基于类噪声数据的电力系统低频振荡模态参数辨识

闫红艳，Hwang Jin Kwon，高艳丰

（1. 河北工程大学水利水电学院，河北省 邯郸市 056038；2. 韩国又石大学能源工程系，韩国镇 川365-803）

0 引言

随着电网远距离、大容量输电的实施，高放大倍数励磁装置的使用以及大规模新能源的接入，低频振荡时有发生，频率范围一般为0.1～2.5 Hz[1]，严重危害到系统正常运行。低频振荡模态识别是分析低频振荡产生原因的基础，也是实现电力系统实时高效控制和风险预警的关键之一[2-5]。

基于相量测量单元(phasor measurement unit，PMU) 的电力系统广域测量系统(wide area monitoring systems，WAMS)能够实时地记录电力系统的动态行为，按照量测信号的辨识方法可分为基于大扰动后自由振荡响应信号的方法和基于环境激励下随机响应信号的方法[6-10]。大扰动数据包含强低频振荡分量，能够准确识别区域间模式，但这类事件很少发生，很难进行连续的模态识别。相反，负荷随机波动引起的小扰动激励(又称类噪声数据)时刻存在、易于采集、数据丰富，可及时准确地反映当前系统的运行特性[11]。Prony 算法及其改进算法在分析大扰动激励下的响应信号应用较广泛，但Prony 算法在处理噪声信号和具有时变特性非平稳信号的能力不理想[12-13]。基于环境激励下随机响应信号的方法大多在信号的自回归(auto regressive，AR)模型[10]或自回归滑动平均(auto regressive moving average，ARMA)模型上发展起来的[14-16]。文献[17-18]采用最小二乘法求取电力系统随机响应信号AR 模型的最优参数，进而获得低频振荡的频率和阻尼比信息，但是该算法存在数值不稳定的问题。文献[19]提出了用Yule-Walker 方程解AR 模型的功率谱分析方法；……