本发明涉及电源频率检测，具体来说，涉及一种基于人工神经网络的分布式电源频率检测方法。
背景技术：
1、分布式电源是指将发电设备分布在不同地点，组成一个整体发电系统的发电模式，机外分布式电源系统将多个小容量的发电模块分布在飞机外不同部位，通过内部电路相连为一个整体供电系统，以提高能效和安全性，机外部分布式电源的特点包括发电模块分布在飞机不同外部位置，如机翼两端、机身两侧等，这些分布式发电模块通过飞机内部电网系统连接起来。
2、人工神经网络通过模拟人脑神经网络的结构和工作方式，能够对复杂问题进行有效解决，人工神经网络由大量互相连接的基本处理单元神经元组成网络，每个神经元都有一个活化函数，它可以对输入信号进行加权和加总并产生输出信号，人工神经网络通过学习算法不断调整每个神经元之间的连接权重，从而实现模式识别或分类等功能。
3、在利用人工神经网络对分布式电源频率检测中通过学习电源物理规律，能够提高检测效率和精度，然而现有技术在对分布式电源频率检测时难以估计频率偏移量，从而无法准确跟踪电源实时频率，由于没有频率偏移信息，无法准确反映电源当前频率状态，进而难以针对性的频率调整控制，降低电源频率的稳定性。
技术实现思路
1、针对相关技术中的问题，本发明提出一种基于人工神经网络的分布式电源频率检测方法，以克服现有相关技术所存在的上述技术问题。
2、为此，本发明采用的具体技术方案如下：
3、一种基于人工神经网络的分布式电源频率检测方法，该基于人工神经网络的分布式电源频率检测方法包括以下步骤：
4、s1、利用采样时钟在每个时间周期内同步采集分布式电源的电压数据；
5、s2、构建基于注意力机制的人工神经网络模型，将多路电压数据作为人工神经网络模型的输入并提取电压信号特征；
6、s3、基于电压信号特征生成电压反馈波形并进行分段差分处理，识别出电压反馈波形所反映的电源频率特性；
7、s4、基于电源频率特性利用多任务学习框架训练电源跟踪模型，再将电源跟踪模型分别部署在分布式电源上，实现对分布式电源的联合跟踪；
8、s5、将联合跟踪结果反馈至控制中心实现闭环控制，并对分布式电源进行联合频率调控，预测电源频率的变化特征。
9、进一步地，构建基于注意力机制的人工神经网络模型，将多路电压数据作为人工神经网络模型的输入并提取电压信号特征包括以下步骤：
10、s21、将采集的多路电压数据分别作为电压序列，并利用人工神经网络从电压序列中提取低频特征；
11、s22、应用嵌入层对电压数据进行特征编码得到电压向量表示，并计算电压向量表示之间的相似性；
12、s23、对特征编码后的电压向量表示进行隐形马尔科夫聚类，识别电压向量表示的特征空间结构，并结合电压序列之间的相似性作为人工神经网络的嵌入向量；
13、s24、在人工神经网络中加入注意力机制并配合lstm处理电压序列，学习时间维度上的电压变化规律；
14、s25、根据聚类结果设计损失函数对基于注意力机制的人工神经网络模型进行优化，提取电压序列在特征空间结构上的电压信号特征。
15、进一步地，对特征编码后的电压向量表示进行隐形马尔科夫聚类，识别电压向量表示的特征空间结构，并结合电压序列之间的相似性作为人工神经网络的嵌入向量包括以下步骤：
16、s231、利用最小乘二法将特征编码后的电压向量表示由时序点转变为线段序列，以线段序列为聚类对象建立隐马尔科夫模型；
17、s232、将线段序列进行时序分段并迭代合并在每次迭代中合并相似性误差最小的两个相邻线段，直到相似性误差小于预设误差极值；
18、s233、将时序分段后的线段进行聚类，并通过时间性和相似性的时序聚类算法合并相同的类直至得到最终聚类；
19、s234、将最终聚类作为对应隐状态，并基于最终聚类建立状态转移矩阵，将非参数贝叶斯模型引入隐马尔科夫模型中，计算特征编码后的电压向量表示在隐状态中的分布概率；
20、s235、利用维特比算法获取隐马尔科夫模型的最优状态序列，并通过回溯得到最优状态序列，并将其与分布概率作为人工神经网络的嵌入向量。
21、进一步地，基于电压信号特征生成电压反馈波形并进行分段差分处理，识别出电压反馈波形所反映的电源频率特性包括以下步骤：
