浅析电力系统模型参数辨识
电力系统分析知识点总结
电力系统分析知识点总结电力系统分析是指对电力系统的结构、运行和控制进行全面分析和评估的过程。
它是电力系统规划、运维和经济运行的重要基础，也是电力工程师必备的知识和技能。
下面将从电力系统的建模、稳态分析、暂态分析和控制四个方面进行知识点总结。
一、电力系统建模：1. 节点模型：节点模型是电力系统建模的基础，节点是电力系统中的物理实体，可以是发电机、负荷、变压器等，节点模型的目的是描述节点的行为和响应。
2. 支路模型：支路模型是描述电力系统中支路的电气特性，例如电阻、电抗、电容等，支路模型主要用于描述节点之间的电压和电流关系。
3. 发电机模型：发电机模型是对发电机的建模，通常包括稳定模型、暂态模型、电压控制模型等，用于描述发电机的动态响应和控制策略。
4. 负荷模型：负荷模型用于描述电力系统中的负荷特性，例如负荷的功率、功率因数、电流波形等，负荷模型可以分为静态负荷模型和动态负荷模型。
二、电力系统稳态分析：1. 潮流计算：潮流计算是电力系统中最基本的稳态分析方法，用于计算系统中各节点的电压、电流和功率等参数，以评估系统的稳态性能和电力负荷分布情况。
2. 短路计算：短路计算是用于计算电力系统中短路电流和短路电流的传播路径，以评估电力设备和保护装置的保护性能。
3. 功率平衡计算：功率平衡计算用于计算电力系统中有功功率、无功功率和视在功率的平衡情况，以评估系统的功率稳定性和有效利用情况。
4. 稳定裕度计算：稳定裕度计算用于评估电力系统的稳定性能和能力，包括暂态稳定裕度和静态稳定裕度两方面的指标。
三、电力系统暂态分析：1. 短路分析：短路分析用于计算电力系统中瞬态短路电流和短路电流的传播路径，以评估电力设备和保护装置的瞬态性能和可靠性。
2. 过电压分析：过电压分析用于评估电力系统中的过电压情况，包括感应过电压、雷击过电压、瞬变过电压等，以制定过电压保护和控制策略。
3. 谐波分析：谐波分析用于分析电力系统中的谐波电流和谐波电压，以评估系统的谐波污染情况和对谐波的抑制措施。
电力系统稳定性分析与建模研究
电力系统稳定性分析与建模研究电力系统是现代社会不可或缺的基础设施之一，其稳定性对于保障电力供应的连续性和可靠性至关重要。
为了确保电力系统能够在各种外部扰动条件下保持稳定运行，研究人员一直致力于电力系统稳定性分析与建模的研究。
本文将对电力系统稳定性的分析方法和建模研究进行探讨和总结。
首先，电力系统稳定性的分析是对电力系统内部的各种动态过程进行研究和评估，以确定系统在发生外部干扰或内部失衡时能否恢复到正常工作状态的能力。
电力系统的稳定性分析主要包括动态稳定性和静态稳定性两个方面。
动态稳定性是指电力系统在受到扰动时，系统各个节点电压和功率的动态变化能够在短时间内达到稳定状态的能力。
动态稳定性分析主要关注电力系统对大扰动的响应能力，例如电网突然发生短路故障或者大负荷突然变动等情况。
为了对动态稳定性进行分析，研究人员通常采用数学模型来描述电力系统的动态过程，并运用相应的数值算法求解。
静态稳定性是指电力系统在平衡状态下，对小扰动的响应能力。
静态稳定性分析通常通过电力系统的潮流分析来实现，以评估系统对负荷变化的响应能力和传输能力。
静态稳定性的分析结果能够帮助电力系统运营人员调整系统参数，以确保电力供应的可靠性。
在电力系统稳定性的建模研究方面，研究人员通过分析电力系统中各个元件（例如发电机、变压器、输电线路等）的运行特性和相互之间的相互作用，建立了相应的数学模型。
这些模型能够反映电力系统的运行状态，并通过基于物理原理的数学方程来描述各个元件的行为。
电力系统稳定性建模的关键是准确地描述系统中各个元件之间的相互作用和电磁转矩的平衡性。
为了达到这个目的，研究人员通常采用微分方程或差分方程来描述电力系统的动态特性，并考虑元件之间的耦合和非线性特性。
此外，为了提高模型的准确性，研究人员还引入了状态估计和参数辨识等技术来对电力系统进行模型校正和更新。
