基于振荡分量时频特性的次同步振荡早期预警

针对目前次同步振荡辨识方法都是在振荡已经较大程度发生时才能辨识出来的缺陷,提出了一种次同步振荡危险分量的早期辨识方法。利用EMD重组滤波的方法提取出在次同步振荡范围内的分量,将其重组后作为分析信号,对信号做希尔伯特黄变换得到各振荡分量的振荡参数和时频变化关系,根据振荡分量频率与特征频率的走势关系和阻尼比,对振荡分量的危险性做出早期判断。用理想信号验证了本文方法对振荡参数辨识的精度,并以哈密地区次同步振荡的实际录波数据验证了本文方法能够对次同步振荡做出早期预警。     

基于MSST-HT的次同步振荡参数辨识研究

次同步振荡是在电力系统运行平衡点受到扰动后产生的一种异常电磁及机械振荡现象。针对希尔伯特黄变换在次同步振荡分量提取时存在噪声干扰和模态混叠问题，提出一种适用于次同步振荡参数辨识的多重同步压缩变换（MSST）和希尔伯特变换结合的方法。该方法在傅里叶同步压缩变换基础上，对次同步振荡信号时频谱进行多次同步压缩，以此来提高信号时频分布的重构精度和能量聚集程度。通过仿真并结合实际工程录波数据进行验证，首先使用多重同步压缩变换方法对信号进行时频分析，得到信号时频图，然后用多重同步压缩变换变换逆变换分解重构出各个模态分量，最后用希尔伯特变换对提取出来的单个模态分量进行参数辨识，识别其频率、阻尼比、衰减因子等主要参数。仿真结果表明，相比于短时傅里叶变换（STFT）、同步提取变换（SET）和傅里叶同步挤压变换（FSST），MSST能够提高信号时频分布的能量聚集程度和重构精度，能够实现多分量的次同步振荡模态分解。实际数据结果表明该方法能有效克服噪声干扰和模态混叠问题，准确辨识次同步震荡参数，对电力系统安全稳定运行具有一定的参考意义。     

次同步振荡在线监测的同步提取变换和朴素贝叶斯方法

目前基于相量测量单元(PMU)实现次同步振荡在线辨识和告警存在的问题有:参数辨识一般只辨识频率、幅值,不辨识衰减因子;告警阈值的确定需要人为经验,导致告警判据的快速性和可靠性难以保证。针对上述问题,提出将同步提取变换(SET)和机器学习方法——朴素贝叶斯(NB)方法相结合的次同步振荡在线监测方法。SET可以快速、准确地辨识出次同步振荡的模态参数,而NB方法可以自动实现次同步振荡在线预警。首先,通过SET对已有的历史次同步振荡数据进行辨识,将辨识得到的频率和衰减因子交由NB方法学习,并生成NB分类器。然后,当有新的PMU上传的振荡信号数据时,先采用SET辨识出振荡的频率和衰减因子,再将这些参数交由NB分类器来判断是否发生次同步振荡,并准确预警,从而实现对次同步振荡的在线监测。通过IEEE第二标准模型验证了所提方法的有效性。     

电力系统次同步振荡的检测技术综述

电力系统次同步振荡问题由来已久,对电网安全稳定运行具有较大威胁性,是电力系统稳定性问题的重要组成部分。基于实测数据的振荡检测方法,可在一定程度上还原次同步振荡事故情况,并有助于后续振荡的溯源和抑制的实施。次同步振荡的检测方法种类繁杂,不同方法的效果也各不尽相同。首先对次同步振荡的信号预处理技术进行了整理综述,其次将信号提取辨识技术按照基于瞬时值数据和基于相量数据两大类进行了归纳和优缺点比较,并简单介绍了近来新兴的次同步振荡薄弱环节定位技术,最后在结尾对次同步振荡信号检测领域做出了总结和展望。     

基于小波Mallat算法的次同步振荡监测

提出了1种基于小波Mallat算法的次同步振荡实时监测方法,该方法可以通过对发电机转速或定子电流2种不同类型的信号进行多分辨率分析,在不同尺度上实现对次同步振荡的分量提取和奇异性检测,从而使次同步振荡的监测在时频域均具有较高的分辨率.现场实际应用表明该方法具有较好的工程应用价值.     

