本技术公开了一种基于KAN神经网络及连续扰动注入装置的阻抗测量方法,涉及电网运行分析技术领域,包括以下步骤:S1、在连续扰动注入装置中设定扰动参数,接入连续扰动注入装置;S2、连续注入扰动信号,并获取待测系统并网点的响应电压和响应电流;S3、基于KAN神经网络的频谱识别算法,计算当前扰动频率下的阻抗幅值和相位;S4、进行下一个频率点的阻抗计算,直到达到扰动注入总次数,完成待测系统阻抗的测量;S5、将不同频率下的阻抗计算结果通过可视化进行展示。本发明通过采用KAN神经网络,显著提高了电力系统中阻抗测量的精度与稳定性,增强了抗噪性能和非线性信号处理能力。
背景技术
随着电力系统规模的扩大和可再生能源的广泛接入,电力系统的非线性特性和复杂性逐渐增加,对电力系统阻抗特性提出了更高的要求。阻抗特性是电力系统传输线路和设备对电气信号的反应能力的度量,它影响电能质量、短路电流、系统谐振以及保护设备的工作效率。研究电力系统的阻抗特性不仅有助于评估系统振荡稳定性,防止谐振及电磁干扰,还为设计合适的保护策略、优化电网运行和维护电力设备提供了理论依据。尤其是在新能源并网及柔性交流输电技术(FACTS)等新技术的应用中,准确掌握电力系统的阻抗特性显得尤为重要。因此,阻抗测量分析对确保电力系统在复杂运行环境下的安全高效运行具有重要意义。
现有技术中,阻抗分析一般利用快速傅里叶变换(FFT)算法,提取扰动注入点的电压、电流波形的一段数据中扰动频率对应的电压扰动分量和电流扰动分量。而FFT存在的频谱泄露和栅栏效应可能导致提取的扰动分量不准确,影响阻抗分析的准确性。目前也有技术利用基于奇异值分解(SVD)或者ESPRIT等方法来分析复杂信号的频谱,但在使用这些算法时,可能会遇到谐波分量数判断错误、高维矩阵计算耗时过长导致不能实时监测、噪声干扰强以及非线性信号处理能力弱等问题。
实现思路