一、Prony分析在电力系统低频振荡研究中的应用（论文文献综述）
冯鼎元,康英伟[1]（2022）在《汽轮机侧机网耦合系统低频振荡特性与抑制策略研究》文中研究说明原动机侧诱发的电网低频振荡事件时有发生。建立汽轮机的机网耦合Phillips-Heffron模型,运用机械阻尼分析方法,分析系统阻尼特性。通过状态空间模型求解系统机电振荡模式。数值分析表明,汽轮机侧参数的不合理配置使得系统机电振荡模式越过虚轴偏移至右半平面,导致系统发散振荡。针对调速侧电力系统稳定器（GPSS）传统配置策略下低频振荡阻尼特性弱、鲁棒性差等问题,对蚁狮算法（ALO）进行改进,以系统阻尼特性为约束,使用改进型ALO优化设计GPSS。在仿真实例中,改进型ALO将系统最小阻尼比从0.050提升至0.249,小扰动下转子角速度偏差响应在4.5 s趋于稳定,各工况下的转子角偏差振荡曲线均能在4.2 s内平息,系统阻尼特性及鲁棒性提升显着。
黄瑞,肖宇,刘谋海,单铉昇,温和[2]（2021）在《复频谱插值DFT的电力系统低频振荡信号测量方法》文中研究指明低频振荡是三相电力系统中的一种平衡现象,如何准确、快速地估计振荡信号的参数对于评估和消除低频振荡至关重要.本文提出了一种采用复频谱插值DFT的低频振荡下电力系统动态信号参数估计的方法,该方法利用三相系统的对称特性,通过克拉克变换将电力系统中的三相实信号转换为正交分量形式的复信号,然后对复信号进行离散傅里叶变换,通过复频谱插值方法,利用两个幅度最大的谱线样本来估计各项动态参数.实验仿真结果表明本文方法能在低频振荡的场景下准确高效地实现电网动态参数的估计.
孙正龙,姜权峰,王嘉琛,杨德友,蔡国伟,杨浩[3]（2021）在《含风电电力系统机电振荡局部阻尼评估方法》文中指出精细评估风电接入后电力系统的阻尼特性,对于构建以新能源为主体的新型电力系统至关重要。机电振荡过程中始终伴随着暂态能量的耗散,能量耗散是产生阻尼的根本原因。通过计算元件级阻尼耗散,提出了含风电电力系统机电振荡局部阻尼评估方法。首先根据机电振荡分析的能量方法构建了含双馈风机的电力系统暂态能量函数;在此基础上,解析了耗散能量的时域轨迹。通过元件能量耗散与阻尼的关系,建立了阻尼贡献因子指标,用以评价系统局部阻尼贡献;通过对数据进行预处理和Prony分析,建立了基于轨迹信息的阻尼贡献因子指标计算流程。最后,通过多情况仿真分析验证了所提出局部阻尼评估方法的有效性。
阳育德,莫富钧,卢建洛,覃智君[4]（2021）在《基于FSST和D-K聚类的次同步振荡分析》文中指出为了更准确地识别电力系统次同步振荡的模态数量和频率,以及时进行频率定位和重构,需要提高次同步实测数据的模态辨识的结果精度。针对DBSCAN聚类可以被应用于划分类簇但无法自动计算类簇中心,以及Kmeans聚类需提前确定类簇数量才能计算类簇中心的特点,提出了一种基于傅里叶同步挤压变换和DBSCAN-Kmeans混合聚类（以下简称D-K聚类）的电力系统次同步振荡分析法。模拟数值信号和IEEE次同步谐振（SSR）标准模型算例的仿真实验数据表明,FSST方法能被用于分离距离较近的相邻信号模态。通过算例分析,验证了结合FSST和D-K聚类的次同步振荡分析方法可以避免FSST方法无法自动获取模态的缺陷,且参数辨识结果有较高的精度。
王冬云,张建刚,陈继刚[5]（2021）在《基于ICA的多通道低频振荡模式识别方法》文中提出针对电力系统中多通道低频振荡模式辨识过程中计算复杂、辨识精度不高等问题,提出将独立分量算法（Independent Component Algorithm, ICA）引入低频振荡多通道信号分离中,结合Prony法实现对低频振荡的模式辨识。首先将待处理的多通道信号利用ICA算法进行分离（噪声可视作某一通道信号进行分离）预处理,进而利用Prony法对分离后的信号进行模式辨识。结果表明:利用ICA+Prony法进行多通道信号低频振荡模式辨识时,具备较好的抗噪性,辨识结果更加接近于理论值,相对误差均小于4%,且能够解决直接Prony方法在多通道信号辨识时的模式遗漏问题。在多通道背景下,该方法可以较大程度地保留原始信号特征,克服Prony方法的缺陷,提高多通道低频振荡模式辨识精度与准确度,更加能够满足实际电网的应用需求。
