[发明专利]电力系统低频振荡主导模式工况在线辨识与预警方法

说明书

技术领域

本发明属于电力系统低频振荡在线监测技术领域，更具体地涉及一种电力系统低频振荡主导模式工况在线辨识与预警方法。

背景技术

随着全国电网联网程度的不断加深，电力系统低频振荡日益成为危机电网安全稳定运行的突出问题之一。当系统有扰动时发电机转子间会出现相对摇摆，并在缺乏阻尼时出现持续振荡，频率在0.1～2.5Hz之间的振荡称为低频振荡。

目前一般基于系统扰动后的响应轨迹对电力系统低频振荡进行分析，常用的分析方法有傅里叶变换、ARMA算法、Prony分析、小波算法、希尔伯特-黄变换（HHT）、旋转不变技术（ESPRIT）等，已有研究证明这些方法均能较准确地辨识出系统的模式信息。但是上述辨识方法均需对系统施加激励，只能在系统发生振荡后辨识出当时的系统特性，作出告警，并不能给出系统正常运行状态下的模式信息，也无法实现“全天候”监控和真正意义上的预警。

近些年来，基于自然激励的模态辨识研究已在桥梁、建筑、汽轮机、飞机等领域展开，电力领域也逐步开展了一些研究，陈卓^[1]探讨了工况模态分析在低频振荡辨识中的应用，论述了电力系统低频振荡和一般振动力学数学模型的相似性。郝正航等^[2]通过系统建模证明了负荷波动作为激励信号的可行性，以上研究为工况模态分析在电力系统的应用作好了铺垫。

自然激励技术(natural excitation technique，NExT)是工况模态分析的有效方法，它可以避免传统模式辨识人工激励给电力系统带来的伤害，实现系统在工况下的在线模式识别，其在电力领域发明人仅看到肖振宇的《基于自然激励技术的低频振荡模态参数识别》^[3]中有应用，值得进一步研究。

集合经验模式分解(ensemble empirical mode decomposition,EEMD)是经验模式分解（empirical mode decomposition，EMD）的一个发展，既继承了EMD的优点，同时通过向原始信号添加白噪声改善了模态混叠问题,是一种自适应的分析方法，适合处理工程中的非线性、非平稳信号。

文中涉及的参考文献如下：

[1]陈卓等.工况模态分析在低频振荡辨识中的应用初探.电力系统保护与控制.2009,37(8)：34-37.

[2]郝正航等.负荷激励下的互联系统振荡稳定性在线辨识.电工技术学报.2008,23(6):83-88.

[3]肖振宇等.基于自然激励技术的低频振荡模态参数识别.华东电力.2013,41（5）：991-994.

发明内容

针对现有技术存在的不足，本发明结合集合经验模式分解和自然激励技术，基于电网广域监测系统（WAMS）的动态量测信息，提供了一种电力系统低频振荡主导模式工况在线辨识与预警方法。

本发明的技术方案如下：

一、电力系统低频振荡主导模式工况在线辨识方法，包括步骤：

步骤1，通过WAMS平台获取电力系统正常运行下的任意两个信号，经预处理获得原始信号，对原始信号分别进行EEMD分解，获得本征模态IMF分量；

步骤2，从本征模态IMF分量中提取低频振荡范围内的IMF分量；

步骤3，利用IMF分量和原始信号的互相关系数辨识低频振荡范围内IMF分量的真伪，剔除虚假模式IMF分量，获得真实模式IMF分量；

步骤4，计算真实模式IMF分量的能量权重系数，以能量权重系数最大的真实模式IMF分量为主导模式分量；

步骤5，基于自然激励技术求取两个原始信号的主导模式分量的互相关函数，并将互相关函数作为主导模式辨识信号；

步骤6，对主导模式辨识信号进行主导模式工况辨识。

步骤1中所述的EEMD分解进一步包括子步骤：

1.1将N条随机正态分布的白噪声分别加入原始信号，获得加噪后的N条信号，N为EEMD分解次数；

1.2对加噪后的N条信号分别进行EMD分解，获得各信号的IMF分量；

1.3对各信号对应的IMF分量分别求平均值，获得本征模态IMF分量。

步骤2中采用EEMD滤波器从本征模态IMF分量中提取低频振荡范围内的IMF分量。

步骤3具体为：

求取IMF分量与原始信号的互相关系数，并判断互相关系数与预设值大小，若互相关系数不大于预设值，则该互相关系数对应的IMF分量为伪分量；否则，为真分量；预设值根据经验人为给出。