基于改进Prony算法的电力系统低频振荡模式识别

《基于改进Prony算法的电力系统低频振荡模式识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第33卷第5期电网技术Vol.33No.52009年3月PowerSystemTechnologyMar.2009文章编号：1000-3673（2009）05-0044-04中图分类号：TM711文献标志码：A学科代码：470·4054基于改进Prony算法的电力系统低频振荡模式识别1212竺炜，唐颖杰，周有庆，曾喆昭（1．湖南大学电气与信息工程学院，湖南省长沙市410082；2．长沙理工大学电气与信息工程学院，湖南省长沙市410076）IdentificationofPowerSystemLowFrequencyOscillationModeBa

2、sedonImprovedPronyAlgorithm1212ZHUWei，TANGYing-jie，ZHOUYou-qing，ZENGZhe-zhao（1．SchoolofElectrical&InformationEngineering，HunanUniversity，Changsha410082，HunanProvince，China；2．SchoolofElectrical&InformationEngineering，ChangshaUniversityofScienceandTechnology，Changsha410076，Hunan

3、Province，China）ABSTRACT:AnewimprovedPronyalgorithmispresentedin0引言whichtheoscillationamplitudetobesolvedisservedasweight[1-3]在全国电网互联与西电东送的过程中，电力andthetrainedbyneuralnetworktoimplementthe交换更加频繁，安全稳定问题大多表现为低频振identificationofpowersystemlowfrequencyoscillationmode.[4]荡。电力系统低频振荡频率

4、一般在0.2~2.5Hz范TheproposedalgorithmavoidsthedefectswhilePronyalgorithmisappliedinactualcalculation,suchas围内。利用现场实测数据分析、处理信号，得到振ill-conditionedexpressionofmatrixandlowaccuracyof荡特征参数是研究电力系统低频振荡的一种有效[5-7]amplitudeandphasecalculatedbymatrix;andovercomesthe途径。shortcominginweakanti-i

5、nterferenceabilityoftraditional分析实测数据、识别低频振荡模式的方法有实Pronyalgorithm.Simulationresultsshowthattheimproved时快速傅里叶变换(fastFouriertransform，FFT)[8]、Pronyalgorithmcaneliminateinterferenceeffectivelyand小波算法[9]、Prony算法[5]等。实时FFT的精度受数identifydominantmodereliablyandaccurately,besidesits据窗限

6、制，不能反映振荡的阻尼特性；小波算法可calculationburdenislight,sotheproposedalgorithmissuitable以反映信号的时变特性，但存在小波基难以选取的toidentifytheoscillationsignalscontainingnoisesundermulti问题；Prony算法能直接提取幅值、相位、频率和samplingnumber.衰减因子，算法简便，因此被广泛用于电力系统低KEYWORDS:Pronyalgorithm；neturalnetwork；low频振荡模式的识别[10-15]。但是，

7、Prony算法对噪声frequencyoscillation；dominantmode；modeidentification较敏感，识别含噪低频振荡信号时的误差较大；当摘要：提出了一种新的改进Prony算法，该算法将待求振荡振荡模式为多阶且采样率增大时，识别振荡幅值和[11]幅值作为权值，基于神经网络进行训练，实现对电力系统低初相的计算量呈指数增加，矩阵求逆运算困难。频振荡模式的识别。该算法避免了Prony算法在实际计算中针对Prony算法的这些问题，文献[12]中采用预估低矩阵呈病态以及通过矩阵求逆计算幅值和相位时精度不高频阶数来预测振荡趋势，减

8、小了计算量，但合适的的问题，克服了传统Prony算法抗干扰较差的问题。仿真结线性预测参数不好把握。文献[13]对实测数据滤