CN109617051A - 一种新能源电力系统低频振荡参数辨识方法 - Google Patents

Abstract

一种新能源电力系统低频振荡参数辨识方法属于电力系统振荡参数辨识技术领域。本发明提出了一种结合局部均值分解(LMD)与总体最小二乘法旋转不变技术的信号参数估计(TLS‑ESPRIT)的含新能源电力系统低频振荡参数辨识方法。该方法首先利用LMD提取信号的乘积函数PF，再用TLS‑ESPRIT算法对主导模式的PF分量进行辨识，得到关心的主导分量的振荡参数，即频率、阻尼比、幅值和相位。本发明可有效提高处理振荡信号辨识准确度和处理非线性振荡信号能力，辨识精度高，结果准确，适用于提取新能源电力系统低频振荡特征参数。

Description

一种新能源电力系统低频振荡参数辨识方法

技术领域

本发明属于电力系统振荡参数辨识技术领域，特别是涉及到一种新能源电力系统低频振荡参数辨识方法。

背景技术

目前，随着新能源的大力发展，电力系统已经形成了含新能源的互联电力系统。新能源以其清洁环保等优势越来越受到重视。而安全稳定是保障电力系统稳定运行的重要条件，电力系统低频振荡的问题是现代电网发展中的一个亟需解决的问题。目前，新能源发电领域，如光伏发电、风能发电存在着一定的随机性，这种随机性会导致本就在传统发电领域存在的低频振荡问题更复杂化。光伏发电对电力系统低频振荡的影响可正可负，由光伏系统容量、接入位置和渗透率等决定。同光伏一样，风电渗透率对低频振荡模式的影响也由多种因素决定。可见，新能源引入后电力系统低频振荡问题变得更为复杂，如何能够有效准确的识别新能源电力系统的低频振荡特性值得深入研究。现有电力系统中布置了大量的广域测量系统，运行人员可以很容易从系统中获取所需的振荡信号，对研究新能源电力系统低频振荡意义重大。因此，近年来如何通过量测信号角度识别新能源电力系统低频振荡成为电力系统的重要研究方向。

在电力系统低频振荡分析中，有很多利用信号分析低频振荡的方法，传统Prony算法具有较高精度。但对输入信号要求较高且对噪声敏感。TLS-ESPRIT算法辨识效果好于Prony，具有一定精度，但同样受噪声影响较严重。新能源具有强随机性，新能源电力系统的量测信号更为复杂，可能呈现出非线性等特征，传统方法较难有效处理。

因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

发明内容

本发明所要解决的技术问题是：提供一种新能源电力系统低频振荡参数辨识方法用来解决新能源电力系统不能够准确的辨识扰动环境下非线性低频振荡参数的技术问题。

一种新能源电力系统低频振荡参数辨识方法，包括以下步骤，并且以下步骤顺次进行，

步骤一、测量并获得新能源电力系统输出的振荡信号L(t)，t表示采样时间；

步骤二、利用局部均值分解法LMD对步骤一中获得的振荡信号L(t)进行分解，获得PF分量，并利用PF分量重构振荡信号L(t)；

步骤三、在分解出的PF分量里选定主导分量，利用TLS-ESPRIT总体最小二乘-旋转矢量不变算法对主导分量进行辨识，得到该主导分量的振荡参数。

所述振荡参数包括阻尼比、频率、相位和幅值。

所述步骤二中获得PF分量的方法为：

1)找出信号L(t)的局部极值点p_i，任意两个相邻的局部极值点平均值记为q_i，则有：

其中，i为极值点的循环变量，

将式(1)中所有相邻的局部均值点q_i和q_i+1用折线连接，用滑动平均法对其进行平滑处理，获得局部均值函数q₁₁(t)，t表示采样时间；

2)根据包络估计值公式获得两个相邻局部极值点的包络估计值b_i，

包络估计值公式为：

将式(2)中所有相邻的局部均值点的包络估计值b_i和b_i+1用折线连接，用滑动平均法对其进行平滑处理，获得包络估计函数b₁₁(t)，t表示采样时间；

3)将局部均值函数q₁₁(t)从原始信号L(t)中分离出来，得到信号x₁₁(t)为：

x₁₁(t)＝L(t)-q₁₁(t) (3)

