隨機數據驅動下的電力系統低頻振蕩參數識別方法

張　旺,楊德友,趙寰宇,傅代印,葉　寧

(1.東北電力大學,吉林 吉林 132000; 2.國網吉林省長春市供電公司,長春 130000;3.國網吉林省吉林市供電公司,吉林 吉林 132000)

?

隨機數據驅動下的電力系統低頻振蕩參數識別方法

張旺1,楊德友1,趙寰宇2,傅代印3,葉寧3

(1.東北電力大學,吉林 吉林 132000; 2.國網吉林省長春市供電公司,長春 130000;3.國網吉林省吉林市供電公司,吉林 吉林 132000)

為利用隨機響應數據進行電力系統安全評估和確保電力系統安全穩(wěn)定運行,提出基于隨機響應數據電力系統低頻振蕩參數識別算法。該方法利用隨機子空間辨識(SSI)方法從WAMS的量測數據中提取出系統低頻振蕩的頻率以及阻尼比,同時可以判斷出振蕩模態(tài)。通過對IEEE 4機2區(qū)系統進行實例仿真,并將該方法辨識結果與其他方法辨識結果以及系統理論振蕩參數進行對比和分析,其結果驗證了該方法的可行性以及有效性。

隨機數據;低頻振蕩;參數辨識;隨機子空間

隨著電力系統的發(fā)展,大電網互聯現象有所增多,隨之而來的不僅有可觀的經濟效益,同時也加劇了電網安全穩(wěn)定運行的危害性。近年來隨著低頻振蕩引發(fā)的電力安全事故的增多,低頻振蕩問題已成為電網研究的一項重要課題。多數學者認為獲得正確的低頻振蕩特征參數是有效抑制低頻振蕩的關鍵[1-2]。

目前國內外研究方法主要有基于模型的分析方法和基于實時量測數據的分析方法[3-4]。全部特征值分析法、選擇模式法等,即為基于模型的分析方法;而Prony方法[5]、FFT方法[6]、ARMA方法[7]、HHT方法[8]、ERA方法[9]等,即為基于實時量測數據的分析方法[10]。基于模型的分析方法只適用于離線分析,且對大規(guī)模電網會導致“維數災”等局限性。因此隨著廣域量測系統和相量單元的發(fā)展,基于實時量測數據的分析方法成為參數辨識的研究主流。

對于線性時不變電力系統而言,隨機數據驅動下的響應信號中常伴隨著類噪聲的小波動,因而Prony方法對噪聲的高度敏感使其在計算精度方面略低。HHT方法雖可以實現信號時域分析,但此方法容易引入虛假成分。ERA算法可以通過實測信號區(qū)分出真實模態(tài)和噪聲模態(tài),但需要的數據長度短且在未知初始狀態(tài)和輸入條件下的系統參數辨識范圍比較狹窄。隨機子空間辨識方法(SSI,stochastic subspace identification)是一種有效的模態(tài)估計方法,它有相對簡單的階數選擇技術,針對需要大數據處理的動態(tài)變化系統是非常好的選擇。SSI此前較多應用在橋梁振蕩問題中,而本文將此方法應用于電力系統,利用隨機子空間辨識方法,從含有負荷隨機擾動的類噪聲信號中提取系統振蕩模態(tài)。通過對IEEE 4機2區(qū)系統進行仿真,并將仿真結果與ERA辨識結果以及理論值進行比較,以表明該方法可快速、準確地通過廣域量測系統(WAMS)所提供的數據,完成在線評估模態(tài)參數。

1　理論基礎

在實際運行的電力系統中,由于負荷的波動而引起的小變化通常被認為是白噪聲的介入,然而隨機子空間辨識方法可從類噪聲信號中提取系統振蕩模態(tài)。考慮到實測數據的離散性,隨機狀態(tài)空間系統可表達為

xk+1=Adxk+wkAd=eAΔt

、yk=Cxk+vk

(1)

