CN107749621B - 一种电力系统动态稳定协同辨识方法 - Google Patents

Abstract

一种电力系统动态稳定协同辨识方法，包括以下步骤：获取各主导振荡模式，并得到主导振荡模式所对应的关键小波伸缩因子段，利用位于关键小波伸缩因子段内各重构小波系数矩阵第一奇异值中的最大值所对应的左奇异向量，计算该关键小波伸缩因子段所对应的主导振荡模式的振荡模态；根据左右特征向量之间的关系、所估计的振荡模态，计算主导振荡模式所对应的左特征向量，进而计算电力系统中各量测通道在主导振荡模式下的参与因子；通过主导振荡模式的振荡模态计算各量测通道间的方向余弦，通过方向余弦划分系统中同调机群或同调节点群。本发明为电网运行调度人员提供更加丰富的电网运行状态信息以改善电力系统的动态稳定性。

Description

一种电力系统动态稳定协同辨识方法

技术领域

本发明涉及电力系统领域，尤其涉及一种电力系统动态稳定协同辨识方法。

背景技术

区域电网互联规模不断扩大、大容量远距离交直流输电不断增加、可再生能源大规模接入，使得区域间低频振荡已成为限制互联电网输电能力、威胁电网安全稳定运行的重要因素之一。因此，研究在全国联网、可再生能源大规模接入背景下的电网动态稳定性具有十分重要的现实意义。

随着PMU(Phasor Measurement Unit，同步相量测量单元)装置在电网大规模配置、电力通信网络不断完善、广域量测系统在区域互联电网中不断建设和应用，基于广域量测信息的电力系统动态稳定分析与评估方法越来越受到工业界和学术界的关注。

根据电力系统中实测信号的类型不同，基于广域量测信息的电力系统动态稳定分析方法又分为：基于测试信号的动态稳定分析方法、基于故障信号的动态稳定分析方法、以及基于类噪声信号的动态稳定分析方法。

1、基于测试信号的动态稳定分析方法：主要通过向电力系统中注入随机噪声激励，获取输入激励数据和系统输出响应数据来估计系统的动态传递函数矩阵或状态矩阵来识别电力系统的主导振荡模式。

常用于测试信号的辨识算法有经验传递函数(Empirical Transfer FunctionEstimate， ETFE)、子空间辨识(Subspace State Space System Identification，N4SID)和预测误差法 (Prediction Error Method，PEM)。

2、基于故障信号的动态稳定分析方法：主要从电力系统的故障信号中估计电力系统的传递函数矩阵、状态矩阵或多振荡模式信号拟合来辨识电力系统的主导振荡模式，常用的算法有Prony、递归Prony^[1]、希尔伯特谱分析(Hilbert Spectral Analysis，HAS)、最小特征实现(Eigensystem Realization Algorithm，ERA)、卡尔曼滤波、连续小波变换、随机子空间辨识、TLS-ESPRIT辨识^[2]。

3、基于类噪声信号的动态稳定分析方法主要通过从电力系统的类噪声信号中估计电力系统的传递函数矩阵或状态矩阵来辨识系统的主导振荡模式，如Yule-Walker算法^[3]、基于Bootstrap的ARMA^[4]、ARX辨识^[5][6]、ARMAX^[7]、RRLS-ARMAX^[8]、随机子空间辨识。

上述方法均聚焦于基于广域量测信息的电力系统主导振荡模式辨识，而对与主导振荡模式强相关，且可为电网运行调度人员提供改善系统动态稳定性措施的主导振荡模态、参与因子及同调机群的辨识至今几乎尚未开展。

发明内容

为实现基于广域测量信息的电力系统动态稳定协同辨识，本发明提出一种基于数据驱动的电力系统主导振荡模式、模态、参与因子及同调机群的动态稳定协同辨识方法，详见下文描述：

一种电力系统动态稳定协同辨识方法，所述辨识方法包括以下步骤：

获取各主导振荡模式，并得到主导振荡模式所对应的关键小波伸缩因子段，利用位于关键小波伸缩因子段内各重构小波系数矩阵第一奇异值中的最大值所对应的左奇异向量，计算该关键小波伸缩因子段所对应的主导振荡模式的振荡模态；