22、s31、基于电压信号特征并利用滤波及插值技术消除失真和噪声影响；
23、s32、基于电压信号特征对采样波形点进行重新整定，并对采样波形点加入频率偏移标签，联合生成模拟电压反馈波形，并进行原反演波形的对比分析；
24、s33、利用emd将模拟电压反馈波形分解为imf组成，并对每个imf成分进行频率分析，估计频率偏移量；
25、s34、根据频率偏移量的估计结构对模拟电压反馈波形进行微调，实现模拟电压反馈波形和电源频率的一致性；
26、s35、将微调后的电压反馈波形作为输入，其对应的频率偏移量作为输出，在人工神经网络中加入残差模块对模拟电压反馈波形进行学习，并通过特征分析推断出电源频率特性。
27、进一步地，电源频率特性包括电压信号的周期性能、波形形态特征、波形不对称特征、波形变化率特征、谐波分量特征及波形瞬变特征。
28、进一步地，利用emd将模拟电压反馈波形分解为imf组成，并对每个imf成分进行频率分析，估计频率偏移量包括以下步骤：
29、s331、获取模拟电压反馈波形的局部极值，分别对极大值和极小值使用样条函数进行插值，得到模拟电压反馈波形的上包络曲线及下包络曲线；
30、s332、将上包络曲线及下包络曲线进行相加并求取平均值，得到均值曲线；
31、s333、获取电压反馈波形信号并与均值曲线相减得到频率差值信号，并分别计算上包络曲线及下包络曲线与平均值的差值；
32、s334、将平均值的平方和与差值的平方和之比作为迭代结束的条件，并与预设阈值进行比较，若小于预设阈值，则频率差值信号为所求imf，否则返回步骤s333，对剩余频率差值信号继续分解下一组imf成分；
33、s335、对每个imf成分代表的频率范围进行稳态频率分析，并估计每个imf成分的频率偏移量。
34、进一步地，均值曲线的表达式为：
35、；
36、频率差值信号的计算公式为：
37、；
38、式中，表示 t时刻的均值曲线；
39、表示 t时刻的上包络曲线；
40、表示 t时刻的下包络曲线；
41、表示 t时刻的电压反馈波形信号；
42、表示 t时刻的频率差值信号。
43、进一步地，对每个imf成分代表的频率范围进行稳态频率分析，并估计每个imf成分的频率偏移量包括以下步骤：
44、s3351、结合广域量测提供的扰动后瞬间的电压节点导纳矩阵元素构建稳态频率预测算法；
45、s3352、利用稳态频率预测算法进行增量解计算，得到初值解；
46、s3353、采用蒙特卡洛算法以初值解为中心，在频率范围内随机采样求解得到精确解，并重复步骤s3352，直到收敛获得最终解；
47、s3354、权衡设置蒙特卡洛算法随机数的生成区间，在最大程度上缩小得到最终解的取值范围；
48、s3355、在最终解的取值范围内计算扰动后的稳态频率，并对imf成分对应的频率偏移量进行估计；
49、s3356、基于估计结果对频率偏移量进行修正，得到imf成分在新状态下的修正频率值。
50、进一步地，基于电源频率特性利用多任务学习框架训练电源跟踪模型，再将电源跟踪模型分别部署在分布式电源上，实现对分布式电源的联合跟踪包括以下步骤：
51、s41、基于电源频率特性生成电源状态表示向量空间，并利用多任务学习框架同时训练多个电源跟踪模型；
52、s42、将电源跟踪模型学习分布式电源的频率变化规律，并对电源跟踪模型进行训练后输出电源频率的预测分布；
53、s43、将每个电源跟踪模型分发部署到对应的电源节点，预测各电源节点的状态分布作为量测分类中心；
54、s44、利用马氏距离与量测分类中心分别进行粗关联及精关联，并对关联结果进行判断；
55、s45、将统计结果反馈至中心节点，并对电源频率的预测分布实时更新，优化电源跟踪模型。
56、进一步地，利用马氏距离与量测分类中心分别进行粗关联及精关联，并对关联结果进行判断包括以下步骤：
57、s441、利用跟踪门扫描分布式电源的位置，并测量电源节点之间的自由点到分布式电源的距离；
58、s442、确定各电源节点的综合相关度，并根据综合相关度划分置信区域；
59、s443、对电源节点的目标状态进行融合估计，得到下一时刻目标状态预测值和信息协方差矩阵，并将目标状态预测值作为分布式电源的量测分类中心；
