【技术实现步骤摘要】
本专利技术属于电力系统稳定与控制，特别是涉及到一种完全数据驱动下基于bayesian-dmd的电力系统功率振荡模式辨识方法。
技术介绍
1、随着“双碳”目标的提出和新型电力系统的发展需求，电网正在逐步向清洁、低碳、安全的方向转型。新型电力系统的大规模互联发展，出现了大容量、远距离、跨区域送电的趋势，电力系统的小干扰稳定性问题也日益突出。同时，由于新能源的大规模接入和电力系统励磁系统的复杂化，功率振荡的特性愈加复杂。例如，风电机组的大量并网以及新能源场站的增多使得系统模型的阶数急剧增加，设备的高度电力电子化加剧了建模的难度，使得系统的准确建模面临巨大挑战。此外，传统的功率振荡模式辨识方法高度依赖于系统模型，需要在建模后通过特征值分析来提取振荡模态。然而，由于模型维数高、动态特性复杂，系统的建模难以及时捕捉运行状态和参数的变化，导致“维数灾”问题显著，且难以适应电力系统的动态运行环境。
2、随着广域测量系统(wams)的快速发展，基于数据驱动的功率振荡模式参数辨识方法得到了广泛应用。现有的wams数据驱动方法多基于暂态故障录波数据，依赖特定的故障发生时间、地点和形式，因此无法全面覆盖系统中的所有振荡模式，通常只能用于事故后的离线分析。同时，由于现代电网发生显著扰动的概率较低，故障录波数据量有限，难以满足对振荡模式精确辨识和控制器设计的高要求。这类方法主要适用于暂态故障稳定的分析和控制，对于功率振荡主导振荡模式的在线辨识和事故前控制方面存在局限性，难以适应快速动态调控的需求。因此，亟需一种基于实时数据的完全数据驱动方法，能
技术实现思路
1、本专利技术的目的是：克服现有技术的不足，提出一种科学合理，适用性强，计算速度快，计算准确度高和鲁棒性好的基于bayesian-dmd的功率振荡模式参数辨识方法。
2、贝叶斯动态模态分解(bayesiandynamicmodedecomposition,bayesiandmd)的功率振荡模式参数辨识方法。
3、解决其技术问题采用的技术方案是，一种完全数据驱动下基于bayesian-dmd的电力系统功率振荡模式辨识方法，其特征是，所述方法包括以下步骤：
4、步骤1：电力系统动态数据输入
5、在不考虑电力系统随机扰动时，将电力系统描述为一个连续的微分代数方程组，所述方程组包含一个有限的子系统集，只关注自治连续微分代数方程，如式(1)所示：
6、
7、0＝g(x,y) (2)
8、式中：f为微分方程组，g为代数方程组；x是状态变量，包括发电机转速、功率角、负载动态状态；y是节点电压幅值、相位代数变量；在考虑负荷随机变化和新能源主动输出引起电力系统功率振荡变化时，通过koopman算子建立了与模态分解相关的概率模型：
9、
10、dmd的输入数据为：
11、x0＝[g(x0)…g(xm-1)]∈cn×m (5)
12、x1＝[g(x1)…g(xm)]∈cn×m (6)
13、式中，g表示n个可观察数据点的集合，m+1表示数据集中的快照个数；
14、步骤2：吉布斯(gibbs)后验抽样
15、在矩阵分解的开始阶段，第一步涉及对输入数据x0和x1进行gibbs后验抽样；现在假设随机变量x服从分布x～p(x|φ)，参数φ＝(θ1,θ2)；φ的先验分布是p＝(θ1,θ2)；此外，{x1,...,xn}是从该分布中抽取的样本集；后验分布可用贝叶斯定理计算：
16、
17、初始化包括随机获取第一个样本，φ＝(θ11,θ21)；使用θ21从p(θ1|θ2＝θ2i,x1,...,xn)去提取θ1i+1，使用θ1i+1从p(θ2|θ1＝θ1i+1,x1,...,xn)去提取θ2i+1；在抽样过程中，每个样本φi都受到前一个样本φi-1的影响；因此，通过gibbs采样得到的样品序列{φ1,...φn}形成一个马尔可夫链；在此基础上，我们可以利用与马尔可夫链有关的性质，类似于metropolis-hasting算法，来证明这个马尔可夫链的平稳分布是目标联合概率分布p＝(θ1,θ2)；
18、通过gibbs采样，对系统输入的发电机角速度、角频率和有功功率的初始数据集进行重采样，并对新重采样的数据集a进行计算；
19、
20、式(6)中，'表示moore-penrose伪逆；由于矩阵数据的高维性质，直接计算特征值和特征向量具有挑战性；因此，需要动态模式分解(dmd)；
21、步骤3：动态模态分解(dmd)过程
22、首先，对矩阵x(m-1)进行奇异值分解(svd)：
23、
24、计算一个新的矩阵
25、
26、然后，计算矩阵特征值分解，即利用式(11)计算特征向量和特征值λ；
27、
28、采用式(10)计算动力模态；
29、
30、步骤4：参数计算
31、根据步骤3中求得的特征值来计算电力系统振荡模式的频率和阻尼比，将特征值从量测数据中转化为系统振荡模态表达式，计算第i阶模式的频率和阻尼比：
32、ηi＝logλi/δt (13)
33、fi＝imag{ηi}/2π (14)
34、σi＝re{ηi} (15)
35、至此，一种完全数据驱动下基于bayesian-dmd的电力系统功率振荡模式辨识方法计算完成。
36、本专利技术的一种完全数据驱动下基于bayesian-dmd的电力系统功率振荡模式辨识方法，包括的步骤有：电力系统动态数据输入、吉布斯(gibbs)后验抽样、动态模态分解(dmd)过程、计算振荡模式的频率和阻尼比。所述方法的特点是，采用系统正常运行状态下的发电机角速度，发电机角频率和有功功率的随机响应数据作为输入，利用bayesian-dmd方法对系统进行功率振荡模式参数辨识。具有科学合理，适用性强，计算速度快，计算准确度高和鲁棒性好的优点。
本文档来自技高网...【技术保护点】
1.一种完全数据驱动下基于Bayesian-DMD的电力系统功率振荡模式辨识方法，其特征是，所述方法包括以下步骤：
【技术特征摘要】
1.一种完全数据驱动下基于bayesian-dmd的电力系...
【专利技术属性】
技术研发人员：郭书嘉，丛靖，柳旭，姜超，周书宇，
申请(专利权)人：浙江科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。