受迫振荡的振荡源定位方法、装置、终端及可读存储介质

摘要

本发明提供了一种受迫振荡的振荡源定位方法、装置、终端及可读存储介质，其中，该方法包括如下步骤：获取发电机转子的角度测量数据和有功功率测量数据；根据角度测量数据和有功功率测量数据得到多变量时间序列的马氏距离测量数据；根据马氏距离测量数据确定受迫振荡的振荡源位置。该方法通过建立角度测量数据和有功功率测量数据的多变量时间序列，并对多变量时间序列进行动态时间规整，之后得到这两个测量数据的多变量时间序列的马氏距离测量数据，最后根据马氏距离测量数据确定振荡源位置，降低了对起振时间的检测要求，提高了算法的实际可操作性，进而提高了振荡源定位的精度。

说明书

技术领域

本发明涉及电力系统受迫振荡定位技术领域，具体涉及一种受迫振荡的振荡源定位方法、装置、终端及可读存储介质。

背景技术

电力系统中的低频振荡降低了系统的电力传输上限，并可能导致系统中设备的损坏，其对大规模电网的安全性和稳定性造成了严重的威胁。低频振荡的主要原因是系统中阻尼不足，其抑制方法包括电力系统稳定器的参数和连接线的控制。但是，电力系统中还存在由共振引起的受迫振荡，这种振荡发生时系统阻尼充裕；如果将和系统本身频率相近的干扰注入电力系统中的任意节点，共振将会加剧，而且即使是小幅的干扰都会放大并迅速扩散至整个电力系统。传统的修复方案，例如将电力系统稳定器投入运行等，并不能抑制此类振荡。最有效的抑制受迫振荡的方法就是准确而迅速地移除振荡干扰源。

振荡源定位是消除干扰的先决条件，通过安装大量的同步向量测量单元(PhasorMeasurement Unit，PMU)观测电力系统的动态行为。现有技术中的定位方法主要包括以下几种：通过整合不同地点PMU测量数据和波速地图，应用基于行波的定位方法；基于暂态能量函数，计算能量流动方向并用于受迫振荡源定位；通过估计模态形状来描述整个电力系统中的振荡的相对幅值和相位，从而定位振荡源；利用连接线在振荡中的功率信号，计算出连续时间区间内的实时近似熵值，从而定位干扰源；基于机器学习，将受迫振荡中的测量信号映射到多维度的CELL中，再利用决策树来识别CELL中的特征参数，从而定位对应的不同振荡源。以上定位方法均利用振荡初期的信息来进行定位，假设低频振荡在发生后可以被立即检测到，然而这个假设在实际中多不成立，故导致振荡源定位精度低。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的振荡源定位精度低的缺陷。

为此，本发明提供如下技术方案：

本发明第一方面，提供一种受迫振荡的振荡源定位方法，包括如下步骤：获取发电机转子的角度测量数据和有功功率测量数据；根据所述角度测量数据和所述有功功率测量数据得到多变量时间序列的马氏距离测量数据；根据所述马氏距离测量数据确定受迫振荡的振荡源位置。

可选地，根据所述马氏距离测量数据确定受迫振荡的振荡源位置，包括：获取不同振荡源位置受迫振荡的发电机转子的角度仿真数据和有功功率仿真数据；根据所述角度仿真数据和所述有功功率仿真数据得到多变量时间序列的马氏距离仿真数据；将所述马氏距离测量数据进行聚类得到聚类结果；根据所述聚类结果确定受迫振荡的振荡源位置。

可选地，根据所述角度仿真数据和所述有功功率仿真数据得到多变量时间序列的马氏距离仿真数据的步骤之后，还包括：对所述马氏距离仿真数据进行优化。

可选地，通过如下公式对所述马氏距离仿真数据进行优化，

其中，M_j为第j次迭代过程中定义马氏距离的马氏矩阵；M_j+1为第j+1次迭代过程中定义马氏距离的马氏矩阵；γ_j为使用矩阵求逆引理进行计算的中间变量；P_j,Q_j为基于约束三元组{X_j,Y_j,Z_j}的中间变量，P_j＝X_j-Y_j,Q_j＝X_j-Z_j；P_j^T为P_j的转置矩阵；Q_j^T为Q_j的转置矩阵；λ_j为平衡损失函数l(M_j)和规范方程div(M_j,M_j+1)的规范参数。

