本发明涉及一种基于类噪声信号的风电场潜在次同步振荡识别方法。
背景技术：
自2010年中国风电总装机容量达到4470万千瓦以来，我国风力发电装机容量一直居世界首位。由于风能分布特点，风电场一般离电力消费地区较远。而目前在远距离大容量的输电线路中加入串联补偿电容以提高系统的输送能力的方式有可能会引发了风电场的次同步振荡(sub-synchronousoscillation)，导致机组损坏。由于风电场处于发电侧，无法即时获知传输线路的具体参数，因此随时会面临潜在的次同步振荡风险。
对于一个正常运行状态的风电场，由于负荷投切、线路参数调整、风电场内部参数调整等随机性质的小扰动获得的系统响应数据很多，但由于种小扰动响应由于幅值小、持续时间短，容易被噪声信号所掩盖，因此也被称为类噪声信号。类噪声信号中蕴含有风电场潜在的次同步振荡信息。因此针对风电场类噪声数据特点，提出有效的基于类噪声数据的次同步振荡辨识方法，对了解风电场运行状态、保证风力发电系统发电安全及发电质量有着重要意义。
技术实现要素：
本发明所要解决的技术问题是，针对现有技术不足，提供一种基于类噪声信号的风电场潜在次同步振荡识别方法，降低振荡带来的风险，不需要获得传输线路的串补度即可计算获得风电场的次同步振荡模态。
为解决上述技术问题，本发明所采用的技术方案是：一种基于类噪声信号的风电场潜在次同步振荡识别方法，包括以下步骤：
1)采集含次同步振荡信息的风电场类噪声数据；
2)对风电场类噪声数据x(t)进行小波分解，从中提取有效信号y(t)；
3)针对有效信号y(t)，通过模态辨识方法，识别出风电场潜在的次同步振荡模态信息。
步骤1)中，所述风电场类噪声数据包括风电场输出有功功率、无功功率、等效电磁转矩、母线电压电流、发电机转子等效角速度。
步骤1)中，风电场类噪声数据信号模型表示为：x(t)＝s(t)+n(t)；其中，x(t)为含噪声的信号序列，也就是风电场类噪声数据；s(t)为实际小扰动下的响应信号序列，也就是类噪声中的有效信息；n(t)为噪声信号序列。
步骤2)的具体实现过程包括：
1)选取合适的小波基ψ(*)与分解层数j；
2)根据上述小波基ψ(*)与分解层数j，对风电场类噪声数据x(t)进行小波分解，分解后的信号可描述为：x(t)≈xj(t)＝x0(t)+w0(t)+w1(t)+...+wj-1(t)；其中，x0(t)为剩余信号，wj-1(t)，j＝0,1,...,j-1，为第j个小波分量，其频率fj所属范围为：
3)对各个小波分量wj及剩余信号x0(t)的频率所属范围进行判断，判断
4)将保留的小波分量信号叠加，重组成新的信号y(t)。
小波基ψ(*)优先选择sym5、bior3.3或db11；分解层数j的计算公式为：
步骤3)中，模态辨识方法包括快速傅里叶变换、prony或ibrahim时域法。
与现有技术相比，本发明所具有的有益效果为：本发明能够对风电场的潜在的次同步振荡模态进行辨识，降低了振荡带来的风险；不需要获得传输线路的串补度即可计算获得风电场的次同步振荡模态；辨识使用运行过程中大量存在的类噪声数据，在振荡发生前即可进行预警；易于实现。
附图说明
图1为两类不同小扰动下的风电场类次同步振荡噪声信号；其中，(1)位负载投切时的类噪声信号；(2)为风速波动下的类噪声信号；
图2为基于小波分解重构的风电场类噪声数据提取流程图；
图3为负载投切类噪声信号的小波分解结果；
图4为两类风电场类噪声信号经小波分解重构后提取的次同步振荡分量信息；其中，(1)为负载投切类噪声提取信号；(2)为风速波动类噪声提取信号；
图5为本发明与其他滤波方法的频谱图对比；其中，(1)负载投切类噪声信号及其提取信号频谱图；(2)风速波动类噪声信号及其提取信号频谱图。
具体实施方式
通过simulink搭建风电场-串补网络模型，可通过风电场电磁转矩tem观察风电场的次同步振荡。图1为模拟产生的两类含次同步信息的风电场类噪声信号，两类类噪声信号分别由(1)负载投切、(2)风速波动两种不同的小扰动产生，并被噪声信号掩盖。
针对图1所示信号，本发明采用小波分解方法，对类噪声信号中的有效信息进行进一步提取。提取流程图如图2所示。以负载投切产生的类噪声信号为例，具体提取步骤如下：
step-1对于负载投切产生的类噪声信号x(t)，选取sym5小波基对信号进行小波分解。由于信号采样频率为1000hz，通过计算获得小波分解层数为7。
step-2使用sym5小波对信号进行7层的分解，分解后获得7个小波分量wj(j＝0,1,...,6)，以及一个剩余信号x0，分解效果如图3所示。
step-3判断信号各个小波分量wj是否含有10hz-40hz的频率。经计算可知，小波分量w0–w6以及剩余信号x0的频率范围如下：x0[0hz，7.8hz]；w0[7.8hz，15.7hz]；w1[15.7hz，31.3hz]；w2[31.3hz，62.5hz]；w3[62.5hz，125hz]；w4[125hz，250hz]；w5[250hz，500hz]；w6[500hz，1000hz]。因此w0–w2含有10hz-40hz的频率信息。根据判断结果，将w0、w1、w2信号保留(小波滤波阈值为0)，剩余信号滤除(小波滤波阈值为max)。
step-4将w0、w1、w2信号叠加，重构成新的信号y(t)。
基于上述方法，信号y(t)中在保留了负载投切产生的类噪声信号x(t)中完整的次同步振荡信息，同时将62.5hz以上的高频噪声与7.8hz以下的低频信号滤除。图1所示的两类类噪声信号经小波分解重构后，提取出含次同步振荡信息的有效信号如图4所示。
在提取有效信号后，通过快速傅里叶变换即可计算获得风电场的次同步振荡模态信息。图4中两类类噪声提取信号经模态识别结果分别为：
(1)负载投切类噪声提取信号：主导模态频率26.54hz，阻尼系数-4.8；
(2)风速波动类噪声提取信号：主导模态频率26.71hz，阻尼系数-2.9。
通过计算可获得系统实际串补度为31.0％-31.1％之间。
图5为本发明与其他滤波方法的频谱图对比。本发明与变分模态分解法(vmd)、经验模态分解法(emd)、滑动均值滤波(ar)等方法对比，可看出本发明各频段都有最佳的滤波效果，能够最大限度滤除由噪声信号；同时本发明能够有效剔除低频信息与直流分量，从而最大可能地保证了次同步振荡模态识别的正确性。