除了传统的建模方法，近年来，基于机器学习和人工智能的建模方法也开始在电力系统稳定性研究中得到广泛应用。
漫谈电网规划数据中架空线路参数辨识
漫谈电网规划数据中架空线路参数辨识1 概述电网规划是电网安全稳定运行的基石，电网规划数据的准确性尤其是数据中交流架空线路参数的准确性对规划结果的合理性具有重要影响。
对于输电线路的参数辨识方法较多，例如增广状态估计法、偏移向量法、卡尔曼滤波法等传统数值方法，这些方法能较好地逼近平滑目标函数的极值点，但其迭代过程都依赖量测方程的增广雅可比矩阵，苛刻地要求量测系统必须同时满足状态可观测和参数可估计条件，并且可能遭受数值问题的干扰。
参考文献[4]中提出一种线路参数估计启发式方法，将目标函数从增广解空间垂直投影到参数空间，以启发式方法搜索参数空间，寻找投影下表面的下确解，较好地解决了数值问题的干扰。
参考文献[5]在基于双端PMU数据的线路线性数学模型和相应的最小二乘辨识的基础上，引入基于IGG法的抗差准则。
2 BP人工神经网络2.1 BP神经网络模型BP神经网络由输入层、隐含层和输出层三层网络组成。
BP神经网络的核心在于其误差反向传播，反向传播的学习规则是基于梯度下降法，由输出端的实际输出值与期望输出值的误差平方和进行链式求导，从而各层之间的连接权值。
2.2 BP神经网络模型算法优缺点分析神经网络可以充分逼近任意复杂的非线性关系；采用并行分布处理方法；可学习和自适应不确定的系统等。
BP神经网络算法的极小化代价函数易产生收敛慢或者振荡的现象；代价函数不是二次的，而是非凸的，存在许多局部极小点的超曲面。
这也导致神经网络算法对初值的要求较高，给定较好的初值，BP神经网络的收敛速度会大大加快，而且不易陷入局部极小值。
3 线路参数辨识中多元回归模型与神经网络的结合3.1 线路长度回归计算模型实际工程中，线路长度与阻抗导纳值之间的关系是确定的，对于架空线路，当长度小于300km时，其阻抗导纳参数等于该型号架空线路单位长度的阻抗导纳值与线路长度的乘积，此时阻抗导纳参数与线路长度为简单的线性关系；而当长度大于300km时，其阻抗导纳参数的值就需要考虑长距离输电线路分布参数的情况，此时并不能用简单的线性关系来描述。
风电场等值建模和参数辨识研究
精品文档供您编辑修改使用专业品质权威编制人：______________审核人：______________审批人：______________编制单位：____________编制时间：____________序言下载提示：该文档是本团队精心编制而成，希望大家下载或复制使用后，能够解决实际问题。
文档全文可编辑，以便您下载后可定制修改，请根据实际需要进行调整和使用，谢谢!同时，本团队为大家提供各种类型的经典资料，如办公资料、职场资料、生活资料、学习资料、课堂资料、阅读资料、知识资料、党建资料、教育资料、其他资料等等，想学习、参考、使用不同格式和写法的资料，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!And, this store provides various types of classic materials for everyone, such as office materials, workplace materials, lifestylematerials, learning materials, classroom materials, reading materials, knowledge materials, party building materials, educational materials, other materials, etc. If you want to learn about different data formats and writing methods, please pay attention!风电场等值建模和参数辨识探究关键词：风电场，等值建模，参数辨识，最小二乘法，矢量控制1. 引言随着我国对可再生能源的进步越来越重视，风电已成为我国电力行业的重要组成部分。
