CN114050568A - 基于多元经验模态分解的强迫振荡源定位方法及装置 - Google Patents
基于多元经验模态分解的强迫振荡源定位方法及装置 Download PDFInfo
- Publication number
- CN114050568A CN114050568A CN202111318321.2A CN202111318321A CN114050568A CN 114050568 A CN114050568 A CN 114050568A CN 202111318321 A CN202111318321 A CN 202111318321A CN 114050568 A CN114050568 A CN 114050568A
- Authority
- CN
- China
- Prior art keywords
- energy
- imf
- forced oscillation
- generator
- forced
- 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 163
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000005381 potential energy Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 102100024210 CD166 antigen Human genes 0.000 claims 1
- 101000980840 Homo sapiens CD166 antigen Proteins 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 244000273928 Zingiber officinale Species 0.000 description 1
- 235000006886 Zingiber officinale Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000008397 ginger Nutrition 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多元经验模态分解的强迫振荡源定位方法及装置，方法包括：对归一化后的量测信息矩阵进行多元经验模态分解，得到表征不同振荡频率的IMF分量；计算各IMF分量的Teager能量及能量权重，依据能量权重筛选出表征强迫振荡模式的IMF分量；根据筛选出的强迫振荡IMF分量，计算多元经验模态能量流，得到各发电机的耗散能量曲线；计算耗散能量曲线相邻极小值点的能量差值
对应的发电机为强迫振荡源，输出强迫振荡源的定位结果。装置包括：处理器和存储器。本发明通过提取出广域量测信息中的强迫振荡分量，无需重构时域信号，显著提高了强迫振荡源的定位效率。
Description
技术领域
本发明涉及电力系统领域，尤其涉及一种基于多元经验模态分解(MultivariateEmpirical Mode Decomposition,MEMD)的强迫振荡源定位方法及装置。
背景技术
随着电网互联规模日益扩大，可再生能源大规模并网，强迫振荡作为电力系统功率振荡的一种特有形式，已成为影响电力系统安全稳定运行的重要因素之一[1-3]。强迫振荡具有起振快、随机性强、失去振荡源后快速平息的特点，若不采取有效措施及时抑制，持续的强迫振荡将严重威胁电网的安全稳定运行[4-6]。近年来，我国电网已多次发生严重的强迫振荡事件，如2010年7月14日，三峡电厂由于PSS(电力系统稳定器)参数异常引起机组及送出线路功率出现不同程度强迫振荡；2019年5月1日，辽宁电网发生持续约50秒的强迫振荡，事故导致丹东地区机组输出功率大幅振荡[7-8]。上述强迫振荡事件处理经验表明：准确、快速定位振荡源是实现强迫振荡抑制的首要工作。
目前，强迫振荡源定位应用最广泛的方法是振荡能量流法[9]。该方法虽可实现振荡源定位，但需获取系统详细模型和准确参数，而实际电力系统模型及参数通常难以获取。近年来，广域量测系统在电力系统广泛配置，为强迫振荡源定位提供了新思路[10]。耗散能量流(Dissipation Energy Flow，DEF)就是一种基于广域量测信息的强迫振荡源定位方法，其与阻尼系数具有一致性，同时借助瞬态消耗能量可以实现强迫振荡源的在线定位[11-12]。耗散能量流理论认为向电网持续注入能量的设备是强迫振荡源。该方法只需通过发电机的广域量测信息即可实现强迫振荡源定位，准确揭示了强迫振荡与耗散能量流之间的关系，已成为目前应用较广泛的强迫振荡源定位方法。
然而，实际电力系统的广域量测信息中除包含系统强迫振荡信息外，还包含有大量的冗余信息，若不对其加以处理，将会影响振荡源定位的效率和精度[13]。如何从这些隐含大量冗余信息的广域量测信息中准确分离、提取出电力系统的强迫振荡分量，是实现电力系统强迫振荡源定位的关键。目前，常用的信号分解方法有连续小波变换[8]、快速傅里叶变换[13]、经验模态分解(EMD)[14]等。连续小波变换和快速傅里叶变换适用于处理平稳信号，而电力系统的广域量测信息通常是非平稳信号。与连续小波变换和快速傅里叶变换相比，EMD无需选取基函数，能够保留原始信号的固有时频特征，在非线性非平稳信号分析中具有显著优势。然而，EMD是单通道信号处理方法，该方法难以保证多通道的强迫振荡IMF(本征模函数)分量同步提取，这将会影响振荡源定位结果的精度和效率。
因此，如何准确、高效、同步分解出多通道量测信息中的强迫振荡分量，实现强迫振荡源定位，仍需开展深入研究。
参考文献
[1]姜涛.基于广域量测信息的电力大系统安全性分析与协调控制[D].天津:天津大学,2015.