可选地，获取不同振荡源位置受迫振荡的发电机转子的角度仿真数据和有功功率仿真数据，包括：获取不同振荡源位置受迫振荡的发电机动态响应仿真数据；根据所述动态响应仿真数据得到发电机转子的角度仿真数据和有功功率仿真数据。

可选地，根据所述角度测量数据和所述有功功率测量数据得到多变量时间序列的马氏距离测量数据，包括：对所述角度测量数据和有功功率测量数据进行动态时间规整得到多变量时间序列的马氏距离测量数据。

本发明第二方面，提供一种受迫振荡的振荡源定位装置，包括：第一获取模块，用于获取发电机转子的角度测量数据和有功功率测量数据；第一处理模块，用于根据所述角度测量数据和所述有功功率测量数据得到多变量时间序列的马氏距离测量数据；第二处理模块，用于根据所述马氏距离测量数据确定受迫振荡的振荡源位置。

可选地，所述第二处理模块包括：第一获取单元，用于获取不同振荡源位置受迫振荡的发电机转子的角度仿真数据和有功功率仿真数据；第一处理单元，用于根据所述角度仿真数据和所述有功功率仿真数据得到多变量时间序列的马氏距离仿真数据；第二处理单元，用于将所述马氏距离测量数据进行聚类得到聚类结果；第三处理单元，用于根据所述聚类结果确定受迫振荡的振荡源位置。

可选地，所述第二处理模块还包括：第四处理单元，用于对所述马氏距离仿真数据进行优化。

可选地，所述第一获取单元包括：第一获取次单元，用于获取不同振荡源位置受迫振荡的发电机动态响应仿真数据；第一处理次单元，用于根据所述动态响应仿真数据得到发电机转子的角度仿真数据和有功功率仿真数据。

本发明第三方面，提供一种终端，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明第一方面中任一所述的受迫振荡的振荡源定位方法。

本发明第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明第一方面中任一所述的受迫振荡的振荡源定位方法。

本发明技术方案，具有如下优点：

1.本发明提供的受迫振荡的振荡源定位方法，包括如下步骤：获取发电机转子的角度测量数据和有功功率测量数据；根据所述角度测量数据和所述有功功率测量数据得到多变量时间序列的马氏距离测量数据；根据所述马氏距离测量数据确定受迫振荡的振荡源位置。该方法通过建立角度测量数据和有功功率测量数据的多变量时间序列，并对多变量时间序列进行动态时间规整，之后得到这两个测量数据的多变量时间序列的马氏距离测量数据，最后根据马氏距离测量数据确定振荡源位置，降低了对起振时间的检测要求，提高了算法的实际可操作性，进而提高了振荡源定位精度。

2.本发明提供的受迫振荡的振荡源定位方法，根据所述马氏距离测量数据确定受迫振荡的振荡源位置包括：获取不同振荡源位置受迫振荡的发电机转子的角度仿真数据和有功功率仿真数据；根据所述角度仿真数据和所述有功功率仿真数据得到多变量时间序列的马氏距离仿真数据；将所述马氏距离测量数据进行聚类得到聚类结果；根据所述聚类结果确定受迫振荡的振荡源位置。首先，通过仿真不同位置的受迫振荡的多种案例并记录发电机的动态响应；其次，根据发电机转子的角度仿真数据和有功功率仿真数据建立代表性的多变量时间序列；再次，由多变量时间序列得到马氏距离仿真数据；然后，将马氏距离测量数据进行聚类分析得到聚类结果；最后，根据聚类结果确定受迫振荡的振荡源位置。将马氏距离量测扩展以用来测量两个多变量时间序列之间的距离，通过将原坐标系统中的时间序列映射到新的坐标系统中，利用新的计算距离，突出重点特征的关联性，提高了定位的准确性。

3.本发明提供的受迫振荡的振荡源定位方法，根据所述角度仿真数据和所述有功功率仿真数据得到多变量时间序列的马氏距离仿真数据的步骤之后，还包括：对所述马氏距离仿真数据进行优化。通过量测学习实现了马氏距离中半正定矩阵的更新和优化，重点突出了关注的特征值，同时减少不相关特征；此外，更新马氏矩阵的具体算法，在保证矩阵运算质量的情况下加快了更新的速度。

