| 在现代电力系统中,随着新能源的大规模接入和电网结构的日益复杂化,系统稳定性面临前所未有的挑战。 其中,强迫振荡作为一种典型的动态不稳定现象,因其起振迅速、持续性强、危害大等特点,已成为威胁大电网安全运行的重要因素之一。 近年来,芬兰、美国、中国、印度等多个国家相继发生过典型强迫振荡事件,频率分布在0.14Hz至1.57Hz之间,暴露出传统监测与定位手段在应对复杂振荡场景时的局限性。 在此背景下,东北电力大学姜涛团队于2026年发布《数据驱动的电力系统强迫振荡源定位》研究报告,系统性地提出了一套基于广域量测信息的数据驱动型强迫振荡源定位技术体系,为提升电网主动防御能力提供了关键技术支撑。 报告首先指出,准确、快速地定位强迫振荡源是实施有效抑制措施的前提。 当前主流方法可分为模型驱动与数据驱动两类。 前者依赖精确系统模型,难以适应实际系统的时变特性;后者则依托PMU(同步相量测量单元)等广域量测数据,具有更强的工程适用性。 其中,耗散能量流(DEF)方法因物理意义清晰、计算简便、精度较高,已在实际调度系统中广泛应用。 然而,传统DEF方法在面对振荡模式时变、多模态、噪声干扰及系统可观性不足等问题时,其定位性能仍受显著制约。 为此,研究团队围绕“分量提取—源定位—性能提升”三大核心环节展开系统攻关。 在强迫振荡分量提取方面,提出了两种创新方法:一是基于多元经验模态分解(MEMD)的时域同步提取法,通过构建多通道信号联合分解模型,实现对多个电气量(如频率、电压、有功/无功功率)的同步分解,并利用Teager能量算子识别主导振荡IMF分量,相较单通道EMD效率提升超过60%;二是面向时变与多模态特征的自适应时-频域能量提取方法,结合短时傅里叶变换(STFT)构建多通道时频系数矩阵,通过设定自适应能量阈值,在时频平面上精准追踪振荡能量分布,有效识别频率漂移与多重谐波成分,适用于WECC-240等大型测试系统中的复杂振荡场景。 在强迫振荡源定位层面,研究实现了从时域到频域以及时-频域的多维度拓展。 传统的时域DEF需重构振荡分量,易受噪声影响且无法反映频率特性。 为此,团队基于Parseval定理将DEF推广至频域,提出“耗散能量谱”概念,直接在频域计算各发电机在不同频率下的能量贡献,避免了时域重构带来的误差。 该方法可直接估计主导振荡频率,并定位出耗散能量谱为负且绝对值最大的机组作为振荡源。 实测案例显示,该方法成功定位ISO-NE电网中频率为0.14Hz的强迫振荡源,而传统时域方法因能量曲线非单调已失效。 为进一步提升频率分辨率,研究引入同步压缩变换(SST)技术,对连续小波变换(CWT)结果进行能量重排,显著增强时频聚焦性。 仿真表明,SST能更精确识别含0.2Hz基频及0.6Hz、1Hz高次谐波的复合振荡,定位精度优于传统方法。 针对多振荡源与系统可观性受限等挑战,研究进一步提出时-频域耗散能量流方法。 该方法将能量流计算扩展至时间-频率二维空间,不仅能定位振荡源,还可可视化能量传播路径。 在WECC-240系统中,当节点4231发电机注入0.54Hz→0.68Hz时变振荡信号时,该方法成功捕捉频率切换过程,并通过能量流向分析,结合网络拓扑,准确定位出未装设PMU的振荡源节点。 在双源场景下,亦能同时识别0.43Hz与0.65Hz两组振荡模式,实现多源协同定位。 为全面提升定位性能,研究还提出了两项关键优化技术:一是基于多元变分模态分解(MVMD)的自适应分解与定位框架。 MVMD通过构造多元变分约束模型,实现多通道信号的同步、自适应分解,避免了EMD的模态混叠问题。 实验表明,MVMD在强噪声环境下仍能稳定提取振荡分量,定位结果鲁棒性强,且计算效率优于传统VMD与MEMD。 二是基于多元同步压缩变换(MSST)的多通道时-频域定位方法。 该方法通过扩展SST至多通道场景,构建MSST系数矩阵与能量权重矩阵,实现对强迫振荡模式的高精度、高效率联合提取与定位。 实测数据显示,MSST相较传统CWT与SST方法,在保持更高定位精度的同时,计算时间缩短达37.6%,具备良好的在线应用潜力。 最终,研究团队构建了集硬件(PMU、实时仿真平台)与软件(可视化分析界面)于一体的数据驱动强迫振荡监测分析平台,并展望未来将聚焦新能源与电力电子设备引发的新型强迫振荡问题,探索设备级扰动源定位与在线抑制策略。 总体而言,该报告系统构建了“感知—分析—决策”闭环的技术链条,推动强迫振荡源定位由“事后溯源”向“实时预警—精准定位—快速处置”演进,对保障新型电力系统安全稳定运行具有重要理论价值与工程意义。 本文由【报告派】研读,输出观点仅作为行业分析! 原文标题:2026-03-04-东北电力大学-电力行业:数据驱动的电力系统强迫振荡源定位 发布时间:2026年 出品方:东北电力大学 文档页数:36页
精品报告来源:报告派 |

















