基于STD的电力系统低频振荡模式在线辨识方法与流程

本发明涉及电力系统低频振荡领域，具体涉及一种基于STD的电力系统低频振荡模式在线辨识方法。
背景技术：
：低频振荡是电力系统稳定运行中的重要议题，快速并准确地辨识低频振荡模式对电网的低频振荡分析和控制有着极为重要的意义。电力系统低频振荡分析方法分为基于系统模型的方法和基于量测信号进行辨识的方法。传统的分析方法需要对系统建立详细的数学模型，对于大规模复杂互联电网，准确建模就存在一定困难。PMU(同步相量测量单元)在电力系统中的大量安装使得基于广域量测数据的低频振荡分析成为能。由于实测数据真实体现了系统当前的运行状态，因此基于量测的低频振荡分析方法弥补基于模型的分析方法的不足，具有广阔的应用前景。近些年来，基于量测数据辨识低频振荡的方法大量涌现。在基于时域信号的方法中，Prony方法被广泛应用于基于自由振荡信号的低频振荡辨识，但Prony方法对噪声敏感，模型的阶数对结果影响也较大。TLS-ESPRIT方法也常用于电力系统低频振荡模式辨识中，但由于TLS-ESPRIT方法需要对矩阵进行两次奇异值分解，因此计算速度很慢。同时，在已有方法中，大多数方法基于单通道信号，只能给出振荡频率和阻尼比，不能给出对模态的辨识结果，而模态也是描述低频振荡的一个重要参数。相比于Prony、TLS-ESPRIT等单通道方法，基于多通道信号的方法节省了辨识所有振荡模式需要的时间，提高了辨识精度，同时能辨识振荡模态，为低频振荡分析提供更多参考信息。现有技术中，随机子空间方法(StochasticSubspaceIdentification)SSI基于多通道信号，能辨识振荡模态，但是该方法需要对维数较的大矩阵进行奇异值分解，因此其计算速度较慢并容易产生虚假模式。因此，现有低频振荡计算方法存在无法计算振荡模态，辨识精度低，抗噪性差，计算速度慢等缺点。技术实现要素：本发明所要解决的技术问题是提供一种基于STD的电力系统低频振荡模式在线辨识方法，其抗噪性强，计算稳定，计算速率快，能精确地辨识低频振荡模式的频率、阻尼比和模态。为解决上述技术问题，本发明采用的技术方案是：一种基于STD的电力系统低频振荡模式在线辨识方法，包括以下步骤：步骤1：获取扰动后M台发电机角速度变化量的L个时刻的量测信号，并对其进行滤波和去趋势处理，得到零均值自由振荡信号x：x＝[x(0),x(1),…,x(i)]其中，x(i)表示M台发电机角速度变化量的第i个测量数据，i＝0,1,…,k，k＜L；步骤2：利用零均值自由振荡信号构造扩展Hankel矩阵X，即：步骤3：对所述扩展Hankel矩阵X进行整体延时，构造矩阵即：步骤4：按式计算Hessenberg矩阵B中最后一列元素，其中，矩阵B为：步骤5：按式BΦ＝ΦΛ计算矩阵B的特征值矩阵和振荡模态矩阵，其中，Φ和Λ分别为B的特征值矩阵和振荡模态矩阵，B特征值表示为λi；步骤6：计算振荡频率fi和阻尼比ζi，计算公式为：与现有技术相比，本发明的有益效果是：基于多通道自由振荡信号辨识低频振荡模式的频率、阻尼比和振荡模态，辨识精度更高，计算结果更稳定，抗噪性更强。相比于单通道方法，本发明方法能辨识精度更准确，且能辨识低频振荡模态，为低频振荡分析提供更多参数。附图说明图1为本发明实施例中电力系统低频振荡参数在线辨识方法的流程图。图2为16机68节点系统结构图。图3为振荡模式模态图。图4为故障后16台发电机角速度振荡曲线。图5为无噪声情况下本发明方法对模态的辨识结果。具体实施方式下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明基于STD的电力系统低频振荡参数在线辨识方法，只需要利用所量测到的系统的时域响应数据便能实现模态分析功能，包括振荡的频率、阻尼比和阻尼比，其辨识精度高，抗噪性强。如图1所示，本发明方法包括以下步骤：步骤1：获取扰动后M台发电机角速度变化量的L个时刻的量测信号，并对其进行滤波和去趋势处理，得到零均值自由振荡信号x：x＝[x(0),x(1),…,x(i)]其中，x(i)表示M台发电机角速度变化量的第i个测量数据，i＝0,1,…,k，k＜L；步骤2：利用零均值自由振荡信号构造扩展Hankel矩阵X，即步骤3：对扩展Hankel矩阵X进行整体延时，构造矩阵即步骤4：计算Hessenberg矩阵B，其中，矩阵B具有如下形式：步骤5：计算上述矩阵B的特征值矩阵和振荡模态矩阵，BΦ＝ΦΛ，其中，Φ和Λ分别为B的特征值矩阵和振荡模态矩阵，B的特征值表示为λi；步骤6：计算振荡频率fi和阻尼比ζi，计算Hessenberg矩阵B具体包括：其中，{b}＝[b1,b2,b3,…,bM]，是矩阵的第M列元素。选用16机68节点仿真系统作为算例对本发明方法进行验证，所述16机仿真系统为研究区域间低频振荡问题的经典系统，其结构图详见图2。该系统可划分为5个区域：Group1(G1～G9)，Group2(G10～G13)，Group3(G14)，Group4(G15)，Group5(G16)。通过求解系统线性化模型状态矩阵的特征值问题可知，系统中存在4个区域间振荡模式，如表1所示。16机系统中四个主要振荡模式的振荡模态图如图3所示。表1低频振荡模式真实值模式频率/Hz阻尼比/％10.376311.4320.52141.3230.649713.8740.79283.56本算例扰动设置如下：5s时在母线1和母线2之间输电线路靠近母线1处施加三相短路故障，5.05s时清除故障，仿真时长20s，计算步长0.01s。故障后16台发电机角速度的振荡曲线如图4所示。表2所示为无噪声情况下本发明方法对4个振荡模式的频率和阻尼比的辨识结果。表2无噪声时的辨识结果从表2以看出，本发明方法能精确辨识所有4个低频振荡模式的频率和阻尼比，计算所得到的频率和阻尼比的误差都小于1％。将模态辨识结果进行归一化处理，处理后的幅值为原始幅值和参考元素(模态向量中幅值最大的元素)幅值的比值，相角为原始相角和参考相角的差值。图5给出了辨识值在极坐标系下的结果。从图5所示的模态辨识结果以看出，振荡模式1表现为G14，G15，G16与其余发电机组之间的振荡，这与图2所给的模态幅值所得到相同的结论相同。同样地，对于其他三种振荡模式，本发明方法也能给出准确的辨识结果。在实测PMU的数据中，往往含有量测噪声，因此，本发明通过向得到的仿真数据中叠加不同分贝高斯白噪声的方式来验证本发明方法的抗噪性能。为了排除偶然因素的影响，在不同噪声水平下均采用蒙特卡洛思路，进行100次试验并记录每次的辨识结果。表3和表4分别给出了在不同噪声水平下，100次蒙特卡洛仿真中本发明方法对4个低频振荡模式频率和阻尼比的辨识结果和真实值的对比结果。表3不同量测噪声水平下对频率的辨识结果表4不同量测噪声水平下对阻尼比的辨识结果可以看出，在量测噪声水平较高(SNR＝20dB)时，本发明方法对于4个振荡的辨识结果依旧较为准确。当前第1页1 2 3