一种电力系统负弱阻尼机组识别方法及系统技术方案

本发明专利技术公开了一种电力系统负弱阻尼机组识别方法及系统，通过采集电力系统中机组异常数据，并进行预处理，得到各台发电机的振荡信号，并进行模式分解，得到各振荡信号的离散时序参数，利用阻尼转矩分析法根据各振荡信号的离散时序参数得到各发电机在各振荡模式下的阻尼转矩系数，结合阻尼转矩系数进行电力系统负弱阻尼机组识别，本发明专利技术提供了一种电力系统负弱阻尼机组识别方法，解决了在低频振荡或超低频振荡情况下，通过识别电力系统中负阻尼或弱阻尼找到引起振荡的机组，从而有效制定超低频振荡策略。频振荡策略。频振荡策略。

【技术实现步骤摘要】
一种电力系统负弱阻尼机组识别方法及系统


[0001]本专利技术涉及高水电占比的电力系统负弱阻尼机组识别领域，具体涉及一种电力系统负弱阻尼机组识别方法及系统。

技术介绍

[0002]目前高水电占比已成为西南电网的主要特征。近年来在西南电网出现的由水电引起的超低频振荡现象越来越频繁，大大增加了系统解列的风险。为保证电网的安全稳定运行，需要在超低频振荡出现后迅速将其抑制，而精准识别出负阻尼阻尼机组是制定有效抑制超低频振荡策略的前提。
[0003]对以往的振荡事故分析表明，超低频振荡发生的主要原因是由于水轮机调速器参数和水锤效应调速系统在超低频段呈现出明显的负阻尼。当电网以水电为主时，负阻尼效应就会占主导地位，就更容易造成超低频率振荡，因此急需一种高水电占比条件下的电力系统负弱阻尼机组识别方法。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供了一种电力系统负弱阻尼机组识别方法及系统。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]一方面，一种电力系统负弱阻尼机组识别方法，包括以下步骤：
[0007]S1、采集电力系统中机组异常数据，并进行预处理，得到各台发电机的振荡信号；
[0008]S2、对各发电机的振荡信号进行模式分解，计算各振荡信号的振荡分量，得到各振荡信号的离散时序参数；
[0009]S3、利用阻尼转矩分析法根据各振荡信号的离散时序参数得到各发电机在各振荡模式下的阻尼转矩系数；
[0010]S4、根据各发电机在各振荡模式下的阻尼转矩系数进行电力系统负弱阻尼机组识别。
[0011]优选地，步骤S1具体为：
[0012]采集电力系统在扰动后发生超低频振荡或低频振荡时段内各机组电磁转矩、角速度、功角的离散时序数据，并计算各发动机的电磁转矩变化率、角速度变化率以及功角变化量，得到预处理后的各发电机的振荡信号。
[0013]该优选方案具有以下有益效果：
[0014]采集原始数据为后续数据合成和计算，完成数据预处理，优化数据计算步骤。
[0015]优选地，步骤S2具体包括以下分步骤：
[0016]S21、根据各台发电机的振荡信号构建Hankel数据矩阵，Hankel数据矩阵表示为：
[0017][0018]其中，X为Hankel数据矩阵，L为Hankel矩阵的行数，M为Hankel矩阵的列数，N为振荡信号总的采样点数，x(L
‑
1)为矩阵X第L
‑
1行的向量，x(L
‑
1)为矩阵X第一列第L
‑
1行的参数；
[0019]S22、对Hankel数据矩阵进行奇异值分解，得到各奇异值的右特征向量组成的酉矩阵，表示为：
[0020][0021]其中，svd为奇异值分解，H为共轭转置，Σ为奇异值组成的对角矩阵，U为各奇异值的左特征向量组成的酉矩阵，V为各奇异值的右特征向量组成的酉矩阵，U
s
为各奇异值的左特征向量组成的酉矩阵中信号部分构成的矩阵，U
n
为各奇异值的左特征向量组成的酉矩阵中噪声部分构成的矩阵，Σ
s
为对角矩阵中信号部分所构成的矩阵，Σ
n
为对角矩阵中噪声部分所构成的矩阵，V
s
为信号子空间，V
n
为噪声子空间；
[0022]S23、根据各奇异值的右特征向量组成的酉矩阵，构造优化矩阵，并进行奇异值分解，得到各振荡信号中各分量的频率与衰减系数；
[0023]S24、利用最小二乘法根据各分量的频率与衰减系数，得到各振荡信号中各分量中幅值与初始相位角，
[0024]S25、根据幅值与初始相位角，得到各振荡信号的离散时序参数。
[0025]该优选方案具有以下有益效果：
[0026]奇异值分解振荡信号，将其处理成信号空间和噪声空间达到降阶去噪，根据得到的模式信息还原震荡信号的离散时序数据。
[0027]优选地，步骤S23具体包括以下分步骤：
[0028]S231、根据各奇异值的右特征向量组成的酉矩阵构造优化矩阵；
[0029]S232、对优化矩阵进行奇异值分解；
