基于NGO优化MVMD与改进TLS-ESPRIT的DFIG次同步振荡参数辨识方法

《International Transactions on Electrical Energy Systems》：Subsynchronous Oscillation Parameters Identification Method for DFIG Based on NGO-Optimized MVMD and Improved TLS-ESPRIT

　　

为克服双馈感应发电机（doubly fed induction generator, DFIG）次同步振荡（subsynchronous oscillation, SSO）参数辨识中的模式混叠、辨识精度低和噪声鲁棒性差等问题，提出一种结合多变量变分模态分解（multivariate variational mode decomposition, MVMD）与总体最小二乘-旋转不变技术信号参数估计（total least squares estimation of signal parameters via rotational invariance techniques, TLS-ESPRIT）的改进参数辨识方法。首先，利用MVMD分解DFIG并网电流信号。分解过程中，采用北方苍鹰优化（northern goshawk optimization, NGO）算法选择模态数K和惩罚因子α。随后进行相关分析，从分解分量中识别主导模态。对主导模态重采样以构建Hankel矩阵，并进行奇异值分解（singular value decomposition, SVD）。基于奇异值熵（singular value entropy, SVE）优化信号子空间阶数b，随后采用TLS-ESPRIT辨识SSO分量参数。利用复合信号和含DFIG风电场的4机2区系统开展时域仿真，并采用河北沽源风电场实测SSO数据验证所提方法。结果表明，与对比分解方法相比，所提方法的数据处理效率提高60%以上。对于复合信号，幅值、频率、相位和阻尼因子的最低辨识精度较相应传统方法分别提高8.50%、9.04%、8.56%和8.50%。不同噪声水平下的辨识结果与理论值高度吻合，即使在10 dB噪声干扰下，最低辨识精度仍保持在96%以上。这些结果证明了所提方法用于SSO参数辨识的准确性和优越性。

研究背景方面，风电场并网规模扩大使风电场与电网动态耦合引发的次同步振荡（SSO）问题增多，SSO会降低电能质量，严重时导致风电场脱网甚至损坏电力系统设备，威胁并网风电系统安全可靠运行。相量测量单元（phase measurement unit, PMU）广泛用于新能源场站，DFIG风电场SSO辨识需PMU在线获取并网电压、电流信号，再通过辨识方法提取SSO的幅值、频率、相位和衰减因子等特征参数，为及时抑制和降低风险提供依据。现有频域法、时频法、信号分解法、参数辨识法和数据驱动法分别存在频谱泄漏与栅栏效应、计算复杂度较高、对基函数或参数选择敏感、模式混叠或冗余模态、对噪声和模型阶数敏感、依赖训练数据代表性等问题。大规模DFIG风电场多通道测量、噪声、密集弱振荡模态和时变工况，对辨识精度、鲁棒性、计算效率和自适应性提出更高要求，尤其需要实现自适应信号分解和可靠信号子空间确定。为此，研究人员提出NGO优化MVMD与改进TLS-ESPRIT相结合的SSO参数辨识框架，并以复合信号、含DFIG风电场的4机2区系统和河北沽源风电场实测数据验证，结果表明该方法能提高多通道数据处理效率与参数辨识精度，在10 dB噪声下最低辨识精度仍高于96%，具有工程适用性，可为后续SSO抑制策略提供可靠依据。

关键技术方法：采用MVMD对PMU多通道并网电流进行联合分解；以各通道各模态总排列熵（permutation entropy, PE）最小为目标，利用NGO自适应优化K和α；以相关系数（correlation coefficient, CC）识别主导本征模态函数（intrinsic mode function, IMF）；对主导模态重采样构建Hankel矩阵并经SVD，基于SVE确定信号子空间阶数b；最后用TLS-ESPRIT估计幅值、频率、相位和衰减因子。验证平台包括复合信号、含50台5 MW DFIG的4机2区系统，以及河北沽源风电场Gulian线和Guquan线PMU实测SSO电流（报告率50 Hz，风电场主要为1.5 MW DFIG机组，取1 s数据段）。

