电力系统低频振荡的在线辨识

本文介绍了首次应用辨识方法于电力系统实时在线测试低频振荡。利用这种方法可以随时研究运行系统的低频振荡情况，１９９１年１０月试验证实了网络中的ＳＸＫ电厂是该系统的低频振荡源。     

基于广域测量信息在线辨识低频振荡

全国电网的互联使区域间的低频振荡成为威胁系统稳定的关键因素之一,而基于全球定位系统（GPS）的广域测量系统（WAMS）的发展和应用为在线分析区间低频振荡模式乃至控制提供了新契机.因而,研究区间低频振荡模式的在线辨识算法成为实现低频振荡在线监测以及进行阻尼控制的重要理论问题.该文在讨论Prony方法本质的基础上,给出了一种新的模型阶数估计方法,提出根据广域测量系统（WAMS）的测量信息,采用多机组的功角及转速变量进行低频振荡辨识.结合工程实际提出了基于（WAMS）的研究低频振荡问题的实现方案,包括启动判据、数据预处理、阶次估计、模式提取和综合分析等步骤.8机36节点的算例结果表明：该方案具有系统性、直接性、噪声干扰小的特点,为低频振荡的监测和控制创造了条件.     

基于WAMS的低频振荡模式在线辨识算法

提出了一种基于WAMS的低频振荡模式在线辨识算法。文章从WAMS主站中心角度将辨识过程分为四个阶段:数据接收与存储,数据预处理,振荡模式参数计算和辨识结果分析。丢失数据估计、低通滤波、模型阶数优化等改进措施的应用提高了辨识过程的速度和辨识结果的可靠性。结合实际的WAMS系统和Visual Studio开发平台,设计了运行于WAMS主站的在线辨识系统。以规划中的南方电网进行的算例研究验证了辨识结果的准确性。     

基于WAMS的低频振荡模式在线辨识算法

提出了一种基于WAMS的低频振荡模式在线辨识算法.文章从WAMS主站中心角度将辨识过程分为四个阶段:数据接收与存储,数据预处理,振荡模式参数计算和辨识结果分析.丢失数据估计、低通滤波、模型阶数优化等改进措施的应用提高了辨识过程的速度和辨识结果的可靠性.结合实际的WAMS系统和Visual Studio开发平台,设计了运行于WAMS主站的在线辨识系统.以规划中的南方电网进行的算例研究验证了辨识结果的准确性.     

基于Prony算法的低频振荡在线辨识与分析

提出了基于Prony算法的低频振荡在线辨识与分析算法,不仅给出主导振荡模式特征量（振幅、频率、阻尼比、相位）,而且提供与主导振荡模式强相关的发电机组,通过仿真和实际电网应用验证了算法的有效性。该算法已成功应用于云南电网低频振荡安全预警及辅助决策系统。     

基于原子稀疏分解的低频振荡模态参数辨识方法

为克服传统特征分析法不适合分析大规模高阶系统,而傅里叶算法和Prony算法等线性化方法又难以处理非平稳信号的缺点,本文将一种新的处理非线性、非平稳信号方法——原子稀疏分解法应用于电力系统低频振荡模态参数识别。该方法利用匹配追踪(MP)算法将初始信号从Gabor原子库中分解得到最佳匹配原子,并采用伪牛顿法对参变量进行优化,进而求出衰减正弦量原子的参变量,最终完成整个低频振荡模态参数的提取过程。仿真结果表明该方法的可行性和有效性,为电力系统稳定分析提供一种全新的途径和方法。     

基于多元经验模式分解的电力系统低频振荡模式辨识

提出了一种辨识电力系统主导低频振荡模式的新方法。该方法结合了多元经验模式分解(Multivariate Empirical Mode Decomposition, MEMD)、Teager能量算子及预测误差法(Prediction Error Method,PEM),通过多元经验模式分解将含电力系统低频振荡特征信息的信号进行分解,得到多个本征模函数(Intrinsic Mode Function, IMF)分量;借助Teager能量算子的快速响应能力,筛选出含有主导振荡模式的主要IMF分量;最后采用预测误差法辨识出各主导振荡模式的振荡频率和阻尼。分别利用IEEE68节点测试系统和辽宁电网实测PMU数据对所提方法进行分析、验证。结果表明,该方法可有效从电力系统的广域量测信息中辨识出电力系统的主导振荡模式。     

