基于谱分析的电力系统持续振荡检测方法文献综述

 2022-09-18 16:59:21

  1. 文献综述(或调研报告):

为了保证电网的稳定性和可靠性,及时、准确地发现和区分出电力系统中发生的振荡至关重要。振荡会带来诸多问题,严重者甚至会造成系统崩溃。因此,系统中发生的振荡应当被彻底研究以建立起相应的补救体系,确保电力系统得以稳定运行。

基于振荡产生的根本原因,通常可以把它们分成两类:强迫振荡和自然(自由)振荡。电力系统强迫振荡是由持续的周期性小扰动引起的[1]。尤其当扰动频率接近系统的固有振荡频率时,会引起系统谐振,导致大幅度的功率振荡。扰动所引起的响应不仅与电力系统本身的特性有关,也与扰动的变化规律有关。而谐振引起的强迫振荡的表现形式又类似属于自由振荡的电力系统负阻尼低频振荡,而后者则是由动态成分之间的内部自然作用产生的。

因振荡的起因不同,采取的应对措施差别很大。强迫振荡通常需要定位并切除扰动源来抑制,而负阻尼低频振荡的抑制则一般通过增强阻尼来实现。为了快速有效地判别振荡性质从而采取适当的措施来抑制功率振荡,因而及时检测出低频振荡的发生并判别振荡类型十分重要。

近些年在发现和区分振荡类型的研究领域里已经探索出多种方法。现有的振荡类型判别方法主要为基于波形的方法。基于起振段波形快速在线判别功率振荡性质的二次差分法[2]可以在开始振荡的几个周波内快速准确地判别出功率振荡是由于系统缺乏阻尼引起还是由于系统内存在强迫振荡源,有助于准确采取措施以抑制振荡扩展、快速平息振荡。文献[3]分析出正阻尼振荡是唯一包络线衰减的振荡,零阻尼共振是包络线线性增长的振荡,而负阻尼低频振荡是包络线呈指数增长的振荡,因此可以通过分析包络线的特点并进行包络线拟合以判别振荡性质。但这一方法的准确性较大程度上受到主导模式提取方法的影响,因此其实际工程应用还有待研究。

此外,还有基于功率的判别振荡类型的方法。基于近似熵动态特性的强迫功率振荡检测方法[4]利用WAMS的电气测量,首先采样实时功率信号,然后计算有功功率信号连续时间段上的近似熵,观察其变化规律,从而快速准确地检测判断强迫功率振荡发生与否。文献[5]在理论上对端口供给能量进行了成分分解推导,得出不同振荡类型下端口供给能量趋势分量分别按照指数和线性规律变化的结论,以此差异为判据区分振荡类型。这几种方法[2][3][4][5]在运用文献[6]的案例及数据仿真小干扰稳定性时具有一定准确性,但是没有考虑实际采样信号中噪声对计算结果的影响。

随着PMU在电网的广泛普及,如今已经有大量的基于PMU数据的区分振荡的方法,虽然不同类型的振荡在时间序列数据上有所相似,但是它们展现出来的明显的数据特征还是让这一类方法得到了发展,尤其可以利用峰值来区分不同类型的振荡。采用数据驱动诊断持续振荡机制的算法[7]等,为定位振荡源的实现提供了光明的前景,从而也延伸出大量用PMU采集数据进而判别振荡类型的改进新方法。

支持向量机(SVM)作为上个世纪90年代发展起来的一种机器学习方法,它以统计学习理论为基础,是统计学理论中最实用的部分。SVM以结构风险最小化原则为分类准则,在学习精度和能力之间寻求最佳折中,用内积函数定义的非线性变换将输入空间变换到一个高维空间,在这个空间中求最优分类面。对于线性不可分问题,SVM将问题投影到高维空间中,使其达到线性可分,然后找出最优分类超平面来实现分类。SVM的分类原理和科学性给振荡类型的区分提供了新的思路。文献[8]对振荡的包络线进行了SVM的测试和分类。尽管可以利用包络线在负阻尼低频振荡和强迫振荡中显示出的不同特征作为判断振荡类型的依据,信噪比增加时,SVM模型的适用性和判断结果的精度也确实会有所下降,但仍能够保证判断结果的准确性在88%以上。

近年来基于谱分析的检测系统的持续振荡方面的研究发展迅速。文献[9]基于负阻尼低频振荡和强迫振荡的发生机理,推导分析了两者的频谱特征,根据频谱分布差异提出了区别振荡性质的频域判别方法。采用复调制细化谱分析的方法对振荡数据进行精细化频谱分析,获得高分辨率和高精确度的频谱分布,进而采用反距离加权插值方法拟合频谱,对拟合值和原频谱进行比较,以判别是否存在间断点,从而辨识出振荡类型。但该方法对噪声的考虑不足。文献[10]提出一种独特的数学表达式以区分强迫振荡和自然振荡,指出系统分别在强迫振荡和负阻尼振荡下会产生不同的噪声响应,并运用频谱对这一现象进行分析。然而这一方法在强迫振荡的频率接近系统的固有频率时准确性会降低。文献[11]利用高速同步时间的PMU数据,提出了一种自相干的检测和分析振荡类型的方法。自相干频谱是信号本身和它的时延信号之间的相关频谱。当延迟的时间增长时,系统随机环境噪声将会减弱。与之相反,持续振荡的自相干频谱此时将会保持在一个峰值上,即使延迟时间相当长。因此,持续的振荡与其在合适的时延下的自相干频谱的峰值有关。设置合适的频谱峰度阙值便可用于判断系统中发生的振荡类型。该方法即使在振荡振幅小于随机环境噪声时仍具有良好的性能,并且还能在低信噪比下观察振荡并评估其频率。文献[7]还涉及到把谱分析和功率分析相结合的判别方法。采样PMU数据,利用峰值区分出弱阻尼振荡,而后进行功率谱密度(PSD)处理来鉴别极限环和强迫振荡。然而为了从PMU数据中获得准确的PSD评估,耗时会较长。但综合考虑,基于谱分析的方法不依赖于起振波形,精确度不取决于主导模式,具有抗噪性能强的优点。可见谱分析在区别判断振荡方面还是具有很好的性能。

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。