利用S变换局部异值的同调机组识别方法.docVIP

利用S变换局部奇异值的同调机组识别方法* 倪艳荣，（） 摘要： 关键词：；；； 中图分类号：TM 文献标识码：B 文章编号：1001-1390（201）00-0000-00 Ni Yanrong, Xu Ke, Wang Weidong (He’nan Institute of Technology, Xinxiang 453000, He’nan, China) Abstract：A new method of coherency identification using S-transform and local singular value decomposition (SVD) is proposed in this paper. Time-frequency information matrix of each generator is obtained by S-transform of power angle information, which is obtained by WAMS. The maximum singular value of each sub-block is calculated, which is divided by the time-frequency information matrix. The coherency recognition feature matrix is constructed by the maximum singular value of each sub-block, and the coherency grouping is carried out by distributed clustering method. The example of IEEE-39 node system shows that this method can accurately identify coherent generators under different fault types with the characteristic of extracting the valid information of power-angle rocking curve effectively because of its strong anti-noise robustness. Keywords：wide area measurement system, coherent generator, S-transform, distributed clustering method0　引 言 为了满足供电可靠性与用电经济性的要求，电力系统规模迅速扩增，相应地引起了系统安全稳定的问题。小扰动大事故频繁发生，如：美墨“9·8”大停电事故、印度“7·30”大停电事故等。为了避免网瘫痪，学者们提出在整个系统失稳前将故障区隔离，振荡，即实施主动解列控制[1]。解列后孤岛内机组同调有利于孤岛稳定，因此，主动解列控制依赖于的机组同调分群[2]受计算能力限制，分析大规模区域互联电网的暂态稳定性十分困难动态等值法通过将外部系统进行等值简化，减少计算量，而机组同调识别是等值简化中的[3]。 当系统受到扰动而发生振荡时，系统中电气连接紧密且发电机转矩系数相近的机组会表现出一致的动态特性，即机组同调性[4]。的同调机组分群方法为：假想故障形式，利用系统参数（发电机机动参数与网络参数）进行预分群，实时匹配故障分群方法不能囊括所有故障，无法适应大规模复杂系统[5]。随着的发展，使电力系统动态行为实时监测成为可能，相量测量系统（Phasor measurement unit，PMU）获功角信息，深度挖掘功角信息有效特征，进行同调机组。 功角摇摆曲线高维数据特征提取[6]。功角摇摆曲线是非平稳、非线性信号，用傅里叶变换提取频域特征[7]。文献[8]应用独立分量技术进行特征提取，但该算法很难收敛，迭代次数过高；文献[9]采用非负矩阵分解消除冗余信息，但该算法分解过程复杂，不能实现快速降维；文献[10]利用主成分分析法进行特征降维，但该算法解释含义模糊，特征提取准确度不高。 离散S变换集成了小波变换和短时傅里叶变换的优点，根据信号频率自动调整高斯函数窗宽度，在低频带具有良好的频率分辨率，在高频带具有良好的时间分辨率，对信号噪声敏感程度低，能够全面准确获取信号的时频信息，是一种良好的时频分析方法[11]。 本文将离散S变换与矩阵奇异值结合，提出利用离散S变换与局部奇异值分解功角摇摆曲线时频信息模值矩阵，时频信息模值矩阵中不同时频段最大奇异值构造机组特征矩