冯双,崔昊,陈佳宁,汤奕,雷家兴[6]（2021）在《人工智能在电力系统宽频振荡中的应用与挑战》文中指出随着高比例新能源与高比例电力电子设备接入的"双高"电力系统的形成,其中的振荡问题也日趋复杂,呈现出显着的宽频域、强时变性、强非线性、多模态以及广域传播等特征,目前尚缺乏统一有效的数学模型和分析方法。人工智能由于具有对系统模型的低依赖性,对大量数据之间非线性复杂关系的强大学习能力以及对随机时变环境的快速适应性,有助于解决电力系统宽频振荡问题。该文首先根据宽频振荡在数学模型、分析方法和表现形式方面的特点分析采用人工智能技术解决宽频振荡问题的可行性与优势。然后,分别从宽频振荡的辨识、振荡源定位与抑制方法 3个方向分析提炼人工智能技术应用于宽频振荡问题的研究成果,并抽象出对应的典型框架。在此基础上,分别探讨人工智能技术在以上3个研究领域面临的样本完整性、方法可迁移性和鲁棒性、广域互联系统中的算法收敛性等方面挑战。最后,结合人工智能的最新发展与宽频振荡的研究动态,从样本获取、算法可解释性及其与宽频振荡特性相融合等角度指出未来人工智能技术在宽频振荡问题中的一些研究思路。
高晗,蔡国伟,杨德友,王丽馨[7]（2022）在《基于NExT-DMD的电力系统机电振荡参数提取》文中认为电力系统随机响应中蕴含丰富的系统动态特征信息,基于系统随机响应所提取的机电特征参数能够准确反映互联电网机电小干扰稳定性。文章在深入分析环境激励下随机响应信号特征基础上,提出了基于自然激励技术的动态模式分解算法（natureexcitationtechnologybaseddynamicmode decomposition,NEx T-DMD）以提取电力系统机电小干扰特征参数。NEx T-DMD采用自然激励技术预处理随机响应信号,获得具有明显振荡特征的振荡分量,有效改善动态模式分解算法（dynamicmodedecomposition,DMD）存在的噪声鲁棒性差的问题。进而采用DMD从获得的自由振荡信号中有效提取机电特征参数（振荡频率、阻尼比和模态振型）。IEEE 16机系统和某实际电网量测数据验证了所提方法的可行性和有效性;与随机子空间辨识算法和基于自然激励技术的特征系统实现算法相比,该方法在模式参数提取的精度和跟踪性能方面具有较好的表现,为电力系统机电小干扰稳定评估提供了一种切实可行的新途径。
张威[8]（2021）在《基于改进Prony辨识和天牛群算法的PSS参数优化研究》文中研究表明
孙少华[9]（2021）在《双馈风电场串补并网的次同步振荡辨识及抑制》文中研究指明
王雅娴[10]（2021）在《基于VMD-SOBI和Prony算法融合的直驱风电机组次同步振荡辨识研究》文中研究指明目前,我国非常重视清洁能源的利用。而由于我国风能资源分布不均匀,大型风电场往往采用高效长距离输电,随之引起一系列并网的安全稳定问题。其中次同步振荡（Sub Synchronous Oscillation,SSO）问题尤为严重。近年来,因直驱永磁风电机组（Direct-Drive Permanent Magnet Synchronous Wind Turbine Generator,DDPMSG）的大量并网,导致新型SSO频繁发生,因此,为了分析出SSO产生的影响和自身特性,更好地抑制SSO,快速准确在采集到的量测信号中辨识SSO模态就显得颇为重要。基于此,本文从以下三个方面对发生在DDPMSG的SSO问题展开研究:（1）建立详细的DDPMSG数学模型,主要包括风力机模型、轴系模型、桨距角控制系统模型、永磁同步电机（Permanent Magnet Synchronous Generator,PMSG）模型、网侧变换器（Grid-Side Converter,GSC）控制模型、机侧变换器（Machine-Side Converter,MSC）控制模型、直流环节数学模型等。（2）阐述变分模态分解（Variational Mode Decomposition,VMD）、二阶盲辨识（Second Order Blind Identification,SOBI）和Prony算法的原理和特性,分析三种算法的具体计算流程,利用算例验证其在辨识中的适用性和优异性。（3）利用能量熵和排列熵对VMD算法进行改进,确定预设模态数K值和惩罚因子α值。将改进VMD和SOBI算法相融合,提取SSO信号,采用Prony算法得到其模态参数。通过仿真验证其有效性。