式中:xk∈Rn為系統狀態(tài)量;yk∈Rl為測量得到的輸出量;wk∈Rn和vk∈Rl均為假定白噪聲,且E(wk)=E(vk)=0;A∈Rn×n和C∈Rl×n分別代表系統狀態(tài)矩陣和輸出矩陣;Δt為采樣間隔。

SSI在實現方面可以分為兩種不同的方式,即協方差驅動的SSI-COV(covariance-driven)和數據驅動的SSI-data。SSI-data可以直接應用輸出的數據而SSI-COV需先處理輸出數據的協方差計算后再加以應用。

本文采用SSI-data實現方式,SSI-COV實現方式可參見文獻[11]。現對式(1)所示的隨機系統進行數據實時采樣,繼而組成Hankel矩陣:

H=Y0|2i-1=

(2)

式中:i=2n,n為系統階數;j為量測量采樣數。

Oi=Yf/Yp

(3)

(4)

計算Oi奇異值(SVD)分解值為

(5)

(6)

Γi-1=Γi

(7)

利用式(3)～(4)和式(6)～(7)可得Kalman濾波狀態(tài)序列:

(8)

(9)

式中:?為相應矩陣的偽逆。

將式(2)、(8)和式(9)代入式(10)既可計算得到狀態(tài)矩陣及輸出矩陣:

(10)

在確定離散系統狀態(tài)矩陣Ad后對其進行特征值分解:

式中:λ1,λ2,…,λn為系統特征值。

由離散系統與連續(xù)系統的關系可知

λc=ac+jbc

Λc=ln(Λ)/Δt

由此可得系統頻率和阻尼比為

ξ=-a/|λc|

2　提取低頻振蕩模態(tài)參數步驟

隨著電力系統智能化、自動化的發(fā)展,目前部分大容量發(fā)電廠及樞紐變電站都已安裝廣域量測系統(WAMS)。本文利用廣域量測系統采集隨機數據驅動下的發(fā)電機的有功功率作為參數辨識的輸入信號,隨機子空間辨識法利用輸入數據構造Hankel矩陣,把“未來”的輸出行空間投影到“過去”的輸出行空間,并進行QR分解,再對上述正交投影作奇異值分解(SVD),通過奇異值的分布情況最終確定系統階數及相應的模型參數。具體流程如圖1所示。

圖1　SSI 算法流程圖

3　仿真實例

選用一個IEEE 4機2區(qū)電力系統進行實例仿真,其接線方式如圖2所示,具體參數見文獻[1]。

圖2　4機2區(qū)系統接線圖

在圖2中,負荷1和負荷9處設有以基礎值的5%隨機負荷波動,在線采集擾動后系統4臺發(fā)電機的有功功率,系統采樣頻率為100 Hz。各臺發(fā)電機受到擾動后的有功功率信號如圖3所示。

從圖3可知,由于系統受到擾動,各發(fā)電機輸出有功功率均存在類噪聲。隨后將各發(fā)電機輸出有功功率數據作為隨機子空間辨識的輸入據,按照“提取低頻振蕩模態(tài)參數步驟”進行參數辨識。在辨識穩(wěn)定圖中,穩(wěn)定點將會組成近似豎直的穩(wěn)定軸,穩(wěn)定軸所對應的頻率即為系統的振蕩模態(tài)頻率。以上數據通過SSI辨識得到的結果如表1和圖4所示,圖4中縱坐標表示負荷隨機波動引起發(fā)電機振蕩功率變化情況。