电力系统综合负荷模型的辨识算法研究
电力系统综合负荷模型的辨识算法研究Study on A ggregate Pow er L oad Param eter E sti m ati on A lgo rithm长沙电力学院(湖南长沙410077) 王 进 苏 盛湖南大学(湖南长沙410082) 李欣然摘 要:研究了一种具有全电压范围适应性的动态负荷模型,提出了一种用于模型参数辨识的改进模式搜索算法,仿真结果表明了所提出的模型辨识算法的可行性和有效性。
关键词:电力系统综合负荷模型;动态负荷模型;模型参数辨识;改进模式搜索算法中图分类号:TM715文献标识码:A文章编号:100329171(2002)1120008205电力系统运行状况的仿真计算,是电力系统规划设计和运行决策的重要依据。
电力综合负荷建模在电力系统仿真计算中占有极为重要的地位。
不正确或不恰当的负荷模型,难以描述负荷的真实运行行为,使电力系统仿真计算结果的可信程度大为下降,甚至可能导致决策的错误。
如参考文献[1]所述,在对加拿大渥太华地区一个局部系统从互联大系统解列后的系统电压稳定研究中发现,采用动态负荷模型与静态负荷模型得出的结果差别巨大,静态模型甚至导致完全错误的结论。
这说明电力负荷的运行特性或运行行为的描述对电力系统电压稳定性有着极其重要的影响,动态负荷模型对电压稳定分析的重要性越来越受到广泛的重视。
本文在研究一种具有全电压范围性的综合负荷模型的基础上,提出了一种改进模式搜索优化算法,详细阐述了模型的参数辨识原理及算法实现过程。
通过将综合负荷模型用于动模实验的成功建模,得出了一些有意义的结论。
1 系统模型[2]111 综合负荷等值模型设综合负荷由静态负荷与动态负荷两部分组成。
静态部分用一恒定导纳(Y s=G s-j B s)等值;动态部分(Y d=G d-j B d)的等值模型由式(1)～式(5)描述。
负荷电纳B>0时为感性。
G1(V)=k g0V k g1,ΠV≥V crG2(V)=g0,ΠV<V cr(1)B(V)=b0+b12-(G(V) b1)21-1-(G(V) b1)2+b2G b3(V),ΠV≥V crB(V)=b0+b12-(G(V) b1)21+1-(G(V) b1)2+b2G b3(V),ΠV<V cr(2)T g(d G d t)=f G1(V,G)・f G2(G)=f G(V,G)(3)f G1(V,G)=P ls-P ld=P ls-V2G(t)(4)f G2(G)=+K G21-(G G cr)21-1-(G G cr)2f G2(G)=-K G21-(G G cr)21+1+(G G cr)2(5)(1)～(5)式中各有关部分所代表的意义如下[1]:(1)式(1)中,V为综合负荷的运行电压,G (V)为静态等值电导;G1、G2分别对应于稳定区和失稳定区,V cr是其失稳临界电压,系数k g0,k g1为稳定区或稳定模式下的模型参数;g0为失稳区或失稳模式下的模型参数。
《电力系统分析理论》课件第2章 模型参数
3 2
U
3N
I
3N
在变压器出厂时已给出各对绕组间的短路损耗ΔPs(1-2)、 ΔPs(2-3)、ΔPs(1-3)。
第二章 电力系统元件模型及参数计算
当容量比为100/100/100时
Ps (1 2 ) Ps (13)
Ps1 Ps1
Ps2 Ps3
Ps ( 2 3)
Ps 2
Ps
3
由上式可以解出，每一个绕组的短路损耗为：
对于铝，α=0.0036 (1 o C)；
对于铜，α=0.00382 (1 o C)。
( / km)
第二章 电力系统元件模型及参数计算
❖ （二）电抗
