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NExT-DMD的电力系统机电振荡参数提取

电力系统随机响应中蕴含丰富的系统动态特征信息,基于系统随机响应所提取的机电特征参数能够准确反映互联电网机电小干扰稳定性.文章在深入分析环境激励下随机响应信号特征基础上,提出了基于自然激励技术的动态模式分解算法(nature excitation technology based dynamic mode decompo...     

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.     

基于自然激励技术和TLS-ESPRIT方法的低频振荡模式辨识

提出了一种利用系统随机响应信号辨识低频振荡模式的方法。利用自然激励技术(NEx T)从系统随机响应信号中获得自由振荡信号,采用总体最小二乘—旋转不变技术的信号参数估计(TLS-ESPRIT)方法对所获得的自由振荡信号进行模式辨识,得到低频振荡模式的频率和阻尼比。采用16机系统仿真数据和四川电网实测数据验证了所提方法的有效性;与随机减量技术(RDT)结合Prony方法对比表明,所提方法对阻尼比估计更准确且抗噪性更强。     

基于MEMD和HHT的电力系统低频振荡模式识别方法研究

提出了一种基于多元经验模态分解(Multivariate empirical mode decomposition,MEMD)和希尔伯特黄变换(Hilbert-Huang Transform,HHT)相结合的电力系统低频振荡模式辨识新方法。针对经验模态分解(Empirical Mode Decomposition,EMD)只适用于单通道模式辨识的局限性,以及存在模式混叠和辨识效率低的缺点,引入MEMD方法对多通道量测信号进行分解处理,获取各通道中表征不同频率尺度的固有模态函数(Intrinsic Mode Functions,IMF)分量,实现多通道量测信息的协同分解。在此基础上,引入Teager能量算子筛选出含主导振荡模式的关键IMF。针对主导振荡模式在振荡过程的时变特性,借助HHT追踪各主导振荡模式的瞬时振荡频率和阻尼比。最后,通过16机68节点测试系统仿真数据和辽宁电网PMU实测数据对所提方法进行分析、验证。结果表明了所提方法的准确性和有效性。     

EMD法在提取电力系统低频振荡特性中的应用

经验模态分解方法是一种全新的非平稳信号分析方法,根据低频振荡信号的非平稳特性,介绍了经验模态分解方法应在低频振荡特性分析中的应用。仿真结果表明,该方法可以准确提取系统的低频振荡特征。     

利用环境激励下的发电机组转子动态响应识别次同步振荡模态的方法

通过实时测量运行中的发电机组受电网负荷波动及噪声随机激励下的微弱转子转速响应,可以将机网振荡的模态参数(包括模态频率、阻尼和幅值)在线辨识出来。采用随机减量技术处理环境激励下的转子角位移差分信号,从而获取随机减量特征信号,该信号包含机网系统结构振荡的自由衰减响应分量;采用窄带频率滤波算法从所述的随机减量特征信号中获得各个次同步分量的时域衰减特征曲线,进而计算出当前运行方式下的不同频率的振荡模态的阻尼。采用该方法对绥中电厂1 000 MW机组的实测数据进行计算,有效辨识出绥中电厂及高岭直流区域电网的次同步振荡阻尼等模态参数。基于该方法可以实现实时的次同步振荡安全监测。     

密集型固有振荡模式电力系统的模态分析

大规模电力系统具有振荡模式非常密集的特点,参数的微小变化会使系统产生模态不稳定现象。运用复模态摄动理论对密集型固有振荡模式电力系统进行了模态分析,结果表明,系统的特征值对参数摄动不敏感,但密集振荡模式对应的左、右特征向量有很大的变化,影响状态变量对振荡模式的可控性和可观性。最后,以新英格兰10机系统和NPCC 48机系...     

基于TLS-ESPRIT的电力系统低频振荡模态参数提取方法

将总体最小二乘—旋转矢量不变技术（LTS-ESPRIT）算法应用到低频振荡模态参数的提取中,它是1种基于子空间划分的高分辨率信号分析方法,将振荡功率信号形成HANKEL矩阵,通过奇异值分解进行信号子空间和噪声子空间的划分,再通过总体最小二乘（TLS）的二次消噪处理提高抗噪能力,准确提取低频振荡的模态参数。仿真结果表明,该算法具有精度高、抗噪能力强、算法简单的优点。实测数据进一步验证了该方法的可行性和有效性。     

类噪声环境下基于滑动相干谱的强迫振荡检测方法研究

电力系统中时刻存在负荷投切等环境激励,使得系统响应表现为类似噪声的小幅波动。如果强迫功率振荡的幅值较小,很容易淹没在类噪声信号中。本文推导了类噪声环境下电力系统强迫功率振荡解析表达式,从数学角度阐释了类噪声环境下强迫振荡的机理特性。在深入分析类噪声环境下小幅强迫振荡频谱特征的基础上,提出了基于滑动相干谱法(SCM)的小幅强迫功率振荡检测方法。首先采集得到两组发电机有功功率类噪声响应数据,计算得到对应的自功率谱密度和互功率谱密度,从而计算得到两组数据的幅值平方相干函数值,进而通过对所得幅值平方相干函数值的量化比较,检测出淹没在类噪声信号中的小幅强迫功率振荡。IEEE 4机2区域系统和16机68节点系统验证了所提检测方法的可行性及有效性。     

