电力系统同调机群识别的一种模糊聚类方法

给出了一种能识别电力系统同调机群的模糊聚类方法。首先采用最大－最小方法对线性化后的系统状态矩阵进行标定,得到反映机组间动态相关程度的模糊等价关系矩阵,然后采用模糊聚类方法识别同调机群。最后给出了10机和24机两个试验系统同调机群识别结果,并通过特征根计算证明了此方法的有效性。     

基于Prony分析特征提取的同调机组分群方法

同调机群识别在电力系统的动态等值、主动解列控制中具有重要意义。提出一种基于Prony分析特征提取的同调机组分群方法。首先针对Prony分析受噪声干扰严重的缺点,利用集成经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)方法对含噪声的信号降噪。然后对降噪后的功角信号进行Prony分析,提取功角信号的幅值、频率和阻尼特征值,形成每台机组的特征向量。最后将系统中所有机组特征向量组成的特征矩阵输入到自组织神经网络进行聚类,从而实现同调机组分群。EPRI-36节点系统和华北电网系统算例表明,所提方法可以很好地降低噪声影响,充分提取功角曲线特征,准确识别同调机组。     

利用S变换局部奇异值的同调机组识别方法

文中提出一种利用S变换局部奇异值的同调机组识别方法.将广域测量系统(Wide Area MeasurementSystem,WAMS)采集到的系统发电机功角信息进行S变换,得到每台发电机的时频信息模值矩阵,将矩阵分割成块,计算各个子块的最大奇异值,利用时频信息模值矩阵中各个子块最大奇异值构造机组特征矩阵,采用分布聚类法对特征矩阵进行聚类分群.IEEE-39节点系统算例表明,该方法能够有效提取功角信息特征,具有很强的抗噪性,能够在不同故障类型下准确识别同调机组.     

基于t-分布邻域嵌入的同调机群无监督识别

当系统发生严重级联故障导致失稳时,快速搜索同调机群是进行解列控制平息振荡的前提。针对发电机严重受扰后功角信号的非平稳、非线性的特点,以及需要根据经验人为决断同调分群类数的问题,提出一种基于t-分布邻域嵌入的同调机群无监督识别新方法。采用广域量测环境下发电机功角信号作为源数据,引入t-分布邻域嵌入算法将发电机功角信号进行建模并映射到二维子空间中。通过二维坐标下映射点之间的聚集程度衡量受扰动后发电机运行特性的相似性。随后利用仿射传播算法对发电机组进行无监督聚类分群。研究表明所提方法原理简单,易于解决实际问题。基于实测数据进行计算分析,可避免模型参数对分群的影响。通过2014年湖南省网73台发电机系统仿真,并与传统分群方法对比结果,验证了所提方法的有效性和快速性。     

一种基于广域测量信息的在线同调分群方法

为了能够快速准确地识别同调机群,提出两种基于广域测量信息的同调分群指标。在此基础上,首先利用发电机间的功角差有效值指标快速地实现预分群;然后利用皮尔森相关系数和Hsim函数相结合构造新的相似度度量指标ρHsim,既考虑发电机功角曲线间的距离差异又考虑走势差异,实现了更严格的再分群。为了实现再分群的计算,采用属性阈值(QT)聚类和k-means聚类相结合的改进聚类算法。EPRI-36系统仿真计算的结果表明,在预分群阶段应用发电机功角差有效值指标可以迅速地对功角摆开差异较大的发电机进行分群,再分群阶段应用ρHsim相似度指标,可以实现各种精度的发电机同调分群。     

基于奇异值分解的同调机群识别方法

提出一种基于奇异值分解的同调机群识别方法。该方法直接面向发电机实时功角数据,利用奇异值分解技术提取反映机组同调性的关键信息。从能量的角度出发,根据定义的能量贡献率指标自适应地选择奇异值数量,构造低维权矩阵,进而实现数据的显著降维。最终通过对权矩阵进行聚类分析实现同调机群识别。该方法具有原理简单、易于实现、计算量小等特点,能够十分方便地实现大型复杂电网中机群的同调识别。提出了该方法的在线应用框架,测试结果表明该方法分群速度快,具备在线应用潜力。此外,同调识别的结果可直观地进行图形展示,有利于电网的运行控制与分析。通过IEEE 39节点系统和南方电网算例验证了该方法的有效性和正确性。     