4)用x₁₁(t)除以包络估计函数b₁₁(t)，得到调频信号m₁₁(t)为：

对m₁₁(t)重复步骤1)和步骤2)，获得m₁₁(t)的包络估计函数b₁₂(t)；

b₁₂(t)不等于1，m₁₁(t)为非纯调频信号，继续步骤3)、步骤4)、步骤1)和步骤2)，迭代过程n次，直至b₁₂(t)等于1，继续步骤3)和步骤4)获得的m_1n(t)为纯调频信号；

5)将迭代过程中产生的所有包络估计函数做乘积，获得包络信号b₁(t)为

b₁(t)＝b₁₁(t)b₁₂(t)…b_1n(t) (5)

6)将步骤5)中获得的包络信号b₁(t)与步骤4)中获得的纯调频信号m_1n(t)做乘积，获得原始信号L(t)的第一个PF分量，

设定第一个PF分量为P_F1，第k个PF分量为P_Fk，P_F1和P_Fk公式为：

P_F1＝b₁(t)m_1n(t) (6)

P_FK＝b₁(t)m_1k(t) (7)

7)将P_F1(t)分量从原始信号L(t)分离出来，获得一次分解信号u₁(t)，将u₁(t)作为新的数据重复步骤1)至步骤6)，循环k次，直至u_k(t)为单调函数；

所述步骤三中获得主导分量的振荡参数的方法为：

设定主导分量L(n)由一个白噪声和f个谐波组成：

式中:d_i是幅值矩阵D中的第i个元素，θ_i为第i个正弦波的相位,a_i为第i个正弦波的幅值,ω_i为第i个正弦波的频率，m(n)是一零均值高斯白噪声,t₁是采样时间，n是信号采样所需的循环变量；

使用N个采样数据,将式(10)改写为振荡信号矩阵L：

L＝[L(0),L(1),…,L(N-1)]^T＝CD+M (10)

式中：C＝[c(ω₁),c(ω₂),…,c(ω_m)],D＝[d₁,d₂,…d_m]^T,

C为指数矩阵，D为幅值矩阵，L为振荡信号矩阵，M为噪声矩阵，

为第m个谐波中的指数表达式；

设定C₁为C中去掉最后一行得到的新矩阵，C₂为C中去掉第一行得到的新矩阵，则：

C₂＝C₁ψ (11)

式中：是旋转矩阵；

通过式(11)，计算并获得ψ的特征值λ_i(i＝1,2,…,m)，

由式(10)计算并获得在原始信号中提取的分解信号的频率下各分量的阻尼比ξ_i和频率f_i：

式中：t_s是采样时间；σ_i是衰减系数；

根据相位θ_i和幅值a_i公式，分别获得分解信号中各分量的相位θ_i和幅值a_i:

θ_i＝arg(d_i) (13)

a_i＝2|d_i| (14)

式中：d_i是幅值矩阵D中的第i个元素。

通过上述设计方案，本发明可以带来如下有益效果：

本发明提出了一种结合局部均值分解(LMD)与总体最小二乘法旋转不变技术的信号参数估计(TLS-ESPRIT)的含新能源电力系统低频振荡参数辨识方法。该方法首先利用LMD提取信号的乘积函数PF，再用TLS-ESPRIT算法对主导模式的PF分量进行辨识，得到关心的主导分量的振荡参数，即频率、阻尼比、幅值和相位。本发明可有效提高处理振荡信号辨识准确度和处理非线性振荡信号能力，辨识精度高，结果准确，适用于提取新能源电力系统低频振荡特征参数。

附图说明

以下结合附图和具体实施方式对本发明作进一步的说明：

图1为本发明一种新能源电力系统低频振荡参数辨识方法的流程框图。

具体实施方式

一种新能源电力系统低频振荡参数辨识方法，包括以下步骤：

(1)首先利用LMD对信号进行分解，得到PF分量。对于信号L(t)，其分解步骤如下：

1)找出信号L(t)的局部极值点p_i，任意两个相邻的局部极值点平均值记为q_i，则有：

其中，i为极值点的循环变量，

将式(1)中所有相邻的局部均值点q_i和q_i+1用折线连接，用滑动平均法对其进行平滑处理，获得局部均值函数q₁₁(t)，t表示采样时间；

2)根据包络估计值公式获得两个相邻局部极值点的包络估计值b_i，

包络估计值公式为：

将式(2)中所有相邻的局部均值点的包络估计值b_i和b_i+1用折线连接，用滑动平均法对其进行平滑处理，获得包络估计函数b₁₁(t)，t表示采样时间；

3)将局部均值函数q₁₁(t)从原始信号L(t)中分离出来，得到信号x₁₁(t)为：

x₁₁(t)＝L(t)-q₁₁(t) (3)

