基于分解降阶模型的双馈异步发电机模态估计方法

了解双馈异步发电机的本征特性对于揭示其对电力系统稳定性影响的机理具有重要意义。传统本征特性研究方法基于双馈异步发电机详细模型分析模态,方程阶数高、计算量大,且分析结果缺乏有效验证手段。根据状态变量特征及其耦合特性,提出基于分解降阶模型的重要模态估计方法。首先基于机械传动链模型和异步发电机模型方程,分析了机械传动链和异步发电机状态变量与双馈异步发电机系统其他状态变量的多时间尺度和耦合特性。在此基础上,提出了基于分解降阶模型的轴系扭振和定转子磁链振荡模态的估计方法,并利用奇异摄动理论揭示了该降阶模态估计方法的内在本质。最后,通过对比分析分解降阶模态估计、详细模型模态分析结果,验证了分解降阶模态估计方法的正确性。     

适用于次同步振荡分析的直驱风电场平衡降阶方法

直驱风电场(direct-drive wind farm,DDWF)并入弱交流系统存在发生次同步振荡(sub-synchronous oscilla￣tion,SSO)的风险。由于DDWF模型阶数较高,实际分析时须降阶处理。现有平衡降阶方法在分析SSO问题时,无法在降阶过程中精确保留系统SSO模式。针对此问题,文中提出一种适用于SSO分析的平衡降阶方法。该方法基于参与因子分析,保留与SSO模式强相关的状态变量,并结合Hankel奇异值确定降阶阶数,建立与全阶系统模型SSO特性和动态特性都一致的降阶系统模型。首先,对DDWF并入弱交流系统的全阶小信号模型进行平衡变换,建立平衡系统模型。然后,对平衡系统模型进行参与因子分析,结合Hankel奇异值确定保留状态变量集合,再利用残差降阶法建立降阶系统模型。最后,对全阶系统模型和降阶系统模型进行对比验证,结果表明所提降阶方法适用于DDWF并入弱交流系统SSO问题的研究。     

三相LCL并网逆变器自适应模型预测控制策略

传统模型预测控制具有良好的动态和静态性能,但非常依赖精确的系统数学模型,难以适应并网逆变器接入弱电网等原因带来的模型参数扰动.为此,本文提出一种自适应周期性模型参数调整策略:结合传统模型预测的特点,保存各个采样时刻系统状态变量的预测值与实测值,形成误差计算矩阵,周期性地通过求解预测状态与实际状态之间误差的最小值来精确识别系统模型参数,将修正过的系统模型参数更新到系统的离散数学模型和状态变量参考值计算方程中.该控制策略能快速修正模型参数,从而消除了模型参数误差带来的模型状态预测不准确的问题.最后,依托一台3 kW三相LCL并网逆变器样机,验证了理论分析的正确性和所提控制策略的性能.     

基于平衡实现理论的变流器并网系统降阶模型

变流器并网系统全阶模型的复杂高阶特性限制了其在理论分析中的应用,建立合适的降阶模型是简化变流器并网系统理论分析的重要途径.现有的降阶方法主要通过简化模型其他时间尺度下动态特性来得到某一时间尺度下的降阶模型,模型的精度不高.为此,该文提出一种基于平衡实现理论的变流器并网系统降阶方法,该方法通过求解Lyapunov方程得到相应的Gramian矩阵,进而获取等价的平衡系统.在此基础上根据平衡系统的Hankle奇异值大小,保留平衡系统中关键状态变量以实现系统降阶.该文以电压源型变流器(VSC)为例,基于所提降阶方法分别建立单变流器并网系统和考虑变流器间连接阻抗的多变流器并网系统降阶模型.通过Matlab/Simulink时域仿真表明,所提降阶方法可实现变流器并网系统有效和准确的降阶.     