❖ 电抗是用来反映导线通过交变电流时产生磁场效应的 参数。包括自感和互感
❖ 为使三相对称，常采用循环换位
位置1 位置2 位置3
第二章 电力系统元件模型及参数计算
当Vn的单位用kV； Sn的单位用MVA时
BT
I0 % 3In 100Vn
I0 %Sn 100Vn2
(S)
注意：变压器等值电路中的电气参数均为折算到同一侧时的 数值，当折算到1侧时，VN应取V1N，当折算到2侧时，VN应 取V2N
第二章 电力系统元件模型及参数计算
3.变压器变比k
在三相电力系统计算中，变压器的变压比k（简称变比）通常 是指两侧绕组空载线电压的比值，他与同一铁心柱上的原副边绕 组匝数比是有区别的。对于Y/Y及Δ/Δ接法的变压器，变比与原 副边匝数比相等，对于Y/Δ接法的变压器
RT
Байду номын сангаас
jXT
GT
-jBT
双绕组变压器的等值电路
RT代表1、2侧绕组的经折 算的有功功率损耗（铜
电力系统稳定性分析中的模型精简与辨识
电力系统稳定性分析中的模型精简与辨识电力系统稳定性分析是电力领域研究的重要课题，对于确保电网运行的安全和稳定具有至关重要的意义。
在电力系统稳定性分析中，模型精简与辨识起着关键作用。
本文将分析电力系统稳定性分析中模型精简与辨识的方法以及其在实际应用中的意义。
一、模型精简的方法模型精简是指将电力系统的复杂模型简化为简单而有效的模型，以便于进行稳定性分析和计算。
常用的模型精简方法包括：1. 平衡准则法：根据电力系统的平衡准则，将电力系统中的某些变量设为常数或采用平衡等效模型，将大规模系统简化为小规模系统，便于进行稳定性分析。
2. 状态观测法：通过对电力系统的运行数据进行观测与估计，确定系统状态的真实数值，并利用观测与估计的结果进行模型精简。
3. 降阶法：通过适当的数学变换和近似，将电力系统的高阶模型转化为低阶模型，减少计算复杂度，提高计算效率。
二、模型辨识的意义模型辨识是指利用实测数据和专业分析方法来确定电力系统模型的参数和结构。
模型辨识的作用主要体现在以下几个方面：1. 提高模型准确性：通过模型辨识可以不断优化电力系统模型，使得模型更贴近实际系统，从而提高模型的准确性。
2. 改进稳定性分析：通过模型辨识可以确定电力系统各个部件的参数，进而可以进行更精确的稳定性分析，为实际运行提供更准确的指导。
3. 节约成本：准确的模型可以在设计电力系统、规划输电线路等方面提供指导，从而避免不必要的成本浪费。
三、模型精简与辨识的实际应用模型精简与辨识在电力系统稳定性分析中具有广泛的应用。
以下是几个实际应用的例子：1. 电力系统的负荷模型优化：通过模型精简与辨识，可以建立准确的负荷模型，优化电力系统的控制策略，提高系统负荷预测的准确性，从而增强电力系统的稳定性。
2. 微网的稳定性分析：微网是指由多个分布式能源和负荷组成的小型电力系统。
通过模型精简与辨识，可以建立微网的稳定性模型，并进行稳定性分析，为微网的设计和运行提供指导。
互联电力系统动态等值模型的可辨识性分析
电力 系 统动态 等值 是研 究 电力系统 区域 动态 特 性 的重 要 手 段 ， 目前 实 用 的 动态 等 值 方 法 可分 为 ３
大类 Ｉ ］基 于发 电机转 子 同摆 的 同 调 等值 法 统 动 态 元 件 主 要 是 发 电机 和 。 ．
法 ．
图 １ 外 部 系 统 等 值模 型
而到 目前为 止 ， 由于考 虑 了可辨识 性 的 问题 ， 大
在等 值 方 案 中 ， 文 选 取 了较 具代 表 性 的计 及 本 励 磁 调节器 的三 阶 带 阻 尼发 电机 模 型 ； 负荷 模 型考 虑 了电压 和频率 的 静 特性 ； 络 线 功 率 传输 特性 考 联 虑 了发 电机的 凸极 效应 ， 在满 足 物 理 仿 真规 模 限制 的 同时 ， 可能 多地保 留原 有 系统 的动态特 性． 尽
中所 有 参 数 均 是 可 以辨 识 的．
