论文部分内容阅读
我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进Prony算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及Prony分析算法提取振荡信号特征参数方面的优缺点,分析了Prony算法的优势。阐述了Prony算法的原理和计算步骤,分析了传统的Prony算法在理想情况下的精确性。针对传统的Prony算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进Prony算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统Prony算法抗干扰较差的问题。仿真结果表明,该改进Prony算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应Prony算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。