在表1中,利用SSI辨識方法得出的三種模式特征根的實部均小于零,此結果滿足電力系統穩(wěn)態(tài)中的特征值分析法[12]。辨識結果顯示該系統低頻振蕩的3個振蕩模態(tài)的振蕩頻率分別為0.53,1.185和1.193 Hz,滿足n機系統中存在(n-1)個機電模式[13]。其中頻率為0.53 Hz的屬于區(qū)間振蕩模式,1.185 Hz和1.193 Hz屬于局部振蕩模式。由模態(tài)圖4(a)可見,此時振蕩模式為1、2號發(fā)電機組成的區(qū)域A與3、4號發(fā)電機組成的區(qū)域B之間的區(qū)間振蕩模式。由模態(tài)圖4(b)、(c)可見,此時的振蕩模式為區(qū)域(a)與區(qū)域(b)中的發(fā)電機1、2以及發(fā)電機3、4之間的局部振蕩模式。

圖3　發(fā)電機的有功功率

模式實部虛部頻率/Hz阻尼比/%1-0.1583.3330.5314.742-0.4817.4171.1836.473-0.4797.4801.1936.40

圖4　SSI辨識圖

ERA辨識方法雖對數據長度有所要求,但是是一種成熟有效的辨識方法。該IEEE 4機2區(qū)系統所采集的數據在其數據要求范圍之內,故用ERA法進行參數辨識,并將其結果與本文提出的SSI結果進行對比。ERA方法的辨識結果以及模型如表2和圖5所示。

表2　ERA辨識結果Table 2　Identification results of ERA

圖5　ERA辨識圖

由SSI法和ERA法辨識結果可見,兩種方法結果比較接近,且由特征根的實部、虛部以及模態(tài)圖顯現其振蕩特性基本一致。但對于更為復雜的系統,為保證其辨識的精準性需要采取更長的數據,此時SSI法相比ERA法更為適用。該IEEE 4機2區(qū)系統的理論模態(tài)值如表3所示。

表3　算例模態(tài)理論結果Table 3　Theoretical results of the example

由系統理論特征根可以確定系統的3個機電模式,并由理論振蕩頻率可知模式1為區(qū)域振蕩,模式2、模式3為局域振蕩。綜合對比表1～3的頻率和阻尼比情況可知:在隨機數據驅動時相比ERA辨識法,利用SSI辨識法所得結果更接近理論值,該方法所得的結果雖略有誤差,但皆在誤查允許范圍之內。

4　結　論

1) 本文算法可不受原件模型及系統模型階數的限制,直接從量測數據中識別出電力系統低頻振蕩的模態(tài)參數。

2) 相比ERA法,SSI辨識法更接近理論值,且不必考慮數據長度問題。

3) 該方法具有抗噪能力強、辨識速度快等優(yōu)點,更適合實際電網應用。

[1] KUNDUR P. Power system stability and control[M]. New York: McGraw-Hill, 1994.

[2] 徐偉, 鮑顏紅, 徐泰山, 等. 電力系統低頻振蕩實時控制[J].電力自動化設備, 2012, 32(5): 98-101.

XU Wei, BAO Yanhong, XU Taishan, et al. Real-time control of power system low-frequency oscillation[J]. Electric Power Automation Equipment, 2012, 32(5): 98-101.

[3] 蔡國偉, 楊德友, 張俊豐, 等. 基于實測信號的電力系統低頻振蕩模態(tài)辨識[J].電網技術, 2011, 35(1): 59-65.CAI Guowei, YANG Deyou, ZHANG Junfeng, et al. Mode identification of power system low-frequency oscillation based on measured signal[J]. Power System Technology, 2011, 35(1): 59-65.

[4] 陳剛,何潛,段曉,等. 電力系統低頻振蕩分析與抑制綜述[J].南方電網技術, 2010, 3(4): 17-22.

CHEN Gang, HE Qian, DUAN Xiao, et al. Overview on analysis and control of low frequency oscillation in power systems[J]. Southern Power System Technology, 2010, 3(4): 17-22.[5] 劉紅超, 李興源. 基于Prony 辨識的交直流并聯輸直流阻尼控制的研究[J]. 中國電機工程學報, 2002, 22 (7): 54-57.

LIU Hongchao, LI Xingyuan. Study of dc damping control in ac/dc transmission systems based on prony method [J]. Proceedings of The Chinese Society For Electrical engineering, 2002, 22(7):

54-57.