[2]宋墩文，杨学涛，丁巧林，等.大规模互联电网低频振荡分析与控制方法综述[J].电网技术，2011，35(10)：22-28.
[3]鞠平，刘咏飞，王红印，等.电力系统的广义强迫振荡[J].电力自动化设备，2014，34(05)：1-6.
[4]汤涌.电力系统强迫功率振荡的基础理论[J].电网技术，2006，30(010)：29-33.
[5]Chen Lei，Min Yong，Chen Yiping，et al.Evaluation of GeneratorDamping Using Oscillation Energy Dissipation and the Connection With ModalAnalysis[J].IEEE Transactions on Power Systems，2014，29(3)：1393-1402.
[6]杨东俊，丁坚勇，李继升，等.基于参数辨识的强迫功率振荡扰动源定位方法[J].电力系统自动化，2012，36(02)：26-30.
[7]张剑云，李明节，周济，等.三峡巨型电站异常功率波动仿真与试验研究[J].中国电机工程学报，2012，32(016)：122-129.
[8]姜涛，李孟豪，李雪，等.电力系统强迫振荡源的时频域定位方法[J].电力系统自动化，2021，45(09)：98-106.
[9]董超,刘涤尘,廖清芬,等.基于能量函数的电网低频振荡及扰动源定位研究[J].电网技术,2012,36(08):175-181.
[10]姜涛，贾宏杰，李国庆，等.基于广域量测信息相关性的电力系统同调辨识[J].电工技术学报,2017,32(01):1-11.
[11]陈磊，闵勇，胡伟.基于振荡能量的低频振荡分析与振荡源定位(一)理论基础与能量流计算[J].电力系统自动化，2012，36(3)：22-27.
[12]CHEN Lei，SUN Ming，MIN Yong，et al.Online monitoring of generatordamping using dissipation energy flow computed from ambient data[J].IETGeneration Transmission&Distribution，2017，11(18)：4430-4435.
[13]Jiang Tao,Li Xue,Yuan Haoyu,et al.Estimating electromechanicaloscillation modes from synchrophasor measurements in bulk power grids usingFSSI[J].IET Generation,Transmission&Distribution,2018,12(10):2347-2358.
[14]苏安龙，孙志鑫，何晓洋，等.基于多元经验模式分解的电力系统低频振荡模式辨识[J].电力系统保护与控制，2019，47(22)：113-125.