4.本发明提供的受迫振荡的振荡源定位方法，根据所述角度测量数据和所述有功功率测量数据得到多变量时间序列的马氏距离测量数据包括：对所述角度测量数据和有功功率测量数据进行动态时间规整得到多变量时间序列的马氏距离测量数据。利用动态时间规整使得两个时间序列可以通过延展进行一对一的对应，进而解决了检测时间延迟导致的实际测试数据和机器学习数据不同步的问题。

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中受迫振荡的振荡源定位方法的一个具体示例的流程图；

图2为本发明实施例中受迫振荡的振荡源定位方法的根据马氏距离测量数据确定受迫振荡的振荡源位置的步骤的一个具体示例的流程图；

图3为本发明实施例中受迫振荡的振荡源定位方法的获取不同振荡源位置受迫振荡的发电机转子的角度仿真数据和有功功率仿真数据的步骤的一个具体示例的流程图；

图4为本发明实施例中受迫振荡的振荡源定位方法的两个时间序列之间最优规整路径的示意图；

图5为本发明实施例中受迫振荡的振荡源定位装置的一个具体示例的框图；

图6为本发明实施例中终端的结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本实施例提供一种受迫振荡的振荡源定位方法，应用于电力系统中，实现电力系统中受迫振荡的振荡源在线准确定位，保证电力系统的实时可靠运行，提高电力系统运行的安全性和稳定性，该方法的流程图如图1所示，包括如下步骤：

S1：获取发电机转子的角度测量数据和有功功率测量数据。

同步向量测量单元(PMU)是利用全球定位系统(GPS)秒脉冲作为同步时钟构成的相量测量单元，用于电力系统的动态监测、系统保护和系统分析和预测等领域，是保障电网安全运行的重要设备。在本实施例中，每个发电厂至少有一个可用的PMU用于测量发电机转子的角度测量数据和有功功率测量数据，即通过PMU直接获取角度测量数据和有功功率测量数据；当然，在其它实施例中，也可以通过获取其他参数后经过计算得到角度测量数据和有功功率测量数据，如相位角、无功功率或者视在功率等，可根据实际需要合理设置。

S2：根据角度测量数据和有功功率测量数据得到多变量时间序列的马氏距离测量数据。

由于振荡检测存在时间延迟，有时会发生实际测量数据和机器学习仿真数据不同步的情况，本实施例中利用动态时间规整来解决检测时间延迟导致的实际测量数据和机器学习仿真数据不同步的问题，从而放松了对起振时间的检测要求，提高了算法的实际可操作性。

在本实施例中，对角度测量数据和有功功率测量数据进行动态时间规整得到多变量时间序列的马氏距离测量数据。对角度测量数据和有功功率测量数据进行动态时间规整，使得由实际测量数据构成的多变量时间序列和由仿真数据构成的多变量时间序列能够很好地对应，进而降低对实际测量数据的测量要求。

仿真过程中的多变量时间序列MTS分别记为X和Y，

其中，p是特征的数量，h是采样点的数量。

在多变量时间序列分类的应用中，能在实际运行中准确识别振荡的起止时间点的假设是不切实际的。在振荡定位技术中，并不能保证检测到受迫振荡的起始时间点，因此会面临时序分析中序列相位和长度不同的情况。动态时间规整基于最小化距离，通过非线性映射将一个时间序列映射到另一个时间序列上。通过计算最优的规整路径，两个时间序列可以通过延展进行一对一的对应，易于进行相似性的比较和研究，其中最优规整路径由动态规划实现。传统动态时间规整算法只能应用于单变量时间序列，本实施例中将动态时间规整算法与量测学习所得到的距离量测仿真数据相结合，可以对任意长度的两组多变量时间序列进行比较。

给定两个时间序列，Q(i)，i＝1,2,…,m，C(k)，k＝1,2,…,n，最优规整路径定义为

其中w_Q(j)∈[1,m]代表Q序列中的序号，w_C(j)∈[1,n]代表C序列中的序号，规整路径的长度为s，(w_Q(j),w_C(j))^T代表Q序列中的第w_Q(j)个元素和C序列中的第w_C(j)个元素相互对应。

为了减少搜索过程中的路径数量，一个有效的规整路径应该满足如下几个条件。边界条件保证每个时间序列中的所有参数都使用在了规整路径中。连续条件要求规整路径只能存在于相邻的单元之间。此外，单调性条件要求可行的规整路径只能单调递增。这三个条件的数学形式如下：

