[论文解读] Data-Driven Diagnostics of Mechanism and Source of Sustained Oscillations

Xiaozhe Wang, Konstantin Turitsyn|arXiv (Cornell University)|Jun 2, 2015

Power System Optimization and Stability参考文献 33被引用 3

一句话总结

本文提出一种基于数据驱动的方法，利用PMU测量数据诊断电力系统中持续振荡的机理与源头。通过识别弱阻尼振荡、极限环和强迫振荡在峰度和功率谱密度等统计特征上的显著差异，该方法能够在低信噪比条件下实时准确分类振荡类型，从而实现针对性的控制措施以恢复系统稳定。

ABSTRACT

Sustained oscillations observed in power systems can damage equipment, degrade the power quality and increase the risks of cascading blackouts. There are several mechanisms that can give rise to oscillations, each requiring different countermeasure to suppress or eliminate the oscillation. This work develops mathematical framework for analysis of sustained oscillations and identifies statistical signatures of each mechanism, based on which a novel oscillation diagnosis method is developed via real-time processing of phasor measurement units (PMUs) data. Case studies show that the proposed method can accurately identify the exact mechanism for sustained oscillation, and meanwhile provide insightful information to locate the oscillation sources.

研究动机与目标

• 为解决在电力系统中区分三种关键振荡机理——弱阻尼振荡、霍普夫分岔产生的极限环以及强迫振荡——这一关键挑战。
• 克服传统波形分析方法的局限性，即尽管波形时间序列表现相似，仍无法区分不同机理。
• 开发一种基于PMU测量数据的实时、数据驱动诊断框架，以识别持续振荡的根本原因。
• 为定位振荡源头提供可操作的洞察，从而实施适当的对策，如PSS调参、运行方式重置或扰动隔离。

提出的方法

• 构建统一的数学框架，对三类振荡机理进行建模：弱阻尼振荡建模为调幅正弦信号，极限环建模为带噪声的确定性周期信号，强迫振荡建模为外部周期性激励。
• 推导各类模型下统计特征（特别是峰度和功率谱密度）的解析表达式，以实现对不同机理的区分。
• 以峰度为主要判别指标：由于振幅调制效应，弱阻尼振荡呈现高斯峰度，而极限环与强迫振荡则表现出较低且可区分的峰度值。
• 利用功率谱密度进一步区分极限环（宽带、非线性特征）与强迫振荡（在激励频率处呈现尖锐离散谱峰）。
• 将该方法应用于PMU数据流的实时处理，实现在无需完整系统模型知识条件下的在线诊断。
• 通过在改进的PSAT测试系统上进行数值案例研究验证该方法，证明其在低信噪比条件下的鲁棒性。

实验结果

研究问题

• RQ1 峰度和功率谱密度等统计特征是否能够可靠地区分PMU数据中的弱阻尼振荡、极限环与强迫振荡？
• RQ2 当信噪比较低且各类机理的时间序列波形外观相似时，所提方法在识别振荡机理方面表现如何？
• RQ3 该方法是否能提供可操作的信息以定位振荡源头，特别是对于强迫振荡？
• RQ4 与传统波形分析技术相比，该方法在诊断振荡机理方面性能提升程度如何？
• RQ5 在存在噪声与测量不确定性的实际系统条件下，该诊断框架的鲁棒性如何？

主要发现

• 所提方法仅基于PMU数据即可在低信噪比条件下准确识别振荡机理（弱阻尼、极限环或强迫振荡）。
• 各类机理的峰度值存在显著差异：弱阻尼振荡因振幅调制而呈现高斯峰度，而极限环与强迫振荡则表现出较低且可区分的峰度水平。
• 功率谱密度分析成功区分了极限环（宽带、非线性成分）与强迫振荡（在激励频率处呈现尖锐离散谱线）。
• 通过检测与特定系统元件的相位一致性和频率对齐性，该方法可实现源头定位，尤其在强迫振荡中表现高效。
• 在改进的PSAT测试系统上的案例研究表明，该方法在包含噪声与负荷波动的真实条件下仍保持高诊断精度。
• 该框架计算效率高，适用于广域监测系统中的实时部署。