发明内容
本发明提供了一种基于多元经验模态分解的强迫振荡源定位方法及装置，本发明无需系统详细模型，仅根据发电机广域量测信息即可实现强迫振荡源的准确、有效定位；在分析时通过提取出广域量测信息中的强迫振荡分量，无需重构时域信号，显著提高了强迫振荡源的定位效率，详见下文描述：
第一方面，一种基于多元经验模态分解的强迫振荡源定位方法，所述方法包括：
对归一化后的量测信息矩阵进行多元经验模态分解，得到表征不同振荡频率的IMF分量；
计算各IMF分量的Teager能量及能量权重，依据能量权重筛选出表征强迫振荡模式的IMF分量；
根据筛选出的强迫振荡IMF分量，计算多元经验模态能量流，得到各发电机的耗散能量曲线；
计算耗散能量曲线相邻极小值点的能量差值
对应的发电机为强迫振荡源，输出强迫振荡源的定位结果。
其中，所述量测信息矩阵的行表征时间尺度，矩阵的列表征发电机数量。
进一步地，所述依据能量权重筛选出表征强迫振荡模式的IMF分量具体为：
从电力系统广域量测信息中提取出能量权重最高的IMF分量作为强迫振荡分量予以保留。
其中，所述根据筛选出的强迫振荡IMF分量，计算多元经验模态能量流，得到各发电机的耗散能量曲线具体为：
能量流
为：
式中，ΔPij,IMF,m和ΔQij,IMF,m为支路Lij有功功率和无功功率变化量中表征强迫振荡的IMF分量；Δfi,IMF,m为母线i频率变化量中表征强迫振荡的IMF分量；ΔlnUi,IMF,m为母线i电压幅值对数变化量中表征强迫振荡的IMF分量；
发电机动能表达式为：
式中，f0为电网基准频率，TJ为发电机惯性时间常数，基于MEMD的发电机势能和耗散能量之和表示为：
其中，Wp,IMF,m为势能的IMF分量，Wdp,IMF,m为耗散能量的IMF分量；
设x1和x2分别为Wp,IMF,m+Wdp,IMF,m相邻的两个极小值点，根据极小值点差值判断支路耗散能量的变化趋势，x1和x2的差值表示为：
式中，
和
分别为在极小值点x1和x2处发电机的势能；
和
分别为在极小值点x1和x2处发电机的耗散能量；
为极小值点x1和x2处发电机的耗散能量差值。
第二方面，一种基于多元经验模态分解的强迫振荡源定位装置，所述装置包括：处理器和存储器，处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
第三方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是：
1、本发明定位强迫振荡源时无需系统详细模型，仅根据发电机广域量测信息即可实现强迫振荡源的准确、有效定位，具有较强的工程实用性；
2、本发明可同时对量测信息进行多通道并行处理计算，大幅度缩短了计算时间，提升了分析计算效率；
3、本发明对广域量测信息进行MEMD分解，可将各量测通道内的强迫振荡模式分量同步提取出来，有效避免了各量测通道内IMF分量在数量和频率上存在差异，提升了定位的精度；
4、对发电机进行基于MEMD的DEF分析时，本发明可以准确筛选出广域量测信息中所隐含的强迫振荡模式信息，不需要提取和重构广域量测信息中所隐含的强迫振荡模式时域分量，简化了基于广域量测信息的强迫振荡源定位流程，提高分析效率。
附图说明
图1为基于多元经验模态分解的强迫振荡源定位方法的流程图；
图2为WECC(Western Electricity Coordinating Council，西部电力协调委员会)-179节点系统拓扑图；
图3为各发电机的机端电气参数图；
图4为发电机有功功率IMF分量图；
图5为各发电机的强迫振荡模式分量图；
图6为基于MEMD的发电机耗散能量曲线图；
图7为基于多元经验模态分解的强迫振荡源定位装置的结构示意图。
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。
强迫振荡是威胁电力系统安全稳定运行的重要因素之一，准确、高效定位强迫振荡源是抑制强迫振荡的关键，但现有基于广域量测信息的强迫振荡源定位方法实现较为复杂且效率和精度有待提升。为此，本发明实施例提出一种基于多元经验模态分解的电力系统强迫振荡源定位方法。
该方法首先对发电机的频率、电压幅值、有功功率和无功功率广域量测信息计算与稳态时的偏差值，对各电气量偏差值进行归一化；进一步，对归一化后数据进行多元经验模态分解，获取表征不同振荡频率的IMF分量；然后，计算分解后各IMF分量的Teager能量值及能量权重，提取表征强迫振荡模式的关键IMF分量；基于提取的IMF分量，计算各发电机的耗散能量流，进而根据耗散能量流实现强迫振荡源定位。
实施例1
本发明实施例提供了一种基于多元经验模态分解的电力系统强迫振荡源定位方法，参见图1，下面对本发明实施方式作进一步详细描述，其中101-107为计算方法的详细步骤。
101：电网中PMU采集发电机的母线频率信号、机端电压信号、有功功率信号和无功功率信号，将其作为本发明的输入数据；
102：计算上述各电气量相较稳态的偏差值，对求得的偏差值进行归一化处理，获取各电气量信息的量测信息矩阵；