其中，d²(i,k)是目前单元中得到的距离，D²(i,k)代表最小的次级规整路径距离，而规整路径的长度区间为s∈{max(m,n),max(m,n)+1,…,m+n}。最优规整路径由动态规划实现，在距离矩阵D²(i,k)中的所有元素都完成计算后，对应的规整路径就是最优规整路径W。图4是两个时间序列之间最优规整路径的示意图，横坐标表示第一个时间序列的30个样本，纵坐标表示第二个时间序列的10个样本，图中的矩阵每一个单元的阴影代表相应两个样本的距离，比如右上角的单元阴影就代表d²(30,10)。图中路径即代表一条可行的规整路径。

传统动态时间规整算法只能应用于单变量时间序列。为了将动态时间规整用于多变量时间序列并结合马氏距离，本地距离d²(i,k)定义如下：

d²(Xⁱ,Y^j)＝d_M²(Xⁱ,Y^j)

其中，Xⁱ代表X中的第i行，Y^j代表Y中的第j行。

利用动态时间规整实现了不同相位和长度的时间序列之间的对比，通过最优规整路径，突出不同步的时间序列之间的相似性比对。

S3：根据马氏距离测量数据确定受迫振荡的振荡源位置。

由于当受迫振荡发生时，发电机的响应对于不同位置的振荡源截然不同，所以本发明在时序仿真中仿真不同位置的受迫振荡的多种案例，并记录发电机的动态响应。假设每个发电厂至少有一个可用的PMU，并且电力系统模型已知。对发电机转子角度仿真数据和有功功率仿真数据建立代表性的多变量时间序列。在离线机器学习中，通过量测学习定义多变量时间序列的距离。而在线匹配中，当受迫振荡被检测到时，测量同样的参数并和机器学习中的聚类进行比较从而确定受迫振荡源的位置。利用电力系统中发电机转子角度和有功功率的测量数据来准确定位电力系统中受迫振荡的振荡源，定位精度可达到变电站级别。

在本实施例中，如图2所示，步骤S3具体包括步骤S31-S35：

S31：获取不同振荡源位置受迫振荡的发电机转子的角度仿真数据和有功功率仿真数据。

在本实施例中，如图3所示，步骤S31具体包括步骤S311和S312：

S311：获取不同振荡源位置受迫振荡的发电机动态响应仿真数据。在时序仿真中仿真不同位置的受迫振荡的多种案例，记录发电机的动态响应仿真数据。

S312：根据动态响应仿真数据得到发电机转子的角度仿真数据和有功功率仿真数据。在本实施例中，动态响应仿真数据包括发电机转子的角度仿真数据和有功功率仿真数据，即根据动态响应仿真数据直接得到；当然，在其它实施例中，动态响应仿真数据还可以包括视在功率、有功功率仿真数据、相位角仿真数据等，根据公式计算得到角度仿真数据和有功功率仿真数据，根据需要合理设置即可。

S32：根据角度仿真数据和有功功率仿真数据得到多变量时间序列的马氏距离仿真数据。

本发明利用马哈拉诺比斯距离(马氏距离)来测量多变量时间序列之间的距离。马氏距离是距离测量中的基本标准，其典型构成中包括对称半正定矩阵M。如果M＝I，则马氏距离退化为标准的欧式距离。由于马氏距离考虑不同变量间的关联性，多变量时间序列(MTS)中的变量和标签可以确立准确的对应关系。其具有两项重要功能，第一是去除不同变量之间的关联并且将原空间映射到一个新的坐标系统中，第二是给新的变量指定权重系数。基于这两个功能，马氏距离能有效测量向量间的距离。在此基础上，本发明将马氏距离量测扩展以用来测量两个多变量时间序列之间的距离，通过将原坐标系统中的时间序列映射到新的坐标系统中，利用新的计算距离，突出重点特征的关联性，为后续的分类工作完成准备工作。

马哈拉诺比斯距离(马氏距离)是距离测量中的基本标准，其典型构成中的重要组成元素为对称半正定矩阵M。对于两个向量x和y，x,y∈R^d，向量x和y之间马氏距离的平方可表示为：

d_M²(x,y)＝(x-y)^TM(x-y)

如果M＝I，则马氏距离退化为标准的欧式距离。

由于马氏距离考虑不同变量间的关联性，多变量时间序列MTS中的变量和标签可以确立准确的对应关系。其具有两项重要功能。第一是去除不同变量之间的关联并且将原空间映射到一个新的坐标系统中，第二是给新的变量指定权重系数。基于这两个功能，马氏距离能有效测量向量间的距离。

