基于同步相量数据幅频特征的次超同步振荡模式辨识

随着可再生能源和高压直流输电的快速发展,次超同步振荡事故频发,对现有电力系统振荡的在线监测提出了更高要求。为此,提出了一种基于同步相量数据幅频特征的次超同步振荡模式辨识方法。首先分析了次同步振荡和超同步振荡对同步相量测量装置(phasor measurement unit, PMU)数据的影响机制,结果表明,PMU数据的正负频谱与次超同步振荡的模态线性相关。其次利用多点PMU数据相干谱判别振荡与噪声,有效减少了噪声引起的误判断。然后对次超同步振荡下的PMU数据开展频谱分析,建立了4个幅频特征量,并将振荡数据的特征集合作为输入训练并优化极限梯度提升树(extreme gradient boosting, XGBoost)模型,建立幅频特征与振荡模式的映射关系。所提方法利用振荡环境下PMU数据的固有幅频特征以及XGBoost算法强大的泛化性与计算效率,实现了噪声环境下次超同步振荡模式的快速、准确辨识。最后,利用仿真数据和实测数据验证了所提方法的有效性和实用性。     

基于同步相量数据的次同步振荡参数辨识与实测验证

近年来,国内外风电系统频繁发生次同步振荡(subsynchronous oscillation,SSO)事故,严重影响电力系统安全稳定运行。为了给事故分析、抑制策略制定等提供可靠的数据支撑,亟需开展面向SSO的广域监测工作。为此,提出基于同步相量数据的SSO参数辨识方法。通过严密的数学推导,揭示SSO工况下同步相量数据主要由4种模态组成,从而可将SSO参数辨识问题转化为模态参数提取问题。进一步采用2种经典的模态参数提取算法：矩阵束算法(matrix pencil method, MPM)和特征值系统实现算法(eigenvalue system realization algorithm,ERA)实现了SSO频率与幅值的准确辨识,并利用截断奇异值分解和决定系数提高了辨识的可靠性。所提方法通过合成信号、电磁暂态仿真以及河北沽源实际振荡数据进行了验证,结果显示,即便在振荡初期幅值较小时,该文方法仍可有效辨识SSO参数,因此,理论成果有望在未来为SSO实时预警、全景展示提供技术支撑。     

基于kDBA++聚类算法的谐波污染分区策略

随着电网中非线性负荷大量接入及电力电子化率的逐步提升,谐波问题日渐严重,开展电力系统谐波污染区域化治理,是一种有效解决思路。谐波污染分区的意义在于,同一分区内的谐波畸变主要由该分区内的谐波源导致,而受其他分区谐波源影响较小。为此,提出了一种抗时移聚类算法kDBA++。首先,考虑到电能质量监测数据具有高维度、含噪声等特点,采用分段聚合近似(Picesise Aggregate Approximation,PAA)算法对数据进行压缩降噪预处理,降低后续计算复杂度。其次,采用kmeans++算法作为逻辑框架,考虑非同步测量下数据间存在时移现象,难以直接利用kmeans++开展聚类,从而引入动态时间弯曲(Dynamic Time Wraping,DTW)距离对算法进行优化。进而,考虑到DTW距离下聚类质心难以获取,采用DTW质心平均算法(DTW Barycenter Averaging,DBA)克服这一局限性,并最终得到所提kDBA++算法。采用IEEE123节点仿真系统及实际工程案例开展算法对比分析,结果显示所提kDBA++算法聚类精度优于现有算法,可准确进行谐波污染分区。此外,利用谐波污染分区转移阻抗矩阵及谐波贡献度对求得分区加以验证,分析结果表明,各谐波源对其所在分区内节点的谐波畸变影响较大,而对非同一分区节点的影响较小,从而论证了所提方法的实用性和有效性。