103：对归一化后的量测信息矩阵进行多元经验模态分解，得到表征不同振荡频率的IMF分量；
104：计算各IMF分量的Teager能量及能量权重，依据能量权重筛选出表征强迫振荡模式的IMF分量；
105：根据筛选出的强迫振荡IMF分量，计算多元经验模态能量流，得到各发电机的耗散能量曲线；
106：计算耗散能量曲线相邻极小值点的能量差值
其中
对应的发电机为强迫振荡源；
107：输出强迫振荡源的定位结果。
综上所述，以上步骤101-107为基于多元经验模态分解的电力系统强迫振荡源定位方法的详细步骤。通过上述步骤能够准确甄别出广域量测信息中的强迫振荡模式分量，并提升振荡源的定位效率，进而实现电力系统强迫振荡源的快速、准确定位。
实施例2
下面结合具体的计算公式、实例对实例1中的方案进行进一步地介绍，详见下文描述：
201：选取电网中发电机节点PMU采集发电机的母线频率信号、机端电压信号、有功功率信号和无功功率信号(实际中可选取受强迫振荡影响较大的机组)，将其作为本发明实施例的输入数据，分别构建多通道量测信息矩阵，其中矩阵的行表征时间尺度，矩阵的列表征发电机数量。
进一步，对多通道量测信息矩阵进行MEMD分解，获取表征不同振荡模式的IMF分量。其中，MEMD是一种将EMD从单通道时频域分解方法扩展到多通道的时频域信号分解方法，它确保了各通道IMF分量在振荡频率和数量上的同步性。
以有功功率偏差信号ΔPij(t)为例，采用MEMD分解多通道ΔPij(t)计算过程如下：
1)设多通道ΔPij(t)为
其中，量测信号长度为T，量测通道数为n，对其在n-1维超球面上选择方向向量集xθk进行采样，k为方向向量个数；
2)计算有功功率偏差信号
沿超球面上方向向量xθk的投影，用
表示；
3)找出所有投影信号的极值点，并确定极值点对应的时刻，记为tθk；
4)对求得的极值点[tθk,x(tθk)]进行插值，获得多元包络线，记为
5)计算多元包络线的均值m(t)，即：
6)将原量测信息ΔPij(t)减去该平均包络m(t)，得到新序列ΔPij,IMF,m(t)，若ΔPij,IMF,m(t)存在负的局部极大值或正的局部极小值，则ΔPij,IMF,m(t)不构成一个IMF分量，继续重复上述步骤；若满足IMF的条件，则将ΔPij,IMF,m(t)作为IMF分量从量测信息中提取出来，并对ΔPij(t)减去ΔPij,IMF,m(t)后的剩余信息继续重复上述步骤，若剩余信号为单调函数或常数，则认为所有IMF分量已提取完毕，分解结束。
MEMD在处理多通道量测信号时，可将原始信号在各量测通道内分解为多个IMF分量的组合，每个IMF分量在时域上都表征某一振荡模式，可实现强迫振荡分量的有效提取。与EMD相比，MEMD能够同步提取多通道量测信息中的振荡分量，实现各量测通道分解的IMF分量在频率和数量上的同步。
另，所提方法可同时处理多台发电机的广域量测信息。
202：利用Teager能量算子筛选出表征强迫振荡模式的IMF分量；
虽然采用MEMD可从电力系统的多通道量测信息中同步获取多个表征不同振荡模式的IMF分量，但仍无法从中分离出表征系统强迫振荡模式的关键IMF分量。考虑到表征系统强迫振荡模式的关键IMF分量的振荡能量通常较大，故根据IMF分量的能量大小筛选出表征强迫振荡模式的关键IMF分量。为此，本发明实施例采用Teager能量算子计算各通道IMF分量的能量值及能量权重，进而提取出含强迫振荡模式的关键IMF分量。
Teager能量算子是非线性局部微分算子，具有较好鲁棒性。该方法仅需对量测信息相邻的三个采样点数值进行计算，即可得到该采样点的能量值，具有很好的瞬时性。针对有功功率IMF信号的Teager能量值计算表达式为：
式中，ψm(d)为第m个IMF分量在采样点d处的能量值。通过计算各IMF分量在量测窗口内各采样点处的能量值并求和，即可得各IMF分量在整个量测窗口内的能量值Em：
式中，T为IMF分量的采样点数量。计算各IMF分量Teager能量值后，依据能量权重对主导振荡模式进行筛选，其中能量权重高的IMF分量表征系统主导振荡模式，其能量权重为：
式中，Em为第m个IMF分量的Teager能量值，l为原始信号分解所得IMF分量的个数。
本发明实施例根据从电力系统广域量测信息中提取出的能量权重最高的IMF分量作为强迫振荡分量予以保留，忽略其余冗余分量。
203：基于MEMD的耗散能量流计算；
结合传统DEF计算式，本实施例定义基于MEMD的电力系统强迫振荡耗散能量流
为：
式中，ΔPij,IMF,m和ΔQij,IMF,m为支路Lij有功功率和无功功率变化量中表征系统强迫振荡的IMF分量；Δfi,IMF,m为母线i频率变化量中表征系统强迫振荡的IMF分量；ΔlnUi,IMF,m为母线i电压幅值对数变化量中表征系统强迫振荡的IMF分量。
发电机动能表达式为：
式中，f0为电网基准频率，TJ为发电机惯性时间常数，则基于MEMD的发电机势能和耗散能量之和可表示为：
其中，Wp,IMF,m为势能的IMF分量，Wdp,IMF,m为耗散能量的IMF分量。
