CN111342457A - 一种风电场的次同步振荡辨识方法及装置 - Google Patents
一种风电场的次同步振荡辨识方法及装置 Download PDFInfo
- Publication number
- CN111342457A CN111342457A CN202010207005.7A CN202010207005A CN111342457A CN 111342457 A CN111342457 A CN 111342457A CN 202010207005 A CN202010207005 A CN 202010207005A CN 111342457 A CN111342457 A CN 111342457A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- subsynchronous oscillation
- signal
- frequency
- noise
- 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.)
- Pending
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 52
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 239000003990 capacitor Substances 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 101100127891 Caenorhabditis elegans let-4 gene Proteins 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本申请提供一种风电场的次同步振荡辨识方法及装置,所述方法先获取经串联补偿电容并网风电场的类噪声信号,将所述类噪声信号进行小波分解,然后判断各个小波分量的频率范围是否含有次同步振荡频率,如果含有次同步振荡频率,将所述小波分量完全保留,如果不含有次同步振荡频率,获取所述小波分量下一层分解的小波分量,如果下一层小波分量的频率范围含有次同步振荡频率,则将所述小波分量进行阈值滤波,否则将小波分量滤除。最后,将所有保留的小波分量相加,重构成新的有效信号,计算获得次同步振荡模态信息。本申请提供的方法能够准确辨识类噪声信号中潜在的次同步振荡模态,对风电场潜在的次同步振荡风险进行预警。
Description
技术领域
本申请涉及电力系统保护技术领域,尤其涉及一种风电场的次同步振荡辨识方法及装置。
背景技术
为了提高风能利用率,大型风电场往往采用远距离传输。远距离交流输电系统通常使用串联补偿电容提高线路输送能力,然而串联补偿电容与风电场的能量交互容易导致风电场产生次同步振荡(Sub-Synchronous Oscillation,简称SSO)。次同步振荡会在极短时间内对输电系统造成极大损害,导致风机发电机轴系损坏、变压器损坏等严重事故。因此,亟需提出有效的方法实现风电场次同步振荡的提前检测。
电力系统正常运行状态下的负荷投切、线路参数调整等会产生类噪声信号,类噪声信号易于采集且数据量丰富。在次同步振荡发生前,从类噪声数据中辨识出输电系统潜在的次同步振荡模态信息,能够为输电系统提供预警与控制的支持。
目前,基于小波的次同步振荡辨识大多适用于已发生次同步振荡的风电场信号,未能对类噪声信号中潜在的次同步振荡进行辨识。同时,小波方法需要设置合适的分解层数与滤波阈值以获取满意的滤波效果,而现有基于小波的次同步振荡模态辨识中对分解层数与阈值鲜有给出界定,对低频振荡频率的信号也没有进行滤除。这导致了现有方法可能将更显著的低频振荡辨识出来,而忽略了类噪声中的潜在次同步振荡信息。
发明内容
本申请提供了一种风电场的次同步振荡辨识方法及装置,以解决不能对类噪声信号中潜在的次同步振荡进行辨识的问题。
一方面,本申请提供一种风电场的次同步振荡辨识方法,包括:
获取经串联补偿电容并网风电场的类噪声信号;
将所述类噪声信号进行小波分解,获得多个小波分量;
判断所述小波分量的频率范围是否含有次同步振荡频率;
如果所述小波分量的频率范围中含有次同步振荡频率,将所述小波分量完全保留;
将所有保留的小波分量相加,重构成新的有效信号;
根据新的有效信号计算获得潜在的次同步振荡模态信息,为风电场输电系统提供预警和控制的支持。
可选的,判断所述小波分量的频率范围是否含有次同步振荡频率的步骤后,所述方法还包括:
如果所述小波分量的频率范围不含有次同步振荡频率,获取所述小波分量下一层分解的小波分量;
如果所述下一层小波分量的频率范围不含有次同步振荡频率,则将所述小波分量滤除。
