摘要：近年来风电并网比例大幅提高，由此引发的次/超同步振荡的发生概率也大大提高，严重威胁系统的安全稳定性。准确辨识次/超同步振荡参数是抑制振荡的基础，提出基于注意力机制的残差卷积神经网络的辨识方法。卷积神经网络的局部相关性和权值共享决定了其具有更强的特征学习和表达能力，通过结合注意力机制可以更准确地辨识振荡参数。同时，引入残差连接，用以解决深层卷积神经网络存在的梯度消失和网络退化问题。仿真结果表明：相较于传统方法，该方法不仅能在较短时间窗数据上完整地辨识次/超同步振荡的参数，且能规避传统方法因主观因素带来的辨识误差，降低振荡参数辨识的复杂度。
结论：本文旨在利用卷积神经网络和注意力机制，对传输至PMU主站的复数域同步相量数据进行分析，完整准确地辨识出次/超同步振荡的幅值、阻尼系数、频率和相位参数，通过合成信号与仿真信号加以验证，得出以下结论。
1）本研究充分利用CNN处理强非线性数据的优势和注意力机制对通道特征自适应的特点，成功从主站PMU的同步相量数据中完整辨识了次/超同步振荡的模态参数；
2）本研究在通道注意力和残差模块进行设计，对CNN进行改进，使其具有更好的训练效果，不仅提高了CNN模型的性能上限，还解决了深层CNN存在的梯度消失和网络退化问题；在损失函数上引入了MAAPE作为衡量模型性能的指标，更准确地预测阻尼系数和相位参数；
3）本方法无须设定和选择复杂的参数，一定程度上规避了传统方法因主观因素带来的辨识误差，降低了次/超同步振荡参数辨识的复杂度。