设x1和x2分别为Wp,IMF,m+Wdp,IMF,m相邻的两个极小值点，根据极小值点差值可判断支路耗散能量的变化趋势。由于相邻极小值点势能Wp,IMF,m相等，则x1和x2的差值可表示为：
式中，
和
分别为在极小值点x1和x2处发电机的势能；
和
分别为在极小值点x1和x2处发电机的耗散能量；
为极小值点x1和x2处发电机的耗散能量差值。
204：基于MEMD的强迫振荡源定位判据。
本发明实施例采用MEMD分解得到的IMF分量计算各发电机耗散能量流，确定强迫振荡源的基本准则为：若
则其耗散能量曲线呈上升趋势，表明该发电机消耗电网中的振荡能量，为非振荡源；若
则其耗散能量曲线呈下降趋势，表明该发电机向电网注入振荡能量，为振荡源。
综上所述，本发明实例通过上述步骤201-204实现了对量测信号从时域到时频域的转换，准确提取出了强迫振荡分量，无需对量测信号进行时域-频域-时域的转换及重构，可提高耗散能量流计算的精度及效率，具有一定的工程应用价值。
实施例3
下面结合具体实例，以WECC179节点系统为例对本发明实施例所提的基于多元经验模态分解的电力系统强迫振荡源定位方法进行仿真分析与验证。图2为WECC-179节点测试系统网络拓扑图，该测试系统中发电机均采用经典二阶模型，负荷均采用恒功率模型。小干扰分析表明该测试系统有28个振荡模式，所有振荡模式均具有良好的阻尼。其中，电力系统存在介于0.44-0.47Hz间的自然振荡模式。以0.46Hz的正弦波作为强迫振荡扰动信号注入发电机79的励磁系统中，激发系统强迫振荡，仿真时长20s，仿真步长1/30s，得到的各发电机频率、电压幅值、有功功率和无功功率如图3所示。
首先，分别计算图3中发电机频率、电压幅值、有功功率和无功功率相对稳态值的变化量。同时为避免不同数量级的数据差异影响计算精度，对各变化量进行归一化，得到各电气量归一化后向量序列。根据归一化后的结果，分别构建发电机的频率、电压幅值、有功功率和无功功率的多通道广域量测信息矩阵。各矩阵的量测通道数为29，共得到4组29×600的量测信息矩阵，将上述量测信息矩阵作为所提方法的输入。
根据所提方法对输入的信息进行MEMD分解，最终各通道量测信息均分解出5个IMF分量。以G79和G18发电机有功功率变化量为例，采用MEMD分解的结果如图4所示。由图4结果可知，各IMF分量振荡幅值依次降低，振荡曲线逐渐平滑，所包含的振荡信息量也逐步减少。
进一步，将分解的各IMF分量代入式(3)和(4)，分别计算对应的Teager能量及其权重，进而筛选出表征强迫振荡模式的IMF分量。本实施例列出Teager能量值较大的前10台发电机的前3个IMF分量，各发电机有功功率IMF分量对应的Teager能量及振荡频率如表1所示。
表1基于MEMD的发电机有功IMF分量能量及振荡频率
显然，由表1可知，发电机G79的IMF1能量值为1378，能量权重为99.97％，远大于其余IMF分量能量。其余各发电机有功功率IMF分量中IMF1对应的Teager能量值均为最高，相对能量权重均高于99.9％，根据Teager能量算子判据可知，IMF1中含有系统主导振荡模式分量。进一步，对IMF1分量进行HHT变换可得：各发电机IMF1振荡频率均为0.46-0.47Hz，与注入扰动频率一致，可知IMF1为包含系统强迫振荡模式的IMF分量。分别提取各发电机频率、电压幅值、有功功率和无功功率的IMF1分量，结果如图5所示。
将提取的各发电机频率、电压幅值、有功功率和无功功率的IMF1分量代入式(5)计算出各发电机的耗散能量流
同理，各发电机的动能Wk,IMF,m也可由式(6)计算得到。根据求得的
和Wk,IMF,m，由式(7)得各发电机耗散能量曲线，将耗散能量曲线极小值点连接成线即得到各发电机的耗散能量曲线Wdp,IMF,m，结果如图6所示。显然，由图6可知：发电机G79的耗散能量曲线呈明显下降趋势，根据耗散能量流理论可知，发电机G79向电网持续注入能量，为强迫振荡源；剩余发电机耗散能量曲线无明显下降趋势，对振荡影响较小，为非振荡源。该辨识结果与扰动源设置一致，验证了所提方法的准确性。
表2不同方法计算效率对比
表2进一步对比了MEMD较EMD和传统DEF方法在计算效率上的提升效果(计算平台硬件配置为：CPU Intel Core i5-11300H，主频3.1GHz，内存16GB)。由表2可知：传统DEF方法计算耗时为52.2698s、EMD耗时为49.0651s、本发明实施例所提MEMD方法耗时为19.8179s。上述结果表明：由于本发明采用MEMD同时处理多通道量测信息，大幅缩短了计算时间；同时，由于传统DEF方法首先需将时域的量测信息转换为频域，在频域中确定系统的强迫振荡频率，再将信号从频域变换到时域，过程较为繁琐，本发明实施例所提方法只需直接将电力系统的广域量测信息变换到时频域中，直接提取出表征强迫振荡的关键IMF分量，可大幅简化计算过程，故采用本文所提方法定位振荡源可有效提升计算效率。
实施例4
一种基于多元经验模态分解的强迫振荡源定位装置，该装置包括：处理器和存储器，存储器中存储有程序指令，处理器调用存储器中存储的程序指令以使装置执行实施例1中的以下方法步骤：
对归一化后的量测信息矩阵进行多元经验模态分解，得到表征不同振荡频率的IMF分量；
计算各IMF分量的Teager能量及能量权重，依据能量权重筛选出表征强迫振荡模式的IMF分量；
根据筛选出的强迫振荡IMF分量，计算多元经验模态能量流，得到各发电机的耗散能量曲线；
计算耗散能量曲线相邻极小值点的能量差值
对应的发电机为强迫振荡源，输出强迫振荡源的定位结果。
其中，量测信息矩阵的行表征时间尺度，矩阵的列表征发电机数量。
进一步地，依据能量权重筛选出表征强迫振荡模式的IMF分量具体为：
从电力系统广域量测信息中提取出能量权重最高的IMF分量作为强迫振荡分量予以保留。
其中，根据筛选出的强迫振荡IMF分量，计算多元经验模态能量流，得到各发电机的耗散能量曲线具体为：
能量流
为：
式中，ΔPij,IMF,m和ΔQij,IMF,m为支路Lij有功功率和无功功率变化量中表征强迫振荡的IMF分量；Δfi,IMF,m为母线i频率变化量中表征强迫振荡的IMF分量；ΔlnUi,IMF,m为母线i电压幅值对数变化量中表征强迫振荡的IMF分量；
发电机动能表达式为：
式中，f0为电网基准频率，TJ为发电机惯性时间常数，基于MEMD的发电机势能和耗散能量之和表示为：
其中，Wp,IMF,m为势能的IMF分量，Wdp,IMF,m为耗散能量的IMF分量；
设x1和x2分别为Wp,IMF,m+Wdp,IMF,m相邻的两个极小值点，根据极小值点差值判断支路耗散能量的变化趋势，x1和x2的差值表示为：
式中，
和
分别为在极小值点x1和x2处发电机的势能；
和
分别为在极小值点x1和x2处发电机的耗散能量；
为极小值点x1和x2处发电机的耗散能量差值。
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。
存储器2和处理器1之间通过总线3传输数据信号，本发明实施例对此不做赘述。
实施例5
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
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。
Claims (6)
1.一种基于多元经验模态分解的强迫振荡源定位方法，其特征在于，所述方法包括：
对归一化后的量测信息矩阵进行多元经验模态分解，得到表征不同振荡频率的IMF分量；
计算各IMF分量的Teager能量及能量权重，依据能量权重筛选出表征强迫振荡模式的IMF分量；
根据筛选出的强迫振荡IMF分量，计算多元经验模态能量流，得到各发电机的耗散能量曲线；
计算耗散能量曲线相邻极小值点的能量差值
对应的发电机为强迫振荡源，输出强迫振荡源的定位结果。
2.根据权利要求1所述的一种基于多元经验模态分解的强迫振荡源定位方法，其特征在于，所述量测信息矩阵的行表征时间尺度，矩阵的列表征发电机数量。
3.根据权利要求1所述的一种基于多元经验模态分解的强迫振荡源定位方法，其特征在于，所述依据能量权重筛选出表征强迫振荡模式的IMF分量具体为：
从电力系统广域量测信息中提取出能量权重最高的IMF分量作为强迫振荡分量予以保留。
4.根据权利要求1所述的一种基于多元经验模态分解的强迫振荡源定位方法，其特征在于，所述根据筛选出的强迫振荡IMF分量，计算多元经验模态能量流，得到各发电机的耗散能量曲线具体为：
能量流
为：
式中，ΔPij,IMF,m和ΔQij,IMF,m为支路Lij有功功率和无功功率变化量中表征强迫振荡的IMF分量；Δfi,IMF,m为母线i频率变化量中表征强迫振荡的IMF分量；ΔlnUi,IMF,m为母线i电压幅值对数变化量中表征强迫振荡的IMF分量；
发电机动能表达式为：
式中，f0为电网基准频率，TJ为发电机惯性时间常数，基于MEMD的发电机势能和耗散能量之和表示为：
其中，Wp,IMF,m为势能的IMF分量，Wdp,IMF,m为耗散能量的IMF分量；
设x1和x2分别为Wp,IMF,m+Wdp,IMF,m相邻的两个极小值点，根据极小值点差值判断支路耗散能量的变化趋势，x1和x2的差值表示为：
式中，
和
分别为在极小值点x1和x2处发电机的势能；
和
分别为在极小值点x1和x2处发电机的耗散能量；
为极小值点x1和x2处发电机的耗散能量差值。
5.一种基于多元经验模态分解的强迫振荡源定位装置，其特征在于，所述装置包括：处理器和存储器，处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-4中的任一项所述的方法步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1-4中的任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111318321.2A CN114050568A (zh) | 2021-11-09 | 2021-11-09 | 基于多元经验模态分解的强迫振荡源定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111318321.2A CN114050568A (zh) | 2021-11-09 | 2021-11-09 | 基于多元经验模态分解的强迫振荡源定位方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114050568A true CN114050568A (zh) | 2022-02-15 |
Family
ID=80207597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111318321.2A Pending CN114050568A (zh) | 2021-11-09 | 2021-11-09 | 基于多元经验模态分解的强迫振荡源定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114050568A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115411721A (zh) * | 2022-07-21 | 2022-11-29 | 东北电力大学 | 多元变分模态分解的电力系统强迫振荡源定位方法及装置 |
| CN115940248A (zh) * | 2022-09-27 | 2023-04-07 | 国网甘肃省电力公司经济技术研究院 | 基于emd与耗散能量的风储联合发电系统阻尼评估方法 |
| CN117543627A (zh) * | 2024-01-08 | 2024-02-09 | 华北电力大学 | 一种双馈风机振荡扰动源定位方法、系统及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109638862A (zh) * | 2018-12-30 | 2019-04-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 |
| CN109659957A (zh) * | 2019-01-10 | 2019-04-19 | 东北电力大学 | 基于apit-memd电力系统低频振荡模式辨识方法 |
-
2021
- 2021-11-09 CN CN202111318321.2A patent/CN114050568A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109638862A (zh) * | 2018-12-30 | 2019-04-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 |
| CN109659957A (zh) * | 2019-01-10 | 2019-04-19 | 东北电力大学 | 基于apit-memd电力系统低频振荡模式辨识方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于多元经验模态分解的电力系统低频振荡模式辨识", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》, pages 042 - 431 * |
| 李孟豪: "基于广域量测数据的电力系统强迫振荡源定位方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》, pages 042 - 343 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115411721A (zh) * | 2022-07-21 | 2022-11-29 | 东北电力大学 | 多元变分模态分解的电力系统强迫振荡源定位方法及装置 |
| CN115940248A (zh) * | 2022-09-27 | 2023-04-07 | 国网甘肃省电力公司经济技术研究院 | 基于emd与耗散能量的风储联合发电系统阻尼评估方法 |
| CN115940248B (zh) * | 2022-09-27 | 2023-07-07 | 国网甘肃省电力公司经济技术研究院 | 基于emd与耗散能量的风储联合发电系统阻尼评估方法 |
| CN117543627A (zh) * | 2024-01-08 | 2024-02-09 | 华北电力大学 | 一种双馈风机振荡扰动源定位方法、系统及电子设备 |
| CN117543627B (zh) * | 2024-01-08 | 2024-04-02 | 华北电力大学 | 一种双馈风机振荡扰动源定位方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114050568A (zh) | 基于多元经验模态分解的强迫振荡源定位方法及装置 | |
| Soleimanpour et al. | Probabilistic load flow by using nonparametric density estimators | |
| Wang et al. | A scenario-based analytical method for probabilistic load flow analysis | |
| Zeng et al. | Online identification of inertia distribution in normal operating power system | |
| Reche et al. | Data mining-based method to reduce multiple estimation for fault location in radial distribution systems | |
| CN107862103B (zh) | 一种基于adpss的仿真模型生成方法及系统 | |
| CN105790261B (zh) | 一种随机谐波潮流计算方法 | |
| CN111401476B (zh) | 基于边界区域重要性采样与核向量机的暂态安全评估方法 | |
| CN102185324A (zh) | 基于量测信息的电力系统低频振荡分析方法 | |
| Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
| Kontis et al. | Modal analysis of active distribution networks using system identification techniques | |
| Wang et al. | Data-driven probabilistic small signal stability analysis for grid-connected PV systems | |
| CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
| CN105224774A (zh) | 电力系统运行状态仿真方法及系统 | |
| Betancourt et al. | A spatio-temporal processing Padé approach for visualizing harmonic distortion propagation on electrical networks | |
| CN106992516B (zh) | 概率静态电压稳定裕度优化实现方法 | |
| 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 | |
| Bogovič et al. | Probabilistic three-phase power flow in a distribution system applying the pseudo-inverse and cumulant method | |
| Dong et al. | Probabilistic load flow analysis considering power system random factors and their relevance | |
| Duan et al. | Stochastic power system simulation using the adomian decomposition method | |
| Duan et al. | High performance computing (hpc) for advanced power system studies | |
| Philippe et al. | A copula-based uncertainty modeling of wind power generation for probabilistic power flow study | |
| Al Mamun et al. | Real-time power system dynamic simulation using windowing based waveform relaxation method | |
| Cai et al. | Ambient data-based online identification and location of frequency oscillations | |
| Zhang et al. | Fast evaluation of probabilistic total transfer capability considering multiple wind farms |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220215 |