可选的,获取所述小波分量下一层分解的小波分量的步骤后,所述方法还包括:
如果所述下一层小波分量的频率范围含有次同步振荡频率,则将所述小波分量进行阈值滤波。
可选的,所述阈值滤波选用奇异值相对变化率确定阈值,并通过软阈值去噪方法进行滤波。
可选的,将所述类噪声信号进行小波分解,获得多个小波分量的步骤,包括:
选取小波分解的小波基,所述小波基选择sym5、bior3.3或db11。
可选的,将所述类噪声信号进行小波分解,获得多个小波分量的步骤,包括:
确定小波分解的分解层数,所述分解层数满足以下公式:
其中,J为分解层数,fS为所述类噪声信号的采样频率。
可选的,根据新的有效信号计算获得潜在的次同步振荡模态信息的步骤,包括:
将新的有效信号通过傅里叶变换计算获得次同步振荡模态信息。
另一方面,本申请还提供一种风电场的次同步振荡辨识装置,包括:
信号获取模块,用于获取经串联补偿电容并网风电场的类噪声信号;
信号分解模块,用于将所述类噪声信号进行小波分解,获得多个小波分量;
频率判断模块,用于判断所述小波分量的频率范围是否含有次同步振荡频率;
次同步振荡提取模块,用于如果所述小波分量的频率范围中含有次同步振荡频率,将所述小波分量完全保留;
信号重构模块,用于将所有保留的小波分量相加,重构成新的有效信号;
次同步振荡分析模块,用于根据新的有效信号计算获得潜在的次同步振荡模态信息,为风电场输电系统提供预警和控制的支持。
由以上技术方案可知,本申请提供一种风电场的次同步振荡辨识方法及装置,所述方法首先获取经串联补偿电容并网风电场的类噪声信号,将所述类噪声信号进行小波分解,然后判断各个小波分量的频率范围是否含有次同步振荡频率,如果含有次同步振荡频率,将所述小波分量完全保留,如果不含有次同步振荡频率,获取所述小波分量下一层分解的小波分量,如果下一层小波分量的频率范围含有次同步振荡频率,则将所述小波分量进行阈值滤波,否则将小波分量滤除。最后将所有保留的小波分量相加,重构成新的有效信号,计算获得次同步振荡模态信息。本申请提供的方法能够准确辨识类噪声信号中潜在的次同步振荡模态,对风电场潜在的次同步振荡风险进行预警。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中风电场经串补线路并网的结构示意图;
图2为本申请实施例提供的一种风电场的次同步振荡辨识方法的流程示意图;
图3(a)为本申请另一实施例中风电场负载投切时的类噪声信号示意图;
图3(b)为本申请另一实施例中风电场风速波动下的类噪声信号示意图;
图4为本申请另一实施例中次同步类噪声信号的小波分解后得到各小波分量以及剩余信号示意图;
图5(a)为本申请另一实施例中负载投切类噪声信号中提取的有效信号示意图;
图5(b)为本申请另一实施例中风速波动类噪声信号中提取的有效信号示意图;
图6为本申请又一实施例中提供的一种典型次同步振荡信号示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1为风电场经串补线路并网的结构。风电场产生的电能经过变压器升压后,由含串联补偿电容的交流线路接入交流电网,图中LT为风电场出口变压器电感,RL、LL、CL分别为输电线路的电阻、电感、补偿电容。
由于串补电容CL与系统电感LL形成LC回路,会向发电系统注入LC振荡电流,其频率fLC为:
定义线路的串补度k为:
其中,C为线路完全补偿时的电容值;k的取值范围为0~100%。
由于风机的感应发电机效应,LC振荡电流在发电机中会感应产生次同步振荡电流,其频率fSSO为:
fSSO=fsys-fLC;
其中,fsys为系统工频。本申请的实施例以60Hz工频为例,在仅考虑线路电感的情况下,串补度与发电机次同步振荡电流频率的关系如下表所示:
k/% | f<sub>SSO</sub>/Hz | k/% | f<sub>SSO</sub>/Hz |
5 | 46.583 | 35 | 24.504 |
10 | 41.026 | 40 | 22.053 |
15 | 36.762 | 45 | 19.751 |
20 | 33.167 | 50 | 17.574 |
25 | 30.000 | 55 | 15.503 |
30 | 27.137 | 60 | 13.524 |
在实际工况中线路串补度一般在10%~45%之间,且出于安全考虑不会超过60%。同时,考虑到系统负载与风电场电感的影响,实际次同步振荡电流频率会略高于上表中的数据。实际情况中次同步振荡频率fsso的范围一般在10~50Hz之间。因此,本申请实施例中次同步振荡频率fsso的范围设置为10~50Hz之间。
