次超同步振荡

随着可再生能源和高压直流输电的快速发展，次超同步振荡事故频发，对现有电力系统振荡的在线监测提出了更高要求。为此，提出了一种基于同步相量数据幅频特征的次超同步振荡模式辨识方法。首先分析了次同步振荡和超同步振荡对同步相量测量装置(phasor measurement unit, PMU)数据的影响机制，结果表明，PMU数据的正负频谱与次超同步振荡的模态线性相关。其次利用多点PMU数据相干谱判别振荡与噪声，有效减少了噪声引起的误判断。然后对次超同步振荡下的PMU数据开展频谱分析，建立了4个幅频特征量，并将振荡数据的特征集合作为输入训练并优化极限梯度提升树(extreme gradient boosting, XGBoost)模型，建立幅频特征与振荡模式的映射关系。所提方法利用振荡环境下PMU数据的固有幅频特征以及XGBoost算法强大的泛化性与计算效率，实现了噪声环境下次超同步振荡模式的快速、准确辨识。最后，利用仿真数据和实测数据验证了所提方法的有效性和实用性。

针对在弱电网下直驱风电机组引起的次同步振荡（subsynchronous oscillation，SSO)现象，提出基于一阶总扰动偏差控制的微分前馈线性自抗扰控制器（linear active disturbance rejection control，LADRC），采用全改进LADRC控制策略抑制SSO现象（“全”是指电压外环、电流内环以及 PLL 锁相环3个环节都采用相应的控制）。首先，建立直驱风电机组并网数学模型；其次，结合风电机组并网系统对改进LADRC控制器进行设计并对其进行特性分析，该控制器相较于传统LADRC，不仅减小系统的跟踪误差且抗干扰性能更强；最后，通过PSCAD/EMTDC仿真软件将本文策略与全PI、全传统LADRC进行仿真对比。结果表明：相较于全传统LADRC，本文方法在降低1.62%超调量的同时，缩短0.129 s系统调节时间，有效抑制SSO现象并且具有较好的适应性。

研究了直驱风电场次同步振荡分析的降阶模型，提出了基于交替方向隐式(alternating direction implicit，ADI)的平衡截断方法。首先，根据直驱式永磁同步风电机组的数学表征搭建风电场的数学模型，采用ADI方法迭代求解李亚普诺夫方程，得到可控的格莱姆矩阵与可观的格莱姆矩阵；然后，采用平衡截断的方法得到降阶模型；通过对比全阶模型与降阶模型的时域仿真波形、Bode图、计算耗时以及次同步振荡模式，验证了方法的有效性。仿真结果表明，降阶模型与全阶模型具有很好的一致性，同时计算速度提高，降阶阶数大大降低。

近年来风电并网比例大幅提高，由此引发的次/超同步振荡的发生概率也大大提高，严重威胁系统的安全稳定性。准确辨识次/超同步振荡参数是抑制振荡的基础，提出基于注意力机制的残差卷积神经网络的辨识方法。卷积神经网络的局部相关性和权值共享决定了其具有更强的特征学习和表达能力，通过结合注意力机制可以更准确地辨识振荡参数。同时，引入残差连接，用以解决深层卷积神经网络存在的梯度消失和网络退化问题。仿真结果表明：相较于传统方法，该方法不仅能在较短时间窗数据上完整地辨识次/超同步振荡的参数，且能规避传统方法因主观因素带来的辨识误差，降低振荡参数辨识的复杂度。