研究结果方面，5.1 NGO优化MVMD复合信号分解结果：复合信号由三通道Xa(t)、Xb(t)、Xc(t)叠加高斯白噪声构成，信噪比（signal-to-noise ratio, SNR）为20 dB、标准差σ为0.05；NGO迭代后三通道总归一化PE最小值分别为0.651、0.643和0.662，K=2、α=2000时总归一化PE最小。5.1.1 复合信号分解结果：相关分析显示IMF1与原始信号CC约为99.96%、99.95%、99.97%，IMF2约为42.13%、45.07%、43.65%，其余分量相关性较小，故保留IMF1和IMF2；未优化α时存在严重模式混叠和IMF2噪声污染，优化α后混叠消除，Xa(t)的IMF1/IMF2对应30 Hz/10 Hz，Xb(t)对应50 Hz/20 Hz，Xc(t)对应40 Hz/30 Hz，IMF2噪声显著缓解，分解幅频与理论一致。5.1.2 分解效率分析：与EMD和VMD方法在相同环境下比较，所提方法分解效率分别提高69.29%和61.54%。5.2 基于改进TLS-ESPRIT复合信号参数辨识结果：5.2.1 固定阶数优化分析：由不同通道IMF1和IMF2的SVE曲线突变点确定有效阶数，信号子空间V_S的阶数P优化为2。5.2.2 辨识精度分析：与未改进MVMD-TLS-ESPRIT及代表性参数辨识方案比较，所提方法对各类IMF参数提取精度更高；与未改进方法相比，幅值、频率、相位、衰减因子的最低辨识精度分别提高8.50%、9.04%、8.56%、8.57%，不同SNR（10 dB、30 dB、50 dB）下辨识结果与理论值偏差较小，10 dB时最低精度仍高于96%。5.3 基于DFIG风电场的4机2区系统仿真验证：系统含50台5 MW DFIG，经0.69/35 kV升压至35 kV母线，再经35/230 kV接入230 kV线路，串联补偿电容Cg在2 s投入；35 kV母线并网电流出现明显SSO并逐渐发散，三相输出含50 Hz基频和25.7 Hz SSO分量，NGO优化MVMD提取IMF1和IMF2，辨识得到IMF2频率约25.719/25.741/25.736 Hz、幅值约0.460—0.462 pu，IMF1约50 Hz，三相初始相位和衰减因子略有差异；持续振荡可能不利于系统稳定运行，需要有效抑制。5.4 实测数据验证：采用河北沽源风电场Gulian线和Guquan线PMU记录的A相SSO电流1 s数据段，MVMD将Gulian线信号分解为IMF1（SSO）、IMF2（基频）和IMF3（噪声），将Guquan线信号分解为IMF1（SSO）、IMF2（基频）和IMF3（附加振荡）；辨识结果表明Gulian线A相含约50 Hz基频和8.42 Hz、幅值48.93 A的SSO分量，Guquan线A相含约50 Hz基频、7.34 Hz、幅值244.92 A的SSO分量以及381.39 Hz、幅值42.18 A的超同步振荡分量，后者衰减因子较大而快速衰减，初始相位和衰减因子在两线路间略有差异，验证了方法的工程适用性。

讨论与展望部分指出，所提方法在大规模DFIG风电场实际应用中仍需算法轻量化与实时能力提升，可探索稀疏建模、增量更新、低秩分解和并行计算；仍需更大规模PMU数据评估数据丢失和通信延迟下的鲁棒性；还需提升跨场景泛化能力，以适应风电场容量、机组数量、运行工况、电网强度、网络参数和控制器设置差异。研究结论翻译如下：其一，NGO优化MVMD提高了DFIG风电场多通道SSO信号分解与处理效率，通过自适应优化K和α有效抑制模式混叠，改善非平稳SSO分量分离并提升多通道信号处理效率，为后续SSO参数辨识提供可靠模态分量。其二，改进TLS-ESPRIT提高了DFIG风电场SSO参数辨识精度与鲁棒性，通过引入SVE自适应确定模型阶数b，减少对经验阶数选择的依赖，并在不同噪声条件下保持可靠辨识性能，可准确估计主导SSO频率、幅值、相位和阻尼特性。其三，复合信号、仿真和实际风电场数据验证了所提方法的有效性和工程适用性，该方法能准确识别复合信号及含DFIG风电场的4机2区系统中的主导SSO模态，河北沽源风电场实际SSO数据进一步验证了实际风电场工况下的有效性和鲁棒性，为后续SSO抑制策略提供了可靠研究基础。