负荷随机扰动下的电力系统小波模态参数识别

采用小波变换方法从负荷随机扰动下的响应轨线中估算电力系统机电振荡模态。首先推导出随机激励下响应轨线的小波功率谱与系统右特征向量之间的关系,获得从响应轨线估算电力系统模态参数的小波方法,然后针对振荡频率接近的模式,提出采用小波相干系数的方法来区分其模态信息。以平稳激励下的4机2区域系统为例,仿真验证了小波方法识别随机激励下系统模态参数的有效性,与傅里叶方法相比,对于能量较弱的模式小波方法具有较好的模态辨识效果。     

Confidence interval estimation for electromechanical mode parameters obtained from stochastic subspace identification

Electromechanical modes estimated from ambient measurement signals are always subjected to statistical uncertainties. For evaluating the quality of the obtained results, it is necessary to know the respective confidence intervals of the mode estimates. A perturbation method for computing the variances of mode parameters (frequencies, damping ratios) obtained from covariance‐driven stochastic subspace identification of multiple synchrophasors is presented in this paper. The variance estimates are achieved by using the first‐order sensitivity of the mode parameter estimates to perturbations of the system matrixes, whose covariances are derived from the measured signals. The confidence interval estimation method is validated by Monte Carlo simulations with the two‐area system and the New England system. The comparison results between the mean values of the estimated variances and empirical sample variances of the estimated mode parameters show that it is feasible to estimate the confidence intervals of the mode parameters using a single set of multiple signals. The proposed method is further validated with field‐measured signals from the Western Electricity Coordinating Council system. © 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

自然激励下某电动汽车白车身模态参数识别

为了研究电动汽车白车身的动态特性,提出了一种基于自然激励的结构模态参数识别方法。利用此方法对某电动汽车白车身进行了结构模态参数识别,得到了其前三阶结构模态参数。并将利用该方法识别的结果和传统方法识别结果进行了对比,发现固有频率最大误差为1.8%,阻尼比最大误差为13%,振型基本一致,进而验证了方法的正确性。之后利用识别的模态参数结合电动汽车工作特性,对该白车身的动态特性进行了评价。提出的方法不需要专用的激励设备,可应用于不易激励的大型、重型结构模态参数识别。模态参数识别的结果对电动汽车白车身动态特性设计具有一定的指导意义。     

机电振荡模式属性和机组参与特性的量化剖析研究

机电振荡模式属性和机组参与特性的量化剖析是大规模互联电力系统安全稳定运行的态势感知理论的基础性问题。为此文章借助相对局域性量化指标Lidx,研究了不同边界条件,涉及发电机类型、区间潮流以及旋转备用,对于机电模式的局域性和机组参与特性影响。利用PSS/E V33仿真工具,经典的2区4机系统及其变化案例的仿真结果说明,首先,Lidx指标可量化机电振荡模式属性,有潜力用于跟踪区域模式或局部模式的演化。其次,形如负荷和发电的波动以及双馈式感应发电机(DFIG)的引入产生的系统边界条件变化会使得发电机参与度发生变化,进而可能使得机电模式属性从局部模式向区域模式转变,反之亦然。最后,DFIG接入区域电网后,预测区间模式中最大参与度的发电机是可能的。     

基于已知激励响应的低频振荡信息在线辨识

当前电力系统常采用日常小扰动响应在线辨识获取低频振荡模式信息,这对大电网低频振荡的分析和抑制具有重要价值。针对低频振荡信息在线辨识,给出了两段最小二乘法,与常规递推自回归滑动平均方法相比,其具有较高的迭代收敛速度与辨识准确度。在介绍小扰动下的已知激励响应信号和环境激励响应信号基本原理的基础上,对比得出2种信号在激励与响应、信号成分和数据量大小方面存在的区别,提出低频振荡在线模式信息辨识方案,进一步在10机39节点系统中通过仿真获取已知激励响应信号和环境激励响应信号,对2种信号的功率谱与辨识结果进行对比分析。分析结果表明在确定激励位置、观测点选择和响应模式间对应关系时已知激励响应信号的辨识效果更好,在该情况下可以将已知激励响应辨识作为低频振荡信息在线辨识的主要手段。     

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。     

基于广域时空随机响应的低频振荡模态辨识

针对利用单通道信号无法准确辨识多个振荡模态,且不能估计振荡振型的问题,提出一种基于广域时空随机响应的振荡模态辨识方法。讨论了广域时空随机响应的向量自回归模型与系统振荡模态之间的联系,采用QR分解实现向量自回归模型参数的最小二乘估计;计算出振荡模态的模式参数,并通过系统随机响应的功率谱峰值确定系统的主导模态;通过新英格兰系统的蒙特卡罗仿真对模态辨识方法进行测试分析,结果表明利用广域时空随机响应能同时准确估计多个主导振荡模态的模式参数和振荡振型,与子空间辨识方法相比所提方法计算更简单有效;最后利用WECC系统的实测信号验证了所提模态辨识方法的适应性。