4)用x₁₁(t)除以包络估计函数b₁₁(t)，得到调频信号m₁₁(t)为：

对m₁₁(t)重复步骤1)和步骤2)，获得m₁₁(t)的包络估计函数b₁₂(t)；

b₁₂(t)不等于1，m₁₁(t)为非纯调频信号，继续步骤3)、步骤4)、步骤1)和步骤2)，迭代过程n次，直至b₁₂(t)等于1，继续步骤3)和步骤4)获得的m_1n(t)为纯调频信号；

5)将迭代过程中产生的所有包络估计函数做乘积，获得包络信号b₁(t)为

b₁(t)＝b₁₁(t)b₁₂(t)…b_1n(t) (5)

6)将步骤5)中获得的包络信号b₁(t)与步骤4)中获得的纯调频信号m_1n(t)做乘积，获得原始信号L(t)的第一个PF分量，

设定第一个PF分量为P_F1，第k个PF分量为P_Fk，P_F1和P_Fk公式为：

P_F1＝b₁(t)m_1n(t) (6)

P_FK＝b₁(t)m_1k(t) (7)

7)将P_F1(t)分量从原始信号L(t)分离出来，获得一次分解信号u₁(t)，将u₁(t)作为新的数据重复步骤1)至步骤6)，循环k次，直至u_k(t)为单调函数；

所述步骤三中获得主导分量的振荡参数的方法为：

设定主导分量L(n)由一个白噪声和f个谐波组成：

式中:d_i是幅值矩阵D中的第i个元素，θ_i为第i个正弦波的相位,a_i为第i个正弦波的幅值,ω_i为第i个正弦波的频率，m(n)是一零均值高斯白噪声,t₁是采样时间，n是信号采样所需的循环变量；

使用N个采样数据,将式(10)改写为振荡信号矩阵L：

L＝[L(0),L(1),…,L(N-1)]^T＝CD+M (10)

式中：C＝[c(ω₁),c(ω₂),…,c(ω_m)],D＝[d₁,d₂,…d_m]^T,

C为指数矩阵，D为幅值矩阵，L为振荡信号矩阵，M为噪声矩阵，

为第m个谐波中的指数表达式；

设定C₁为C中去掉最后一行得到的新矩阵，C₂为C中去掉第一行得到的新矩阵，则：

C₂＝C₁ψ (11)

式中：是旋转矩阵；

通过式(10)，计算并获得ψ的特征值λ_i(i＝1,2,…,m)，

由式(10)计算并获得在原始信号中提取的分解信号的频率下各分量的阻尼比ξ_i和频率f_i：

式中：t_s是采样时间；σ_i是衰减系数。

根据相位θ_i和幅值a_i公式，分别获得分解信号中各分量的相位θ_i和幅值a_i:

θ_i＝arg(d_i) (13)

a_i＝2|d_i| (14)

式中：d_i是幅值矩阵D中的第i个元素。

根据旋转矩阵可提取信号的频率，进而提取某一频率信号的其他参数。具体流程图如图1所示。

具体实例：

为了验证该方法的有效性，可以给出一个振荡信号为：

y＝0.9e^-0.3tcos(2π×0.5t)+0.5e^-0.8tcos(2π×1.6t+π/3) (15)

其中，y是输出信号，t是采样时间。

这个信号的频率符合低频振荡的频率范围，且具有不同的衰减因子，可较好的模拟低频振荡信号的主要特点，故可以采用其作为模拟信号。

为验证LMD方法所提取的信号的乘积函数PF的参数。提取PF分量的过程中，取采样间隔0.001s，采样点1000个。然后用本文方法对振荡信号进行处理。为了说明本文方法的有效性，对振荡信号采用LMD和TLS-ESPRIT结合的算法进行辨识，最终辨识出的参数如表1所示。

表1信号辨识结果

总结：经过计算比较和仿真验证表明，该方法是高效且实用的。

Claims (4)

