【技术实现步骤摘要】
基于双协方差随机子空间的类噪声数据低频振荡辨识方法
本专利技术涉及低频振荡参数识别、信号处理和模态识别的
,尤其是指一种基于双协方差随机子空间的类噪声数据低频振荡辨识方法。
技术介绍
目前,电网规模不断扩大,系统间的互联程度不断增加,越来越多的高倍率快速励磁装置投入使用,导致系统弱阻尼低频振荡(LFO)出现概率更高[1]-[2]。弱阻尼或负阻尼LFO的的出现,极大地危害电网的稳定性,也限制了互联系统传输容量最大化。因此,监控和分析低LFO模态参数,对确保电力系统的安全稳定具有重要意义。目前,低频振荡参数识别的工作主要是基于明显扰动(如短路,负荷大幅度变化)时的系统响应信号进行的。这类方法的不足在于:1、电力系统实际运行中发生明显扰动的概率很小,不可认为操控,数据量有限。2、这类方法仅能用于事后调节,无法在事前对低频振荡参数进行识别。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足,提出了一种基于双协方差随机子空间的类噪声数据低频振荡辨识方法,突破现有识别方法基于明显扰动下的事后识别缺点,利用双协方差的随机子空间和系统聚类方法,实现高效准确的事前低频振荡参数识别,为抑制低频振荡的控制策略提高有效信息。为实现上述目的,本专利技术所提供的技术方案为:基于双协方差随机子空间的类噪声数据低频振荡辨识方法,包括以下步骤:1)采用双协方差的随机子空间处理电力系统类噪声信号,得到两组特征的极点,定义为验证组H1和参考组H2;2)对两组极点的同阶极点进行筛选,得到物 ...
【技术保护点】
1.基于双协方差随机子空间的类噪声数据低频振荡辨识方法,其特征在于,包括以下步骤:/n1)采用双协方差的随机子空间处理电力系统类噪声信号,得到两组特征的极点,定义为验证组H
【技术特征摘要】
1.基于双协方差随机子空间的类噪声数据低频振荡辨识方法,其特征在于,包括以下步骤:
1)采用双协方差的随机子空间处理电力系统类噪声信号,得到两组特征的极点,定义为验证组H1和参考组H2;
2)对两组极点的同阶极点进行筛选,得到物理极点,构成稳定图;
3)对筛选得到的物理极点进行系统聚类,获得最终的真实模态参数。
2.根据权利要求1所述的基于双协方差随机子空间的类噪声数据低频振荡辨识方法,其特征在于:所述步骤1)的步骤过程如下:
1.1)采用单协方差的随机子空间处理类噪声数据,其过程如下:
1.1.1)由系统的输出量构造两个行数、列数各不相同的汉克尔矩阵,其中汉克尔矩阵定义如下:
其中,a、b分别为汉克尔矩阵行数和列数,y为系统的输出量,y0,y1…ya,ya+1…yb,ya+b,…y2a+b代表系统的第0,1…a,a+1…2a+b个输出;理论上,为满足统计分析的需求,b→∞,即获得的系统输出量数据越多时,识别结果越准确,为在计算精度和计算成本取得一个平衡,b所取值对应时间长度为10min的数据量;p、f分别表示“过去”和“未来”,即Yp为“过去”汉克尔矩阵,Yf、Yf+为两个不同的“未来”汉克尔矩阵;
1.1.2)根据公式(1)~(3)构造两个托普利茨矩阵T1|a、T2|a+1:
其中,T代表矩阵转置;
1.1.3)对公式(4)进行奇异值分解,获得奇异值矩阵:
其中,S是非零奇异值的对角阵;U、V分别为左、右单位正交奇异阵;奇异值降序排列,1表示主要信号,2表示噪声信号,即U1、U2分别为由主要信号和噪声信号构成的左单位正交奇异阵;V1、V2分别为由主要信号和噪声信号构成的右单位正交奇异阵;S1、S2分别为由主要信号和噪声信号构成的奇异值对角阵;T为矩阵转置;
由离散随机状态模型的性质得:
其中,Oa为观测矩阵;Γa为控制矩阵;E为期望计算,xk+1表示系统的第k+1状态,yk表示系统的第k输出;C为系统的输入矩阵,A为系统的状态矩阵,A,A2…Aa-1表示A矩阵,A矩阵的平方…A矩阵的a-1次方;
比较(6)和(7)得:
其中,表示S1的开方;
再由(7)得:
T2|a+1=OaAΓa(9)
将(8)代入(9)得:
其中,表示Oa的逆矩阵,表示Γa的逆矩阵,表示S1矩阵的负二分之一次方;
在离散域中,对状态矩阵A进行特征值分解:
A=ψΛψ-1(11)
其中,Λ=diag(λw),w=1,2,…,n,λw为分解得到的第w个离散模态特征值,diag()表示对角阵矩阵,对角线元素为括号内的值;Λ为特征值对角阵;ψ为特征矩阵,对应的第w个连续时间特征值及低频振荡模态参数为:
...
【专利技术属性】
技术研发人员:季天瑶,林伟斌,李梦诗,吴青华,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。