基于希尔伯特-黄变换（HHT）的机组同调研究

概述了利用功角曲线进行同调识别所面临的困难,阐述了希尔伯特-黄变换(HHT)在非线性、非平稳功角信号处理中的优势,提出了一种基于HHT的同调识别新方法。该方法利用经验模式分解方法将功角信号进行分解,得到剩余分量和各固有模态信号,逐次对这些分量进行比较得到机组的同调特性。该方法不受系统模型、故障场景限制,能随着不同的故障自适应调整数据时间窗的长度,并能克服小波分析、prony分析等算法难以处理非平稳信号的不足。测试结果表明了该算法的有效性。     

基于多指标面板数据特征提取的同调机组分群方法

同调机群识别对电力系统的动态等值、主动解列控制具有重要的意义。针对已有同调机群识别方法存在的指标选取单一(仅依据发电机功角曲线特征)且特征提取不充分的问题,提出一种基于多指标面板数据特征提取的同调机组分群方法。首先,将反映机组同调性的功角、机端电压及转子角速度3个指标的量测数据形成面板数据。其次,基于面板数据的指标维度和时间维度特征,提取以上3个指标在时间序列上的"绝对值"特征、"波动"特征、"偏度"特征、"峰度"特征以及"趋势"特征。接着借鉴层次分析模型,利用AHP-熵权法求取每个指标及其各特征量权重,进而计算机组间的加权距离矩阵,然后利用系统聚类法实现同调机组分群。最后以EPRI-36节点系统和华北电网为例,验证了所提方法的有效性。     

基于WAMS和改进拉普拉斯特征映射的同调机群在线识别

当系统发生严重级联故障导致失步运行时,需要快速准确地识别出系统中的同调机群,为下一步的自主解列控制提供基础。针对WAMS测量到的发电机动态轨迹信息往往具有非线性和非平稳性等特点,提出了一种在线识别同调机群的新方法,能充分考虑各种故障场景的动态特性和非线性系统的时变特征。首先根据WAMS量测可得到故障后发电机组的实时响应功角轨迹信息,利用基于类别信息和核空间的改进拉普拉斯特征映射算法提取特征信息,进而识别出各发电机的运行特性;再利用k-way余弦相似度因子分群算法对发电机组进行自主识别分群。最后通过新英格兰39节点系统仿真,验证了所提方法的有效性,并且适用于系统不同运行方式,能在线准确识别同调机群。     

改进模糊ISODATA法识别电力系统同调机群

引入模糊聚类方法识别电力系统同调机群。首先对原有的基于模糊相关自组织数据分析算法(iterativese lf-organ iz ing data ana lys is techn iques a lgorithm,ISODATA)的同调机群识别法的各个控制参数的选取问题进行了大量仿真实验,给出了优化参数取值的一些经验值。特别在如何确定最优分类数的问题上引入了模糊F统计量的方法,并根据电力系统同调识别的特点改进了模糊相关自组织数据分析算法的同调机群识别算法,使其更能适用于工程应用。最后用EPR I_36节点纯交流系统的仿真计算验证了该方法的有效性。     

基于WAMS和曲线相似的同调机群识别方法*

提出了一种基于曲线相似的电力系统同调机群辨识新方法。首先获取WAMS实时监测得到的功角轨迹曲线作为基础数据,根据离散曲线相似性的定义,将各发电机的轨迹曲线分段,借助遗传算法确定分段轨迹之间的最优相似距离,保存了轨迹段的局部特性。然后整合各段相似距离得到各发电机之间的整体相似度并以此作为聚类指标,再利用层次聚类法实现多机系统同调机组分群。该方法简单可行,不受系统模型参数和故障类型的限制。最后对IEEE39节点系统进行分析计算,该仿真实验佐证了所提算法的有效性。     

A new approach for online coherency identification in power systems based on correlation characteristics of generators rotor oscillations

In this paper, a new approach for identifying coherent groups of generators in power systems based on the correlation coefficients between rotor angle/speed oscillations of generators is presented. The method uses a newly proposed clustering index based on the correlation coefficients of generators oscillations which is able to classify any number of generators into coherent groups. The proposed approach uses real time data of generators oscillations via VAMS/PMUs, so it is able to easily take into account the effect of system detailed modeling, generators and system controllers and type of events. The proposed correlation index evaluated from the real time behavior of generators in time-domain following disturbances are used to evaluate the degree of coherency between any pair of generators. The generators’ rotor angles and speeds can be obtained from synchronized measurements of system quantities using PMUs. Hence, the proposed method could be integrated into a wide-area measurement system enabling fast identification of coherent groups of generators. It is shown that by using COI of the aggregated in-phase coherent groups, the frequency of the inter-area mode can be evaluated. The proposed method is tested on the IEEE 39-bus with 10 generators and realistic power system of Iran with 405 generators.     

