为实现电力系统次/超同步振荡的快速、准确辨识,提出了一种基于同步压缩广义S变换(synchrosqueezing generalized S transform, SSGST)和改进稀疏时域法(improved sparse time domain method,ISTD)结合的次/超同步振荡辨识方法。该方法...为实现电力系统次/超同步振荡的快速、准确辨识,提出了一种基于同步压缩广义S变换(synchrosqueezing generalized S transform, SSGST)和改进稀疏时域法(improved sparse time domain method,ISTD)结合的次/超同步振荡辨识方法。该方法首先利用能量比函数对电力系统广域量测信息实时检测,当检测到信号能量发生突变时,利用SSGST对检测到的振荡信号分解得到相应的SSGST时频系数矩阵;然后通过改进的脊线提取方法在时频域实现对各振荡分量的最优轨迹搜索;进一步,结合最优轨迹时频索引重构各振荡分量的时域分量,并利用ISTD辨识方法计算出各振荡分量的频率和阻尼比系数;最后,通过自合成模拟信号、双馈风电场经串补并网系统仿真信号和某实际风电场实测数据验证了所提方法的准确性和有效性。展开更多
随着可再生能源和高压直流输电的发展,次/超同步振荡频发,严重威胁电力系统的稳定。提出基于迁移学习(TF)的风电并网系统次/超同步振荡紧急切机策略,以有效控制或消除振荡,防止系统级联故障。首先,基于深度强化学习(DRL)构建了单场景下...随着可再生能源和高压直流输电的发展,次/超同步振荡频发,严重威胁电力系统的稳定。提出基于迁移学习(TF)的风电并网系统次/超同步振荡紧急切机策略,以有效控制或消除振荡,防止系统级联故障。首先,基于深度强化学习(DRL)构建了单场景下的紧急切机模型,提出了基于有功功率振荡模式的奖励评价体系,并引入切机轮次与台数惩罚函数,避免过度切机带来的经济损失和安全风险。其次,采用迁移学习(TF)提升模型在复杂场景下的泛化能力,利用最大均值差异算法(MMD)减少源数据与目标数据的分布差异,从而提升在线决策可信度。最后,基于New England 39节点系统验证了所提策略的有效性。展开更多
文摘为实现电力系统次/超同步振荡的快速、准确辨识,提出了一种基于同步压缩广义S变换(synchrosqueezing generalized S transform, SSGST)和改进稀疏时域法(improved sparse time domain method,ISTD)结合的次/超同步振荡辨识方法。该方法首先利用能量比函数对电力系统广域量测信息实时检测,当检测到信号能量发生突变时,利用SSGST对检测到的振荡信号分解得到相应的SSGST时频系数矩阵;然后通过改进的脊线提取方法在时频域实现对各振荡分量的最优轨迹搜索;进一步,结合最优轨迹时频索引重构各振荡分量的时域分量,并利用ISTD辨识方法计算出各振荡分量的频率和阻尼比系数;最后,通过自合成模拟信号、双馈风电场经串补并网系统仿真信号和某实际风电场实测数据验证了所提方法的准确性和有效性。
文摘随着可再生能源和高压直流输电的发展,次/超同步振荡频发,严重威胁电力系统的稳定。提出基于迁移学习(TF)的风电并网系统次/超同步振荡紧急切机策略,以有效控制或消除振荡,防止系统级联故障。首先,基于深度强化学习(DRL)构建了单场景下的紧急切机模型,提出了基于有功功率振荡模式的奖励评价体系,并引入切机轮次与台数惩罚函数,避免过度切机带来的经济损失和安全风险。其次,采用迁移学习(TF)提升模型在复杂场景下的泛化能力,利用最大均值差异算法(MMD)减少源数据与目标数据的分布差异,从而提升在线决策可信度。最后,基于New England 39节点系统验证了所提策略的有效性。