【技术实现步骤摘要】
SSCI的振荡类型的识别方法、模型训练方法及设备
[0001]本专利技术涉及电力系统
,尤其涉及一种SSCI的振荡类型的识别方法、模型训练方法及设备。
技术介绍
[0002]由于可再生能源和高压直流输电的应用大量激增,在许多电力系统中观察到了次同步控制相互作用(Sub
‑
Synchronous Control Interaction,SSCI)事件。SSCI与只有一个次同步振荡模式的汽轮发电机引起的传统次同步振荡(Sub
‑
SO)相比,SSCI的一个显著特征是振荡可能涉及一个次同步振荡(Sub
‑
SO)和另一个超同步振荡(Sup
‑
SO),其原因主要与变流器控制与串补电网的相互作用有关。为了减轻振荡的负面影响,确定事件的振荡类型是非常重要的。振荡类型可分为:Sub
‑
SO、Sup
‑
SO或Sub
‑
SO+Sup
‑
SO。
[0003]假设在已知电力系统中的波形数据的条件下,识别SSCI的振荡类型是相对容易的,可以通过信号处理技术来实现。然而,波形数据通常需要从故障记录器的本地存储中获得,无法从电网中心直接获得,因此,并不适用于在线监测或全系统分析。此外,还可以通过同步向量测量单元(Phasor Measurement Unit,PMU)数据用于SSCI的振荡类型的识别。
[0004]然而,现有的基于PMU数据的SSCI的振荡类型的识别,都是假设SSCI事 ...
【技术保护点】
【技术特征摘要】
1.一种SSCI的振荡类型的识别方法,其特征在于,包括:获取待识别的三相电流PUM数据;对所述三相电流PUM数据进行特征提取,得到所述三相电流PUM数据的特征值,其中,所述特征值包括所述三相电流的振荡正频谱的正序特征值和负序特征值,以及振荡负频谱的正序特征值和负序特征值;将所述特征值输入到预先训练的振荡类型识别模型中,得到所述待识别的三相电流的振荡类型;其中,所述振荡类型识别模型为预先构建的极限学习机,所述预先构建的极限学习机包括输入层、隐藏层和输出层。2.如权利要求1所述的识别方法,其特征在于,所述对所述三相电流PUM数据进行特征提取,得到所述三相电流PUM数据的特征值,包括:将所述三相电流PUM数据从时域转化为频域,基于Prony算法求出所述三相电流PUM数据在频域下的三个相的正频谱和负频谱;基于预先构建的相序旋转矩阵以及所述三个相的正频谱以及负频谱,求解所述三相电流的振荡正频谱的正序特征值和负序特征值,以及振荡负频谱的正序特征值和负序特征值;基于所述振荡正频谱的正序特征值和负序特征值,以及所述振荡负频谱的正序特征值和负序特征值,确定所述三相电流PUM数据的特征值。3.如权利要求2所述的识别方法,其特征在于,所述相序旋转矩阵H为:所述三相电流PUM数据的振荡正频谱和负频谱的正序特征值以及振荡正频谱和负频谱的负序特征值分别为:所述三相电流PMU数据的特征值F1和F2分别为:所述三相电流PMU数据的特征值F1和F2分别为:其中,a和a2均为旋转因子,a=e
j120
°
=
j2π/3
,a2=
j240
°
=
j4π/3
;分别为所述三相电流PUM数据的三个相的正频谱,分别为所述三相电流PUM数据的三个相的正频谱,分别为所述三相电流PUM数据的三个相的负频谱。4.一种振荡类型识别模型的训练方法,其特征在于,所述振荡类型识别模型为预先构
建的极限学习机,所述方法包括:获取训练样本,其中,所述训练样本包括多组三相电流PMU数据,所述多组三相电流PMU数据包括不含振荡、仅含次同步振荡、仅含超同步振荡、以及同时含有次同步振荡和超同步振荡的数据;对所述训练样本进行特征提取,分别确定所述训练样本中的每组三相电流PMU数据的特征值,其中,所述特征值包括所述每组三相电流的振荡正频谱的正序特征值和负序特征值,以及振荡负频谱的正序特征值和负序特征值;将部分或全部特征值输入至预先构建的极限学习机中,对所述预先构建的极限学习机进行训练,将输出误差最小的极限学习机确定为振荡类型识别模型。...
【专利技术属性】
技术研发人员:王磊,范辉,曾四鸣,胡雪凯,杨少波,孙鹏,李子璠,杨晓梅,王杨,肖先勇,
申请(专利权)人:国家电网有限公司国网河北能源技术服务有限公司,
类型:发明
国别省市:
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。