[0030]S233、根据奇异值分解后的优化矩阵，得到总体最小二乘矩阵的特征值，并得到各振荡信号中各分量的频率与衰减系数。
[0031]该优选方案具有以下有益效果：
[0032]奇异值分解优化矩阵空间，得到振荡信号的模式信息。
[0033]优选地，步骤S231具体为：
[0034]将信号子空间中矩阵第一行数据删除，将噪声子空间中矩阵最后一行数据删除，构建新的各奇异值的右特征向量组成的酉矩阵，得到优化矩阵。
[0035]该优选方案具有以下有益效果：
[0036]优化信号空间数据，构建新的优化矩阵。
[0037]优选地，步骤S3具体为：
[0038]将各振荡信号的离散时序参数带入阻尼转矩分析法中，并利用最小二乘法计算各发电机在各振荡模式下的阻尼转矩系数。
[0039]该优选方案具有以下有益效果：
[0040]完成阻尼转矩系数的计算，为负、弱阻尼机组的识别提供数据基础。
[0041]另一方面，一种电力系统负弱阻尼机组识别系统，包括：
[0042]数据预处理模块，用于采集电力系统中机组异常数据，并进行预处理，得到各台发电机的振荡信号；
[0043]模式分解模块，用于对各发电机的振荡信号进行模式分解，计算各振荡信号的振荡分量，得到各振荡信号的离散时序参数；
[0044]阻尼转矩计算模块，用于利用阻尼转矩分析法根据各振荡信号的离散时序参数得到各发电机在各振荡模式下的阻尼转矩系数；
[0045]阻尼机组识别模块，用于根据各发电机在各振荡模式下的阻尼转矩系数进行电力系统负弱阻尼机组识别。
[0046]本专利技术具有以下有益效果：
[0047]通过采集电力系统中机组异常数据，并进行预处理，得到各台发电机的振荡信号，并进行模式分解，得到各振荡信号的离散时序参数，利用阻尼转矩分析法根据各振荡信号的离散时序参数得到各发电机在各振荡模式下的阻尼转矩系数，结合阻尼转矩系数进行电力系统负弱阻尼机组识别，解决了在低频振荡或超低频振荡情况下，通过识别电力系统中负阻尼或弱阻尼找到引起振荡的机组，从而有效制定超低频振荡策略。
附图说明
[0048]图1为本专利技术提供的一种电力系统负弱阻尼机组识别方法的步骤流程图；
[0049]图2为本专利技术中步骤S2的分步骤流程图；
[0050]图3为本专利技术中步骤S23的分步骤流程图；
[0051]图4为本专利技术提供的一种电力系统负弱阻尼机组识别系统的结构示意图；
[0052]图5为本专利技术实施例提供的4机2区系统的单线连接图；
[0053]图6为本专利技术实施例提供的发电机G2有功振荡曲线；
[0054]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统负弱阻尼机组识别方法，其特征在于，包括以下步骤：S1、采集电力系统中机组异常数据，并进行预处理，得到各台发电机的振荡信号；S2、对各发电机的振荡信号进行模式分解，计算各振荡信号的振荡分量，得到各振荡信号的离散时序参数；S3、利用阻尼转矩分析法根据各振荡信号的离散时序参数得到各发电机在各振荡模式下的阻尼转矩系数；S4、根据各发电机在各振荡模式下的阻尼转矩系数进行电力系统负弱阻尼机组识别。2.根据权利要求1所述的高水电占比的电力系统负弱阻尼机组识别方法，其特征在于，步骤S1具体为：采集电力系统在扰动后发生超低频振荡或低频振荡时段内各机组电磁转矩、角速度、功角的离散时序数据，并计算各发动机的电磁转矩变化率、角速度变化率以及功角变化量，得到预处理后的各发电机的振荡信号。3.根据权利要求1所述的高水电占比的电力系统负弱阻尼机组识别方法，其特征在于，步骤S2具体包括以下分步骤：S21、根据各台发电机的振荡信号构建Hankel数据矩阵，Hankel数据矩阵表示为：其中，X为Hankel数据矩阵，L为Hankel矩阵的行数，M为Hankel矩阵的列数，N为振荡信号总的采样点数，x(L
‑
1)为矩阵X第L
‑
1行的向量，x(L
‑
1)为矩阵X第一列第L
‑
1行的参数；S22、对Hankel数据矩阵进行奇异值分解，得到各奇异值的右特征向量组成的酉矩阵，表示为：其中，svd为奇异值分解，H为共轭转置，Σ为奇异值组成的对角矩阵，U为各奇异值的左特征向量组成的酉矩阵，V为各奇异值的右特征向量组成的酉矩阵，U
s
为各奇异值的左特征向量组成的酉矩阵中信号部分构成的矩阵，U
n
为各奇异值的左特征向量组成的酉矩阵中噪声部分构成的矩阵，Σ
s
为对角矩阵中信号部分所构成...

【专利技术属性】
技术研发人员：余锐，何飞，汤凡，张宇栋，蒋航，刘佳钰，刘柏私，
申请(专利权)人：国家电网公司西南分部，
类型：发明
国别省市：