［ 键 词 ］电力 系 统 ；动 态 等 值 ； 数 辨 识 ；可 辨 识 性 关 参
［ 图 分 类 号 ］Ｔ ７ １ 中 Ｍ ６ ［ 献标识码］ 文 ：Ａ
随着 现代 电力 技 术 的进 步 ， 国 电力 系统 不 断 我
向着多机 组 、 电 网、 直 流 混联 的 方 向发 展 ， 此 大 交 与
１ 发 电机模 型 ）
多 数文 献采 用 了简化模 型． 因此 ， 在动 态等 值 中选取 更 具普遍 性 的模 型进 行 研 究 是 迫 切 和必 要 的． 文 本 将 对 电力 系 统 区域 动态 等 值 的模 型结 构 、 数 可 辨 参 识 性进行 研究 ．
１ 等 值 模 型
［ 文章 编 号 ］１ ０ — ４８ （０ ２ ０ ～０ ５０ ０ ３ ６ ４ ２ １ ）１０ ３ —４
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
浅析电力系统模型参数辨识（贵哥提供）一、现状分析随着我国电力事业的迅猛发展, 超高压输电线路和大容量机组的相继投入,对电力系统稳定计算、以及其安全性、经济性和电能质量提出了更高的要求。
现代控制理论、计算机技术、现代应用数学等新理论、新方法在电力系统的应用，正在促使电力工业这一传统产业迅速走向高科技化。
我国大区域电网的互联使网络结构更复杂，对电力系统安全稳定分析提出了更高的要求，在线、实时、精确的辨识电力系统模型参数变得更加紧迫。
由于电力系统模型的基础性、重要性，国外早在上世纪三十年代就开始了这方面的分析研究，[1,2]国内外的电力工作者在模型参数辨识方面做了大量的研究工作。
[3]随后IEEE相继公布了有关四大参数的数学模型。
1990年全国电网会议上的调查确定了模型参数的地位，促进了模型参数辨识的进一步发展，并提出了研究发电机、励磁、调速系统、负荷等元件的动态特性和理论模型，以及元件在极端运行环境下的动态特性和参数辨识的要求。
但传统的测量手段，限制了在线实时辨识方法的实现。
同步相量测量技术的出现和WAMS系统的研究与应用，使实现在线实时的电力系统模型参数辨识成为可能。
同步相量是以标准时间信号GPS作为同步的基准，通过对采样数据计算而得的相量。
相量测量装置是进行同步相量测量和输出以及动态记录的装置。
PMU的核心特征包括基于标准时钟信号的同步相量测量、失去标准时钟信号的授时能力、PMU与主站之间能够实时通信并遵循有关通信协议。
自1988年Virginia Tech研制出首个PMU装置以来，[4]PMU技术取得了长足发展，并在国内外得到了广泛应用。
截至2006年底，在我国范围内，已有300多台P MU装置投入运行，并且可预计，在不久的将来PMU装置会遍布电力系统的各个主要电厂和变电站。
这为基于PMU的各种应用提供了良好的条件。
二、系统辨识的概念系统模型是实际系统本质的简化描述。
[5]模型可分为物理模型和数学模型两大类。
物理模型是根据相似原理构成的一种物理模拟，通过模型试验来研究系统的特性；数学模型是以数学表达式来描述实际系统的特性，通过数字仿真计算来分析其过程。
物理模型具有物理概念明确、能自然保护各种复杂物理因素的优点，但模型实际代价高且费时费力，并且有的情况因受到实际限制而不能进行模拟。
数学模型虽然有时难以包含所有物理因素，但随着计算机技术的迅速发展，用以数字仿真计算进行分析研究已愈来愈显出其简便、灵活、代价小的优越性。
辨识的基本过程如图1，利用待测系统动态过程提供的输入、输出数据，不断调整模型结果和参数，使模型结果尽量接近实际结果。
图中X是输入向量，Y是量测向量，∞是量测噪声，Z是输出向量，θ是模型参数向量。
[6]三、电力系统模型参数辨识方法参数辨识的方法可以大致分为离线与在线两类。
由于在线的方法考虑了电力系统运行的实际情况等影响，而成为电力系统分析主要采用的方法。
