CN110490215A - 一种风电场-电网相互作用的模态识别方法及系统 - Google Patents

一种风电场-电网相互作用的模态识别方法及系统 Download PDF

Info

Publication number
CN110490215A
CN110490215A CN201810461117.8A CN201810461117A CN110490215A CN 110490215 A CN110490215 A CN 110490215A CN 201810461117 A CN201810461117 A CN 201810461117A CN 110490215 A CN110490215 A CN 110490215A
Authority
CN
China
Prior art keywords
frequency
modal
modal components
interaction
wind power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810461117.8A
Other languages
English (en)
Other versions
CN110490215B (zh
Inventor
张晓琳
张露青
董玮
姚广秀
解大
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Shanghai Jiaotong University
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN201810461117.8A priority Critical patent/CN110490215B/zh
Publication of CN110490215A publication Critical patent/CN110490215A/zh
Application granted granted Critical
Publication of CN110490215B publication Critical patent/CN110490215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Complex Calculations (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

一种风电场‑电网相互作用的模态识别方法及系统，包括：采用旋转不变子空间类算法将风电场功率数据进行分解，获得信号子空间；对所述信号子空间进行希尔伯特‑黄变换获得频率集合；将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场‑电网相互作用的模态。本发明将信号子空间与噪声子空间分离，解决了常规信号处理方法受噪声影响较大的问题；通过经验模态分解信号子空间得到的各模态分量包含了原信号的不同时间尺度的局部特征信息；通过希尔伯特‑黄变换的瞬时频率与预先设定的特征频率进行对比，得到风电场‑电网发生机网相互作用的类型，适用于处理具有随机性、混乱性的风电机组数据。