根据左右特征向量之间的关系、所估计的振荡模态，计算主导振荡模式所对应的左特征向量，进而计算电力系统中各量测通道在主导振荡模式下的参与因子；

通过主导振荡模式的振荡模态计算各量测通道间的方向余弦，通过方向余弦划分系统中同调机群或同调节点群。

所述获取各主导振荡模式具体为：

在每个关键小波伸缩因子段，按关键小波伸缩因子重构小波系数矩阵，并对各重构的小波系数矩阵进行奇异值分解，获取各重构小波系数矩阵的第一奇异值；

对比各第一奇异值，取其中的最大值所对应的右奇异向量，计算得到与关键小波伸缩因子段对应的主导振荡模式。

所述得到主导振荡模式所对应的关键小波伸缩因子段具体为：

计算各小波系数矩阵中各伸缩因子所对应的小波功率谱，确定主导振荡模式所对应的关键小波伸缩因子；

综合关键小波伸缩因子，构建各主导振荡模式所对应的关键小波伸缩因子段。

所述方法还包括：

从广域量测系统中获取电力系统的状态量测信息，将状态量测信息标准化；

对标准化后的各量测通道中的状态量测信息进行小波变换，获取各量测通道所对应的小波系数矩阵。

本发明提供的技术方案的有益效果是：

1、本发明借助连续小波变换提出一种基于广域量测信息的电力系统动态稳定协同辨识方法，以实现电力系统主导振荡模式、模态、参与因子及同调机群的协同评估；

2、本发明为电网运行调度人员提供更加丰富的电网运行状态信息以改善电力系统的动态稳定性。

附图说明

图1为一种电力系统动态稳定协同辨识方法的流程图；

图2为16机68节点测试系统图；

图3为支路46-49故障发电机转子角摇摆曲线图；

图4为发电机G3转子角所对应的小波功率谱图；

图5为发电机G7转子角所对应的小波功率谱图；

图6为发电机G9转子角所对应的小波功率谱图；

图7为发电机G11转子角所对应的小波功率谱图；

图8为发电机G13转子角所对应的小波功率谱图；

图9为发电机G14转子角所对应的小波功率谱图；

图10为发电机G15转子角所对应的小波功率谱图；

图11为发电机G16转子角所对应的小波功率谱图；

图12为振荡模式1中采用本发明估计的振荡模态图；

图13为振荡模式1中采用特征值分析方法估计的振荡模态图；

图14为振荡模式2中采用本发明估计的振荡模态图；

图15为振荡模式2中采用特征值分析方法估计的振荡模态图；

图16为振荡模式3中采用本发明估计的振荡模态图；

图17为振荡模式3中采用特征值分析方法估计的振荡模态图；

图18为振荡模式1的参与因子图；

图19为振荡模式2的参与因子图；

图20为振荡模式3的参与因子图；

图21为采用本发明计算各发电机方向余弦图；

图22为采用特征值方法计算各发电机方向余弦图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

为了解决背景技术中关于基于广域量测信息的主导振荡模态、参与因子及同调机群的研究不足，本发明实施例借助连续小波变换提出一种电力系统动态稳定协同辨识方法，以实现电力系统主导振荡模式、模态、参与因子及同调机群的协同辨识，为电网运行调度人员提供更加丰富的电网运行状态信息以改善电力系统的动态稳定性。

实施例1

一种电力系统动态稳定协同辨识方法，参见图1，该方法包括以下步骤：

101：获取各主导振荡模式，并得到主导振荡模式所对应的关键小波伸缩因子段；

102：利用位于关键小波伸缩因子段内各重构小波系数矩阵第一奇异值中的最大值所对应的左奇异向量，计算该关键小波伸缩因子段所对应的主导振荡模式的振荡模态；

103：根据左右特征向量之间的关系、所估计的振荡模态，计算主导振荡模式所对应的左特征向量，进而计算电力系统中各量测通道在主导振荡模式下的参与因子；

104：通过主导振荡模式的振荡模态计算各量测通道间的方向余弦，通过方向余弦划分系统中同调机群或同调节点群。

综上所述，本发明实施例通过上述步骤101-步骤104避免了基于电力系统数学模型的动态系统评估结果受元件模型和参数精度等因素的影响，完善和扩展了基于广域量测信息的电力系统动态评估方向和内容，实现了完全基于数据的电力系统动态稳定评估。