1．传统的辨识方法传统的方法多为离线方法，主要包括卷积分辨识法、相关辨识法、频域FFT 法、[6]最小二乘法、[7]极大似然法等，这些辨识方法虽然已经发展的比较成熟和完善，但也还存在着一定的不足和局限。
传统辨识方法一般要求输入信号已知且必须具有较丰富的变化。
这一条件在某些动态预测系统和过程控制系统中，系统的输入往往无法精确获得或不允许随意改变，因此这些传统的方法不便直接应用；对于线性系统的辨识具有很好的辨识效果，但对于非线性系统往往不能得到满意的辨识结果；普遍存在着不能同时确定系统的结构与参数以及往往得不到全局最优解的缺点。
2．基于神经网络的辨识方法神经网络技术[8]具有良好的非线性映射能力、自学习适应能力和并行信息处理能力。
在辨识非线性系统时，可以根据非线性静态系统或动态系统的神经网络辨识结构，利用神经网络所具有的对任意非线性映射的任意逼近能力，来模拟实际系统的输入和输出关系，而利用神经网络的自学习、自适应能力，可以方便地给出工程上易于实现的学习算法，[9,10]经过训练得到系统的正向或逆向模型。
神经网络方法可以对本质非线性系统进行辨识，辨识的收敛速度不依赖于待辨识系统的维数，通过调节权值即可使网络输出逼近系统输出；神经网络作为实际系统的辨识模型，实际上也是系统的一个物理实现，可用于在线控制。
该方法计算速度快，具有良好的推广逼近和收敛特性。
但由于神经网络尚有一些理论和实际问题有待深入研究，如：学习算法的收敛性、收敛的速度、精度等问题，因此在实时、辨识的精度方面等很多情况下还不理想。
5．基于遗传类算法的辨识方法遗传算法是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性算法，可用于线性离散系统的在线辨识，[11]能够克服最小二乘法难以处理的时滞在线辨识和局部优化的缺点，具有不受函数性质制约、全方位搜索及全局收敛等诸多优点。
但遗传算法存在易陷入局部最优(收敛到局部极小，简称早敛的局限)等问题。
改进的遗传算法，可成功地确定出系统的结构和参数，亦可应用于非线性系统辨识。
[12]由遗传算法(GA)、进化编程(EP)等构成的进化计算(EC)是近年来发展很快的一种优化计算。
它借助于生物进化的优胜劣汰原则，从空间的一群点开始搜索，不断进化以求得最优解。
它还具有强鲁棒性，且不易陷入局部解。
该方法的主要思想是用GA操作保证搜索是在整个解空间内进行的，同时优化过程不依赖于种群初值的选取，用E操作保证求解过程的平稳性。
4．基于小波变换的辨识方法小波分析理论中以紧支正交小波和尺度函数构造的正交小波网络具有系统化的设计方法，能够根据辨识样本的分布和逼近误差要求确定网络结构和参数；此外正交小波网络[13]还能够明确给出逼近误差估计，网络参数获取不存在局部最小问题利用正交小波网络的系统辨识方法是针对输入样本空间非均匀分布( 注意不是指时间上的分布)时的非线性系统建模问题，讨论了其中网格系设计和参数辨识的有关算法。
而在采用小波基分解法建立系统模型时，小波基分支越多，则模型与原系统的拟合越好。
但过多的小波基分支会引起所需辨识参数的增加，加大辨识工作量。
有些小波分支在小波基模型中所占的权值很小，以至于可以忽略不计，这时如何筛选掉一些不必要的分支而又能保持原有模型的辨识精度就成为一个重要的问题。
5．基于V olterra级数的辨识方法V olterra级数是对Taylor级数的推广，是具有存储(记忆)能力的Taylor级数，可用于研究非线性系统。
利用V olterra级数进行辨识的核心和难点是对V olterra核的求解，[14]对其在电力系统模型参数辨识方面的应用仍需进一步研究。
文献[15] 提出了基于WAMS应用V olterra级数降阶和模式分类及映射技术，依据较少的量测信息，对系统中的主导动态参数进行在线快速辨识，弥补了现有电力系统动态元件辨识算法用于在线时要求量测数据丰富和计算量大的不足，为实现电力系统的在线实时辨识仿真预测并进而实现在线实时控制系统打下了基础。
