[发明专利]一种基于O3KID算法的电力系统低频振荡辨识方法

说明书

本发明涉及一种基于O³KID算法的电力系统低频振荡辨识方法。该方法在电力系统随机模型中嵌入观测器，利用O3KID算法基本方程和最小二乘法估计观测器的Markov参数和残差，将电力系统随机系统辨识转换为确定性系统的辨识问题，所引入的观测器等价于卡尔曼滤波器。利用观测器的输出和残差时间序列分别构造Hankel矩阵，采用确定性系统的正交投影和奇异值分解方法，有效辨识电力系统降阶模型，准确提取低频振荡主导模态的频率、阻尼比和振型参数信息。本发明方法适合于WAMS同步量测环境激励信号和暂态ring‑down信号的电力系统低频振荡模态分析，IEEE‑39节点系统仿真和美国东部电网WAMS实测数据分析验证了本方法的有效性。

技术领域

本发明涉及电力系统低频振荡分析技术领域，特别是一种基于O³KID算法的电力系统低频振荡辨识方法。

背景技术

随着现代电力系统的快速发展，快速励磁系统在同步发电机中广泛应用、大区电力系统互联以及新能源发电系统装机容量比重不断提升，由此引发的电网弱阻尼低频振荡问题日益凸显，严重制约输电线路的功率传输，影响电力系统的稳定运行和电能质量控制。当前，广域测量系统(wide areamonitoring system,WAMS)的广泛应用，特别是相量测量单元(phasor measurement units,PMU)采样频率和精度的不断提高，为基于数据量测的低频振荡近实时辨识提供了信息支持。

基于数据量测的低频振荡辨识主要是对WAMS同步量测振荡轨迹信号进行模态分析。当前主流PMU采集数据的上报速度可达100Hz，能够连续记录电力系统的低频振荡动态过程，捕捉电网环境激励信号和暂态ring-down信号。电力系统是一个高度复杂的多输入多输出系统，受高独立性多重随机信号的连续激励，往往难以准确提取系统准稳态响应，同时缓慢衰减的低频振荡轨迹信号也影响着模型的定阶，无法保证模态辨识的准确性。卡尔曼滤波方法能有效获得线性随机系统的最优状态估计，适合于工程应用。利用卡尔曼滤波输出的归一化新息向量具有零均值白噪声的特点，通过对新息功率谱密度统计分析，实现电力系统低频振荡模态阻尼参数变化的快速检测，但本质仍然是一种非参数辨识方法。卡尔曼滤波及其扩展方法通过建立线性滤波器分析噪声环境下的暂态低频振荡响应信号，提取主导振荡模态参数，仍需要用到准确的电网模型，不适用基于数据量测的低频振荡分析。将观测器与特征值实现方法相结合的OKID (observer/Kalmanfilteridentification,OKID)算法已经成为一种有效的线性系统辨识方法，在输入输出系统辨识中有着成功的应用。针对电力系统特点，可进一步将仅输出系统辨识的O³KID算法用于电力系统低频振荡辨识。

发明内容

本发明的目的在于提供一种基于O³KID算法的电力系统低频振荡辨识方法，该方法在电力系统随机模型中嵌入观测器，有效估计观测器Markov参数和残差序列，将电力系统随机系统辨识问题转换为确定性系统的辨识问题，并且所引入的观测器等价于卡尔曼滤波器；基于投影法的特征实现提取电力系统低频振荡的主导模态参数信息。

为实现上述目的，本发明的技术方案是：一种基于O³KID算法的电力系统低频振荡辨识方法，在电力系统随机模型中嵌入观测器，利用O³KID算法基本方程和最小二乘法估计观测器的 Markov参数和残差，将电力系统随机系统辨识转换为确定性系统的辨识问题，所引入的观测器等价于卡尔曼滤波器；所述利用O³KID算法基本方程和最小二乘法估计观测器的Markov参数和残差的具体实现过程如下：

步骤S1、构建如下形式的输出观测器模型：

其中，和分别为观测器的状态向量和输出向量，Μ为观测器增益矩阵；

步骤S2、定义输出估计误差向量式(1)的观测器模型可改写为：