实施例2

下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：

201：从广域量测系统(本领域技术人员公知的技术术语，在此不做赘述)中获取电力系统的状态量测信息，将状态量测信息标准化；

其中，标准化是一个求标准分数的过程，是一个数与平均数的差再除以标准差的过程。标准化后的数据具有简单、便于比较，且能充分展现数据标准差之间的关系，保留数据原有信息。该标准化为本领域技术人员所公知，本发明实施例对此不做赘述。

202：对标准化后的各量测通道中的状态量测信息进行小波变换，获取各量测通道所对应的小波系数矩阵，包括：

1)采用母小波为复Morlet小波(本领域技术人员所公知的技术术语，在此不做赘述)，对应的母小波和子小波表达式为：

式中，ψ(t)为母小波函数；ψ_a,b(t)为子小波函数；a为小波伸缩因子；b为小波时间因子；f_c和f_b分别为母小波的中心频率和带宽频率；t为时间。

上述，小波伸缩因子，小波时间因子均为本领域技术人员所公知的技术术语，在此不做赘述。

2)含有n个振荡模式的量测信号y(t)，其详细表达式为：

式中，A_k为第k个振荡模式的幅值；ω_0k、ω_k和ζ_k分别为第k个振荡模式的无阻尼振荡角速度、有阻尼振荡角速度和振荡阻尼比；θk为第k个振荡模式的相位。

3)对量测信号y(t)进行小波变换，变换后的y(t)小波系数为：

4)量测信号y(t)的小波系数矩阵W(a,b)为：

式中，W(a_k,b_l)为y(t)在伸缩因子为a_k，时间因子为b_l处的小波系数；W(a_k,b)为y(t) 在伸缩因子为a_k的小波系数向量。

203：计算各小波系数矩阵W(a,b)中各伸缩因子所对应的小波功率谱，确定主导振荡模式所对应的关键小波伸缩因子；

由于小波功率谱能量大表示该伸缩因子对应的小波系数体现振荡信息，小波功率谱能量小体现噪声信息，因此将功率谱能量突出的小波伸缩因子作为关键小波伸缩因子。

具体实现时，是设定一个能量阈值，将实际功率谱能量大于阈值的对应小波伸缩因子作为关键小波伸缩因子。能量阈值的取值根据实际应用中的需要进行设定，本发明实施例对此不做限制。

204：综合各小波系数矩阵W(a,b)确定的关键小波伸缩因子，构建各主导振荡模式所对应的关键小波伸缩因子段；

其中，关键小波伸缩因子通常成簇分布，一个小波系数矩阵W(a,b)得到的小波功率谱往往会得到几簇能量明显高的关键小波伸缩因子，将几簇能量明显高的关键小波伸缩因子组成的段称为关键小波伸缩因子段。

具体实现时，本发明实施例对上述簇数不做限制，根据实际应用中的需要确定。

205：在每个关键小波伸缩因子段，按关键小波伸缩因子重构小波系数矩阵，并对各重构的小波系数矩阵进行奇异值分解，因分解后所得奇异值由大到小排列，故获取各重构小波系数矩阵的第一奇异值(即最大的奇异值)，对比各重构小波系数矩阵的第一奇异值，取其中的最大值所对应的右奇异向量，计算得到与关键小波伸缩因子段对应的主导振荡模式的振荡频率和阻尼比，包括：(1)以位于关键伸缩因子段的伸缩因子为基础，按伸缩因子重构式(5)所示的小波系数矩阵W′(a_k,b)：

