基于ARMA递推算法的电力系统低频振荡模式在线辨识研究

论文摘要

随着电力系统规模不断扩大和大区联网推进,大量采用高增益的励磁调节器以改善发电机电压调节精度和系统稳定性,均使得电网低频振荡现象时有出现,严重威胁系统的正常运行。因此,低频振荡已成为限制大区电网互联的一个重要因素,准确、及时的低频振荡模式辨识对大电网的安全稳定运行具有重要的意义。随着广域测量系统在电力系统中广泛应用,为低频振荡模式在线辨识提供了实时的数据平台。因此,一类不依赖于系统模型,而仅基于系统实测信号的低频振荡模式方法成为国内外研究的热点。本文首先从系统辨识角度,归纳了基于实测信号的低频振荡模式辨识所需的三个要素:类噪声信号、ARMA(Autoregressive Moving Average,ARMA)模型以及求解ARMA模型参数的递推算法;并详细论述了类噪声信号用于低频振荡模式辨识的可行性、ARMA模型的相关基础理论以及低频振荡模式参数的计算原理。其次,本文在ARMA模型参数估计的常规递推算法基础上,对ARMA模型采用加权递推最小二乘算法拟合高阶AR(Autoregressive,AR)模型单独得到白噪声估值,并将它们用于常规加权递推增广最小二乘算法,得到一种改进的ARMA递推参数估计方法,以提高参数估计的精度及收敛速度。结合低频振荡模式辨识的三要素,本文还提出了一种低频振荡模式辨识方法,具体包含有五个部分:类噪声信号的选取、数据预处理、AR及ARMA模型阶数的确定、ARMA模型参数的估计、低频振荡模式的计算及主导模式的提取。最后,本文通过采用MATLAB以及Power System Analysis Toolbox软件包进行白噪声扰动下的时域仿真,模拟电力系统类噪声信号;并分别对平稳状态及发生大扰动下两种情况的类噪声信号进行低频振荡模式辨识,验证本文辨识方法的有效性及改进效果。而且,本文还采用了南方电网某传输线上的有功功率信号进行辨识,并与Prony算法分析动态信号所得模式结果进行比较,验证本文辨识方法的辨识效果。通过对本文算法的计算原理以及算例计算速度的分析,说明本文所提低频振荡模式辨识方法适合于在线应用。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题研究的背景
• 1.1.1 低频振荡的定义
• 1.1.2 低频振荡发生机理研究
• 1.2 基于系统实测信号的低频振荡模式在线辨识方法综述
• 1.3 本论文的主要工作
• 2 基于 ARMA 模型的低频振荡模式辨识原理
• 2.1 引言
• 2.2 类噪声信号原理
• 2.2.1 类噪声信号的特征
• 2.2.2 类噪号信号与系统固有模式的关系
• 2.3 自回归滑动平均模型
• 2.3.1 ARMA 模型的定义
• 2.3.2 ARMA 模型的物理意义
• 2.3.3 ARMA 与AR 模型的关系
• 2.3.4 ARMA 模型的自谱函数
• 2.3.5 ARMA 模型的定阶
• 2.4 低频振荡模式参数计算原理
• 2.5 本章小结
• 3 基于改进 ARMA 递推算法的低频振荡模式辨识方法
• 3.1 引言
• 3.2 改进的加权递推增广最小二乘算法
• 3.2.1 加权递推增广最小二乘算法
• 3.2.2 用WRLS 拟合高阶AR 模型产生白噪声估值
• 3.2.3 改进的WRELS 算法
• 3.3 基于改进ARMA 递推算法的低频振荡模式辨识方法
• 3.3.1 ARMA 模型辨识低频振荡模式总体流程
• 3.3.2 数据类型及数据量测点的选择
• 3.3.3 数据预处理
• 3.3.4 AR 及ARMA 模型的阶数确定
• 3.3.5 ARMA 模型参数估计
• 3.3.6 低频振荡模式计算及主导模式的提取
• 3.4 本章小结
• 4 算例分析
• 4.1 引言
• 4.2 New-England 10 机39 节点测试系统的仿真分析
• 4.2.1 仿真测试总体思路
• 4.2.2 电力系统白噪声扰动及其时域仿真
• 4.2.3 平稳状态下低频振荡模式辨识分析
• 4.2.4 发生大扰动下低频振荡模式辨识分析
• 4.2.5 低频振荡主导模式提取分析
• 4.3 南方电网WAMS 实测信号分析
• 4.3.1 WAMS 实测数据及其Prony 分析
• 4.3.2 基于ARMA 递推算法的低频振荡模式追踪辨识
• 4.4 低频振荡模式辨识的计算速度
• 4.5 本章小结
• 5 总结
• 致谢
• 参考文献
• 附录
• A. 作者在攻读硕士学位期间发表的论文
• B. 作者在攻读硕士学位期间参加的科研项目