一种环境激励的次同步振荡模态辨识方法、系统及设备技术方案

本发明专利技术公开了一种环境激励的次同步振荡模态辨识方法、系统及设备，属于电力系统振荡检测领域。卡尔曼滤波(KF)用于估计自回归(AR)模型的系数，用以拟合测量的环境数据。次同步振荡(SSO)模态的阻尼因子和频率可以通过求解AR模型对应的特征多项式的根直接获得。此外，多模型分割滤波(MMPF)应用于KF以选择正确的AR模型阶数。本发明专利技术将KF算法与MMPF进行结合，使得本发明专利技术的算法能够直接从环境数据中识别微弱的SSO模态参数，方法操作步骤简单，响应时间短，因此拥有较好的应用前景。因此拥有较好的应用前景。因此拥有较好的应用前景。

【技术实现步骤摘要】
一种环境激励的次同步振荡模态辨识方法、系统及设备


[0001]本专利技术涉及电力系统振荡检测领域，具体涉及一种环境激励的次同步振荡模态辨识方法、系统及设备。

技术介绍

[0002]随着电力系统的发展，可再生能源发电的比例激增，导致次同步振荡(SSO)的发生越来越频繁。3型风力发电机(WTG)是应用最广泛的可再生能源发电设备之一，由此类风力发电机组成的风电场在全球范围内经历了多次SSO事件。SSO对电气设备的安全而且对电力系统的稳定性构成重大威胁，这可能会给风力发电机带来严重损坏，导致风力发电机大规模跳闸，最终引发大停电事故。识别SSO模态对于SSO的早期警报和有效制定保护和控制策略至关重要，因此准确、及时地辨识SSO模态具有重要意义。
[0003]现有量测SSO响应信号可分为扰动激励响应和运行环境噪声激励响应两种。在扰动激励的情况下，SSO分量含量大，利用Prony、离散傅里叶变换等方法很容易对其检测。运行环境噪声激励为持续性噪声扰动，如能源输出随机波动、负荷投切等，该工况下SSO周期性幅值小，信噪比极低，利用上述通常的辨识方法很难直接识别出SSO模态参数。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出了一种环境激励的次同步振荡模态辨识方法、系统及设备，解决SSO模态参数在环境噪声激励下不便于识别的问题。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]第一方面，本申请提出一种环境激励的次同步振荡模态辨识方法，包括以下步骤：
[0007]基于SSO模态下的电力系统数据构建AR模型(自回归模型)；
[0008]通过KF(卡尔曼滤波)计算不同阶数下AR模型的参数；
[0009]通过MMPF(多模型分区滤波器)确定AR模型的阶数；
[0010]将AR模型的参数和阶数通过特征方程计算特征值；
[0011]通过特征值确定SSO模态下的阻尼和频率。
[0012]在一些实施例中，通过KF计算不同阶数下AR模型的参数，包括以下步骤：
[0013]将AR模型转换为状态空间方程：
[0014]x
p
(k)＝x
p
(k
‑
1)
ꢀꢀꢀ
(2)
[0015]y(k)＝H
p
(k)x
p
(k)+v(k)
ꢀꢀꢀ
(3)
[0016]其中，y(k)为在时刻k的测量信号；x
p
(k)是状态向量，x
p
(k)＝[a1(k) a2(k)
ꢀ…ꢀ
a
p
(k)]T
；a1(k)，a2(k)，
…
，a
p
(k)为AR模型的时变系数；H
p
(k)是观测矩阵，H
p
(k)＝[y(k
‑
1) y(k
‑
2)
ꢀ…ꢀ
y(k
‑
p)]；v(k)为白噪声；
[0017]初始化参数：
[0018][0019]式中，P
p
(1)是P
p
(k)的初始值，其代表状态向量估计误差的协方差矩阵；I
p
×
p
为p
×
p的单位矩阵；
[0020]根据状态向量和其误差协方差矩阵P
p
(k
–
1)，用以下公式计算在时刻k预测的状态向量及其误差协方差矩阵：
[0021][0022]P
p
(k|k
‑
1)＝P
p
(k
‑
1)
ꢀꢀꢀ
(6)
[0023]式中，(k|k
–
1)表示基于时刻k
–
1处的测量值对时刻k的值进行预测；
[0024]计算卡尔曼增益：
[0025]卡尔曼增益K
p
(k)的计算公式如下：
[0026][0027]式中，R(k)是测量噪声v(k)的协方差，基于测试观测，R(k)可定为常数0.001；
[0028]利用更新的测量数据y(k)和卡尔曼增益K
p
(k)来修正所预测的状态向量；
[0029][0030]最佳状态估计的误差协方差矩阵更新为：
[0031]P
p
(k)＝P
p
(k|k
‑
1)
‑
K
p
(k)H
p
(k)P
p
(k|k
‑
1)
ꢀꢀꢀ
(9)。