式中，a_k为位于关键小波伸缩因子段内的第k个小波伸缩因子；W_i(a_k,b_h)为第i个量测通道的小波系数矩阵中第k行第h列元素。

(2)对重构的小波系数矩阵W′(a_k,b)奇异值分解^[9]：

式中，

分别为W′(a_k,b)的左奇异值向量矩阵、奇异值矩阵和右奇异值向量矩阵。将分解得到的第一奇异值、第一奇异左、右向量分别存储在λ、U和V中，最终形成式(7)所示的第一奇异值向量λ、第一左奇异向量矩阵U和第一右奇异向量矩阵V：

其中，z和g分别为确定的主导振荡模式对应的伸缩因子在关键小波伸缩因子段内距左右边界的距离。

(3)若向量中的元素

为向量λ中的最大奇异值，对应于关键小波伸缩因子段R的电力系统主导振荡模式λ_k的振荡频率f_k和阻尼比ζ_k为：

式中，

为

所对应的右奇异向量。

206：利用位于关键小波伸缩因子段内各重构小波系数矩阵第一奇异值中的最大值所对应的左奇异向量，计算该关键小波伸缩因子段所对应的主导振荡模式的振荡模态^[10]，包括：

针对所估计出的主导振荡模式λ_k，其对应的振荡模态u_k为：

式中，

为第一奇异值

所对应的左奇异向量。

207：根据左右特征向量之间的关系、所估计的振荡模态，计算主导振荡模式所对应的左特征向量，进而计算电力系统中各量测通道在主导振荡模式下的参与因子，包括：

(1)由特征值分析理论可知，主导振荡模式λ_k的振荡模态u_k作为特征值λ_k的右特征向量。根据特征值λ_k(即与主导振荡模式为同一变量)分析的左、右特征向量之间的关系，有特征值λ_k的左特征向量计算式为：

(2)根据特征值λ_k的左、右特征向量，第i个量测通道中量测信息与第k个振荡模式λ_k之间的相关度即参与因子为：

其中，v_i,k，u_i,k为第i个量测通道中第k个振荡模式的左、右特征向量。

208：通过主导振荡模式的振荡模态计算各量测通道间的方向余弦，通过方向余弦划分系统中同调机群或同调节点群，包括：

(1)根据步骤206估计的与主导振荡模式相关联的振荡模态，构建主导振荡模态矩阵u；

(2)根据主导振荡模态矩阵u，计算任意两个量测通道i与j之间的方向余弦，计算式为：

(3)重复式(13)计算电力系统中任意两个量测通道之间的方向余弦d_ij，最终得到含n 个量测通道的方向余弦矩阵d，计算式为：

(4)根据方向余弦划分电力系统中同调机群或同调节点群。

具体操作步骤为本领域技术人员所公知，本发明实施例对此不做赘述。

综上所述，本发明实施例通过上述步骤201-步骤208实现电力系统主导振荡模式、模态、参与因子及同调机群的协同辨识，避免了基于电力系统数学模型的动态系统评估结果受元件模型和参数精度等因素的影响，完善和扩展了基于广域量测信息的电力系统动态评估方向和内容，实现了完全基于数据的电力系统动态稳定评估。

实施例3

下面结合具体的实例、图2-图22、以及表1和表2，对实施例1和2中的方案进行可行性验证，详见下文描述：

本实例是以16机68节点系统动态稳定协同辨识为例，验证本发明实施例1和2的有效性，16机68节点测试系统如图2所示。

在时域仿真过程中，在支路46-49上设置三相永久性故障，持续时间0.1s，0.1s后故障线路切除。选择发电机G1为参考机，电力系统受扰后发电机转子角摇摆曲线如图3所示。

采用20s～50s的发电机转子角仿真数据作为本实施例的输入，分别对各量测通道的转子角信息进行小波变换，计算对应的小波系数矩阵W_i，根据所计算的小波系数矩阵W_i计算各小波伸缩因子a所对应的小波功率谱，图4——图11分别给出了发电机G3、G7、G9、 G11、G13、G14、G15和G16转子角所对应的小波功率谱(wavelet power spectrum,WPS)，综合各量测通道的WPS计算结果，可得出三个关键的小波伸缩因子段，分别为R₁＝[170,171, 172,173,174,175,176]、R₂＝[40,41,42,43,44,45,46]和R₃＝[23,24,25,26,27,28,29]。