1.一种新能源电力系统低频振荡参数辨识方法，其特征是：包括以下步骤，并且以下步骤顺次进行，

步骤一、测量并获得新能源电力系统输出的振荡信号L(t)，t表示采样时间；

步骤二、利用局部均值分解法LMD对步骤一中获得的振荡信号L(t)进行分解，获得PF分量，并利用PF分量重构振荡信号L(t)；

步骤三、在分解出的PF分量里选定主导分量，利用TLS-ESPRIT总体最小二乘-旋转矢量不变算法对主导分量进行辨识，得到该主导分量的振荡参数。

2.根据权利要求1所述的一种新能源电力系统低频振荡参数辨识方法，其特征是：所述振荡参数包括阻尼比、频率、相位和幅值。

3.根据权利要求1所述的一种新能源电力系统低频振荡参数辨识方法，其特征是：所述步骤二中获得PF分量的方法为：

1)找出信号L(t)的局部极值点p_i，任意两个相邻的局部极值点平均值记为q_i，则有：

其中，i为极值点的循环变量，

将式(1)中所有相邻的局部均值点q_i和q_i+1用折线连接，用滑动平均法对其进行平滑处理，获得局部均值函数q₁₁(t)，t表示采样时间；

2)根据包络估计值公式获得两个相邻局部极值点的包络估计值b_i，

包络估计值公式为：

将式(2)中所有相邻的局部极值点的包络估计值b_i和b_i+1用折线连接，用滑动平均法对其进行平滑处理，获得包络估计函数b₁₁(t)，t表示采样时间；

3)将局部均值函数q₁₁(t)从原始信号L(t)中分离出来，得到信号x₁₁(t)为：

x₁₁(t)＝L(t)-q₁₁(t) (3)

4)用x₁₁(t)除以包络估计函数b₁₁(t)，得到调频信号m₁₁(t)为：

对m₁₁(t)重复步骤1)和步骤2)，获得m₁₁(t)的包络估计函数b₁₂(t)；

b₁₂(t)不等于1，m₁₁(t)为非纯调频信号，继续步骤3)、步骤4)、步骤1)和步骤2)，迭代过程n次，直至b₁₂(t)等于1，继续步骤3)和步骤4)获得的m_1n(t)为纯调频信号；

5)将迭代过程中产生的所有包络估计函数做乘积，获得包络信号b₁(t)为

b₁(t)＝b₁₁(t)b₁₂(t)…b_1n(t) (5)

6)将步骤5)中获得的包络信号b₁(t)与步骤4)中获得的纯调频信号m_1n(t)做乘积，获得原始信号L(t)的第一个PF分量，

设定第一个PF分量为P_F1，第k个PF分量为P_Fk，P_F1和P_Fk公式为：

P_F1＝b₁(t)m_1n(t) (6)

P_FK＝b₁(t)m_1k(t) (7)

7)将P_F1(t)分量从原始信号L(t)分离出来，获得一次分解信号u₁(t)，将u₁(t)作为新的数据重复步骤1)至步骤6)，循环k次，直至u_k(t)为单调函数；

。

4.根据权利要求1所述的一种新能源电力系统低频振荡参数辨识方法，其特征是：所述步骤三中获得主导分量的振荡参数的方法为：

设定主导分量L(n)由一个白噪声和f个谐波组成：

式中:d_i是幅值矩阵D中的第i个元素，θ_i为第i个正弦波的相位,a_i为第i个正弦波的幅值,ω_i为第i个正弦波的频率，m(n)是一零均值高斯白噪声,t₁是采样时间，n是信号采样所需的循环变量；

使用N个采样数据,将式(10)改写为振荡信号矩阵L：

L＝[L(0),L(1),…,L(N-1)]^T＝CD+M (10)

式中：C＝[c(ω₁),c(ω₂),…,c(ω_m)],D＝[d₁,d₂,…d_m]^T,

C为指数矩阵，D为幅值矩阵，L为振荡信号矩阵，M为噪声矩阵，为第m个谐波中的指数表达式；

设定C₁为C中去掉最后一行得到的新矩阵，C₂为C中去掉第一行得到的新矩阵，则：

C₂＝C₁ψ (11)

式中：是旋转矩阵；

通过式(12)，计算并获得ψ的特征值λ_i(i＝1,2,…,m)，

由式(10)计算并获得在原始信号中提取的分解信号的频率下各分量的阻尼比ξ_i和频率f_i：

式中：t_s是采样时间；σ_i是衰减系数；

根据相位θ_i和幅值a_i公式，分别获得分解信号中各分量的相位θ_i和幅值a_i:

θ_i＝arg(d_i) (13)

a_i＝2|d_i| (14)

式中：d_i是幅值矩阵D中的第i个元素。