参见图2,为本申请实施例提供一种风电场的次同步振荡辨识方法的流程示意图。由图2可知,本申请实施例提供的次同步振荡辨识方法,包括以下步骤:
S1:获取经串联补偿电容并网风电场的类噪声信号。
电力系统正常运行状态的负荷投切、线路参数调整等随机性质的小扰动会在子系统中产生对应的扰动响应。这种小扰动响应幅值小、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。类噪声信号易于采集且数据量丰富。在次同步振荡发生前,从类噪声数据中辨识出系统潜在的振荡模态信息,能够为系统提供预警与控制的支持。
S2:将所述类噪声信号进行小波分解,获得多个小波分量。
类噪声信号模型可以表示为:
X(t)=S(t)+N(t);
其中,X(t)为类噪声信号;S(t)为实际小扰动下的响应信号,也就是类噪声中的有效信息;N(t)为噪声信号序列,其可能为白噪声,也可能含有色噪声成分。
假设系统采样频率为fS,则系统在时间t内采集信号个数为:
I=fS×t+1;
对于类噪声信号X(t)经小波变换可写为如下所示形式:
WT(a,b)=∫X(t)ψa,b(t)dt;
其中,WT是用于衡量信号X(t)与小波基ψ(t)相似性的系数;a、b分别为小波的平移因子和伸缩因子,且有:
对离散时间序列信号,令:
则类噪声信号X(t)经小波变换的离散化形式可写为:
根据小波多分辨率分析定义,采样频率为fS的信号XJ(t)经小波变换,可视为次级信号XJ-1(t)与小波分量wJ-1(t)的叠加,即:
XJ(t)=XJ-1(t)+wJ-1(t);
相似地,对于各次级信号FJ-1(t)、FJ-2(t)可采用相同步骤进行小波分解分解下去,直至终止于第0级分解。即,当选定分解层数J后,离散时间序列的含噪信号X(t)的小波分解可描述为:
可选的,将所述类噪声信号进行小波分解,获得多个小波分量的步骤,还包括:
选取小波分解的小波基,所述小波基选择sym5、bior3.3或db11。
针对不同类型噪声信号可以选取不同的小波基,以寻求去噪的最优解。为保证优良的时-频局部特性,同时考虑对系统实际的动态响应的模拟,以小波变换-重构的信息花费作为评价指标,首先通过仿真生成对多组不同参数下的风电场次同步振荡信号,选取3类小波基组中不同类型小波基进行多次仿真,结果表明选用sym5、bior3.3以及db11等小波基能够有效滤除类噪声信号中的高频白噪声,同时对原始信号中的次同步振荡信息起到模拟作用。
可选的,将所述类噪声信号进行小波分解,获得多个小波分量的步骤,还包括:
确定小波分解的分解层数,所述分解层数满足以下公式:
其中,J为分解层数,fS为所述类噪声信号的采样频率。
在对类噪声信号进行小波分解后,最终剩余信号X0(t)的频率范围应当小于次同步振荡的最低频率。由上文可知,本实施例中次同步振荡频率fSSO一般高于10Hz。因此小波分解层数J应满足上式。
S3:判断所述小波分量的频率范围是否含有次同步振荡频率。
由上文可知,本申请实施例中次同步振荡频率fSSO的范围设置为10~50Hz之间。判断类噪声信号经小波分解后各个小波分解的频率范围是否含有10~50Hz之间的频率。
如果所述小波分量的频率范围含有10~50Hz之间的频率,将所述小波分量完全保留。将滤波阈值设置为0,即保留该小波分量的所有信息。
S4:判断下一层小波分量的频率范围是否含有次同步振荡频率。
可选的,如果所述小波分量的频率范围不含有10~50Hz之间的频率,获取所述小波分量下一层分解的小波分量;
如果所述下一层小波分量的频率范围不含有10~50Hz之间的频率,则将所述小波分量滤除。将滤波阈值设置为所述小波分量的最大值,即滤除所有该小波分量中所有信息。
可选的,如果所述下一层小波分量的频率范围含有10~50Hz之间的频率,则将所述小波分量进行阈值滤波。
可选的,所述阈值滤波选用奇异值相对变化率确定阈值,并通过软阈值去噪方法进行滤波。软阈值去噪方法得到的小波整体连续性较好,从而使信号不会产生附加震荡。
S5:将所有保留的小波分量相加,重构成新的有效信号。
将所有经过滤波处理后保留下的小波分量相加,组成新的有效信号Y(t),所述有效信号Y(t)中在保留了完整的次同步振荡信息的同时,将绝大多数高频信号与低频信号滤除,从而避免了噪声信号与低频振荡信号对次同步振荡模态辨识的干扰。
S6:根据新的有效信号计算获得潜在的次同步振荡模态信息,为风电场输电系统提供预警和控制的支持。
可选的,根据新的有效信号计算获得潜在的次同步振荡模态信息的步骤,包括:将新的有效信号通过傅里叶变换计算获得次同步振荡模态信息。本实施例中,采用快速傅里叶变换计算获得次同步振荡模态信息,快速傅里叶变换是离散傅氏变换的快速算法,采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少,运算速度大大提高。