[6] HIYAMA T, SUZUKI N, FUNAKOSHI T. On-line identification of power system oscillation modes by using real time FFT[C]//IEEE PES Winter Meeting. Singapore:IEEE, 2000.

[7] 柳勇軍,時伯年. 基于類噪聲數據的電力系統低頻振蕩模式辨識方法及應用[J]. 南方電網技術, 2013, 7(5): 74-77.

LIU Yongjun, SHI Bonian. Ambient data based identification method for the low frequency oscillation modes of power system and its utilization[J].Southern Power System Technology, 2013, 7(5): 74-77.

[8] 李天云, 高磊, 趙妍. 基于 HHT 的電力系統低頻振蕩分析[J]. 中國電機工程學報, 2006, 26(14): 24-30.

LI Tianyun, GAO Lei, ZHAO Yan. Analysis of low frequency oscillations using hht method [J]. Proceedings of the Chinese Society For Electrical Engineering, 2006, 26(14): 24-30.

[9] 郝正航,李少波.白噪聲激勵下的低頻振蕩模態(tài)參數辨識方法[J].電力系統自動化, 2007,31(15): 26-29.HAO Zhenghang, LI Shaobo. A white noise excitation based identification method for low-frequency oscillation modal parameters[J]. Automation of Electric Power systems, 2007,31(15): 26-29.

[10] 宋墩文, 楊學濤, 丁巧林, 等.大規(guī)模互聯電網低頻振蕩分析與控制方法綜述[J]. 電網技術, 2011, 35(10): 22-28.

SONG Guowen, YANG Xuetao, DING Qiaolin, et al.A survey on analysis on low frequency oscillation in large-scale interconnected power grid and its control measures[J]. Power System Technology, 2011, 35(10): 22-28.

[11] NEZAM SARMADI S A, VENKATASUBRAMANIAN V. Electromechanical mode estimation using recursive adaptive stochastic subspace identification[J].IEEE Transactions on Power Systems, 2014,1(29), 349-358.

[12] 倪以信, 陳壽孫, 張寶霖.動態(tài)電力系統的理論和分析[M]. 北京: 清華大學出版社, 2002: 276-279.

NI Yixin, CHEN Shoutao, ZHANG Baolin. Theory and analysis of dynamic power system[M]. Beijing: Tshinghua University Press, 2002: 276-279.

[13] 趙書強, 張一, 馬燕峰. 基于數據驅動隨機子空間方法在低頻振蕩辨識中的應用[J]. 電力系統保護與控制, 2013, 41(8):81-86.

ZHAO Shuqiang, ZHANG Yi, MA Yanfeng. Data-driven based stochastic subspace identification for low frequency oscillation analysis[J]. Power System Protection and Control, 2013, 41(8):

81-86.

(責任編輯侯世春)

Parameter identification of power system low-frequency oscillation based on random data

ZHANG Wang1, YANG Deyou1, ZHAO Huanyu2, FU Dianyin3, YE Ning3

(1.Northeast Dianli University, Jilin 132012, China; 2.State Grid Electric Power Jilin Changchun Power Supply Company,Changchun 130000,China; 3.State Grid Electric Jilin Power Supply Company, Jilin 132000, China)

In order to use random response data to evaluate power system security and to ensure the safe and stable operation, this paper proposed the parameter identification of power system low-frequency oscillation based on random response data, a method which adopted stochastic subspace identification (SSI) to extract the system low frequency oscillation frequency and damping ratio directly through the measured data of WAMS, as well as the oscillation modes. Taking IEEE four generators two area into simulation and making comparisons between the results and the results of other methods, the paper verified the feasibility and effectiveness of the method.

random data; low frequency oscillations; parameter identification; stochastic subspace

2016-03-26。

張旺 (1981—),女,碩士研究生,主要從事電力系統穩(wěn)定與控制方面的研究工作。

TM712

A

2095-6843(2016)04-0292-04