基于PMU和改进支持向量机算法的同调机群在线识别

鉴于现代电力系统中发生暂态稳定问题时,为了给后续的主动解列措施提供依据,需要快速准确地辨识出系统中的同调机群,基于同步相量测量单元（phasor measurement unit,PMU）实时采集的发电机动态轨迹信息具有高维度和非线性等特点,提出了一种在线识别同调机群的新方法：由PMU得到故障后发电机组的动态功角轨迹量测信息;对PMU量测信息进行标准化处理,生成标准化高维数据;利用留一交叉验证法确定Gauss径向基核函数参数g和惩罚系数C的最优取值,得到准确的分类器;使用此分类器对未知分类的样本进行分类,并得到最终的同调分群结果。仿真结果表明：该方法能有效克服传统方法识别准确率低和速度慢的缺点,能在线识别系统中的同调机群,且兼具识别的快速性和准确性,可满足现代电力系统暂态稳定的在线分析和实时计算等要求。     

基于相似度同调的双馈风电场聚合研究

文章提出了一种基于相似度同调的双馈风电场聚合方法。首先利用Prony算法提取各风电场中双馈风机故障下功率响应曲线的动态特征,基于相似理论确定双馈风机间振荡模式中相似部分,应用相似振荡模式中的频率、阻尼、幅值等信息定义了双馈风机同调判别的相似度量化指标并确定同调机群。然后,根据双馈风机的外特性,提出功率聚合算法,即以双馈风机输出有功功率为权重求取等值机的暂态内电势并确定等值母线及等值机参数。该方法从同调机群识别、同调母线聚合、同调机群参数聚合等方面,系统地解决了不同双馈风电场的同调聚合问题。参数聚合方法不仅解决了聚类分群的复杂性和局限性,而且有效保留原系统中电气与结构特征。最后以实际云南电网中某地区风电场为例进行仿真验证。     

基于模糊聚类法的暂态稳定机组分群方法

暂态稳定分析多机等值时,受扰发电机的分群是需要解决的首要问题.文中用模糊聚类分析方法对受扰后的发电机进行分群研究,对模糊聚类方法的关键参数进行分析,引入F统计比率指标保证发电机分群数目的灵活性.通过New England 10机系统算例比较了相关理论法、三取二分群方法和模糊聚类法的分群效果,分析结果表明模糊聚类法在暂态稳定分析中对受扰发电机的分群有效、可靠.     

电力系统主动解列断面搜索方法与孤岛调整策略

主动解列是一种基于电力系统实时动态信息的紧急控制手段。及时而恰当的主动解列可以阻隔故障传播,避免保护连锁动作可能导致的系统崩溃,有利于大扰动后电力系统的快速恢复。在此背景下,提出一种包括快速搜索解列断面和优化调整孤岛的系统主动解列方案。首先,对在机器学习领域发展起来的谱聚类算法进行改进,提出含约束谱聚类算法,以计及发电机组的同调约束,从而将解列断面搜索问题转化为广义特征值求解问题。为克服在含约束谱聚类算法中采用传统k-medoids算法存在的对初始中心点敏感、搜索效率低的缺点,提出改进k-medoids算法并将其与约束谱聚类算法相结合,以求取最优解列断面。然后,对于解列后每个不满足安全约束的孤岛,优化调整其发电机组出力,必要时也可削减一些负荷,以维持每个孤岛的安全运行。最后,以IEEE 118节点系统和实际电网为例,说明所提方法的可行性和有效性。     

利用基于模糊划分的ISODATA模糊聚类方法识别电力系统同调机群

给出了一种利用基于模糊划分的迭代自组织数据分析技术(ISODATA)模糊聚类方法识别电力系统同调机群的算法.首先介绍了基于模糊划分的ISODATA模糊聚类方法的原理;然后在一些基本假设并对系统元件做了必要简化的基础上,形成了利用该方法识别同调机群的模糊集合;最后通过对新英格兰10机39节点系统的算例仿真验证了该方法的有效性.