次同步振荡的频率切片小波变换检测方法

针对现有的电力系统次同步振荡的检测方法存在对噪声敏感、振荡的特征和变化趋势难以获得的局限性,提出将频率切片小波变换(FSWT)方法应用于次同步振荡的分析和参数辨识。FSWT方法自由切割时频面,实现信号频率区间的灵活分割,可以实现对次同步振荡信号的总体和细化分析。首先,采用FSWT方法对含噪的次同步振荡信号进行总体时频分析,得到其时频能量分布。根据时频能量分布,可以预判是否发生次同步振荡、确定模态分量的数量及其频率分布区间。然后,合理选择频率切片区间,进行细化特征分析,通过对信号特征频率切片区间信号的重构,实现了次同步振荡的模态分量的分离及提取。最后,结合Hilbert变换获得高准确度的次同步振荡模态参数。     

含双馈机组转子侧附加控制的风电场次同步振荡抑制方法

针对含双馈机组风电场通过串联补偿外送功率时产生的次同步振荡(sub-synchronous oscillations,SSO)问题,建立了包含两质量块轴系、d-q解耦控制回路等的详细模型。采用测试信号法绘制分析阻尼曲线。该曲线显示,串联补偿的加入改变了电气阻尼特性。如果控制器参数不合理,较低串补度下也有发生振荡的风险;随着串补度的加大,电气谐振点的负阻尼越大,对应于转子侧的电气谐振频率越低。当轴系参数耦合时会发生轴系扭振。针对双馈机组转子变换器控制回路的特点,在转子侧注入次同步电流,以激发次同步电磁转矩阻尼振荡,设计附加功率控制的次同步阻尼控制器(sub-synchronous damping controller,SSDC)对次同步振荡予以抑制,并给出了控制器参数的整定方法。时域仿真结果表明:采用该SSDC方案,能够有效抑制串补引发的风电场SSO问题。     

基于EEMD和Prony方法的次同步振荡分析

Prony是电力系统振荡分析中常用的一种方法,但其对噪声数据异常敏感,针对这一问题,提出基于集合经验模态分解(EEMD)与Prony的联合分析方法用于分析电力系统次同步振荡问题.利用EEMD对含噪声信号进行分解,去除其中的高频噪声分量,同时有效解决经验模态分解(EMD)去噪时的模态混频问题,得到平稳信号后利用Prony可准确识别次同步振荡的特征参数,将该联合分析方法用于某300 MW汽轮发电机组的次同步振荡分析中,验证了其抗噪性强和准确度高的优点.     

基于深度残差网络的SSO模态参数辨识

针对电力系统正常运行中的微弱次同步振荡信号趋势难以辨识,辨识算法抗噪性差、辨识结果可靠性低等问题,提出一种基于深度残差网络的次同步振荡模态参数辨识方法。建立了一种由卷积层、若干残差层和全连接层等构成的深度残差网络模型;模型训练数据集依据SSO信号特点生成,全部采用仿真数据;经参数调整和优化后的模型能够实现对现场实测的低信噪比SSO信号模态参数的盲辨识。利用理想信号、含噪仿真信号和现场实测数据等三种方案对模型性能验证,结果表明该算法能有效地辨识出微弱SSO的频率和阻尼等关键参数,与卷积神经网络(CNN)和随机子空间(SSI)算法相比较,辨识精度更高,受噪声干扰小,具有盲辨识的特点,可用于电力系统次同步振荡风险的预警。     

基于测试信号法的电力系统次同步振荡分析

介绍了电力系统次同步振荡的基本原理、产生机理及次同步振荡的常用分析方法。利用电力系统电磁暂态仿真软件PSCAD/EMTDC对用于次同步振荡研究的IEEE第一标准模型进行时域仿真,并利用测试信号法计算出了系统的电气阻尼转矩系数,根据该系数可知含有串联补偿电容的电力系统发生了次同步振荡失稳。     