本发明将马氏距离量测扩展以用来测量两个多变量时间序列之间的距离。假设给定两个多变量时间序列MTS分别记为X和Y，

其中，p是特征的数量，h是采样点的数量。

本地距离测量的平方可表示为：

d_M²(Xⁱ,Y^j)＝(Xⁱ-Y^j)M(Xⁱ-Y^j)^T

其中，Xⁱ代表X的第i行，Y^j代表Y的第j行。

多变量时间序列X和Y之间的距离可定义为：

S33：对马氏距离仿真数据进行优化。

在本实施例中，利用量测学习来寻找并确定马氏距离中合适的M矩阵。马氏距离量测可用来展示两个时间序列之间的关联性。而量测学习的目标就是利用标记后的学习数据来找到合适的M使得马氏距离能在重点突出相关的特征的同时减少不相关特征的影响。

假设存在三元组{X,Y,Z}，其中X和Y是在同一类别中，而Z是另一个类别。那么X和Y之间的马氏距离应该小于X和Z之间的马氏距离。量测学习的架构可用优化问题来进行描述，目标为找到一个半正定矩阵来满足约束条件中所有的三元组。在优化过程中，马氏距离在违背三元组约束时进行更新。

量测学习的架构采用的数学形式如下：

Find Exist(M)

M∈PSD

这里ρ>0代表预期的余量。目标是找到一个半正定矩阵来满足约束条件中所有的三元组。三元组约束的数量是训练数据点的三次方。

为了解决上述问题，本实施例使用迭代过程来进行计算，过程如下：

在本实施例中，上述预设阈值基于当前马氏矩阵的计算距离，将计算距离分组并从小到大排列后，将75％处的距离减1即得预设阈值L。MAX₁优选值为10，MAX₂值的可选范围是1-10倍训练数据集中的数据个数，优选值为训练数据集中的数据个数。

MAX₁和MAX₂用来约束循环的数量，如果违背了三元组约束，则损失函数定义如下：

l(M_j)＝ρ+D_M(X_j,Y_j)-D_M(X_j,Z_j)

算法1中的关键问题是如何更新马氏矩阵，每次更新应该减小损失函数的值。此外，为了避免不稳定的学习过程，本发明在量测学习的目标函数中加入一个规范项来控制矩阵在相邻循环中的发散程度。所以马氏矩阵的更新方程可表示为：

其中，λ_j是规范参数，用来平衡损失函数和规范方程。λ_j的数值范围是由之后的半正定矩阵约束中给出的，是计算得出。而规范方程用来测量矩阵的发散程度，其可表示为:

其中，tr()代表矩阵的迹，n是矩阵M的维度。

本发明采用迭代算法来求解马氏矩阵的更新方程，为了保证马氏距离在每次循环中都是一个半正定矩阵，给出以下要求：

多种算法工具可用来解决这种标准的线性矩阵不等式(LMIs)。假设所得结果为那么只要满足就能确保更新后的矩阵M_j+1是一个半正定矩阵。因此，在每个循环中首先求解LMIs，然后在可行区间中选择λ_j。

在得到λ_j之后，马氏矩阵的更新方程在其函数梯度为0时达到最小值。通过设置马氏矩阵的更新方程的梯度为零，可以得到：

其中，P_j＝X_j-Y_j,Q_j＝X_j-Z_j。可通过矩阵求逆引理来求解上述公式，矩阵M的迭代过程为：

其中，M_j为第j次迭代过程中定义马氏距离的马氏矩阵；M_j+1为第j+1次迭代过程中定义马氏距离的马氏矩阵；γ_j为使用矩阵求逆引理进行计算的中间变量；P_j,Q_j为基于约束三元组{X_j,Y_j,Z_j}的中间变量，P_j＝X_j-Y_j,Q_j＝X_j-Z_j；P_j^T为P_j的转置矩阵；Q_j^T为Q_j的转置矩阵；λ_j为平衡损失函数l(M)和规范方程div(M_j,M_j+1)的规范参数。

通过上述过程，马氏距离在违背三元组约束时进行更新。当计算得到的总损失函数值小于预设阈值，或已进行MAX₁次循环后，算法中止。量测学习是本发明中计算量最大的部分，但由于其在离线部分中，并不需要满足特殊的速度要求。

