性与安全性。所以，对于低频振荡的分析对于电力系统的研究有着非常积极的现实意义。其中，电力系统低频振荡信号包括多种不同的模态，现阶段所使用的深度学习有着非常强的提取能力，该种智能算法可以对不同低频振荡信号进行识别和计算。但是，目前关于此方面的研究并不多，所以本文的研究属于新的领域的研究，需要进行更多的考证，因此本文具有非常重要的现实意义。
参考文献：
[1]徐玉韬. 基于广域测量系统在线检测电网扰动信号及辨识低频振荡模式[D].重庆大学,2012.
[2]李海峰,李纯果. 深度学习结构和算法比较分析[J]. 河北大学学报(自然科学版),2012,05:538-544.
[3]易建波. 电力系统低频振荡在线分析关键技术研究[D].电子科技大学,2013.
[4]胡楠,李兴源,李宽,穆子龙,朱瑞可. 基于四阶混合平均累计量的矩阵束算法在低频振荡在线辨识中的应用[J]. 中国电机工程学报,2013,07:53-60.
[5]张程,金涛.基于ISPM 和 SDM-Prony 算 法 的 电 力 系 统 低 频 振 荡 模 式 辨 识 [J].电网技术,2016,04:1209-1216.