基于自适应噪声完备经验模态分解?样本熵?长短期记忆神经网络和核密度估计的短期电力负荷区间预测

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。     

计及灵活性供需的多场景分布式电源双层规划

高渗透率可再生能源并网对电力系统提出了更高的灵活性要求;在可再生能源系统规划阶段计及多种灵活性资源协同优化可有效提升系统灵活性,为此,基于灵活性调节能力分析,提出计及灵活性的配电网分布式电源双层规划模型,将经济目标和灵活性目标作为优化目标,构建了多场景协调优化规划模型;考虑到风光场景集过大所带来求解效率较低的问题,在仿射传播(affinity propagation,AP)聚类算法的基础上提出一种基于AP-Kmedoids的双层场景缩减技术,并对缩减后的场景进行校验。最后通过算例采用整数自适应粒子群算法(adaptiveparticleswarm optimization,APSO)-混沌粒子群算法(chaos particle swarm optimization,CPSO)混合求解策略对双层规划模型进行仿真,结果验证了所提规划方法在提升经济性和灵活调节能力方面的有效性。     

直流输电次同步阻尼控制器的设计

次同步阻尼控制器(subsynchronous damping controller,SSDC)是解决由直流输电引起的次同步振荡(subsynchronous oscillations,SSO)的一种有效措施。在分析直流输电引发SSO机理的基础上,对抑制SSO的原理进行深度剖析,进而提出根据相位补偿原理设计SSDC的方法,该方法物理概念清晰,实现方便。将IEEE 次同步谐振标准测试系统和CIGRE直流输电标准测试系统相结合,构造了一个用于研究HVDC引发SSO的测试系统。对该测试系统的电气阻尼计算结果表明,在所设计SSDC的控制下,次同步频段内的电气阻尼大大增加,且在适当的比例系数下,电气阻尼均为正阻尼。时域仿真也验证了所设计的SSDC的有 效性。     

基于变分模态分解的卷积神经网络?双向门控循环单元?多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。     

基于模型无关优化策略的风电短时回归预测框架设计

目前，风电出力预测面临跨环境、跨传感器设备的多任务挑战，往往需要对不同的预测目标各自独立地展开针对性训练。鉴于此，首先提出了一种基于模型无关元学习策略 (model-agnostic meta-learning, MAML)的短期预测方法，并基于该方法能够实现对新任务样本快速适应的能力设计了新型回归训练框架。然后结合卷积神经网络–长短期记忆网络、有注意力机制的Seq2Seq、有自注意力机制的Transformer、Synthesizer等时序深度网络模型，将该框架应用于风力发电预测场景。实验结果表明相比常规的预训练–微调的深度网络训练方法，所提出的方法在GEFCom2012数据集上对各算例实现了均方根误差和均方误差等指标的提高，同时各模型在短时风电出力为案例的预测任务上的泛化性能获得了一定提升。该训练框架可便捷地将主流深度学习模型和数据集转换为适应MAML策略的匹配模式。     

基于机电回路相关比灵敏度的机电振荡模式抑制方法

机电振荡模式(electromechanical oscillation mode, EOM)是与同步发电机(synchronous generator, SG)机械暂态强相关的低频振荡(low-frequency oscillation, LFO)模式,对SG轴系安全和电网稳定影响较大。减小EOM机电回路相关比ρ能减小EOM与SG的相关度,抑制SG振荡。基于此,提出机电回路相关比对SG出力的灵敏度的模型:将ρ对控制参数的灵敏度展开为对参与因子的灵敏度;考虑参与因子由特征向量组成,补充后者幅值和相位约束,得到特征向量灵敏度的唯一解;考虑SG出力对节点电压和特征值的影响,但未出现在状态矩阵中,引入潮流雅可比矩阵的逆,建立特征值和特征向量对SG出力的灵敏度,提出ρ对SG有功和无功出力灵敏度的解析表达。最后利用算例分析检验了EOM及其特征向量、参与因子、ρ对SG出力的灵敏度的准确性,证实了调节SG有功和无功出力对抑制机电模式的控制效果。     