Description

一种风电场-电网相互作用的模态识别方法及系统
技术领域
本发明涉及电力系统风电场机网相互作用领域，具体涉及一种风电场-电网相互作用的模态识别方法及系统。
背景技术
随着风电装机容量不断增长，风电场对电网的影响越来越大。除了会对电网持续注入谐波外，风电机组并网将对电网造成冲击、对电网的电压稳定性造成影响，并改变系统的潮流分布和网损。另一方面，风电并网运行后，风电机组与电网构成了一个整体，两者必然在电气耦合和机械连接上存在相互的作用和影响。
风电场实时更新且不断增长的数据，记录了风电场的运行状况，其中也必然包括了风电场与电网的相互作用信息，因此有必要对这些信息进行深入地分析。目前，已经有很多研究人员采用现代信号处理方法进行分析，常见的有快速傅里叶变换算法、普罗尼算法和小波分析法等。然而现有的信号处理方法受其他影响较大，难以应用于具有随机性、混乱性的风电机组数据。
发明内容
为了解决现有技术中所存在的上述不足，本发明提供一种风电场-电网相互作用的模态识别方法及系统。
本发明提供的技术方案是：一种风电场-电网相互作用的模态识别方法，其特征在于，包括：
采用旋转不变子空间类算法将风电场功率数据进行分解，获得信号子空间；
对所述信号子空间进行希尔伯特-黄变换获得频率集合；
将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态。
优选的，所述对所述信号子空间进行希尔伯特-黄变换获得频率集合，包括：
对所述信号子空间进行经验模态分解得到各模态分量；
将所述各模态分量进行特征参数提取获得瞬时频率；
将所述瞬时频率生成的瞬时频率集合进行多维度聚类得到频率集合。
优选的，所述对所述信号子空间进行经验模态分解得到各模态分量，包括：
基于信号子空间中的信号寻找所述信号的极大值点和极小值点；
对所有的极大值点和极小值点分别采用三次样条插值，形成上包络线和下包络线，并求解包络线的平均值；
将所述输入信号与包络线的平均值作差得到一个模态分量；
当模态分量满足预设的终止条件时终止，否则继续寻找所述信号的极大值点和极小值点。
优选的，所述将所述各模态分量进行特征参数提取获得瞬时频率，包括：
计算各模态分量的能量占比和波动率；
从各模态分量中选取：能量占比和波动率符合预设条件的模态分量，将选择出的模态分量进行希伯尔特变换，获得所述模态分量的特征参数；
基于所述模态分量的特征参数进行数据拟合获得模态分量的瞬时频率；
其中，所述特征参数为瞬时相位。
优选的，所述各模态分量的能量占比，按下式计算：
式中：Ri：模态分量i的能量占比；N：数据点个数；IMFij(t)：通过经验模态分解得到第i个模态分量的第j个数据点；Z：所有模态分量的总能量；
所述各模态分量的波动率，按下式计算：
式中：Oi：模态分量i的波动率；P(t)max：模态分量的最大值；P(t)min：模态分量的最小值；PN：风力发电机的额定容量。
优选的，所述将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态，包括：
将频率集合中的每个频率分别与低频振荡频率范围、次同步振荡频率范围和次同步控制相互作用振荡频率范围进行对比；
当频率在所述低频振荡频率范围内时，得到风电场-电网相互作用的低频振荡频率模态；
当频率在所述次同步振荡频率范围内时，得到风电场-电网相互作用的次同步振荡频率模态；
当频率在所述次同步控制相互作用振荡频率范围内时，得到风电场-电网相互作用的次同步控制相互作用振荡频率模态。
基于同一发明构思，本发明还提供了一种风电场-电网相互作用的模态识别系统，包括：
分解模块，用于采用旋转不变子空间类算法将风电场功率数据进行分解，获得信号子空间；
计算模块，用于对所述信号子空间进行希尔伯特-黄变换获得频率集合；
对比模块，用于将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态。
优选的，所述计算模块，包括：
分解子模块，用于对所述信号子空间进行经验模态分解得到各模态分量；
计算子模块，用于将所述各模态分量进行特征参数提取获得瞬时频率；
聚类子模块，用于将所述瞬时频率生成的瞬时频率集合进行多维度聚类得到频率集合。
优选的，所述计算子模块，包括：
计算单元，用于计算各模态分量的能量占比和波动率；
变换单元，用于从各模态分量中选取：能量占比和波动率符合预设条件的模态分量，将选择出的模态分量进行希伯尔特变换，获得所述模态分量的瞬时相位；
拟合单元，用于基于所述瞬时相位进行数据拟合获得模态分量的瞬时频率。
优选的，所述对比模块，包括：
条件单元，用于将频率集合中的每个频率分别与低频振荡频率范围、次同步振荡频率范围和次同步控制相互作用振荡频率范围进行对比；
第一对比单元，用于当频率在所述低频振荡频率范围内时，得到风电场-电网相互作用的低频振荡频率模态；
第二对比单元，用于当频率在所述次同步振荡频率范围内时，得到风电场-电网相互作用的次同步振荡频率模态；