[0032]在一些实施例中，所述通过MMPF确定AR模型的阶数，包括以下步骤：
[0033]由最小均方误差确定的x
p
(k)的最佳估计：
[0034][0035]其中是KF使用式(8)在时刻k处的j阶AR模型的估计参数向量；p
j
(k)是选择j阶AR模型作为正确模型的概率；
[0036]在时刻k处j阶AR模型的概率通过以下公式计算：
[0037][0038]式中，
[0039][0040][0041][0042]其中，式(13)的可利用式(5)计算，式(14)的P
j
(k)可利用式(9)计算；
[0043]在每个时刻中，具有最高概率的模型是MMPF选择为正确的模型。
[0044]在一些实施例中，将AR模型的参数和阶数通过特征方程计算特征值，包括以下步骤：
[0045]AR模型的特征方程如下所示：
[0046]z
p
‑
a1(k)z
p
‑1‑
...
‑
a
p
‑1(k)z
‑
a
p
(k)＝0
ꢀꢀꢀ
(15)
[0047]上述多项式的极点z
i
与离散时域中电力系统的特征值相同；
[0048]然后，使用下式计算连续域中的特征值：
[0049]s
i
＝f
s lnz
i
＝α
i
+jω
i
ꢀꢀꢀ
(16)
[0050]式中，f
s
是采样率；i＝1，
…
，n，n表示系统中存在的振荡模态总数；特征值s
i
的实部a
i
表示第i个振荡模态的阻尼，s
i
的虚部ω
i
表示第i个振荡模态的角频率。
[0051]在一些实施例中，通过特征值确定SSO模态下的阻尼和频率，包括以下步骤：
[0052]第i个SSO模态的振荡频率f
SSOi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种环境激励的次同步振荡模态辨识方法，其特征在于，包括以下步骤：基于SSO模态下的电力系统数据构建AR模型；通过KF计算不同阶数下AR模型的参数；通过MMPF确定AR模型的阶数；将AR模型的参数和阶数通过特征方程计算特征值；通过特征值确定SSO模态下的阻尼和频率。2.根据权利要求1所述的环境激励的次同步振荡模态辨识方法，其特征在于，所述通过KF计算不同阶数下AR模型的参数，包括以下步骤：将AR模型转换为状态空间方程：x
p
(k)＝x
p
(k
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)y(k)＝H
p
(k)x
p
(k)+v(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，y(k)为在时刻k的测量信号；x
p
(k)是状态向量，x
p
(k)＝[a1(k) a2(k)
…
a
p
(k)]
T
；a1(k)，a2(k)，
…
，a
p
(k)为AR模型的时变系数；H
p
(k)是观测矩阵，H
p
(k)＝[y(k
‑
1) y(k
‑
2)
…
y(k
‑
p)]；v(k)为白噪声；初始化参数：式中，P
p
(1)是P
p
(k)的初始值，其代表状态向量估计误差的协方差矩阵；I
p
×
p
为p
×
p的单位矩阵；根据状态向量和其误差协方差矩阵P
p
(k
–
1)，用以下公式计算在时刻k预测的状态向量及其误差协方差矩阵：P
p
(k|k
‑
1)＝P
p
(k
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中，(k|k
–
1)表示基于时刻k
–
1处的测量值对时刻k的值进行预测；计算卡尔曼增益：卡尔曼增益K
p
(k)的计算公式如下：式中，R(k)是测量噪声v(k)的协方差，基于测试观测，R(k)可定为常数0.001；利用更新的测量数据y(k)和卡尔曼增益K
p
(k)来修正所预测的状态向量；最佳状态估计的误差协方差矩阵更新为：P
p
(k)＝P
p
(k|k
‑
1)
‑
K
p
(k)H
p
(k)P
p
(k|k
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)。3.根据权利要求2所述的环境激励的次同步振荡模态辨识方法，其特征在于，所述通过MMPF确定AR模型的阶数，包括以下步骤：
由最小均方误差确定的x
p
(k)的最佳估计：其中是KF使用式(8)在时刻k处的j阶AR模型的估计参数向量；p
j
(k)是选择j阶AR模型作为正确模型的概率；在...

【专利技术属性】
技术研发人员：吴熙，李青峰，陈曦，任必兴，李强，贾勇勇，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：