上述三个关键伸缩因子段R₁、R₂和R₃对应于电力系统在支路46-49故障后所激发的三个主导振荡模式。进一步为详细得到各振荡模式下系统详细动态信息，采用本方法按位于上述三个关键伸缩因子段的伸缩因子重构小波系数矩阵，获取重构后位于三个关键伸缩因子段的小波系数矩阵为[W′₁₇₀,W′₁₇₁,W′₁₇₂,W′₁₇₃,W′₁₇₄,W′₁₇₅,W′₁₇₆]、[W′₄₀,W′₄₁,W′₄₂, W′₄₃,W′₄₄,W′₄₅,W′₄₆]和[W′₂₃,W′₂₄,W′₂₅,W′₂₆,W′₂₇,W′₂₈,W′₂₉]。

对上述重构的小波系数矩阵进行奇异值分析，计算所得各重构小波系数矩阵第一奇异值如表1所示。由表1可知：在R₁关键伸缩因子段内，小波伸缩因子W′₁₇₃(即a173)的第一奇异值最大(151.8528)；在R₂关键伸缩因子段内，小波伸缩因子W′₄₄(即a44)的第一奇异值最大(212.4530)；在R₃关键伸缩因子段内，小波伸缩因子W′₂₄(即a24)的第一奇异值最大(414.5163)。因此，可分别采用W′₁₇₃、W′₄₄和W′₂₄的第一奇异值所对应的右奇异向量，来估计所对应的振荡频率和阻尼比，所估计的结果如表1所示。

表1主导振荡模式确定

由表1可知，采用本发明所提方法确定的三个关键伸缩因子段R₁、R₂和R₃所对应的系统振荡模式分别为：位于R₁区间内的主导振荡模式的振荡频率为0.2988Hz，阻尼比为0.1995；位于R₂区间内的主导振荡模式的振荡频率为0.9265Hz，阻尼比为0.0401；位于 R₃区间内的主导振荡模式的振荡频率为1.1532Hz，阻尼比为0.0436。

为验证本发明实施例辨识结果的正确性，表2进一步给出了采用特征分析方法、ARAMX、ERA和SSI所估计出的系统主导振荡模式，对比表中各方法所辨识出的主导振荡模式可知：本发明实施例可准确辨识出系统的主导振荡模式，验证了本发明实施例辨识系统主导振荡模式的正确性。

表2不同方法的辨识结果对比

依据本发明实施例的振荡模态估计方法，借助W′₁₇₃、W′₄₄和W′₂₄的第一奇异值所对应的左奇异向量，估计电力系统中各发电机在上述三种主导振荡模式下的振荡模态，结果如图12——图17所示。为验证本发明实施例对电力系统各发电机振荡模态估计的正确性，图12——图17进一步对比给出采用特征值分析方法所估计出的系统振荡模态。

由图12、图14和图16可得：采用本发明实施例估计出的振荡模态揭示了在振荡模式 1下，位于区域1中的发电机G2、G3、G4、G5、G6、G7、G8、G9与位于区域2、3、4、 5的发电机G10、G11、G12、G13、G14、G15、G16相对振荡；振荡模式2下，位于区域 1中的发电机G2、G3与位于同一区域内的发电机G4、G5、G6、G7、G8、G9相对振荡；振荡模式3下，位于区域1的发电机G8和位于区域2的发电机G10、G11与位于区域1、 2、3、4、5中的发电机G2、G3、G4、G5、G6、G7、G9、G12、G13、G14、G15、G16 相对振荡。