本申请提供的另一个实施例,在PSCAD/EMTDC中搭建系统进行仿真验证。系统采样频率为1000Hz。
参见图3(a)和图3(b),通过仿真模拟产生两类不同工况下次同步振荡的类噪声信号。所观测的信号来源为风机的电磁转矩Tem,次同步振荡频率为26.49Hz。
其中,图3(a)为负载投切情况下产生的类噪声信号,在第0.2s有负载为240MW(8%)的负载切出,在第1.2s有150MW(5%)的负载投入。
图3(b)为风速波动情况下产生的类噪声信号,在第0.2s风速由14m/s逐渐降为10m/s。
可以看出,噪声的幅值、频率均与次同步振荡信号相近,导致次同步振荡信号被完全掩盖在了噪声信号之下,难以直观获得。
以图3(a)所示负载投切产生的类噪声信号为例,对其进行小波分解。小波分解选择bior3.3小波基。根据采样频率为1000Hz计算可得分解层数为7层,分解后得到各小波分量wj(j=0,1,…,6)以及剩余信号如图4所示,其纵坐标为电磁转矩Tem。
滤波阈值如下表所示。计算可知,X0、w4、w5、w6这几个小波分量本身及下层信号均不含次同步振荡频率,因此阈值选取为最大值,进行全部滤除;w0、w1、w2这三个小波分量含有次同步振荡频率,因此阈值选取为0,进行全部保留;w3信号根据上述的阈值选取方法,计算获得软去噪阈值为0.014。
分量 | 频率/Hz | 滤波阈值 |
X<sub>0</sub> | 0~7.8 | 0.120(最大) |
w<sub>0</sub> | 7.8~15.7 | 0 |
w<sub>1</sub> | 15.7~31.3 | 0 |
w<sub>2</sub> | 31.3~62.5 | 0 |
w<sub>3</sub> | 62.5~125 | 0.014 |
w<sub>4</sub> | 125~250 | 0.051(最大) |
w<sub>5</sub> | 250~500 | 0.072(最大) |
w<sub>6</sub> | 500~1000 | 0.028(最大) |
基于本申请提供的次同步振荡辨识方法,从类噪声中提取获得有效信号如图5(a)所示。采用相同方法可获得图3(b)的有效信号如图5(b)所示。
对比图5(a)和图5(b)与图3(a)和图3(b)可看出,小波滤波有效地将次同步振荡频率的信号从原始类噪声信号中提取了出来,滤除了频率在67.5Hz以上的噪声信号分量以及频率在7.8Hz以下的可能存在的低频振荡分量。提取后的信号更适用于次同步振荡的模态辨识。
在提取有效信号后,通过快速傅里叶变换即可计算获得系统的次同步振荡模态信息。
本申请提供的又一个实施例,为进一步证明本申请提供的次同步振荡辨识方法的适用范围,选取如图6所示典型次同步振荡信号,采用本申请提供的方法对其进行模态辨识。
图6所示的次同步振荡信号,所观测的信号来源为风机的电磁转矩Tem。系统在第0.2s将等效系统串补度18%的串补电容投入使用,产生频率为34.54Hz的次同步振荡信号。由于系统等效次同步电阻阻值较低,在串补电容投入使用后次同步振荡迅速发散,在0.5s内风机等效电磁转矩中次同步振荡幅值已达1.5pu。
经本申请所提供的方法进行模态辨识,获得振荡模态信息为:振荡频率34.67Hz,频率辨识误差为0.38%;SSO阻尼比4.7%,阻尼比辨识结果与仿真结果一致。
由此可见,本申请提供的次同步振荡辨识方法不仅能对类噪声信号中的次同步振荡模态进行辨识,对已发生的次同步振荡也有良好的辨识作用,该方法有良好的适应性。
基于上述风电场的次同步振荡辨识方法,本申请还提供一种风电场的次同步振荡辨识装置,包括:
信号获取模块,用于获取经串联补偿电容并网风电场的类噪声信号;
信号分解模块,用于将所述类噪声信号进行小波分解,获得多个小波分量;
可选的,所述频率判断模块,包括:小波基选择单元,计算小波分解层数单元。
所述小波基选择单元,用于针对不同类型噪声信号选取不同的小波基。
所述计算小波分解层数单元,用于根据信号频率计算小波分解的层数。
频率判断模块,用于判断所述小波分量的频率范围是否含有次同步振荡频率;
可选的,所述频率判断模块,包括:第一频率判断单元,第二频率判断单元。
所述第一频率判断单元,用于判断各个小波分量的频率范围是否含有次同步振荡频率。
所述第二频率判断单元,用于判断所述小波分量的下一层小波分量的频率范围是否含有次同步振荡频率。
次同步振荡提取模块,用于如果所述小波分量的频率范围中含有次同步振荡频率,将所述小波分量完全保留;
可选的,所述次同步振荡提取模块,包括:第一提取单元,第二提取单元,第三提取单元。
所述第一提取单元,用于提取频率范围中含有次同步振荡频率的小波分量,将滤波阈值设置为0,保留所述小波分量。