基于改进的Prony算法在线辨识电力系统低频振荡模式

基于传统的Prony算法对输入信号要求较高,同时对分析数据的噪声非常敏感,提出了一种改进的Prony算法,对在线获取的信号进行快速拟合,从而分析出信号的振幅、阻尼比、频率和相角等信息。改进的Prony算法的拟和精度在36节点的多机系统中进行验证,该算法输入信号是基于广域测量系统提供的各机组功角变量。仿真计算结果表明,该改进算法可实现低频振荡主导模式的在线辨识。     

基于改进多信号Prony算法的低频振荡在线辨识

提出了适合低频振荡在线辨识的改进多信号Prony算法。首先通过小波变换消除各信号的噪声，然后消去直流分量，建立多信号的样本函数矩阵，通过奇异值–总体最小二乘法对Prony算法进行改进，分离信号空间和噪声子空间，确定信号的阶数，最后利用最小二乘法进行辨识。利用传统Prony算法、改进单信号Prony算法和改进多信号Prony算法对理想信号、仿真信号以及实际录波信号进行了分析，分析结果表明利用改进多信号Prony算法同时对多信号进行分析能够提高辨识的精度，缩短运算时间，辨识阶数及辨识结果均优于传统算法，适合于低频振荡的在线辨识。     

基于不完全S变换的低频振荡在线辨识方法

针对传统的低频振荡辨识方法无法确定低频振荡的起振时间点,不利于调度员分析振荡的起因,提出采用不完全S变换方法进行低频振荡的在线辨识,以提高算法的计算效率。仿真测试以及实例分析的结果表明基于不完全S变换的低频振荡在线辨识方法的辨识结果准确、抗噪能力强,能够有效地识别振荡模式个数以及振荡的起振时间点,具有很好的实用价值。     

基于振荡分群辨识的低频振荡控制方法

电网因机组原因引发的局部模式低频振荡问题日益突出。快速锁定振荡源并采取相应控制措施是平息振荡的关键。为此文中提出一种基于振荡分群辨识的低频振荡控制方法。该方法首先通过对系统各发电机的同步相量实测有功功率数据进行检测,辨别发生振荡的机组;然后根据各机组间角速度的相关系数将振荡机组分为主动群和被动群,主动群中的机组是引起振荡的主要原因并产生振荡能量,而被动群中的机组被带动振荡并消耗振荡能量以维持系统总能量守恒;最后根据分群结果锁定振荡源机组并采取相应措施控制平抑低频振荡。实际工程应用案例结果表明,该方法能够有效锁定振荡源,并帮助调度人员快速平息低频振荡。     

基于EEMD-NExT的低频振荡主导模式工况在线辨识与预警

结合集合经验模式分解(EEMD)和自然激励技术(NEx T),基于广域测量系统(WAMS)的动态量测信息,提出低频振荡主导模式识别方法。该方法借助EEMD处理非平稳信号,利用EEMD时空滤波器、互相关系数和信号能量权重筛选出主导模式分量;通过NEx T求互相关函数,并利用Teager能量算子识别时变幅值和频率,采用信号能量分析法辨识阻尼比并应用于预警系统。算例仿真结果表明,所提方法能够实时准确地辨识出系统的主导模式信息,且无需人工激励并剔除虚假模式,同时具有较强的抗噪性能。     

基于Prony算法的发电机组间功率低频振荡在线辨识新方法

针对Prony算法抑噪能力差、计算效率低的问题,分析Prony算法的原理和主要参数的选择策略,提出一种基于Prony算法的发电机组间功率低频振荡在线辨识新方法,从模型有效阶数确定、AR参数估计、数据预处理等方面说明该方法的计算步骤,通过算例仿真及结果分析,认为该方法能够满足电力系统低频振荡在线辨识的需要。     

基于改进的Prony算法在线辨识电力系统低频排振荡模式

基于传统的Prony算法对输入信号要求较高,同时对分析数据的噪声非常敏感,提出了一种改进的Prony算法,对在线获取的信号进行快速拟合,从而分析出信号的振幅、阻尼比、频率和相角等信息.改进的Prony算法的拟和精度在36节点的多机系统中进行验证,该算法输入信号是基于广域测量系统提供的各机组功角变量.仿真计算结果表明,该改进算法可实现低频振荡主导模式的在线辨识.     

基于改进的ARMA递推算法的低频振荡模式在线辨识

为提高电力系统低频振荡现象的实时监测水平,提出采用一种基于自回归滑动平均模型的两段加权递推最小二乘算法进行低频振荡模式辨识,并通过估计ARMA谱的方法以提取低频振荡的主导模式。该改进算法先采用加权递推最小二乘算法拟合高阶AR模型单独得到白噪声估值,再将该估值用于常规加权递推最小二乘算法中,提高了算法参数辨识的精度和收敛速度。New-England 39节点系统的时域仿真测试验证了该改进算法对低频振荡模式辨识的有效性,并通过与常规加权递推最小二乘算法辨识效果的比较验证了该改进算法对低频振荡模式的辨识具有更好的精确性且提高了收敛速度。最后通过对某电网PMU实测数据的辨识分析,验证了该改进算法能够准确地辨识系统的低频振荡主导模式频率和阻尼比,具有实际的工程意义。     

基于EMO-EDSNN的电力系统低频振荡模态辨识

提出了基于精确模态阶数-指数型衰减正弦神经网络(EMO-EDSNN)的电力系统低频振荡模态辨识方法。首先,通过奇异值分解估计模态阶数。在关键的定阶问题上,采取EMO定阶方法,综合考虑了奇异值变化规律和奇异值本身大小2个因素,能够克服人为选取阈值的不足,提高阶数估计的准确性。然后,通过建立EDSNN将参数估计问题转化为优化问题求解。以输出信号和实测信号的平方误差最小为目标,并采用自适应的Levenberg-Marquardt算法训练神经网络收敛后,一次性计算出所有模态参数。最后,进行了数值信号仿真、EPRI-36系统仿真和实测信号仿真。仿真结果表明,所提方法能够快速准确地实现模态参数辨识。     

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。     

基于解相关LMS自适应滤波算法的低频振荡模式在线辨识

为提高电力系统低频振荡现象的实时监测水平,提出一种基于横向滤波器模型的解相关最小均方误差递推算法进行低频振荡模式辨识。该改进算法在原有最小均方自适应滤波算法的基础上,解除输入信号之间的相关性,提高了算法辨识的精度和收敛速度。通过对New-England 10机39节点系统的仿真数据分析以及南方某电网实测线路的辨识计算,其结果验证了该改进算法对低频振荡模式辨识的有效性。并通过与基本的LMS（最小均方）算法以及传统ARMA（自回归-滑动平均）算法辨识效果的比较,验证了该改进算法对低频振荡模式的辨识具有更好的精确性且提高了收敛速度,更具有实际的工程意义。     

低频振荡模态参数辨识的共振稀疏分解SSI分析方法

提出在色噪声背景下,采用共振稀疏分解的随机子空间法进行低频振荡模态参数的辨识,根据信号预知的共振属性实现复杂信号的分离。首先,对含高斯色噪声的低频振荡信号进行分解,得到高共振分量、低共振分量和余项三部分。低频振荡信号具有高共振属性,高共振分量即为提取的持续振荡的低频振荡信号,而高斯色噪声大部分存在于余项中。然后对高共振分量利用SSI进行参数辨识,得到较高参数的辨识准确度。仿真算例和实例说明了所提方法的有效性。