进一步由图13、图15和图17中特征值分析结果可得：在振荡模式1下，位于区域1中的发电机G2、G3、G4、G5、G6、G7、G8、G9与位于区域2、3、4、5的发电机G10、G11、G12、G13、G14、G15、G16相对振荡；振荡模式2下，位于区域1中的发电机G2、 G3与位于同一区域内的发电机G4、G5、G6、G7、G8、G9相对振荡；振荡模式3下，位于区域1的发电机G8和位于区域2的发电机G10、G11与位于区域1、2、3、4、5中的发电机G2、G3、G4、G5、G6、G7、G9、G12、G13、G14、G15、G16相对振荡。对比图12至图17中本发明实施例估计出的系统振荡模态和特征值分析方法所估计出的模态可得：采用本方法可准确揭示出系统各发电机在不同振荡模式下振荡模态。

根据所估计出的各振荡模式下系统中各发电机的振荡模态，根据左右特征向量之间的对应关系，可得各振荡模式所对应的左特征向量。进一步由估计的左、右特征向量，计算所得各振荡模式下系统各发电机的参与因子如图18至图20所示，为验证本发明实施例所提估计出的参与因子的正确性，图中进一步给出采用特征值分析方法计算所得参与因子。由图18至图20可知：采用本方法计算所得的，对振荡模式1具有较高参与度的前三台发电机分别为G14、G15和G16；对振荡模式2具有较高参与度的前三台发电机分别为G2、 G3和G5；对振荡模式3具有较高参与度的前三台发电机分别为G3、G10和G12。

而对比图中采用特征值分析方法计算所得的对这三种振荡模式具有较高参与度的前三台发电机发现：采用本方法估计出的对上述三种振荡模式具有较高参与度的机组与特征方法所估计的结果基本一致，验证了采用本方法估计振荡模式参与因子的正确性和有效性。

进一步，针对上述三种主导振荡模式所对应的振荡模态，构建对应的振荡模态矩阵u，计算系统在支路46-49故障时，系统中各发电机间的方向余弦，进而估计系统中的主导同调机群。根据式(13)和式(14)，计算得到的方向余弦采用热图形式描述在图21中，由图21中根据本方法计算所得的各发电机方向余弦可得：发电机G2和G3同调而构成第一组同调机群，发电机G4、G5、G6、G7、G9同调而构成第二组同调机群，发电机G13、G14、 G15、G16同调而构成第三组同调机群，发电机G8、G10、G11、G12各自相对运动，构成第四、五、六和第七组同调机群，即采用本方法最终在系统受支路46-49故障扰动时划分出7组同调机群。

图22进一步给出了采用特征值分析方法计算所得各发电机间方向余弦热图，由图22 中结果可得：发电机G2和G3同调而构成第一组同调机群，发电机G4、G5、G6、G11同调而构成第二组同调机群，发电机G9、G13、G14、G15、G16同调而构成第三组同调机群，发电机G8与G10同调而构成第四组同调机群，发电G12独自构成第五组同调机群。

对比图21和图22中采用本方法和特征值分析方法所划分的同调机群可得：虽然采用本方法和特征值分析方法所划分的同调机组数略有不同，而对于关键同调机群中的发电机构成基本相同，如第一、第二和第三组同调机群中发电机构成基本一致。

此外，采用本方法划分的第四、五及六组同调机群可认为本方法对基于特征值分析方法所得第二和第四组同调机群的细分。上述对比结果验证了采用本方法划分的同调机群与采用特征值分析方法所划分的同调机群结果基本一致。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

参考文献

[1]Zhou N.，Pierre J.W.，Trudnowski D.A stepwise regression method forestimating dominant electromechanical modes[J].IEEE Transactions on PowerSystems，2012，27(2)：1051-1059.

[2]Tripathy P.，Srivastava S.C.，Singh S.N.A modified TLS-ESPRIT-Basedmethod for low-frequency mode identification in power systems utilizingsynchrophasor measurements

[3][J].IEEE Transactions on Power Systems，2001，26(3)：719-727.

[4]Pierre J.W.，Trudnowski D.J.，Donnelly M K.Initial results inelectromechanical mode identification from ambient data[J].IEEE Transactionson Power Systems，1997，12(3)： 1245-1251.

[5]Anderson M.，Zhou N.，Pierre J.，et al.Bootstrap-based confidenceinterval estimates for electromechanical modes from multiple output analysisof measured ambient data[J].IEEE Transactions on Power Systems，2005，20(2)：943-950.