通过量测学习得到最优的M矩阵，进而根据角度仿真数据和有功功率仿真数据可得到多变量时间序列的马氏距离仿真数据。确定了受迫振荡源和发电机之间的马氏距离对应关系。

量测学习实现了马氏距离中半正定矩阵的更新和优化，与传统马氏距离量测相比，重点突出了关注的特征值，同时减少不相关特征的影响。此外，本实施例中更新马氏矩阵的具体算法，在保证矩阵运算质量的情况下加快了更新的速度，在离线学习过程中起到了重要的作用，为在线匹配输出直接可用的学习数据集合。

S34：将马氏距离测量数据进行聚类得到聚类结果。在本实施例中，使用了K-近邻算法对马氏距离测量数据进行聚类得到聚类结果；当然，在其它实施例中，也可以采用其它聚类算法对马氏距离测量数据进行聚类分析，如k-prototypes算法，K-means算法，K-subspace算法，K-shape算法，Hierarchical算法，Density算法等，根据需要合理设置即可。

S35：根据聚类结果确定受迫振荡的振荡源位置。如使用K-近邻算法，以马氏距离进行度量，测量数据所属的组别，被认为是在K个与测量测量数据距离最近的训练数据中，所属类别最多的组别。比如当K＝3时，在与真实测量数据马氏距离最近的3组训练数据中，两组训练数据属于振荡源是1号发电机的类别，则认为真实测量数据中振荡源是1号发电机。

上述受迫振荡的振荡源定位方法，将根据离线仿真获取到的发电机转子的角度仿真数据和有功功率仿真数据构建成两个多变量时间序列；将马氏距离量测扩展以用来测量两个多变量时间序列之间的距离；通过量测学习实现了马氏距离中半正定矩阵的更新和优化，重点突出了关注的特征值，同时减少不相关特征，在保证矩阵运算质量的情况下加快了更新的速度；将仿真数据代入马氏距离优化公式中得到马氏距离仿真数据，确定了受迫振荡源和发电机之间的马氏距离对应关系；将获取到的发电机转子的角度测量数据和有功功率测量数据利用动态时间规整得到马氏距离测量数据，使得两个时间序列可以通过延展进行一对一的对应，解决了检测时间延迟导致的实际测试数据和机器学习数据不同步的问题；将马氏距离测量数据进行聚类分析得到聚类结果，根据聚类结果确定受迫振荡的振荡源位置，实现了振荡源的准确定位。

本实施例还提供一种受迫振荡的振荡源定位装置，如图5所示，包括第一获取模块51，用于获取发电机转子的角度测量数据和有功功率测量数据；第一处理模块52，用于根据角度测量数据和有功功率测量数据得到多变量时间序列的马氏距离测量数据；第二处理模块53，用于根据马氏距离测量数据确定受迫振荡的振荡源位置。

在本实施例中，第二处理模块53包括：第一获取单元531，用于获取不同振荡源位置受迫振荡的发电机转子的角度仿真数据和有功功率仿真数据；第一处理单元532，用于根据角度仿真数据和有功功率仿真数据得到多变量时间序列的马氏距离仿真数据；第四处理单元533，用于对马氏距离仿真数据进行优化；第二处理单元534，用于将马氏距离测量数据进行聚类得到聚类结果；第三处理单元535，用于根据聚类结果确定受迫振荡的振荡源位置。

在本实施例中，第一获取单元531包括：第一获取次单元5311，用于获取不同振荡源位置受迫振荡的发电机动态响应仿真数据；第一处理次单元5312，用于根据动态响应仿真数据得到发电机转子的角度仿真数据和有功功率仿真数据。

上述各个模块的更进一步的功能描述与上述实施例相同，在此不再赘述。

上述受迫振荡的振荡源定位装置，具有定位精度高的优点。

本实施例还提供一种终端，如图6所示，包括：至少一个处理器601，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图5所描述的受迫振荡的振荡源定位装置，存储器604中存储一组程序代码，且处理器601调用存储器604中存储的程序代码，以用于执行一种受迫振荡的振荡源定位方法，即用于执行如图1-图3实施例中的受迫振荡的振荡源定位方法。

其中，通信总线602可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器604可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器604还可以包括上述种类的存储器的组合。

其中，处理器601可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic，缩写：GAL)或其任意组合。

可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本申请图1-图3实施例中所示的受迫振荡的振荡源定位方法。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的受迫振荡的振荡源定位方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，缩写：ROM)、随机存储记忆体(Random Access Memory，缩写：RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，缩写：SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。