随着国内经济快速发展,电网规模不断扩大,电网之间的互联也变得越来越密切。区域电网之间的互联虽可提高系统运行的经济性,但同时也使得整个互联系统的动态特性变得更加复杂。低频振荡会限制区域电网之间的功率交换和电能交换,严重的甚至可能导致系统解列和大面积停电等事故。因此,低频振荡是影响电力系统稳定性的重要因素。低频振荡的研究基础是对于其振荡模式的分析,目前常用的分析方法主要包括基于模型数据的线性和非线性分析法以及基于实测数据的信号分析法。近年来随着广域测量系统(Wide Area Measurement System,WAMS)的发展,基于实测数据的信号分析法得到了广泛应用。本文提出将几种智能计算的算法——奇异值分解(Singular Value Divide,SVD)、群搜索算法(Group Search Optimizer,GSO)、深度置信网络(Deep Belief Network,DBN)用于低频振荡信号的模式辨识中。Prony分析法是WAMS中常用的方法,本文详细介绍了其原理和存在的问题。在低频振荡信号模型基础上,本文提出了一种基于SVD定阶和GSO的低频振荡模式辨识法。采用SVD确定信号的阶数,即可得出信号的实际模式数。由于SVD定阶法在强噪声环境中易出现错误的阶数,文中设计了一种广义滤波器专门用于SVD定阶前的预处理,从而使强噪声环境中的定阶效果得到显著改善。对于低频振荡各模式参数的求解,文中采用GSO寻优的方法,将其转化成一个最小值优化问题。GSO算法强大的全局收敛性,特别适合高维数多模态优化的问题。算例验证表明,GSO辨识各模式比传统Prony算法具有更强的抗噪性,同时比PSO和GA算法具有更强的收敛稳定性。低频振荡主要可分为区域振荡和局部振荡两种类型,两种振荡场景各不相同。本文首次提出将DBN尝试用于辨识两种振荡场景中的主导模式参数,主导模式的参数辨识对于低频振荡至关重要。算例验证表明,该法具有高实时性以及较好的准确度和抗噪性等优点。