第三对比单元，用于当频率在所述次同步控制相互作用振荡频率范围内时，得到风电场-电网相互作用的次同步控制相互作用振荡频率模态。与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的技术方案，采用旋转不变子空间类算法将风电场功率数据进行分解，获得信号子空间，解决了常规信号处理方法受噪声影响较大的问题；对所述信号子空间进行希尔伯特-黄变换获得频率集合；将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态，适用于处理具有随机性、混乱性的风电机组数据。
本发明提供的技术方案，将信号子空间与噪声子空间分离，通过经验模态分解信号子空间，得到的各模态分量包含了原信号的不同时间尺度的局部特征信息。
本发明提供的技术方案，能够将任何复杂信号分解为多个固有模态函数，且分解过程不需要预设基函数，同时适用性较强，是处理非线性、非平稳信号的有效方法和工具。
附图说明
图1为本发明一种风电场-电网相互作用的模态识别方法的流程图；
图2为本发明实施例中模态识别方法的详细流程图；
图3-a为本发明实施例中列举的功率信号的模态分量1示意图；
图3-b为本发明实施例中列举的功率信号的模态分量2示意图；
图3-c为本发明实施例中列举的功率信号的模态分量3示意图；
图3-d为本发明实施例中列举的功率信号的模态分量4示意图；
图4为本发明功率信号模态分量图的波动率。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
图1为一种风电场-电网相互作用的模态识别方法的流程图，如图1所示，包括：
步骤S101、采用旋转不变子空间类算法将风电场功率数据进行分解，获得信号子空间；
步骤S102、对所述信号子空间进行希尔伯特-黄变换获得频率集合；
步骤S103、将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态。
图2为模态识别方法的详细流程图，如图2所示，模态识别方法包括以下步骤：
S1：采用旋转不变子空间类算法(Estimation of Signal Parameters viaRotational Invariance Techniques，ESPRIT)，ESPRIT算法是一种基于子空间的高分辨率信号分析方法，假设功率数据组成的振荡信号可以表示为一系列幅值按指数规律变化的正弦信号和白噪声的组合；以测量装置采集到的风电场功率数据P(t)构成的数据矩阵为基础，采用ESPRIT算法对功率数据P(t)进行分解为信号子空间X(t)和噪声子空间Z(t)，如下所述：
P(t)＝X(t)+Z(t)。
S2：将信号子空间X(t)从振荡信号中分离出来，并对信号子空间进行经验模态(EMD)分解得到各模态分量IMFi(i＝1,2,3，……,n)。
EMD是一种自适应的数据处理与挖掘的算法。理论上，EMD方法能够分解任何时间序列。
具体包括：将信号子空间X(t)从振荡信号中分离出来，并对信号子空间中的信号进行经验模态分解(Empirical Mode Decomposition，EMD)得到各模态分量IMFi(i＝1,2,3，……,n)，如图3-a、b、c、d所示为随机列举的四个模态分量。
其中，在本实施例中，EMD分解的具体内容如下所示：
(1)基于信号子空间X(t)构成的输入信号I(t)，寻找输入信号I(t)的极大值点MAXi和极小值点MINi；
(2)对所有的极大值点MAXi和极小值点MINi分别采用三次样条插值，形成上包络线U(t)和下包络线D(t)，并求解包络线的平均值Av(t)；
Av(t)＝(U(t)+D(t))/2
(3)将输入信号I(t)与包络线的平均值Av(t)作差，即可得到可能的IMF分量之一；
(4)判断IMF分量是否满足预设的终止条件，满足条件终止，否则返回步骤(1)；
其中，预设的终止条件为在整个时间范围内，局部极值点和过零点的数目相等，或者最多相差一个。
S3：根据各模态分量的能量占比Ri和波动率Oi选取能量占比大且波动率大的模态分量进行希尔伯特(Hilbert)变换，获得固有模态函数(IMF分量)的瞬时相位θi(t)，对IMF分量的瞬时相位θi(t)进行数据拟合，获得IMF分量的瞬时频率。
具体包括：根据各模态分量的能量占比Ri和波动率Oi选取能量占比大、波动率大的模态分量IMFi(t)进行Hilbert变换，获得每个模态分量IMF的Hilbert变换Hi(t)，构造各分量的解析信号，如下式所示：
J(t)＝IMFi(t)+iHi(t)
式中：Hi(t)是对应的IMF分量经过希尔伯特变换后得到的解析函数，IMFi(t)就是经过EMD分解得到的IMF分量；
由此计算得到模态分量IMF的瞬时相位以及瞬时频率。
其中，能量占比Ri按下式计算：
式中，N表示数据点个数，Z表示所有IMF分量的总能量；IMFij(t)表示通过经验模态分解得到第i个模态分量的第j个数据点；