但由于量测信包少采用的V olterra核级数少等原因，虽然满足了辨识结果实时性的要求，但带来了辨识结果精确性差的问题。
6．其他辨识方法现代辨识方法主要针对非线性系统进行研究，寻找快速、准确求解非线性模型的问题方法。
文献[13]还介绍了Prony算法对同步发电机超瞬态参数的辨识方法；文献[16]利用奇异值分解理论解决最小二乘法中雅可比矩阵奇异的问题，从而提高辨识算法收敛性及减少迭代次数；文献[17]利用HHT法构成一种新型的时空滤波方法，从强噪声背景下的短路电流数据中提取出基波分量和直流分量，克服传统方法精度低的缺点；现代参数辨识的方法还包括子空间辨识法、[18] Ha rtley级数、[19]正交级数法[20]等。
这些方法多处于探索性研究阶段，要实现方法的实用化，还需要进一步的研究。
四、PMU技术在模型参数辨识中的应用国家电网公司技术规范中规定：[21]PMU采样频率不低于4800Hz，在额定频率时PMU所测电压、电流相量的幅值测量误差极限为0.2％，电压相角测量误差极限为0.2。
或0.5。
，电流相角测量误差极限为0.5。
或1。
PMU较高的测量精度为确辨识模型参数提供了基础。
PMU的广泛应用，可以实现模型参数的在线实时辨识。
采用在线的辨识方法，如非线性最小二乘法、神经网络法等，对同步发电机模型参数与输电线路参数进行在线实时辨识，根据辨识方法的不同和实时性与精确性的不同，可以有针对性的对辨识结果进行应用，[22,23]如利用输电线路参数在线实时辨识结果，研究在线监视输电线路弧垂的方法。
同时基于PMU不同区域相量的同步性，可以实现区域网络的动态等值，根据需要进行动态等值区域的模型参数辨识。
但是值得指出，由于电力系统动态模型参数的高阶、时变性和强非线性，大规模电力系统动态等值模型参数的准确辨识还需要未来长时间的研究探索。
如何选取并辨识不同应用场合下的主导动态参数，是未来一个有前途的研究方向。
五、总结PMU的大量应用，为在线实时的模型参数辨识提供了基础。
现代模型参数辨识方法的发展，为实现精确辨识模型参数提供保障。
基于广域测量信息的电力系统模型参数辨识，可以在线校正模型参数，监测异常运行状态下的模型参数，以提高仿真精度以及安全分析的精度和可靠性，为电力系统的规划、设计提供保障。
但无论采用什么方法，对于电力系统模型参数的辨识来说，精确辨识与在线实时辨识都是一对矛盾，得到精确的模型必然会带来模型阶数高、计算量大、耗时久、难以在线实时得到等问题；反之亦然。
但是从根据不同的需要得到不同的辨识模型角度看，这一矛盾是可以合理协调和妥善折中处理的。
参考文献：[1] L．A．Kilgore Calculation o f synchronous machine constants [J],AIEE Trans，1931，vo1.50:1201-1204．[2] S．H．Wright．Determination of synchronous machine constants byteet[J]．NEE Trans,1931,vo1.50:1331-1351[3] 蒋蕾，朱守真．基于参数辨识技术的东北电网四大参数数据库. [J]东北电力技术，2002，1245-48.[4] Phadke A．G．Synchronized phase measu rements in power system[J]．IEEE Computer Appplications in Power,1995,6(2) :42-47.[5] 方崇智，萧德云．过程辨识[M]，北京：清华大学出版社．1988．[6] 沈善德．电力系统辨识[M]．北京：清华大学出版社，1993．[7] 米增强，陈志忠，南志远，等．同步发电机动态参数辨识[J] ,中国电机工程学报,1998，18(2)：100—105[8] 徐丽娜．神经网络控制[M]．哈尔滨：哈尔滨工业大学出版社，1999.[9] M．Karrari and M．