基于系统辨识的电力系统惯量在线评估改进方法

虽然基于系统辨识的惯量在线评估方法可以在线评估电力系统惯量,但是目前无法确定最佳的模型阶次,导致误差较大。为提升惯量在线评估的准确性,首先对电力系统正常运行条件下的实测数据进行信号预处理,防止噪声信息造成的过拟合现象,以提高抗噪声扰动能力。其次将发电机的有功功率变化量作为输入,频率波动作为输出,利用AIC准则确定系统辨识模型阶次,使用系统辨识方法建立合适的动态模型。然后利用辨识模型的阶跃响应计算系统惯量,避免惯量在线评估过程中对模型降阶引起的误差。最后,在Matlab/Simulink软件中搭建仿真系统,验证了所提方法的有效性和准确性。     

基于平衡降阶模型的多机系统非线性励磁预测控制

将预测控制与模型降阶技术相结合提出一种基于平衡降阶模型的多机电力系统非线性励磁预测控制方法,以解决最优励磁控制和传统比例积分微分励磁控制无法考虑系统复杂状态和控制输入约束的问题,并且降低非线性励磁预测控制高阶动态模型数值计算的复杂性。首先,利用经验Gramians 平衡降阶原理,对电力系统非线性动态模型进行降阶,以降低动态模型的维数。然后,建立基于降阶模型的励磁预测控制模型。以系统输入输出最小二乘残差向量为优化目标,以降阶动态模型作为等约束条件,以输出量、控制量的变化范围作为不等约束条件。利用内点法求解优化问题。最后,利用一个四机电力系统验证该预测控制方法的有效性,仿真结果表明：基于平衡降阶模型的多机电力系统非线性励磁预测控制器能够大大缩短优化计算时间,维持机端电压在定值附近,提高系统的稳定性。     

大系统特定模式动态降阶方法的误差分析

将大规模电力系统动态降阶方法误差分析扩展到特征根灵敏度,针对特定模式动态降阶的具体模型,结合左右特征向量,推导了降阶后特征值灵敏度的解析表达式,并将由于复特征根所引起的降阶模型复数表达转化为利于编程实现的实数表达形式,以减少数值计算误差.根据所得算式实现了降阶后的特征值灵敏度计算.通过与降阶前特征值灵敏度值的比较,分析了由降阶所引入的灵敏度计算误差.在一23机257阶算例系统上,比较分析了同一振荡模式在不同降阶规模下的计算误差,为实际应用中降阶规模的选取提供参考.     

基于受扰轨迹空间解耦的直驱风电机组非线性动态降阶方法

保留风电机组主导状态变量的动态非线性降阶是分析大规模风电并网系统大干扰稳定的先决条件。为此,该文基于受扰轨迹空间解耦,提出一种适用于风电系统大扰动场景分析并保留状态变量的直驱风电机组模型动态降阶方法。首先,基于轨迹分段线性化方法提取故障后受扰轨迹。以欧氏距离为筛选标准在受扰轨迹上提取线性化点并在每个线性化点处构造局部线性化模型。然后,基于空间解耦分别建立每个局部线性化模型状态变量对主导特征根的广义参与矩阵,进而对直驱风电机组进行多时间尺度划分,并以此为基础,利用奇异摄动法建立直驱风电机组的降阶模型。最后,在改进的测试系统中从暂态响应出发对降阶模型与全阶模型的动态特性进行比较。仿真结果表明,依据该文方法建立的降阶模型具有较高的精度、计算效率和稳定性。     

直驱永磁同步风力发电系统的降阶模型研究

研究了适用于小干扰稳定分析的直驱永磁同步风力发电系统降阶模型.建立了直驱永磁同步风力发电系统的13阶详细模型;对于通过传输线接入无穷大母线系统的单个直驱永磁同步风力发电系统,应用特征值分析方法,保留其与主导特征值相关的状态变量,消去其它状态变量,将系统状态方程阶数降为4阶;再用时域仿真法,对降阶模型与详细模型的动态特性进行了比较.结果表明,提出的降阶模型与详细模型具有较好的一致性,也具有较高的精度.     

基于最优线性组合理论的动态稳定模型等效研究

一个高阶的电力系统模型必然给电力系统稳定性分析与计算带来困难。提出合理选择主导特征值和重要状态变量,利用最优线性组合理论分析电力系统动态稳定模型的降阶。采用简单电力系统模型,完整地考虑发电机组的励磁、调速、电力系统稳定器以及阻尼绕组,建立高阶模型。由降阶前后状态变量的动态特性曲线论证了最优线性组合法可以获得精度较高的降阶模型。     

经验Gramian平衡降阶在电力系统中的改进及应用

经验Gramian平衡降阶方法正逐步应用于电力系统的非线性控制设计。如何获得有效经验可观可控Gramian矩阵,是该方法应用的核心,对降阶效果有着很大影响。为进一步提升该方法的降阶效果,建立了电力系统非线性动态模型,分析了所研究问题与控制量选取及降阶对象之间的关系。考虑了电力系统状态量及控制量变化特点,提出了一种方案用于确定各状态量和控制量的扰动值,形成了包含丰富系统动态行为信息的经验可观可控Gramian矩阵。通过研究某实际电网验证该方案可行有效,研究表明相比原方法,所提方案在保证降阶误差上界的前提下,能够进一步有效减少模型阶数,其降阶效果得到明显提升。     

一种多时间尺度降阶原则及其在交直流电力系统中的应用

基于奇异摄动理论及矩阵特征值扰动定理,推导得出多时间尺度系统在小扰动作用下,采用忽略快动态或固定慢动态降阶时,降阶前后系统静态稳定性的一般规律,并给出一种使该稳定性规律成立的奇异摄动参数范围的计算方法,从而提出一种小扰动作用下多时间尺度系统的降阶原则,该降阶原则能保证降阶前后系统的静态稳定性一致。建立交直流电力系统中典型电力电子元件的开关周期平均奇异摄动模型,并运用所提出的降阶原则,对简单交直流电力系统进行降阶研究。降阶前、后系统在小扰动作用下的时域仿真结果证明所提出的降阶原则是有效的,能应用于交直流电力系统静态稳定性分析。     

基于最大信息挖掘广域学习系统短期电力负荷预测研究

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出了一种基于最大信息挖掘广域学习系统多核最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)短期电力负荷预测算法。为了有效地捕捉电力负荷的非线性信息,引入了一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以学习历史信息,进一步通过非线性随机映射充分挖掘非线性信息。提出了一种多核LS-SVM预测模型,有效综合了各个核函数的优点。通过两个电力负荷预测案例将文中方法与传统的反向传播算法和支持向量机算法进行预测误差对比,预测结果验证了所提出的混沌时间序列预测算法具有较高的预测精度,适用于短期电力负荷预测。     

Substructure Preservation Sylvester-based Model Order Reduction with Application to Power Systems

A new substructure preservation Sylvester-based model order reduction technique with application to power systems is presented in this article. The new approach is intended for multiple-input–multiple-output linear time invariant systems, given in the form of state-space realization with the objective of obtaining a proper reduced-order model (complexity reduction), preserving the dominant eigenvalues of the full-order model as a subset in the reduced model, and maintaining a minimum steady-state error. The proposed reduction method is performed based on transforming the system state matrix into a special form, taking into account the dominant eigenvalues, while the rest of the model transformation is derived utilizing the Sylvester equation formula. Once the system is transformed, the reduced-order model is obtained by truncating the less dominant eigenvalues using the singular perturbation technique. To evaluate the potential of the new approach, results of the proposed technique are compared to some of the well-known methods for model order reduction and relatively recently published work. Results comparison shows the superiority of the new method especially in terms of time convergence.     

An optimal modal approximation method for model reduction of linear power system models

A number of recent studies have examined the problem of modal reduction of large-scale power system linear models. In this paper, an optimal model reduction strategy for the analysis and control of inter-area oscillations in power systems that uses concepts from proper orthogonal decomposition and modal analysis and preserves exactly the input–output properties of the original system is presented. The technique uses a new projection matrix that minimizes the error between the states of the original system and the states of its reduced-order model, and is suitable for analyzing large power system models described by differential–algebraic equation (DAE) systems.Based on this theoretical framework, an efficient algorithm for model reduction is proposed which combines the ease of use of linear modal analysis, with the flexibility of extracting relevant behavior that statistical multivariate methods can offer. Methods for analysis of reduced system representations using linear approximations are critically reviewed and compared. The proposed technique is tested on a 50-machine, 145-bus, and 453-line test system. The effects of system dimension, accuracy of the approximations to capture inter-system oscillations, and the generality of the techniques are discussed in detail in the parametric study. Accuracy of the solution and weaknesses of the model reduction are also investigated. Direct numerical simulation of the power system dynamic model is performed to investigate the accuracy and robustness of the method.     

动态工况电池在线参数辨识及SOC估计研究

基于电池模型的荷电状态(SOC)估计方法,其估计精度主要取决于模型的精度。电池在动态工况下,输入电流变化激烈,传统的辨识方法因其收敛性差,导致模型精度降低。为了提高动态工况下电池模型精度,对传统带遗忘因子最小二乘法(FFRLS)进行改进,通过设置精度阈值,引入梯度矫正的方法,提出了改进带遗忘因子递推最小二乘法(IFFRLS)。利用改进算法进行在线参数辨识,建立二阶RC等效电路模型,与其他传统参数辨识建立的模型进行对比,验证IFFRLS对模型精度提高的有效性,模型平均误差为0.003 8 V。最后,将不同辨识方法所建立的模型与扩展卡尔曼滤波(EKF)算法进行联合估计SOC并对比其误差,结果表明通过IFFRLS辨识出来的高精度模型可有效提高SOC的估计精度,DST工况下,误差在1.51%以内。     

Determination of reduced order model for torsional interaction investigations using selective modal analysis – Part I: Initial approach

This paper presents a new methodology for the determination of reduced order model in torsional interaction investigations. The conventional methods, even though give fast results for the model reduction, the physical meaning of the system is generally lost in the process. The proposed method, based on selective modal analysis (SMA), overcomes the drawbacks of the conventional methods for the determination of reduced order model (ROM). The selective modal analysis gives a reduced order model for subsynchronous resonance analysis preserving the significant dynamics. The formulation is illustrated on linearised model of IEEE first benchmark model (FBM). The companion paper explores the enhancements on the proposed algorithm and its applications to large practical power system.     

计及预测误差动态相关性的多风电场联合出力不确定性模型

为实现对多风电场联合出力不确定性的精细化建模,提出了计及预测误差动态相关性的多风电场联合出力不确定性建模方法。首先,分析了同区域风电场的出力及出力预测误差动态相关性特征。进一步,针对此特征,引入高维动态藤Copula理论,建立了多风电场预测出力及预测误差的联合分布模型。最终,将以上模型与基于Copula函数的离散卷积法相结合,建立了计及预测误差动态相关性的多风电场联合出力不确定性模型,并以置信区间对多风电场联合出力不确定性进行了离散化表征。仿真结果表明,对比其他模型,所提模型拟合精度更高,拟合过程与预测方法解耦,灵活性更强。     

Robust State Estimation for an Electricity-GasHeat Integrated Energy System Considering Dynamic Characteristics

The data for an energy management system (EMS) in an integrated energy system (IES) is obtained through state estimation. This is then the basis for optimal scheduling, protection and control. At present, the dynamic models of gas and heat networks are rarely considered in such state estimation, and the method lacks robustness. This paper develops dynamic state estimation models for gas and heat networks, and proposes a unified method for the electricity-gas-heat network, one which takes into account robustness while ensuring accuracy. First, the state transition equations in matrix form are formulated according to finite difference models considering the dynamic characteristics of the gas and heat networks. Then, combined with a quasi-steady state model of the electric power system, a unified state estimation method and multi-time-scale measurement strategy in the Kalman filter framework are proposed. In addition, the prediction accuracies of the electric power and gas systems are improved through adaptive adjustment. The kernel density estimation method is used to adjust the measurement weights and filter out bad data to ensure robust state estimation. Finally, simulation results show that the proposed method not only can improve the estimation accu-racy by improving prediction accuracy, but also is robust to various types of bad data.     

基于误差分类的风电功率区间评估

为了提高风电功率的区间评估精度,结合预测误差数据的特性,提出了一种基于误差分类的区间评估方法。首先,引入K-means聚类算法,以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后,建立误差区间评估模型,以风电功率数据和历史预测误差为模型输入,以预测误差区间为输出,利用长短期记忆(LSTM)神经网络深度学习模型输入和输出之间的关联。最后,利用Elia网站风电数据进行验证,结果表明,与其他评估模型和传统的误差概率分布方法相比,所提方法更能抓住误差数据的特性,能够得到更为准确的风电功率区间评估结果。