而所有模态分量IMF的总能量Z，按下式计算：
式中：n表示模态分量的个数。
进一步的，图4为功率信号模态分量图的波动率，波动率反映了风机输出功率的波动水平，按下式计算：
其中，Oi表示模态分量i的波动率；P(t)max表示模态分量的最大值；P(t)min表示模态分量的最小值；PN表示风力发电机的额定容量。
其中，瞬时相位，按下式计算：
θi(t)＝arctan(Hi(t)/IMFi(t))
瞬时频率，按下式计算：
fi(t)＝1/(2π)*(dθi(t)/dt)
接着，将各模态分量IMF的瞬时频率进行多维度聚类(k-means聚类)，具体过程如下：
(1)将所有瞬时频率生成一个集合F(假设集合中元素个数为M)，从F中随机抽取k个频率元素，作为k个类别的数据中心；
(2)计算剩下的M-k个元素到k个中心点的欧式距离dij，将剩下的M-k个元素划分到欧氏距离dij最短的簇，获得初步聚类的结果。
(3)根据初步聚类的结果，重新计算k个类别的数据中心，将集合F中所有元素按照新的数据中心进行多维度聚类，获得聚类结果。
(4)当步骤(2)中的初步聚类的结果和步骤(3)中的聚类结果一致时，跳转到步骤(6)，否则执行步骤(5)。
(5)将步骤(3)中的聚类结果作为初步聚类的结果，重复第(3)步，直至聚类结果不再发生变化；
(6)选取聚类结果中的每个簇，对数据进行平均化处理后得到频率集合f＝(f1,f2,···,fk)，即求得IMF分量的主特征频率。
S4：通过IMF分量的瞬时频率判断是否发生机网相互作用。将希尔伯特-黄变换(Hilbert-Huang Transform，HHT)获得的IMF分量的瞬时频率与预先设定的特征频率进行对比，判断是否发生机网相互作用及何种类别的相互作用。
具体包括：将频率集合f＝(f1,f2,···,fk)中的频率与已知小信号模型中机网相互作用的特征频率进行比对，确定风电场-电网相互作用的模态。
根据小信号模型推导出来的机网相互作用的特征频率，包括：低频振荡频率范围、次同步振荡频率范围和次同步控制相互作用振荡频率范围。
将频率集合中的每个频率分别与低频振荡频率范围、次同步振荡频率范围和次同步控制相互作用振荡频率范围进行对比；
当频率在低频振荡频率范围内时，得到风电场-电网相互作用的低频振荡频率模态；
当频率在次同步振荡频率范围内时，得到风电场-电网相互作用的次同步振荡频率模态；
当频率在次同步控制相互作用振荡频率范围内时，得到风电场-电网相互作用的次同步控制相互作用振荡频率模态。
在本实施例中，以小信号模型中机网相互作用的特征频率作为预先设定的特征频率，包括：双馈风电场并网产生的低频振荡频率范围为0.2～2.5Hz；次同步振荡频率应在1.9Hz左右和12.4Hz左右；次同步控制相互作用振荡频率在5Hz左右。
基于HHT的风电场-电网相互作用模态识别方法，包括两部分，一部分是EMD分解，另一部分是希尔伯特变换(HT)。通过HHT的瞬时频率与小信号模型的特征频率进行对比，避免小信号模型的搭建，易于判断风电场-电网发生的机网相互作用类型。
基于同一发明构思，本实施例还提供了一种风电场-电网相互作用的模态识别系统，包括：
分解模块，用于采用旋转不变子空间类算法将风电场功率数据进行分解，获得信号子空间；
计算模块，用于对所述信号子空间进行希尔伯特-黄变换获得频率集合；
对比模块，用于将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态。
实施例中，所述计算模块，包括：
分解子模块，用于对所述信号子空间进行经验模态分解得到各模态分量；
计算子模块，用于将所述各模态分量进行特征参数提取获得瞬时频率；
聚类子模块，用于将所述瞬时频率生成的瞬时频率集合进行多维度聚类得到频率集合。
实施例中，所述计算子模块，包括：
计算单元，用于计算各模态分量的能量占比和波动率；
变换单元，用于从各模态分量中选取：能量占比和波动率符合预设条件的模态分量，将选择出的模态分量进行希伯尔特变换，获得所述模态分量的特征参数；
拟合单元，用于基于所述特征参数进行数据拟合获得模态分量的瞬时频率，其中所述特征参数为瞬时相位。
实施例中，所述对比模块，包括：
条件单元，用于将频率集合中的每个频率分别与低频振荡频率范围、次同步振荡频率范围和次同步控制相互作用振荡频率范围进行对比；
第一对比单元，用于当频率在所述低频振荡频率范围内时，得到风电场-电网相互作用的低频振荡频率模态；
第二对比单元，用于当频率在所述次同步振荡频率范围内时，得到风电场-电网相互作用的次同步振荡频率模态；
第三对比单元，用于当频率在所述次同步控制相互作用振荡频率范围内时，得到风电场-电网相互作用的次同步控制相互作用振荡频率模态。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种风电场-电网相互作用的模态识别方法，其特征在于，包括：
采用旋转不变子空间类算法将风电场功率数据进行分解，获得信号子空间；
对所述信号子空间进行希尔伯特-黄变换获得频率集合；
将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态。
2.如权利要求1所述的模态识别方法，其特征在于，所述对所述信号子空间进行希尔伯特-黄变换获得频率集合，包括：
对所述信号子空间进行经验模态分解得到各模态分量；
将所述各模态分量进行特征参数提取获得瞬时频率；
将所述瞬时频率生成的瞬时频率集合进行多维度聚类得到频率集合。
3.如权利要求2所述的模态识别方法，其特征在于，所述对所述信号子空间进行经验模态分解得到各模态分量，包括：
基于信号子空间中的信号寻找所述信号的极大值点和极小值点；
对所有的极大值点和极小值点分别采用三次样条插值，形成上包络线和下包络线，并求解包络线的平均值；
将所述信号与包络线的平均值作差得到一个模态分量；
当模态分量满足预设的终止条件时终止，否则继续寻找所述信号的极大值点和极小值点。
4.如权利要求2所述的模态识别方法，其特征在于，所述将所述各模态分量进行特征参数提取获得瞬时频率，包括：
计算各模态分量的能量占比和波动率；
从各模态分量中选取：能量占比和波动率符合预设条件的模态分量，将选择出的模态分量进行希伯尔特变换，获得所述模态分量的特征参数；
基于所述模态分量的特征参数进行数据拟合获得模态分量的瞬时频率；
其中，所述特征参数为瞬时相位。
5.如权利要求4所述的模态识别方法，其特征在于，所述各模态分量的能量占比，按下式计算：
式中：Ri：模态分量i的能量占比；N：数据点个数；IMFij(t)：通过经验模态分解得到第i个模态分量的第j个数据点；Z：所有模态分量的总能量；
所述各模态分量的波动率，按下式计算：
式中：Oi：模态分量i的波动率；P(t)max：模态分量的最大值；P(t)min：模态分量的最小值；PN：风力发电机的额定容量。
6.如权利要求1所述的模态识别方法，其特征在于，所述将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态，包括：
将频率集合中的每个频率分别与低频振荡频率范围、次同步振荡频率范围和次同步控制相互作用振荡频率范围进行对比；
当频率在所述低频振荡频率范围内时，得到风电场-电网相互作用的低频振荡频率模态；
当频率在所述次同步振荡频率范围内时，得到风电场-电网相互作用的次同步振荡频率模态；
当频率在所述次同步控制相互作用振荡频率范围内时，得到风电场-电网相互作用的次同步控制相互作用振荡频率模态。
7.一种风电场-电网相互作用的模态识别系统，其特征在于，包括：
分解模块，用于采用旋转不变子空间类算法将风电场功率数据进行分解，获得信号子空间；
计算模块，用于对所述信号子空间进行希尔伯特-黄变换获得频率集合；
对比模块，用于将所述频率集合中和预先设定的特征频率范围进行对比，确定所述风电场-电网相互作用的模态。
8.如权利要求7所述的模态识别系统，其特征在于，所述计算模块，包括：
分解子模块，用于对所述信号子空间进行经验模态分解得到各模态分量；
计算子模块，用于将所述各模态分量进行特征参数提取获得瞬时频率；
聚类子模块，用于将所述瞬时频率生成的瞬时频率集合进行多维度聚类得到频率集合。
9.如权利要求8所述的模态识别系统，其特征在于，所述计算子模块，包括：
计算单元，用于计算各模态分量的能量占比和波动率；
变换单元，用于从各模态分量中选取：能量占比和波动率符合预设条件的模态分量，将选择出的模态分量进行希伯尔特变换，获得所述模态分量的瞬时相位；
拟合单元，用于基于所述瞬时相位进行数据拟合获得模态分量的瞬时频率。
10.如权利要求7所述的模态识别系统，其特征在于，所述对比模块，包括：
条件单元，用于将频率集合中的每个频率分别与低频振荡频率范围、次同步振荡频率范围和次同步控制相互作用振荡频率范围进行对比；
第一对比单元，用于当频率在所述低频振荡频率范围内时，得到风电场-电网相互作用的低频振荡频率模态；
第二对比单元，用于当频率在所述次同步振荡频率范围内时，得到风电场-电网相互作用的次同步振荡频率模态；
第三对比单元，用于当频率在所述次同步控制相互作用振荡频率范围内时，得到风电场-电网相互作用的次同步控制相互作用振荡频率模态。
CN201810461117.8A 2018-05-14 2018-05-14 一种风电场-电网相互作用的模态识别方法及系统 Active CN110490215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810461117.8A CN110490215B (zh) 2018-05-14 2018-05-14 一种风电场-电网相互作用的模态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810461117.8A CN110490215B (zh) 2018-05-14 2018-05-14 一种风电场-电网相互作用的模态识别方法及系统