所述第二提取单元,用于提取频率范围中不含有次同步振荡频率,但下一层小波分量的频率范围含有次同步振荡频率的小波分量,将所述小波分量进行阈值滤波后保留。
所述第三提取单元,用于滤除频率范围中不含有次同步振荡频率,下一层小波分量的频率范围也不含有次同步振荡频率的小波分量,将滤波阈值设置为最大值,滤除所述小波分量。
信号重构模块,用于将所有保留的小波分量相加,重构成新的有效信号;
次同步振荡分析模块,用于根据新的有效信号计算获得潜在的次同步振荡模态信息,为风电场输电系统提供预警和控制的支持。
由以上技术方案可知,本申请提供一种风电场的次同步振荡辨识方法及装置,所述方法首先获取经串联补偿电容并网风电场的类噪声信号,将所述类噪声信号进行小波分解,然后判断各个小波分量的频率范围是否含有次同步振荡频率,如果含有次同步振荡频率,将所述小波分量完全保留,如果不含有次同步振荡频率,获取所述小波分量下一层分解的小波分量,如果下一层小波分量的频率范围含有次同步振荡频率,则将所述小波分量进行阈值滤波,否则将小波分量滤除。最后将所有保留的小波分量相加,重构成新的有效信号,计算获得次同步振荡模态信息。本申请提供的方法能够准确辨识类噪声信号中潜在的次同步振荡模态,对风电场潜在的次同步振荡风险进行预警。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (8)
1.一种风电场的次同步振荡辨识方法,其特征在于,包括:
获取经串联补偿电容并网风电场的类噪声信号;
将所述类噪声信号进行小波分解,获得多个小波分量;
判断所述小波分量的频率范围是否含有次同步振荡频率;
如果所述小波分量的频率范围中含有次同步振荡频率,将所述小波分量完全保留;
将所有保留的小波分量相加,重构成新的有效信号;
根据新的有效信号计算获得潜在的次同步振荡模态信息,为风电场输电系统提供预警和控制的支持。
2.根据权利要求1所述的次同步振荡辨识方法,其特征在于,判断所述小波分量的频率范围是否含有次同步振荡频率的步骤后,所述方法还包括:
如果所述小波分量的频率范围不含有次同步振荡频率,获取所述小波分量下一层分解的小波分量;
如果所述下一层小波分量的频率范围不含有次同步振荡频率,则将所述小波分量滤除。
3.根据权利要求2所述的次同步振荡辨识方法,其特征在于,获取所述小波分量下一层分解的小波分量的步骤后,所述方法还包括:
如果所述下一层小波分量的频率范围含有次同步振荡频率,则将所述小波分量进行阈值滤波。
4.根据权利要求3所述的次同步振荡辨识方法,其特征在于,所述阈值滤波选用奇异值相对变化率确定阈值,并通过软阈值去噪方法进行滤波。
5.根据权利要求4所述的次同步振荡辨识方法,其特征在于,将所述类噪声信号进行小波分解,获得多个小波分量的步骤,包括:
选取小波分解的小波基,所述小波基选择sym5、bior3.3或db11。
7.根据权利要求1所述的次同步振荡辨识方法,其特征在于,根据新的有效信号计算获得潜在的次同步振荡模态信息的步骤,包括:
将新的有效信号通过傅里叶变换计算获得次同步振荡模态信息。
8.一种风电场的次同步振荡辨识装置,其特征在于,包括:
信号获取模块,用于获取经串联补偿电容并网风电场的类噪声信号;
信号分解模块,用于将所述类噪声信号进行小波分解,获得多个小波分量;
频率判断模块,用于判断所述小波分量的频率范围是否含有次同步振荡频率;
次同步振荡提取模块,用于如果所述小波分量的频率范围中含有次同步振荡频率,将所述小波分量完全保留;
信号重构模块,用于将所有保留的小波分量相加,重构成新的有效信号;
次同步振荡分析模块,用于根据新的有效信号计算获得潜在的次同步振荡模态信息,为风电场输电系统提供预警和控制的支持。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207005.7A CN111342457A (zh) | 2020-03-23 | 2020-03-23 | 一种风电场的次同步振荡辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207005.7A CN111342457A (zh) | 2020-03-23 | 2020-03-23 | 一种风电场的次同步振荡辨识方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111342457A true CN111342457A (zh) | 2020-06-26 |
Family