60、s444、计算所有电源节点与量测分类中心的马氏距离，并度量其与目标状态预测值的量测值；
61、s445、利用跟踪门进行粗关联及精关联，并将量测值与预设门限进行比较，判定量测值是否为候选有效量测。
62、本发明的有益效果为：
63、1、本发明通过收集分布式电源的电压数据作为人工神经网络模型的输入，构建基于注意力机制的神经网络模型，可以帮助模型更好地捕获输入信号中的关键特征，同时聚焦于输入信号的某些部分，相比传统神经网络，基于注意力机制的模型在处理序列输入时效率更高，此外，通过隐马尔可夫聚类可以识别电压向量在特征空间中的分布结构，捕获电压特征之间的内在关系，有助于提取不同序列间特征的差异。
64、2、本发明通过提取电压信号特征生成电压反馈波形，并通过识别电压反馈波形周期性能实时检测电源频率，并采用emd方法根据数据自身特性对模拟电压反馈波形进行分解，获得各个imf成分，可以更真实地反映波形特征，然后对每个imf成分单独进行频率分析，可以更精细地估计其频率偏移情况，同时根据imf成分的频率偏移量进行修正，可以消除各成分的频率误差，使重构结果的频率特征更准确，从而提高频率检测精度。
65、3、本发明通过多任务学习框架将电源跟踪任务定义为多个相关但不同的子任务，在多任务学习过程中，电源跟踪模型会学习到不同电源间频率特征的通用关系，训练得到电源跟踪联合模型后，将其分割并分别部署到各个分布式电源节点，每个电源节点根据采集的实时电压数据，利用电源跟踪模型进行频率跟踪，实现分布式电源频率的联合跟踪控制和稳定。
1.一种基于人工神经网络的分布式电源频率检测方法，其特征在于，该基于人工神经网络的分布式电源频率检测方法包括以下步骤：
2.根据权利要求1所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述构建基于注意力机制的人工神经网络模型，将多路电压数据作为人工神经网络模型的输入并提取电压信号特征包括以下步骤：
3.根据权利要求2所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述对特征编码后的电压向量表示进行隐形马尔科夫聚类，识别电压向量表示的特征空间结构，并结合电压序列之间的相似性作为人工神经网络的嵌入向量包括以下步骤：
4.根据权利要求3所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述基于电压信号特征生成电压反馈波形并进行分段差分处理，识别出电压反馈波形所反映的电源频率特性包括以下步骤：
5.根据权利要求4所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述电源频率特性包括电压信号的周期性能、波形形态特征、波形不对称特征、波形变化率特征、谐波分量特征及波形瞬变特征。
6.根据权利要求5所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述利用emd将模拟电压反馈波形分解为imf组成，并对每个imf成分进行频率分析，估计频率偏移量包括以下步骤：
7.根据权利要求6所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述均值曲线的表达式为：
8.根据权利要求7所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述对每个imf成分代表的频率范围进行稳态频率分析，并估计每个imf成分的频率偏移量包括以下步骤：
9.根据权利要求8所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述基于电源频率特性利用多任务学习框架训练电源跟踪模型，再将电源跟踪模型分别部署在分布式电源上，实现对分布式电源的联合跟踪包括以下步骤：
10.根据权利要求9所述的一种基于人工神经网络的分布式电源频率检测方法，其特征在于，所述利用马氏距离与量测分类中心分别进行粗关联及精关联，并对关联结果进行判断包括以下步骤：
