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RBF和TFT的自适应宽频振荡监测方法

近年来,随着可再生能源的大力发展,电力电子设备的渗透率越来越高,电力系统的振荡特性逐渐呈现出宽频化特征,而现有的广域监测系统(WAMS)面向工频分量,难以满足宽频振荡监测、控制、保护的需求。为此,本文提出了一种基于径向基(RBF)神经网络和泰勒傅里叶变换(TFT)的宽频振荡监测方法,实现了宽频振荡信号的精确估计。首先,利用离散傅里叶变换(DFT)进行初步估计,然后采用TFT精确计算宽频振荡信号的参数。为降低TFT算法的计算量,本文将RBF神经网络用于噪声强度估计,根据噪声大小自适应确定数据窗长。最后,对大量仿真数据及河北沽源和新疆哈密的实测振荡数据进行了验证,结果表明即使在噪声较大时,RBF神经网络的拟合效果也十分出色,文中方法的精确性仍然较高,因此,有望在未来应用于工程实际中。

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。用理想信号验证了所提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此方法能够对次同步振荡做出早期预警。

基于自然激励技术的低频振荡模态参数识别

低频振荡是威胁电网安全稳定运行的一个重要因素。传统的基于测量信号的低频振荡模态参数辨识方法难以在系统未发生明显振荡时准确的检测模态参数。提出了一种利用系统正常运行时的白噪声响应识别系统模态参数的方法。首先用自然激励技术从白噪声响应间接获取系统的脉冲响应,再用HHT法对脉冲响应函数进行分析,得到系统各阶模态的频率、阻尼比等模态参数。通过对四机两区系统的仿真分析和实际电网数据的计算验证了方法的有效性。