[6]Dosiek L.，Trudnowski D.J.，Pierre J.W.New algorithms for mode shapeestimation using measured data[J].Proceedings of IEEE PES General Meeting，Pittsburgh，USA，2008：1-8.

[7]Dosiek L.，Pierre J.W.，Trudnowski D.J.，et al.A channel matchingapproach for estimating electromechanical mode shape and coherence[J].Proceedings of IEEE PES General Meeting， Calgary，Canada，2009：1-8.

[8]DosiekL.,Pierre J.W..Estimating electromechanical modes and modeshapes using the multichannel ARMAX model[J].IEEE Transactions on PowerSystems，2013，28(2)： 1950-1959.

[9]Wies R.W.，Pierre J.W.，Trudnowski D.J.Use of ARMA block processingfor estimating stationary low-frequency electromechanical modes of powersystems[J].IEEE Transactions on Power Systems，2003，18(C-1)：167-173.

[10]章国稳，汤宝平，唐光武.基于数据缩减的分频段小波模态参数快速识别[J].振动工程学报，2012，25(1)：49-54.

[11]Nilanjan Ray Chaudhuri，Balarko Chaudhuri.Damping and relativemode-shape estimation in near real-time through phasor approach.IEEETransactions on Power Systems，2011，26(1)： 364-373。

Claims (2)

1.一种电力系统动态稳定协同辨识方法，其特征在于，所述辨识方法包括以下步骤：

计算各小波系数矩阵W(a，b)中各伸缩因子所对应的小波功率谱，确定主导振荡模式所对应的关键小波伸缩因子；

综合各小波系数矩阵W(a，b)确定的关键小波伸缩因子，构建各主导振荡模式所对应的关键小波伸缩因子段；

在每个关键小波伸缩因子段，按关键小波伸缩因子重构小波系数矩阵，并对各重构的小波系数矩阵进行奇异值分解，获取各重构小波系数矩阵的第一奇异值，对比各重构小波系数矩阵的第一奇异值，取其中的最大值所对应的右奇异向量，计算得到与关键小波伸缩因子段对应的主导振荡模式的振荡频率和阻尼比，包括：

(1)以位于关键伸缩因子段的伸缩因子为基础，按伸缩因子重构小波系数矩阵W′(a_k，b)；

(2)对重构的小波系数矩阵W′(a_k，b)奇异值分解：

式中，a为小波伸缩因子；b为小波时间因子；a_k为位于关键小波伸缩因子段内的第k个小波伸缩因子；

分别为左奇异值向量矩阵、奇异值矩阵和右奇异值向量矩阵，将分解得到的第一奇异值、第一奇异左、右向量分别存储在λ、U和V中，最终形成下式所示的第一奇异值向量λ、第一左奇异向量矩阵U和第一右奇异向量矩阵V：

其中，z和g分别为确定的主导振荡模式对应的伸缩因子在关键小波伸缩因子段内距左右边界的距离；

(3)若向量中的元素

为向量λ中的最大奇异值，获取对应于关键小波伸缩因子段R的电力系统主导振荡模式λ_k的振荡频率f_k和阻尼比ζ_k；

利用位于关键小波伸缩因子段内各重构小波系数矩阵第一奇异值中的最大值所对应的左奇异向量，计算该关键小波伸缩因子段所对应的主导振荡模式的振荡模态；

根据左右特征向量之间的关系、所估计的振荡模态，计算主导振荡模式所对应的左特征向量，进而计算电力系统中各量测通道在主导振荡模式下的参与因子；

通过主导振荡模式的振荡模态计算各量测通道间的方向余弦，通过方向余弦划分系统中同调机群或同调节点群。

2.根据权利要求1所述的一种电力系统动态稳定协同辨识方法，其特征在于，所述方法还包括：

从广域量测系统中获取电力系统的状态量测信息，将状态量测信息标准化；

对标准化后的各量测通道中的状态量测信息进行小波变换，获取各量测通道所对应的小波系数矩阵。

Images