论文部分内容阅读
随着多区域电网互联规模的逐步扩大,电网结构显现多样化、复杂化,新能源输出占比的扩增以及随机扰动的频繁均会为系统的安全稳定带来挑战,导致经常发生威胁系统稳定运行的机电振荡现象。因此,电力系统无论处于何种阶段,对系统的机电振荡及时进行评估分析都是非常必要的。本文以环境激励下的随机响应信号数据为基础,研究了用于机电振荡模态信息提取的改进方法,具体研究内容如下:首先,通过功率谱密度分析结果区分了电力系统的响应类型,分析了小幅波动的随机响应数据的特征以及作为系统辨识的基础数据的优势之处。针对环境激励下的随机响应构建数学模型,结合机电振荡的特征分析法,给出了用于描述系统机电振荡状态的特征参数,通过表达式的结构分析类似噪声的响应数据作为系统辨识的基础数据的合理性。仿真结果验证了利用此类数据进行机电振荡分析的可行性与必要性。其次,针对动态模式分解法(Dynamic Mode Decomposition,DMD)不收敛于Koopman算子光谱以及子空间方法对非线性系统辨识的局限性问题,本文采用改进后的子空间动态模式分解法(Subspace Dynamic Mode Decomposition,SDMD)进行机电振荡分析。详细介绍了所提算法的理论基础,SDMD算法将无限维的系统压缩为有限维子空间进行计算,使用双倍的时序数据量构造Hankel矩阵进行正交分解,利用截断的奇异值分解代替本征正交分解实现动态低秩近似,基于此,给出了 SDMD进行机电振荡模态参数辨识的详细计算流程。通过仿真模拟环境激励的几种可能情况,初步验证所提算法应用于动力系统进行特征参数提取的有效性。最后,研究本文所提方法在电力系统机电振荡分析中的实际应用。主要包含两个方面,一方面是将SDMD算法应用于环境激励下的随机数据进行机电振荡模态辨识,SDMD可以有效克服DMD辨识不精确以及模态混合等问题,并且相较于随机子空间算法提高了计算效率;另一方面,针对基于SDMD辨识出的模式计算其模式能量大小,按照能量排序来提取主导振荡模式。最后通过IEEE4机2区系统、IEEE16机5区系统以及实际电网算例验证利用SDMD进行机电振荡模态参数辨识以及主导振荡模式提取的有效性。