（4）利用多元变分模态分解（Multivariate Variational Mode Decomposition,MVMD）算法解决基于广域量测系统（Wide Area Measurement System,WAMS）的多通道直驱风电场SSO辨识问题。融合MVMD与SOBI算法,由SOBI算法辨识出不同DDPMSG的SSO模态参数。辨识分析仿真和实测数据,证明其具有实际应用意义。研究结果表明,本文提出的改进VMD-SOBI和Prony算法相融合的直驱风电机组SSO模态辨识方法,有良好的分解效果,能够提取完整的振荡模态,且辨识精度高;对于实际工程问题,提出将MVMD和SOBI相融合的算法,解决实际中不同DDPMSG产生的多通道SSO信号模态辨识问题,并通过实测数据验证,证明该融合算法并行能力强,辨识精确,更具工程应用价值。
二、Prony分析在电力系统低频振荡研究中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Prony分析在电力系统低频振荡研究中的应用（论文提纲范文）
（1）汽轮机侧机网耦合系统低频振荡特性与抑制策略研究（论文提纲范文）
| 0 引言 |
| 1 机网耦合系统机理分析 |
| 1.1 汽轮机及其调速系统模型 |
| 1.2 机网耦合Phillips-Heffron模型 |
| 1.3 机械阻尼转矩分析 |
| 1.4 阻尼转矩与同步转矩数值求解 |
| 1.5 实例模型数值分析 |
| 2 基于改进ALO算法的GPSS设计 |
| 2.1 GPSS模型 |
| 2.2 改进型ALO算法 |
| 2.3 目标函数设计 |
| 2.4 改进型ALO优化GPSS参数流程 |
| 3 算例分析 |
| 3.1 优化结果 |
| 3.2 GPSS振荡抑制效果仿真 |
| 3.2.1 小扰动情况下的GPSS性能分析 |
| 3.2.2 大扰动情况下的GPSS性能分析 |
| 3.2.3 多工况鲁棒性校验 |
| 4 结论 |
（2）复频谱插值DFT的电力系统低频振荡信号测量方法（论文提纲范文）
| 1 信号模型 |
| 2 基于复频谱插值DFT的参数估计方法 |
| 3 仿真分析 |
| 3.1 白噪声影响下的仿真分析 |
| 3.2 低频振荡情况下的仿真分析 |
| 3.3 三机九节点系统中的仿真分析 |
| 4 结论 |
（4）基于FSST和D-K聚类的次同步振荡分析（论文提纲范文）
| 0 引言 |
| 1 FSST方法 |
| 2 结合D-K聚类的次同步振荡SST检测方法 |
| 2.1 Kmeans聚类原理 |
| 2.2 D-K聚类原理 |
| 2.3 D-K聚类结合FSST方法 |
| 3 数值仿真分析 |
| 3.1 模拟SSO信号算例分析 |
| 3.2 第一标准模型算例分析 |
| 3.3 第二标准模型算例分析 |
| 4 结语 |
（5）基于ICA的多通道低频振荡模式识别方法（论文提纲范文）
| 1 ICA算法 |
| 1.1 ICA分离模型 |
| 1.2 ICA数学模型 |
| 2 基于ICA-Prony的低频振荡模式辨识方法 |
| 3 算例分析 |
| 3.1 含噪声单通道信号分析 |
| 3.2 多通道信号仿真分析 |
| 4 结论 |
（6）人工智能在电力系统宽频振荡中的应用与挑战（论文提纲范文）
| 0 引言 |
| 1 人工智能适用于宽频振荡问题的探讨 |
| 1.1 人工智能基本原理与应用特点 |
| 1.2 宽频振荡分类及机理 |
| 1.3 人工智能应用于宽频振荡的必要性与合理性 |
| 2 人工智能在宽频振荡辨识中的应用现状与挑战 |
| 2.1 人工智能在宽频振荡辨识中的应用现状 |
| 2.2 人工智能在宽频振荡辨识中的应用挑战 |
| 3 人工智能在宽频振荡源定位中的应用现状与挑战 |
| 3.1 人工智能在宽频振荡源定位中的应用现状 |
| 3.2 人工智能在宽频振荡源定位中的应用挑战 |
| 4 人工智能在宽频振荡抑制中的应用现状与挑战 |
| 4.1 人工智能在宽频振荡抑制中的应用现状 |
| 4.2 人工智能在宽频振荡抑制中的应用挑战 |
| 5 未来研究思路探讨 |
| 6 结论 |
（10）基于VMD-SOBI和Prony算法融合的直驱风电机组次同步振荡辨识研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的选题背景及研究意义 |
| 1.2 课题研究现状 |
| 1.2.1 次同步振荡的产生机理和分类 |
| 1.2.2 次同步振荡的分析方法 |
| 1.3 论文的主要研究内容 |
| 2 直驱风电机组的运行原理及建模 |
| 2.1 直驱风电机组的基本运行原理 |
| 2.2 直驱风电机组模型 |
| 2.2.1 风力机模型 |
| 2.2.2 轴系模型 |
| 2.2.3 永磁同步发电机模型 |
| 2.2.4 机侧变流器控制模型 |
| 2.2.5 网侧变流器控制模型 |
| 2.2.6 桨距角系统控制模型 |
| 2.2.7 直流环节数学模型 |
| 2.3 本章小结 |
| 3 VMD、BSS和Prony算法概述 |
| 3.1 VMD算法概述 |
| 3.1.1 VMD的基本原理 |
| 3.1.2 数值算例分析 |
| 3.2 盲源分离技术概述 |
| 3.2.1 盲源分离观测信号预处理 |
| 3.2.2 Fast ICA算法原理 |
| 3.2.3 SOBI算法原理 |
| 3.2.4 数值算例分析 |
| 3.3 Prony算法概述 |
| 3.3.1 Prony算法的原理 |
| 3.3.2 数值算例分析 |
| 3.4 本章小结 |
| 4 基于改进VMD-SOBI和Prony算法的模态辨识 |
| 4.1 改进VMD算法 |
| 4.1.1 运算时间和迭代次数的改进 |
| 4.1.2 模态数K选取方法的改进 |
| 4.1.3 惩罚因子α选取方法的改进 |
| 4.2 改进VMD和SOBI算法的融合 |
| 4.3 基于改进VMD-SOBI和Prony算法的SSO信号的模态辨识 |
| 4.3.1 次同步振荡信号算例模态辨识 |
| 4.3.2 直驱风电机组产生的次同步振荡信号模态辨识 |
| 4.3.3 实测直驱风电机组产生的次同步振荡信号模态辨识 |
| 4.4 小结 |
| 5 基于MVMD-SOBI算法的模态辨识 |
| 5.1 WAMS量测系统原理 |
| 5.2 MVMD算法 |
| 5.2.1 MVMD算法的原理 |
| 5.2.2 MVMD算法的优化 |
| 5.2.3 主导模态的选取 |
| 5.3 SOBI算法模态辨识 |
| 5.4 MVMD和SOBI算法的融合 |
| 5.5 基于MVMD和SOBI算法的次同步振荡信号模态辨识 |
| 5.5.1 次同步振荡信号算例模态辨识 |
| 5.5.2 直驱风电机组产生的次同步振荡信号模态辨识仿真算例 |
| 5.5.3 实测直驱风电机组产生的次同步振荡信号的模态辨识 |
| 5.6 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
四、Prony分析在电力系统低频振荡研究中的应用（论文参考文献）
- [1]汽轮机侧机网耦合系统低频振荡特性与抑制策略研究[J]. 冯鼎元,康英伟. 河南科技大学学报(自然科学版), 2022
- [2]复频谱插值DFT的电力系统低频振荡信号测量方法[J]. 黄瑞,肖宇,刘谋海,单铉昇,温和. 湖南大学学报(自然科学版), 2021(10)
- [3]含风电电力系统机电振荡局部阻尼评估方法[J]. 孙正龙,姜权峰,王嘉琛,杨德友,蔡国伟,杨浩. 高电压技术, 2021(10)
- [4]基于FSST和D-K聚类的次同步振荡分析[J]. 阳育德,莫富钧,卢建洛,覃智君. 广西大学学报(自然科学版), 2021(04)
- [5]基于ICA的多通道低频振荡模式识别方法[J]. 王冬云,张建刚,陈继刚. 电子器件, 2021(04)
- [6]人工智能在电力系统宽频振荡中的应用与挑战[J]. 冯双,崔昊,陈佳宁,汤奕,雷家兴. 中国电机工程学报, 2021
- [7]基于NExT-DMD的电力系统机电振荡参数提取[J]. 高晗,蔡国伟,杨德友,王丽馨. 电网技术, 2022(01)
- [8]基于改进Prony辨识和天牛群算法的PSS参数优化研究[D]. 张威. 辽宁工程技术大学, 2021
- [9]双馈风电场串补并网的次同步振荡辨识及抑制[D]. 孙少华. 辽宁工程技术大学, 2021
- [10]基于VMD-SOBI和Prony算法融合的直驱风电机组次同步振荡辨识研究[D]. 王雅娴. 兰州交通大学, 2021