Publications (2)

Publication Number Publication Date
CN110490215A true CN110490215A (zh) 2019-11-22
CN110490215B CN110490215B (zh) 2022-11-11

Family

ID=68545119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810461117.8A Active CN110490215B (zh) 2018-05-14 2018-05-14 一种风电场-电网相互作用的模态识别方法及系统

Country Status (1)

Country Link
CN (1) CN110490215B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112671108A (zh) * 2021-01-21 2021-04-16 云南电力技术有限责任公司 一种过零点检测的线路控制系统
CN113569464A (zh) * 2021-06-21 2021-10-29 国网山东省电力公司电力科学研究院 一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置
CN116776168A (zh) * 2023-08-22 2023-09-19 惠州帝恩科技有限公司 一种试剂管生产数据智能分析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103767707A (zh) * 2014-02-17 2014-05-07 南通南大四维影通科技有限公司 血样水平依赖性功能磁共振信号震荡频率聚类分析方法
CN103786069A (zh) * 2014-01-24 2014-05-14 华中科技大学 一种机械加工设备的颤振在线监测方法
CN105784366A (zh) * 2016-03-30 2016-07-20 华北电力大学（保定） 一种变转速下的风电机组轴承故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103786069A (zh) * 2014-01-24 2014-05-14 华中科技大学 一种机械加工设备的颤振在线监测方法
CN103767707A (zh) * 2014-02-17 2014-05-07 南通南大四维影通科技有限公司 血样水平依赖性功能磁共振信号震荡频率聚类分析方法
CN105784366A (zh) * 2016-03-30 2016-07-20 华北电力大学（保定） 一种变转速下的风电机组轴承故障诊断方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112671108A (zh) * 2021-01-21 2021-04-16 云南电力技术有限责任公司 一种过零点检测的线路控制系统
CN112671108B (zh) * 2021-01-21 2024-01-30 云南电力技术有限责任公司 一种过零点检测的线路控制系统
CN113569464A (zh) * 2021-06-21 2021-10-29 国网山东省电力公司电力科学研究院 一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置
CN116776168A (zh) * 2023-08-22 2023-09-19 惠州帝恩科技有限公司 一种试剂管生产数据智能分析方法及系统
CN116776168B (zh) * 2023-08-22 2023-11-21 惠州帝恩科技有限公司 一种试剂管生产数据智能分析方法及系统

Also Published As

Publication number Publication date
CN110490215B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Chen et al. PI parameter tuning of converters for sub-synchronous interactions existing in grid-connected DFIG wind turbines
Olauson et al. Modelling the Swedish wind power production using MERRA reanalysis data
Xi et al. Enhanced model of the doubly fed induction generator‐based wind farm for small‐signal stability studies of weak power system
Su et al. Mitigation of power system oscillation caused by wind power fluctuation
Papadopoulos et al. Black‐box dynamic equivalent model for microgrids using measurement data
CN110490215A (zh) 一种风电场-电网相互作用的模态识别方法及系统
Golpîra et al. Dynamic equivalencing of an active distribution network for large‐scale power system frequency stability studies
CN104036073B (zh) 适于有功功率特性分析的双馈风电场动态等值建模方法
Chakravorti et al. Detection and classification of islanding and power quality disturbances in microgrid using hybrid signal processing and data mining techniques
CN111598303A (zh) 一种基于气象成分分解的夏季短期负荷预测方法
CN109921426A (zh) 基于cv-kde的风电并网系统概率潮流计算方法
Jannati et al. Mitigation of windfarm power fluctuation by adaptive linear neuron‐based power tracking method with flexible learning rate
CN108418242A (zh) 一种基于相似度同调的双馈风电机动态等值方法
Samal et al. New signal subspace approach to estimate the inter‐area oscillatory modes in power system using TLS‐ESPRIT algorithm
Bueno-López et al. Oscillation analysis of low-voltage distribution systems with high penetration of photovoltaic generation
CN108258725A (zh) 一种基于等效功角同调的双馈风电机动态等值方法
Liu et al. Data-driven mode identification method for broad-band oscillation of interconnected power system
CN109344875B (zh) 基于聚类分析的日风电出力时序生成方法及装置
CN108448582B (zh) 谐波检测系统和谐波处理系统
CN110098610A (zh) 故障扰动下电力系统振荡主导模式的实时辨识方法及系统
Ni et al. Cross‐gramian‐based dynamic equivalence of wind farms
Zhao et al. Online Monitoring of Low-Frequency Oscillation Based on the Improved Analytical Modal Decomposition Method
CN109687445B (zh) 配电网对异步风机接纳能力的评估方法、系统及终端设备
Wang et al. Krylov subspace based model reduction method for transient simulation of active distribution grid
Wang et al. A simplified model of Type‐4 wind turbine for short‐circuit currents simulation analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant