CN115360726A - 一种次同步振荡传播关键影响因素识别方法及系统 - Google Patents
一种次同步振荡传播关键影响因素识别方法及系统 Download PDFInfo
- Publication number
- CN115360726A CN115360726A CN202210790249.1A CN202210790249A CN115360726A CN 115360726 A CN115360726 A CN 115360726A CN 202210790249 A CN202210790249 A CN 202210790249A CN 115360726 A CN115360726 A CN 115360726A
- Authority
- CN
- China
- Prior art keywords
- active power
- power signal
- correlation
- imf
- components
- 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
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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种次同步振荡传播关键影响因素识别方法及系统,属于电力系统及其自动化领域,基于CEEMDAN‑小波阈值去噪技术和Prony分析计算不同位置处参数对应的系统阻尼比,根据相关性评价组合模型判断交直流线路参数与不同位置系统阻尼比的线性相关性,形成基于相关性评价组合模型的次同步振荡传播关键影响因素识别,从而能在次同步振荡发生时更有效的识别、抑制次同步振荡源。
Description
技术领域
本发明涉及电力系统及其自动化领域,特别是涉及一种次同步振荡传播关键影响因素识别方法及系统。
背景技术
风电场在电力系统电源侧广泛投建,其与传统设备完全不同的动态响应特性会重塑系统的动态行为,引发次同步振荡问题。同时由于电力资源分布与需求的逆向分布,负荷中心与可再生能源丰富地区相距甚远,为解决供电用电需求,建设了大规模的交直流混联电网。随着大规模风电外送经由交直流线路输送功率,各区域电网之间联系加强,导致振荡能量会经由联络线在各区域电网之间传播,导致振荡传播的影响范围进一步扩大。而直流输电在新型电力系统要求下将逐步扩大应用范围,其电力电子装置控制系统会与新能源场站相互作用从而引发新的振荡问题,新能源场站设备与交直流电网之间的相互作用较为复杂,其传播影响因素对于电网安全可靠运行具有重大影响。
目前在次同步振荡的研究中,关于次同步振荡在电网中传输规律的问题尚有不足,研究的场景较为狭隘,多数是进行局部传播规律的研究,针对次同步振荡的全局性问题的研究尚缺少相关理论支撑,故考虑多因素次同步振荡传播的关键影响因素的识别具有重要的意义,有利于及时切除振荡源、维持新型电力系统的安全稳定。
发明内容
本发明的目的是提供一种次同步振荡传播关键影响因素识别方法及系统,以识别次同步振荡传播关键影响因素,在次同步振荡发生时更有效的识别、抑制次同步振荡源。
为实现上述目的,本发明提供了如下方案:
一种次同步振荡传播关键影响因素识别方法,包括:
以交直流线路参数中的任意一种参数为识别对象,多次调整所述识别对象的值,并在每次调整后获得所述识别对象对应的一组交直流线路有功功率信号;一组交直流线路有功功率信号包括交直流线路上不同位置处的有功功率信号;
对所述识别对象对应的每个有功功率信号进行CEEMDAN分解,获得每个有功功率信号的多个IMF分量;
根据每个有功功率信号的多个IMF分量,采用Prony算法分析每个有功功率信号对应的系统阻尼比;
根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,确定用于度量每个位置与所述识别对象相关性的评价指标;
从用于度量每个位置与所有识别对象相关性的评价指标中选取处于评价指标阈值范围内的评价指标,并将选取的评价指标对应的识别对象作为每个位置发生次同步振荡时的关键影响因素。
可选的,所述对所述识别对象对应的每个有功功率信号进行CEEMDAN 分解,获得每个有功功率信号的多个IMF分量,具体包括:
向有功功率信号中多次加入高斯白噪声信号;
在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量;
将多个模态分量的平均值作为本征模态分量;
计算有功功率信号去除第一个本征模态分量后的残差,并判断所述残差是否为单调函数,获得判断结果;
若所述判断结果表示否,则在残差中多次加入经EMD分解后的高斯白噪声信号,并将所述残差替换所述有功功率信号,同时返回步骤“在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量”;
若所述判断结果表示是,则输出所有的本征模态分量,作为每个有功功率信号的多个IMF分量。
可选的,所述对所述识别对象对应的每个有功功率信号进行CEEMDAN 分解,获得每个有功功率信号的多个IMF分量,之后还包括:
计算每个IMF分量与每个IMF分量对应的有功功率信号的相关系数;
将相关系数小于相关系数阈值的IMF分量确定为目标去噪IMF分量;
采用小波阈值去噪方法对每一个目标去噪IMF分量进行去噪,获得去噪后的IMF分量;
将每个有功功率信号的所有去噪后的IMF分量和每个有功功率信号的未去噪IMF分量合并重构,获得每个去噪后的有功功率信号。
可选的,所述根据每个有功功率信号的多个IMF分量,采用Prony算法分析每个有功功率信号对应的系统阻尼比,具体包括:
根据每个有功功率信号的多个IMF分量,采用Prony算法确定次同步振荡频率下的特征值;
可选的,所述根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,确定用于度量每个位置与所述识别对象相关性的评价指标,具体包括:
根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,分别计算皮尔逊相关系数、斯皮尔曼相关系数和互信息量;
对每个位置对应的皮尔逊相关系数、斯皮尔曼相关系数和互信息量进行加权求和,获得用于度量每个位置与所述识别对象相关性的评价指标。
一种次同步振荡传播关键影响因素识别系统,包括:
信号获取模块,用于以交直流线路参数中的任意一种参数为识别对象,多次调整所述识别对象的值,并在每次调整后获得所述识别对象对应的一组交直流线路有功功率信号;一组交直流线路有功功率信号包括交直流线路上不同位置处的有功功率信号;
分解模块,用于对所述识别对象对应的每个有功功率信号进行CEEMDAN 分解,获得每个有功功率信号的多个IMF分量;
分析模块,用于根据每个有功功率信号的多个IMF分量,采用Prony算法分析每个有功功率信号对应的系统阻尼比;
评价指标确定模块,用于根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,确定用于度量每个位置与所述识别对象相关性的评价指标;
识别模块,用于从用于度量每个位置与所有识别对象相关性的评价指标中选取处于评价指标阈值范围内的评价指标,并将选取的评价指标对应的识别对象作为每个位置发生次同步振荡时的关键影响因素。
可选的,所述分解模块,具体包括:
噪声加入子模块,用于向有功功率信号中多次加入高斯白噪声信号;
EMD分解子模块,用于在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量;
平均子模块,用于将多个模态分量的平均值作为本征模态分量;
判断子模块,用于计算有功功率信号去除第一个本征模态分量后的残差,并判断所述残差是否为单调函数,获得判断结果;
循环子模块,用于若所述判断结果表示否,则在残差中多次加入经EMD 分解后的高斯白噪声信号,并将所述残差替换所述有功功率信号,同时返回步骤“在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量”;
输出子模块,用于若所述判断结果表示是,则输出所有的本征模态分量,作为每个有功功率信号的多个IMF分量。
可选的,还包括:
相关系数计算模块,用于计算每个IMF分量与每个IMF分量对应的有功功率信号的相关系数;
分量筛选模块,用于将相关系数小于相关系数阈值的IMF分量确定为目标去噪IMF分量;
去噪模块,用于采用小波阈值去噪方法对每一个目标去噪IMF分量进行去噪,获得去噪后的IMF分量;
重构模块,用于将每个有功功率信号的所有去噪后的IMF分量和每个有功功率信号的未去噪IMF分量合并重构,获得每个去噪后的有功功率信号。
可选的,所述分析模块,具体包括:
特征值确定子模块,用于根据每个有功功率信号的多个IMF分量,采用 Prony算法确定次同步振荡频率下的特征值;
可选的,所述评价指标确定模块,具体包括:
评价子模块,用于根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,分别计算皮尔逊相关系数、斯皮尔曼相关系数和互信息量;
加权子模块,用于对每个位置对应的皮尔逊相关系数、斯皮尔曼相关系数和互信息量进行加权求和,获得用于度量每个位置与所述识别对象相关性的评价指标。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种次同步振荡传播关键影响因素识别方法及系统,基于 CEEMDAN-小波阈值去噪技术和Prony分析计算不同位置处参数对应的系统阻尼比,根据相关性评价组合模型判断交直流线路参数与不同位置系统阻尼比的线性相关性,形成基于相关性评价组合模型的次同步振荡传播关键影响因素识别,从而能在次同步振荡发生时更有效的识别、抑制次同步振荡源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的次同步振荡传播关键影响因素识别方法的原理图;
图2为本发明实施例提供的两区域四机系统等效电路图;
图3为本发明实施例提供的VSC-HVDC定直流电压控制策略示意图;
图4为本发明实施例提供的VSC-HVDC定有功功率控制策略示意图;
图5为本发明实施例提供的CEEMDAN分解后的IMF分量示意图;
图6为本发明实施例提供的CEEMDAN分解后的各IMF分量与原信号的相关系数示意图;
图7为本发明实施例提供的原信号去噪前后对比示意图;图7中的(a) 为含噪信号示意图,图7中的(b)为去噪后信号示意图;
图8为本发明实施例提供的系统阻尼比的相关性组合模型的评价指标总图;
图9为本发明实施例提供的DFIG出口系统阻尼比的相关性组合模型的评价指标图;
图10为本发明实施例提供的交流线路系统阻尼比的相关性组合模型的评价指标图;
图11为本发明实施例提供的直流线路系统阻尼比的相关性组合模型的评价指标图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种次同步振荡传播关键影响因素识别方法及系统,以识别次同步振荡传播关键影响因素,在次同步振荡发生时更有效的识别、抑制次同步振荡源。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明针对目前大规模风电场并网次同步振荡传播规律研究的不足,提出了一种次同步振荡传播关键影响因素识别方法,如图1所示,包括以下步骤:
步骤S1,以交直流线路参数中的任意一种参数为识别对象,多次调整所述识别对象的值,并在每次调整后获得所述识别对象对应的一组交直流线路有功功率信号。一组交直流线路有功功率信号包括交直流线路上不同位置处的有功功率信号。
交直流线路参数包括交流线路潮流、交流线路阻抗特性以及直流线路的电缆参数与直流线路中VSC控制参数。其中,交流线路阻抗特性具体指次同步频率交流线路阻抗。直流线路的电缆参数具体指直流线路电缆长度。支流线路中VSC控制参数包括定电压电流内环比例、定电压电流内环积分、定电压电流外环比例、定电压电流外环积分、定功率电流内环比例、定功率电流内环积分、定功率功率外环比例和定功率功率外环积分。
举例来说,调整识别对象的值的方式:控制其他参数不变,在仿真模型数值稳定的前提下,识别对象取100个,仿真得到100个样本所对应的有功功率。
步骤S2,对识别对象对应的每个有功功率信号进行CEEMDAN分解,获得每个有功功率信号的多个IMF分量。
CEEMDAN分解方法如下:
(1)vj(t)为满足标准正态分布的高斯白噪声信号,j=1,2,…,N为加入白噪声次数,将高斯白噪声vj(t)加入到待分解信号y(t)得到新信号εj表示第j次加入高斯白噪声的强度,表示第j次加入噪声后经过EMD分解的第一个分量,rj表示第j次加入噪声后经过EMD 分解的残差值。其中,ε:高斯白噪声的强度,第j次加入噪声后经过 EMD分解的第一个分量,rj:第j次加入噪声后经过EMD分解的残差值。
(2)对产生的N个模态分量进行总体平均就得到CEEMDAN分解的第1 个本征模态分量:
(3)计算去除第一个模态分量后的残差:
(4)在r1(t)中加入经EMD处理后的N次噪声,定义Ej(·)表示信号经EMD 分解后的第j个IMF分量,得到N个新信号r1(t)+E1(ε1vj(t)),以新信号 r1(t)+E1(ε1vj(t))为载体进行EMD分解,得到第二阶模态分量C2(t),由此可以得到CEEMDAN分解的第2个本征模态分量:
(5)计算去除第二个模态分量后的残差:
(6)重复(3)至(5)步骤,直到获得的残差为单调函数,第k阶的IMF 表达式如下所示:
算法结束后,此时得到的本征模态IMF分量数量为K,则原始信号y(t)被分解为:
可见,原信号分解为K个IMF分量和一个残差,后续主要是针对K个IMF 分量进行小波阈值去噪。
下面利用相关系数选取目标去噪分量,利用小波阈值去噪方法对目标去噪分量进行去噪方法如下:
步骤S3,根据每个有功功率信号的多个IMF分量,采用Prony算法分析每个有功功率信号对应的系统阻尼比。
Prony分析不同位置系统阻尼比方法如下:
Prony算法旨在利用复指数函数的线性组合拟合等间距采样数据的数学模型,一般把采用p个指数项的线性组合模型成为p阶模型。
设x(0),x(1),……,x(N-1)为N个采样数据,则:
由欧拉公式可得:
即只需求解bi和zi,可用p个具有任意幅值Ai、频率fi、相位θi和衰减因子αi的余弦分量来拟合采样数据,Prony模型与采样数据的误差平方为:
当该误差平方数值最小时,即可得到幅值Ai、频率fi、相位θi和衰减因子αi的解,注意到拟合的Prony模型是常系数差分方程的齐次解,可得常系数线性差分方程为:
对参数ai进行最小二乘估计可得方程为:
1+a1z-1+···+apz-p=0
的根zi,i=1,2,···,p,于是指数模型式可以化简为未知参数和bi的线性方程:
故可得幅值Ai、频率fi、相位θi和衰减因子αi分别为:
Ai=|bi|
αi=ln|zi|/Δt
其中,Δt为信号采样时间间隔。
通过Prony分析得到其所对应的不同角频率下的衰减系数的振荡分量和恒定量:
其中,Zp(i)为频谱分析时第i个频率所对应的振荡分量,i=1,2,3,···,n;
αp(i)为不同频率分量对应的衰减系数;
Ap(i)为不同频率分量对应的功率幅值;
ωp(i)为不同频率分量对应的角频率;
(4)利用Prony分析不同位置处所监测的系统阻尼比;
(a)由步骤(3)可得系统振荡的特征值:
λi=σi±j2πfi
其中,σi含义:振荡衰减因子,fi含义:振荡频率。
(b)系统振荡的特征值与阻尼比的关系为:
所以可以得到不同位置处所监测的系统阻尼比ξ。式中,λi表示次同步振荡频率下的特征值,ξ表示系统阻尼比,ωi表示振荡角频率。
步骤S4,根据每个位置处的多个系统阻尼比和识别对象多次调整的值,利用相关性评价组合模型,确定用于度量每个位置与所述识别对象相关性的评价指标。
具体包括:根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,分别计算皮尔逊相关系数、斯皮尔曼相关系数和互信息量;对每个位置对应的皮尔逊相关系数、斯皮尔曼相关系数和互信息量进行加权求和,获得用于度量每个位置与所述识别对象相关性的评价指标。
(1)皮尔逊相关系数,其计算方法如下:
皮尔逊相关系数法是应用统计学来对两个变量之间的相关密切程度进行准确度量的方法。对于两个变量X和Y可以通过试验得到测量值的若干数据,此处X代表次同步振荡交直流电网与振荡相关的影响因素,Y代表次同步振荡的表征量,如次系统阻尼比。相关系数的数学表达如下:
式中,和分别为n个实验测量值的均值。而相关系数r的取值范围可以看出在-1到+1之间,即r的绝对值小于等于1。当|r|≤1时,证明变量X和Y的线性相关程度越高。如果r=-1,则证明X和Y之间是完全负相关;如果r=+1,则证明X和Y之间是完全正相关;如果r=0,则证明X和Y之间是线性无关。在皮尔逊相关系数的度量中,认为皮尔逊相关系数在0.8-1.0之间认为参数极强相关,0.6-0.8强相关,0.4-0.6中等程度相关,0.2-0.4弱相关,0.0-0.2极弱相关或无相关。
(2)斯皮尔曼相关系数,其计算方法如下:
斯皮尔曼等级相关是一种非参数统计量,其值与两组相关变量的具体值无关,而仅仅与其值之间的大小关系有关。斯皮尔曼等级相关依据两列成对等级的各对等级数之差进行计算,所以又称为“等级差数法”。当变量在至少是有序的尺度上测量时,它是合适的相关分析方法。斯皮尔曼相关系数的数学表达如下:
(3)互信息量,其计算方法如下:
互信息源于信息论,用于衡量2个变量之间的关联程度。互信息量的计算公式为:
式中,I(x,y)为x与y之间的互信息;p(x,y)为x与y共同出现的频率;p(x)、 p(y)分别为x、y单独发生的频率。若I(x,y)0,数值越大表明x与y的关联程度越强;若I(x,y)≈0,则x、y的关联程度比较弱,若I(x,y)<0,则x与y互补,不存在关联关系。
步骤S5,从用于度量每个位置与所有识别对象相关性的评价指标中选取处于评价指标阈值范围内的评价指标,并将选取的评价指标对应的识别对象作为每个位置发生次同步振荡时的关键影响因素。
在相关性组合模型的度量中,认为评价指标在0.8-1.0之间认为参数极强相关,0.6-0.8强相关,0.4-0.6中等程度相关,0.2-0.4弱相关,0.0-0.2极弱相关或无相关。
本发明公开了属于电力系统安全稳定领域的一种次同步振荡传播关键影响因素识别方法,目前快速识别和切除振荡源仍缺乏有效方法,对风电并网系统次同步振荡关键影响因素进行定量分析研究,有助于规划风电并网系统,同时在系统运行过程中及时调整控制参数,解决工程实际问题。其过程为:对风机出口、交流线路和直流线路三个不同位置的有功功率进行特征提取,对各位置的有功功率进行CEEMDAN分解,用相关系数选取目标去噪分量;用小波阈值去噪方法对目标去噪分量进行去噪,并与其他未去噪分量重构;建立皮尔逊相关系数、斯皮尔曼相关系数以及次同步振荡特征分量间的互信息量的相关性评价组合模型,综合各类型相关系数计算交直流线路不同特性的相关性评价指标,对比得出次同步振荡传播关键影响因素。该方法对及时切除振荡源、维持新型电力系统的安全稳定有着重要的意义。
下面两区域四机系统为例,图2为两区域四机系统等效电路图。直流输电系统控制方法为VSC-HVDC,VSC两侧分别采用定直流电压控制和定有功功率控制,其中定直流电压控制分别电压外环和电流内环,定有功功率控制为功率外环和电流内环,可以通过改变控制器的PI参数调整VSC-HVDC的输电特性,VSC两种控制策略示意图如图3、4所示;交流输电系统为有串联电容补偿的交流线路。两区域四机系统由汽轮发电机和双馈风机组成,在两区域四机的一端接入双馈风机,通过调整双馈风机参数使其发生次同步振荡。
1.调整交直流线路参数获取次同步振荡功率数据,经CEEMDAN分解后得到一系列IMF分量,如图5所示;通过相关系数筛选出目标去噪分量,相关系数如图6所示;对目标去噪分量进行小波阈值去噪后重构IMF分量,获得去噪后分量,去噪前后对比图如图7所示。
2.使用去噪后的次同步振荡功率数据,基于Prony分析拟合不同位置的次同步振荡有功功率波形,利用不同指数项的线性组合模型模拟有功功率波形,即用p个具有任意幅值Ai、频率fi、相位θi和衰减因子αi的余弦分量来拟合采样数据,通过特征方程得到不同频率对应的相关参数,通过对特征矩阵进行计算求得系统振荡的特征值λi=σi±j2πfi。
表1系统阻尼比分析结果
交流潮流参数 | DFIG出口 | 交流线路 | 直流线路 |
184MW | -2.3 | -39 | -16 |
220MW | -4.6 | -38 | -10 |
475MW | -3 | -24 | -15 |
3.计算交直流线路不同参数与对应的系统阻尼比之间的相关性组合模型的评价指标。交直流参数与各位置次同步功率阻尼比的相关性组合模型的评价指标如图8-11所示,其中图8为不同位置处不同参数的相关性组合模型的评价指标总图,交直流参数与各位置系统阻尼比相关性组合模型的评价指标如图9-11所示。图8中①为交流线路潮流,②为次同步频率交流线路阻抗,③为直流线路电缆长度,④为定电压电流内环比例,⑤为定电压电流内环积分,⑥为定电压电流外环比例,⑦为定电压电流外环积分,⑧为定功率电流内环比例,⑨为定功率电流内环积分,⑩为定功率功率外环比例,为定功率功率外环积分。
在相关性组合模型的度量中,认为评价指标在0.8-1.0之间认为参数极强相关,0.6-0.8强相关,0.4-0.6中等程度相关,0.2-0.4弱相关,0.0-0.2极弱相关或无相关。由评价指标计算结果可以得到:对于DFIG出口次同步有功功率阻尼比来说,参数极强相关的为VSC的定直流电压控制中的电流内环积分系数;对于交流线路次同步功率阻尼比来说,参数极强相关的为交流线路潮流;对于直流线路次同步功率阻尼比来说,参数极强相关的为次同步频率下交流线路阻抗特性。
所以对于该两区域四机系统来说,不同位置发生次同步振荡时可以利用其对应的关键影响因素调整系统阻尼比,从而控制次同步振荡在交直流电网中的传播。
本发明的有益效果是:设置交直流线路参数,基于CEEMDAN-小波阈值去噪技术和Prony分析计算不同位置处参数对应的系统阻尼比,根据相关性评价组合模型判断交直流线路参数与不同位置系统阻尼比的线性相关性,形成基于相关性评价组合模型的次同步振荡传播关键影响因素识别,从而能在次同步振荡发生时更有效的对电力系统进行操作以识别、抑制次同步振荡源。
本发明实施例还提供了一种次同步振荡传播关键影响因素识别系统,包括:
信号获取模块,用于以交直流线路参数中的任意一种参数为识别对象,多次调整所述识别对象的值,并在每次调整后获得所述识别对象对应的一组交直流线路有功功率信号;一组交直流线路有功功率信号包括交直流线路上不同位置处的有功功率信号;
分解模块,用于对所述识别对象对应的每个有功功率信号进行CEEMDAN 分解,获得每个有功功率信号的多个IMF分量;
分析模块,用于根据每个有功功率信号的多个IMF分量,采用Prony算法分析每个有功功率信号对应的系统阻尼比;
评价指标确定模块,用于根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,确定用于度量每个位置与所述识别对象相关性的评价指标;
识别模块,用于从用于度量每个位置与所有识别对象相关性的评价指标中选取处于评价指标阈值范围内的评价指标,并将选取的评价指标对应的识别对象作为每个位置发生次同步振荡时的关键影响因素。
分解模块,具体包括:
噪声加入子模块,用于向有功功率信号中多次加入高斯白噪声信号;
EMD分解子模块,用于在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量;
平均子模块,用于将多个模态分量的平均值作为本征模态分量;
判断子模块,用于计算有功功率信号去除第一个本征模态分量后的残差,并判断所述残差是否为单调函数,获得判断结果;
循环子模块,用于若所述判断结果表示否,则在残差中多次加入经EMD 分解后的高斯白噪声信号,并将所述残差替换所述有功功率信号,同时返回步骤“在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量”;
输出子模块,用于若所述判断结果表示是,则输出所有的本征模态分量,作为每个有功功率信号的多个IMF分量。
次同步振荡传播关键影响因素识别系统还包括:
相关系数计算模块,用于计算每个IMF分量与每个IMF分量对应的有功功率信号的相关系数;
分量筛选模块,用于将相关系数小于相关系数阈值的IMF分量确定为目标去噪IMF分量;
去噪模块,用于采用小波阈值去噪方法对每一个目标去噪IMF分量进行去噪,获得去噪后的IMF分量;
重构模块,用于将每个有功功率信号的所有去噪后的IMF分量和每个有功功率信号的未去噪IMF分量合并重构,获得每个去噪后的有功功率信号。
分析模块,具体包括:
特征值确定子模块,用于根据每个有功功率信号的多个IMF分量,采用 Prony算法确定次同步振荡频率下的特征值;
评价指标确定模块,具体包括:
评价子模块,用于根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,分别计算皮尔逊相关系数、斯皮尔曼相关系数和互信息量;
加权子模块,用于对每个位置对应的皮尔逊相关系数、斯皮尔曼相关系数和互信息量进行加权求和,获得用于度量每个位置与所述识别对象相关性的评价指标。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种次同步振荡传播关键影响因素识别方法,其特征在于,包括:
以交直流线路参数中的任意一种参数为识别对象,多次调整所述识别对象的值,并在每次调整后获得所述识别对象对应的一组交直流线路有功功率信号;一组交直流线路有功功率信号包括交直流线路上不同位置处的有功功率信号;
对所述识别对象对应的每个有功功率信号进行CEEMDAN分解,获得每个有功功率信号的多个IMF分量;
根据每个有功功率信号的多个IMF分量,采用Prony算法分析每个有功功率信号对应的系统阻尼比;
根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,确定用于度量每个位置与所述识别对象相关性的评价指标;
从用于度量每个位置与所有识别对象相关性的评价指标中选取处于评价指标阈值范围内的评价指标,并将选取的评价指标对应的识别对象作为每个位置发生次同步振荡时的关键影响因素。
2.根据权利要求1所述的次同步振荡传播关键影响因素识别方法,其特征在于,所述对所述识别对象对应的每个有功功率信号进行CEEMDAN分解,获得每个有功功率信号的多个IMF分量,具体包括:
向有功功率信号中多次加入高斯白噪声信号;
在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量;
将多个模态分量的平均值作为本征模态分量;
计算有功功率信号去除第一个本征模态分量后的残差,并判断所述残差是否为单调函数,获得判断结果;
若所述判断结果表示否,则在残差中多次加入经EMD分解后的高斯白噪声信号,并将所述残差替换所述有功功率信号,同时返回步骤“在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量”;
若所述判断结果表示是,则输出所有的本征模态分量,作为每个有功功率信号的多个IMF分量。
3.根据权利要求1所述的次同步振荡传播关键影响因素识别方法,其特征在于,所述对所述识别对象对应的每个有功功率信号进行CEEMDAN分解,获得每个有功功率信号的多个IMF分量,之后还包括:
计算每个IMF分量与每个IMF分量对应的有功功率信号的相关系数;
将相关系数小于相关系数阈值的IMF分量确定为目标去噪IMF分量;
采用小波阈值去噪方法对每一个目标去噪IMF分量进行去噪,获得去噪后的IMF分量;
将每个有功功率信号的所有去噪后的IMF分量和每个有功功率信号的未去噪IMF分量合并重构,获得每个去噪后的有功功率信号。
5.根据权利要求1所述的次同步振荡传播关键影响因素识别方法,其特征在于,所述根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,确定用于度量每个位置与所述识别对象相关性的评价指标,具体包括:
根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,分别计算皮尔逊相关系数、斯皮尔曼相关系数和互信息量;
对每个位置对应的皮尔逊相关系数、斯皮尔曼相关系数和互信息量进行加权求和,获得用于度量每个位置与所述识别对象相关性的评价指标。
6.一种次同步振荡传播关键影响因素识别系统,其特征在于,包括:
信号获取模块,用于以交直流线路参数中的任意一种参数为识别对象,多次调整所述识别对象的值,并在每次调整后获得所述识别对象对应的一组交直流线路有功功率信号;一组交直流线路有功功率信号包括交直流线路上不同位置处的有功功率信号;
分解模块,用于对所述识别对象对应的每个有功功率信号进行CEEMDAN分解,获得每个有功功率信号的多个IMF分量;
分析模块,用于根据每个有功功率信号的多个IMF分量,采用Prony算法分析每个有功功率信号对应的系统阻尼比;
评价指标确定模块,用于根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,确定用于度量每个位置与所述识别对象相关性的评价指标;
识别模块,用于从用于度量每个位置与所有识别对象相关性的评价指标中选取处于评价指标阈值范围内的评价指标,并将选取的评价指标对应的识别对象作为每个位置发生次同步振荡时的关键影响因素。
7.根据权利要求6所述的次同步振荡传播关键影响因素识别系统,其特征在于,所述分解模块,具体包括:
噪声加入子模块,用于向有功功率信号中多次加入高斯白噪声信号;
EMD分解子模块,用于在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量;
平均子模块,用于将多个模态分量的平均值作为本征模态分量;
判断子模块,用于计算有功功率信号去除第一个本征模态分量后的残差,并判断所述残差是否为单调函数,获得判断结果;
循环子模块,用于若所述判断结果表示否,则在残差中多次加入经EMD分解后的高斯白噪声信号,并将所述残差替换所述有功功率信号,同时返回步骤“在每次加入高斯白噪声信号后进行一次EMD分解,获得多个模态分量”;
输出子模块,用于若所述判断结果表示是,则输出所有的本征模态分量,作为每个有功功率信号的多个IMF分量。
8.根据权利要求6所述的次同步振荡传播关键影响因素识别系统,其特征在于,还包括:
相关系数计算模块,用于计算每个IMF分量与每个IMF分量对应的有功功率信号的相关系数;
分量筛选模块,用于将相关系数小于相关系数阈值的IMF分量确定为目标去噪IMF分量;
去噪模块,用于采用小波阈值去噪方法对每一个目标去噪IMF分量进行去噪,获得去噪后的IMF分量;
重构模块,用于将每个有功功率信号的所有去噪后的IMF分量和每个有功功率信号的未去噪IMF分量合并重构,获得每个去噪后的有功功率信号。
10.根据权利要求6所述的次同步振荡传播关键影响因素识别系统,其特征在于,所述评价指标确定模块,具体包括:
评价子模块,用于根据每个位置处的多个系统阻尼比和所述识别对象多次调整的值,利用相关性评价组合模型,分别计算皮尔逊相关系数、斯皮尔曼相关系数和互信息量;
加权子模块,用于对每个位置对应的皮尔逊相关系数、斯皮尔曼相关系数和互信息量进行加权求和,获得用于度量每个位置与所述识别对象相关性的评价指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790249.1A CN115360726A (zh) | 2022-07-05 | 2022-07-05 | 一种次同步振荡传播关键影响因素识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210790249.1A CN115360726A (zh) | 2022-07-05 | 2022-07-05 | 一种次同步振荡传播关键影响因素识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115360726A true CN115360726A (zh) | 2022-11-18 |
Family
ID=84030497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210790249.1A Pending CN115360726A (zh) | 2022-07-05 | 2022-07-05 | 一种次同步振荡传播关键影响因素识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115360726A (zh) |
-
2022
- 2022-07-05 CN CN202210790249.1A patent/CN115360726A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109638862B (zh) | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 | |
Asiminoaei et al. | A digital controlled PV-inverter with grid impedance estimation for ENS detection | |
CN110648088B (zh) | 一种基于鸟群算法与svm的电能质量扰动源判断方法 | |
CN109494724B (zh) | 基于lu分解的大电网戴维南等值参数在线辨识方法 | |
CN116703183B (zh) | 一种新型配电网系统用电负荷评估方法 | |
CN107276070B (zh) | 计及一二次调频的发输电系统运行可靠性建模评估方法 | |
CN106980044B (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
CN111289796B (zh) | 一种高比例可再生能源电力系统次同步振荡的检测方法 | |
CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
CN110808580A (zh) | 基于小波变换和极限学习机的电压暂降源快速辨识方法 | |
CN113325357A (zh) | 基于输出时间序列差分的电压互感器误差评估方法及系统 | |
CN110634082A (zh) | 一种基于深度学习的低频减载系统运行阶段预测方法 | |
CN110765703A (zh) | 一种风电场聚合特性建模方法 | |
Guo et al. | Parameter estimation of dynamic load model using field measurement data performed by OLTC operation | |
CN114062993A (zh) | 一种基于时间卷积网络的cvt误差状态预测方法 | |
CN117349614A (zh) | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 | |
CN103424621A (zh) | 一种谐波电流的人工神经网络检测方法 | |
CN112990627A (zh) | 电能质量评估方法 | |
Hussaini et al. | Artificial neural network aided cable resistance estimation in droop-controlled islanded DC microgrids | |
CN115360726A (zh) | 一种次同步振荡传播关键影响因素识别方法及系统 | |
CN112036010A (zh) | 一种基于数据驱动的光伏系统动态过程混合等效建模方法 | |
Chen et al. | Medium-term load forecast based on sequence decomposition and neural network | |
CN107947197B (zh) | 一种电力系统低频振荡模式及模态辨识方法 | |
CN112686503B (zh) | 一种异步电网频率调控质量的评价方法及系统 | |
CN114966201A (zh) | 一种典型场景下谐波电压电流测量与特征分析方法 |
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 |