ID=71188063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010207005.7A Pending CN111342457A (zh) | 2020-03-23 | 2020-03-23 | 一种风电场的次同步振荡辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111342457A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112688325A (zh) * | 2021-01-21 | 2021-04-20 | 四川大学 | 基于二阶段改进itd算法的风电场次同步振荡监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141403A (zh) * | 2010-12-17 | 2011-08-03 | 北京航空航天大学 | 基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法 |
CN105098803A (zh) * | 2015-10-08 | 2015-11-25 | 中南大学 | 基于statcom的风电场次同步与低频振荡抑制方法 |
CN105515018A (zh) * | 2016-01-07 | 2016-04-20 | 国网山东省电力公司电力科学研究院 | 一种基于经验模式分解的风电次同步振荡检测及抑制方法 |
CN105606895A (zh) * | 2016-01-07 | 2016-05-25 | 国家电网公司 | 电力系统次同步振荡成份的在线检测及滤除方法 |
CN108390398A (zh) * | 2018-03-14 | 2018-08-10 | 中南大学 | 基于类噪声信号的风电场潜在次同步振荡识别方法 |
-
2020
- 2020-03-23 CN CN202010207005.7A patent/CN111342457A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102141403A (zh) * | 2010-12-17 | 2011-08-03 | 北京航空航天大学 | 基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法 |
CN105098803A (zh) * | 2015-10-08 | 2015-11-25 | 中南大学 | 基于statcom的风电场次同步与低频振荡抑制方法 |
CN105515018A (zh) * | 2016-01-07 | 2016-04-20 | 国网山东省电力公司电力科学研究院 | 一种基于经验模式分解的风电次同步振荡检测及抑制方法 |
CN105606895A (zh) * | 2016-01-07 | 2016-05-25 | 国家电网公司 | 电力系统次同步振荡成份的在线检测及滤除方法 |
CN108390398A (zh) * | 2018-03-14 | 2018-08-10 | 中南大学 | 基于类噪声信号的风电场潜在次同步振荡识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112688325A (zh) * | 2021-01-21 | 2021-04-20 | 四川大学 | 基于二阶段改进itd算法的风电场次同步振荡监测方法 |
CN112688325B (zh) * | 2021-01-21 | 2023-03-31 | 四川大学 | 基于二阶段改进itd算法的风电场次同步振荡监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahela et al. | Assessment of power quality in the utility grid integrated with wind energy generation | |
CN109633368B (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
Reddy et al. | Power quality analysis using Discrete Orthogonal S-transform (DOST) | |
CN103576060B (zh) | 基于小波自适应阈值的局部放电信号去噪方法 | |
Puliyadi Kubendran et al. | Detection and classification of complex power quality disturbances using S‐transform amplitude matrix–based decision tree for different noise levels | |