B．Menhaj．Apptication of diffe rent neural networks for identification of power systems[C],in Proc UnRed Kingdomutomat Contr Conf．UK，2000．[10] P．Shansoollahi and 0．PMalik On-line identification of synchronous generator using neural networks[C]in Proc．Can．Conf Elect．Comput Eng,1996:595-598.[11] 易继锴，侯媛彬．智能控制技术[M ]．北京：北京工业大学出版社，1999．[12] 鞠平，倪腊琴，韩敬东，等．同步发电机参数辨识的模拟进化方法[J], 电工技术学报，1999，14 (5)：1-5．[13] 吴旭升，马伟明，王公宝，等基于小波变换Prow算法的同步电机参数辨识[J]．电力系统自动化，2005，27(19)：38-43．[14] gasool DF，Mehdi K，Malik，0．P．Synchronous generator model identificat ion for control appIication using volterra series[J]．IEEE Trans Energy Conversion，2005，20(4)：852-858．[15 ] 韩英铎，严剑峰，谢小荣，等．电力系统机电暂态过程主导动态参数的在线辨识[J]，中国电机工程学报，2006，26(2)：1 - 6．[16] 蒋铁铮，陈元新，易丹．奇异值分解(SVD)理论在同步机参数辨识中的应用[J]．长沙电力学院学报(自然科学版)，2000，15(0)：56-58.[17] 李天云，高磊，陈晓东，等．基于HHT的同步电机参数辨识[J]．中国电机工程学报，2006，26(4)：153-158．[18] L．Ouoxiu，F．Ming，and D．Liang．State-space identification of synchronous machines[C]．in Proc Universities Power Eng．Conf．Iraklio，Greece，8pet．1996：114-117．[19] J．J R．Melgoza，GT Heydt，AKeyhani，B．L．Agrawal，and DSetin Synchronous machine parameter estimation using Hartley series[J] .IEEE Trans．Energy Conversion，2001，vo1．16：49-54.[20] J．Melgoza，R．Jesus，G T．Heydt and A．Keyhani．An algebraic approach for identifying operating point dependent parameters of synch ronous machine using orthogonal series expansions[J].IEE Trans Energy Conversion．2001，vot．16：92-9 8．[21] 国家电网公司22 0-750kV相量测量装置技术规[s]北京：中国电力出版社，2009[22] Tianshu Bi，Jinmengchen，Jingtao Wu,Qixun，Yang．Synchronized Phasor On tine Parameter Identification of Overhead Transmission Line[C]．DRPT，2008:657-1662．[23] 陈金猛．基于PMU的同步发电机与线路参数在线辨识研究[D]．北京：华北电力大学，2008．。