基于综合权重优劣解距离法模型的配电网调度模式评估方法

配电网的复杂程度、感知难度和调度管理难度远超主网，随着新能源的大量接入，配电网调度管理模式的选择是一项亟需研究的工作。针对配电网调度管理模式选择问题，提出基于综合权重优劣解距离法（technique for order preference by similarity to ideal solution, TOPSIS）模型的调度管理模式评估方法，实现对调管模式的评估和分析。首先，总结现行的调度管理模式和规划的未来集约化模式，计及新能源的并网容量，综合考虑高效性、协调性、经济性和社会性，构建配电网调度管理模式评估指标体系；然后，应用层次分析法和熵权法获得主观、客观权重，加权求取综合权重，进而建立基于TOPSIS的评估模型；最后，以北方某地实际配网为例，验证所提方法的可行性。     

基于改进图卷积网络的配电网状态估计方法

采用小样本量测信息进行配电网实时状态估计,对提高配电网可靠性,保证其稳定运行具有重要作用。为了在配电网量测信息不足条件下进行高精度状态估计,提出了一种基于改进的图卷积网络(graph convolutional network,GCN)的物理–数据融合配电网状态估计新方法。该方法首先利用少量相量量测单元将配电网进行切割分区,然后根据分区后的最大直径确定卷积网络所需要的卷积模块数量,其次修改了传统GCN中的邻接矩阵表示方法,从而实现利用卷积网络将配电网分区子系统中的状态变量均由量测量表示。通过IEEE33节点典型算例,验证了所提方法有效性。同时,通过与传统的高斯–牛顿优化算法和传统深度学习网络对比测试,结果表明,所提方法不仅能够将计算复杂度转移到离线阶段,而且能够不依赖于高冗余度的伪量测,具有较高的估计精度与计算速度。     

一种基于特征映射与深度学习的虚假数据注入检测方法

智能电网逐步发展为大型电力信息物理系统,信息与物理系统的交互降低了其抵御虚假数据攻击（false data injection attacks, FDIA）的能力。针对这一问题,研究并提出了一种基于多层递阶融合模糊特征映射方法（multi-layer hierarchical fusion fuzzy feature mapping, MLHFFFM）与条件深度信念网络（deep belief network, DBN）相结合的智能电网虚假数据注入检测方法。首先,对FDIA原理进行分析,基于MLHFFFM结合主成分分析法对智能电网负荷数据进行聚类,选取日负荷与预测日类似的近似日;然后,提出利用条件深度信念神经网络对近似日智能电网负荷进行分析,通过选取不同参数对日负荷特征进行动态捕捉从而检测FDIA;最后,结合某省实际负荷以IEEE33节点系统为例进行分析。案例分析结果表明,所提模型相比于其他模型,在不同攻击强度下准确率均保持在95%以上,错报率在5%以下,能够有效检测出虚假数据的注入。     

基于状态频率记忆网络的家庭短期电力负荷预测

家庭的短期电力负荷预测在智能电网中发挥着越来越重要的作用,为了进一步提高预测的精度,提出了一种基于状态频率记忆网络的家庭短期电力负荷预测模型。首先采用K均值聚类方法,将具有相同用电模式的家庭归为一类;随后采用小波降噪技术对负荷数据进行降噪处理;最后构建状态频率记忆网络模型进行批量的家庭负荷预测。该模型通过引入离散傅里叶变换将记忆状态分解为多个频率分量,并通过这些频率成分的组合来预测未来的用电量。使用均方误差、均方根误差和平均绝对误差来评估模型,与该领域上性能表现最好的长短期记忆模型相比较,文中的模型在未来一天的负荷预测中,3类误差分别降低了21.6%、11.4%、15.4%,充分验证了模型的有效性。