Naik et al. | Power quality index based on discrete wavelet transform | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN104459398A (zh) | 一种采用二维形态学降噪的电能质量复合扰动识别方法 | |
CN110441654A (zh) | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 | |
Xiao et al. | Identification method for power system low‐frequency oscillations based on improved VMD and Teager–Kaiser energy operator | |
US11422179B2 (en) | System and method for geomagnetic disturbance determination for power systems | |
Mahela et al. | A hybrid signal processing technique for recognition of complex power quality disturbances | |
CN111342457A (zh) | 一种风电场的次同步振荡辨识方法及装置 | |
Ekici et al. | Comparison of different regression models to estimate fault location on hybrid power systems | |
Shafiullah et al. | PQ disturbance detection and classification combining advanced signal processing and machine learning tools | |
Srikanth et al. | Fuzzified time-frequency method for identification and localization of power system faults | |
CN112952753B (zh) | 一种基于阈值自适应调整的低压电网触电事故检测方法及系统 | |
Wang et al. | Fault detection of the power system based on the chaotic neural network and wavelet transform | |
CN106682705B (zh) | 负载特性的识别方法及装置 | |
Lin et al. | Classification of multiple power quality disturbances using support vector machine and one-versus-one approach | |
Varghese P et al. | Application of signal processing techniques and intelligent classifiers for high-impedance fault detection in ensuring the reliable operation of power distribution systems | |
Bera et al. | Identification of internal faults in indirect symmetrical phase shift transformers using ensemble learning | |
CN114301175A (zh) | 基于注入信号的配电台区户变关系识别的方法及装置 | |
Sheng et al. | An improved high-impedance fault identification scheme for distribution networks based on kernel extreme learning machine | |
Gao et al. | Internal overvoltage identification of distribution network via time-frequency atomic decomposition |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |