基于双协方差随机子空间识别的类噪声数据低频振荡辨识

低频振荡可能会给电力系统的安全稳定带来极大危害,因此在线监测和分析低频振荡参数十分重要。为了有效地从类噪声数据中获取低频振荡模态参数,基于双协方差随机子空间识别(stochastic subspace identification,SSI)算法提出了一种低频振荡模态辨识的新方法。在传统SSI算法的基础上,引入双协方差SSI算法和系统聚类算法对物理模态自动拾取、自动定阶,实现低频振荡参数的有效精确辨识。分别应用传递函数和IEEE WSCC 3机9节点系统模型产生的仿真数据进行了测试,结果表明该方法能够实现自动定阶,得到的稳定图较传统SSI算法更清晰,识别结果中不会出现虚假模态,能高精度估计低频振荡模态参数,且抗噪性能良好。     

基于模糊聚类的NExT-ERA低频振荡类噪声辨识

低频振荡模态分析为电网的安全稳定运行提供了最基本的信息要素。针对环境激励下PMU量测的类噪声信号,讨论了自然激励技术结合特征系统实现算法(NExT-ERA)进行低频振荡模态识别的适用性,对非同步量测信号采用数据截断预处理后,利用该方法同样可以实现有效辨识。引入模糊C均值聚类算法对辨识结果中真伪模态进行自动拾取,提高了辨识精度。通过对IEEE4机11节点系统和IEEE16机68节点系统的仿真数据分析,表明所提出的方法对低频振荡类噪声信号具有较高的模态辨识能力和计算效率,在低频振荡广域监测中具有很好的应用前景。     

基于实测信号的电力系统低频振荡模态辨识

广域相量测量系统的应用为基于量测的电力系统稳定性分析提供了有力支持。基于动态量测信息准确地辨识电力系统低频振荡模态参数及振型,对提高电力系统低频振荡的实时监测与控制至关重要。结合经验模态分解与随机子空间辨识算法,基于发电机有功功率的动态量测信息,开展了电力系统低频振荡辨识与分析的研究。该方法能够在较短的时间从含噪信号内提取原系统真实准确的振荡信息,同时能够得到各振荡模式相应的振型,有效地克服Prony算法和自回归滑动平均算法受噪声、系统实际阶数的影响大,以及单一随机子空间辨识算法难以处理非线性、非平稳振荡信号的缺点。测试系统及仿真结果验证了该方法在电力系统低频振荡分析中的可行性。     

工况模态分析在低频振荡辨识中的应用初探

工况模态分析是结构动力学工程模态辨识的前沿课题,初步探讨了这一概念应用于电力系统低频振荡特性在线辨识的可能性.论述了电力系统低频振荡和一般振动力学数学模型的相似性,利用随机子空间算法辨识低频振荡的频率、阻尼和振型.随机子空间算法无须人工激励电力系统,利用日常负荷的随机波动激励系统,通过相量测量单元(PMU)采集发电机功角摇摆轨迹数据,识别电力系统振荡特征参数.在Matlab仿真平台上,通过对一个3机电力系统的实例分析,证明所提方法对振荡频率、阻尼比和振型识别的有效性.     

工况模态分析在低频振荡辨识中的应用初探

工况模态分析是结构动力学工程模态辨识的前沿课题,初步探讨了这一概念应用于电力系统低频振荡特性在线辨识的可能性。论述了电力系统低频振荡和一般振动力学数学模型的相似性,利用随机子空间算法辨识低频振荡的频率、阻尼和振型。 随机子空间算法无须人工激励电力系统,利用日常负荷的随机波动激励系统,通过相量测量单元（PMU）采集发电机功角摇摆轨迹数据,识别电力系统振荡特征参数。在Matlab仿真平台上,通过对一个3机电力系统的实例分析, 证明所提方法对振荡频率、阻尼比和振型识别的有效性。     

基于动力学系统的两阶段低频振荡模态识别算法

低频振荡已经成为目前电力系统运行所面临的严重问题,在大量测噪声条件下,如何通过WAMS(wide area measurement system)量测值进行精准有效的振荡模态识别至关重要。本文提出了一种新的模态识别方法,通过构造商梯度系统,并追踪与最优参数估计值对应的退化稳定平衡流形进行求解。根据实际系统运行提出了两阶段算法:第一阶段通过改进随机子空间方法获得初始参数辨识值,若不满足残差精度要求,则第二阶段以其为初值通过基于商梯度系统的方法求解。通过在高比例噪声条件下与Prony算法对比,并对IEEE 39节点系统仿真数据分析,表明该算法在抗噪性能、辨识精度和适用性上具有优良特性。     

数学形态学和ESPRIT在低频振荡分析中的应用

为了准确地辨识电力系统低频振荡模态参数,该文提出了基于数学形态学MM(mathematical morphology)和总体最小二乘法的旋转不变技术TLS-ESPRIT (total least squares-estimation of signal parameters via rotational invariance technique)的电力系统低频振荡模态参数识别新方法.首先运用基于数学形态学原理而构成形态滤波器对含有噪声的电力系统低频振荡测量信号进行滤波和平稳化处理,去除噪声,提高辨识精度;然后由TLS-ESPRIT算法辨识出电力系统低频振荡模态参数,该算法把信号分成信号子空间和噪声子空间,能够得到更符合电力系统实际的降阶模型和主导模态,有助于电力系统振荡特性分析和阻尼控制器的设计研究.数值仿真分析表明该方法的可行性和有效性.     

基于EMD和SSI的电力系统低频振荡模态参数识别方法

针对目前引发电力系统低频振荡的多重机理的实际情况,提出基于 EMD 和随机子空间 (Stochastic SubspaceIdentification,SSI) 的识别电力系统低频振荡模态参数的新方法.该方法直接根据端部量测数据识别出系统的低频振荡模态参数.在系统正常运行或者小扰动下可直接用 SSI 识别系统的弱阻尼模式、频率、阻尼和振型;在系统处于异常运行或者故障状态时,运用 EMD 对量测数据进行时空滤波和平稳化处理,由 SSI 辨识出相应的系统状态矩阵,经过模态分析得出低频振荡的上述模态参数.数值仿真及实例分析均表明该方法运行速度快,参数识别精度高,为电力系统低频振荡问题的研究提供了新的思路与方法.     

基于EMD和SSI的电力系统低频振荡模态参数识别方法

针对目前引发电力系统低频振荡的多重机理的实际情况,提出基于EMD和随机子空间（Stochastic Subspace Identification,SSI）的识别电力系统低频振荡模态参数的新方法。该方法直接根据端部量测数据识别出系统的低频振荡模态参数。在系统正常运行或者小扰动下可直接用SSI识别系统的弱阻尼模式、频率、阻尼和振型;在系统处于异常运行或者故障状态时,运用EMD对量测数据进行时空滤波和平稳化处理,由SSI辨识出相应的系统状态矩阵,经过模态分析得出低频振荡的上述模态参数。数值仿真及实例分析均表明该方法运行速度快,参数识别精度高,为电力系统低频振荡问题的研究提供了新的思路与方法。     

基于小波去噪和随机子空间算法的广域低频振荡估计

电网规模的日益扩大使得广域低频振荡成为电力系统稳定运行中备受关注的问题之一,提出了一种利用小波软阈值去噪技术,首先对电力系统低频振荡数据进行预处理,然后采用随机子空间算法提取低频振荡信号特征的分析方法。该方法直接利用在线量测数据识别出系统的低频振荡及其特征参数,有效地克服Prony算法、自回归滑动平均算法及希尔伯特-黄等算法受噪声、系统实际阶数的影响大以及单一随机子空间辨识算法难以处理非线性、非平稳振荡信号的缺点。数值仿真及实例分析均验证了基于小波预处理技术的随机子空间算法在电力系统低频振荡分析中的可行性。     

基于改进小波阈值去噪和RCRSV-MP算法的电力系统低频振荡模态辨识

针对广域测量系统低频振荡辨识中存在噪声干扰和定阶不准确的问题,提出了基于改进小波阈值去噪和奇异值相对变化率(RCRSV)定阶的矩阵束(MP)算法相结合的方法对电力系统低频振荡模态进行辨识。在小波去噪基础上对阈值进行改进,使得阈值随分解层数的增加而发生改变,能够有效地抑制低频振荡信号的噪声;然后将去噪后的信号用RCRSV-MP算法进行辨识,从而获取低频振荡各个模态参数。根据RCRSV定阶具有自适应性,无需人为设定阈值。通过仿真算例、测试系统及电网实际案例的结果显示,所提方法相比于其他方法具有抗噪性能好、拟合精度高等优点,具有较强的实用性,能够实现在线辨识。     

基于差分正交匹配追踪和Prony算法的低频振荡模态辨识

根据实测数据对电力系统低频振荡模态进行辨识,有助于实现电力系统有效的阻尼控制,从而提高电网的稳定性。文中介绍了利用Prony算法辨识低频振荡模态参数的原理,针对Prony算法对噪声干扰敏感以及模型阶数辨识困难导致出现伪模态的缺点,提出了一种基于差分正交匹配追踪(DOMP)和Prony算法相结合的低频振荡模态参数辨识方法。EPRI-36节点系统和实际系统相量测量单元数据算例的仿真结果表明,所述方法能够准确地辨识出系统低频振荡模态参数。通过与Prony算法结果对比验证表明,该方法辨识结果更加准确,能够满足低频振荡模态参数辨识要求。     

低频振荡模式辨识的改进衰减正弦原子分解法

为克服传统衰减正弦原子分解法的估计偏差,提出一种改进的衰减正弦原子分解法用于低频振荡模式辨识。该方法在匹配追踪中引入松弛算法的思想,通过迭代的策略分离各个振荡模式,并采用改进萤火虫算法和伪牛顿法相结合的优化方法,在衰减正弦原子库中进行参数寻优。通过数值信号仿真、IEEE4机2区系统仿真和相量测量单元PMU(phasor measurement unit)实测信号仿真,验证了本文所提方法可获得振荡参数的无偏估计,提高了辨识精度,且具有良好的抗噪能力,能够满足低频振荡模式辨识的要求。     

基于改进去噪性能的Prony算法电网低频振荡模态辨识研究

针对电网低频振荡Prony辨识算法对噪声较为敏感、对输入信号要求较高的问题,提出了一种基于小波去噪与扩展Prony算法相结合的高精度低频振荡模态辨识方法。在小波去噪的基础上通过对阈值进行改进,使得小波去噪的阈值随着小波的分解而发生变化,从而对低频振荡信号达到较好的滤波效果,并在此基础上研究扩展Prony算法,对构建的仿真信号运用IEEE4机2区域系统产生低频振荡信号以及实际PMU监测的低频振荡信号进行算法验证。仿真和实验表明提出的方法能够比较准确和快速的辨识电力系统低频振荡信号,且具有较高的精度和较好的鲁棒性,为电力系统低频振荡模态辨识提供了一种行之有效的方法。     

Power system multi-parameter small signal stability analysis based on 2nd order perturbation theory

A novel method based on multi-parameter 2nd order perturbation sensitivity is proposed to analyze the low-frequency oscillation modes in large-scale interconnected power system, since the low-frequency oscillation mode change is hard to determine due to the violent fluctuation of multiple parameters during operation. Firstly, the multi-parameter 2nd order perturbation sensitivity matrices of eigenvalues and eigenvectors are deduced. Then, their multi-parameter 2nd order estimated values are calculated. On the basis of this, the changing system oscillation modes under multiple parameters variation are estimated. The simulation results of WECC (Western Electricity Coordinating Council) system verify that this method is able to assess the small signal stability of the system relatively accurately even several parameters of the system change. Then it can adjust appropriate dispatching method accordingly to improve the damping of dominant oscillation mode. Also, this method makes the solving process direct and clear since it avoids the burdensome derivation calculation of 2nd order sensitivity, and it is time-saving by avoiding solving complicated high-dimensional state matrices.     

基于FSSI的环境激励下机电振荡特征参数快速识别方法研究

环境激励作用下的电力系统随机响应蕴含丰富的系统动态信息。随着广域测量系统的广泛应用,基于随机响应信号的低频振荡分析具有良好的应用前景。在对电力系统随机响应数据特征分析的基础上,提出了基于快速随机子空间辨识算法(Fast Stochastic Subspace Identification,FSSI)的电力系统机电振荡参数识别方法。FSSI算法利用LQ分解取代了传统随机子空间算法中的奇异值(SVD)分解过程,在保证SSI算法在振荡频率、阻尼比及模态振型识别精度的同时,极大地提高了分析计算的速率。IEEE 4机2区域系统和16机68节点系统仿真计算结果表明文中提出的方法具有较高的识别精度和计算速率。     

基于可调Q因子小波变换与稀疏时域法的电力系统低频振荡模态辨识

对于目前电力系统低频振荡模式识别和参数提取中的噪声干扰等问题,提出一种新的提取低频振荡关键模态参数的方法,将可调Q因子小波变换(Tunable Q factor Wavelet Transform, TQWT)和稀疏时域法(Sparse Time Domain method, STD)进行联合。首先运用TQWT技术对含有噪声的电力系统低频振荡广域测量信号进行预处理,达到降噪的目的。而后将处理后的信号作为新的输入信号,利用稀疏时域法进行振荡模态及其参数的辨识,其输入信号的采集既可单点测量也可多点测量。通过对测试信号和EPRI-36机系统仿真验证了所提方法的优越性,能够在信噪比较低的环境下对噪声进行有效抑制而准确地辨识出系统的振荡模态参数。与传统方法相比具有更好的抗噪能力,所提方法辨识过程中所需时间更短且辨识出的参数也更为准确。     

基于MEEMD与MP的电网低频振荡模态识别

针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法。首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡模式信息。数值信号和EPRI-36节点系统的仿真验证了所提方法的有效性。