简介这份PDF文献面向电力系统专业研究人员、电气工程研究生及从事电网稳定性分析的工程技术人员围绕特征值分析法在电力系统稳定性研究中的应用展开重点解决串补输电系统中次同步谐振SSO的机理阐释与稳定性判定问题。资源包内含1个PDF文件大小约244KB内容为期刊论文全文涵盖次同步振荡产生机理、同步发电机电磁回路与汽轮机线性化模型、SVC模型以及特征值分析方法的完整推导与仿真验证。文中详细推导了线性化微分方程并以具体模型为对象对系统SSO特性进行分析和仿真将结果与既有文献对比误差较小验证了特征值分析法在振频、衰减因子和特征值灵敏度等信息获取上的有效性。目前已有206人学习适合需要掌握电力系统小扰动稳定性分析方法、理解次同步谐振机理或撰写相关论文的读者参考兼具理论意义与工程应用价值。1. 特征值分析法到底在算什么从一台发电机失稳说起如果你在调度或电科院干活大概率遇到过这种场景某条线路检修方式下系统潮流能收敛N-1 扫描也过了但一到动态仿真某台机组的功角曲线就是慢慢发散。这时候老师傅会说一句“算一下特征值”。特征值分析法也叫小干扰稳定分析、模态分析就是干这个的——它不关心大扰动后系统能不能撑住它关心的是在当前运行点附近系统受到一个无穷小的扰动后振荡是衰减还是放大衰减多快哪几台机组在参与这个振荡。这套方法把电力系统在平衡点附近线性化得到状态矩阵 A然后解 det(λI−A)0 的根。根的实部决定阻尼虚部决定振荡频率特征向量告诉你哪些状态量参与最深。它适合做规划阶段的阻尼评估、PSS 参数整定前的模态筛查、以及低频振荡事件的复盘归因。和时域仿真比它快、能给出物理归因但前提是你得把模型和运行点搞对否则算出来的根就是一堆好看的玄学数字。2. 从微分方程到状态矩阵特征值分析法怎么落地2.1 电力系统小干扰模型的基本构成电力系统的动态行为由一组微分-代数方程描述。发电机用六阶或四阶模型励磁系统用 IEEE 标准传递函数负荷用恒功率加感应电动机混合模型网络用节点导纳矩阵。把这些方程在平衡点线性化消去代数变量后得到Δẋ A Δx其中 A 就是状态矩阵维度等于所有动态状态变量之和。一个含 50 台机组、每台 6 个状态量的系统A 就是 300×300 的稠密矩阵。实际工程里还会把网络代数方程用 Kron 缩减消去只保留发电机节点和内节点这样 A 的维度能压到几百以内特征值求解才跑得动。这里有个关键选择你是用“全状态矩阵”还是“降阶矩阵”。全状态矩阵精度高但维度大适合离线精细分析降阶矩阵把网络代数方程消掉维度小、速度快适合批量扫描。我一般做规划扫描用降阶做事故复盘用全状态。2.2 用 Python 搭一个最小可复现的特征值计算流程下面这段代码用 scipy 对一个单机无穷大系统做小干扰建模和特征值求解。系统参数发电机 M10D2同步电抗后电势 E1.2无穷大母线电压 V1.0线路电抗 Xe0.4功角初值 δ00.5 rad。import numpy as np from scipy.linalg import eig # 系统参数 M 10.0 # 惯性时间常数 D 2.0 # 阻尼系数 E 1.2 # 发电机暂态电势 V 1.0 # 无穷大母线电压 Xe 0.4 # 线路电抗 delta0 0.5 # 初始功角 (rad) # 同步功率系数 K E*V*cos(delta0)/Xe K E * V * np.cos(delta0) / Xe # 状态矩阵 A: 状态量 [delta, omega] # d(delta)/dt omega # d(omega)/dt -(K/M)*delta - (D/M)*omega A np.array([[0.0, 1.0], [-K/M, -D/M]]) # 求解特征值 eigenvalues, eigenvectors eig(A) print(特征值:) for i, lam in enumerate(eigenvalues): print(f lambda_{i1} {lam.real:.4f} j{lam.imag:.4f}) print(f 阻尼比 {-lam.real / abs(lam):.4f}) print(f 振荡频率 {abs(lam.imag) / (2*np.pi):.4f} Hz) print(f 特征向量 {eigenvectors[:, i]})这段代码的逻辑很直接把转子运动方程在平衡点线性化得到二阶状态矩阵然后调eig求根。K是同步功率系数它随功角增大而减小当delta0接近 90 度时K趋近于零特征值实部就会往正方向走对应系统阻尼变弱。D是阻尼系数增大D能把实部拉负但物理上D来自绕组阻尼和 PSS不能随便设。M越大虚部越小振荡频率越低这对应大机组惯性大、振荡慢的直觉。运行后你会看到一对共轭复根实部为负说明稳定虚部除以 2π 就是振荡频率。把delta0从 0.5 改到 1.2再跑一次你会看到实部明显往正方向移动——这就是特征值分析法最直观的用法扫描运行点看阻尼怎么变。2.3 多机系统里怎么组装 A 矩阵单机无穷大只是练手。真实系统里每台发电机有自己的delta、omega、Eq、Ed等状态量网络方程把各台机的电磁功率耦合起来。组装 A 矩阵的常见做法是第一步建立各元件的局部方程写成dx_i/dt f_i(x_i, V_i)的形式其中V_i是机端电压。第二步写出网络方程I Y V把节点注入电流用状态量和电压表示。第三步在平衡点求偏导得到∂f/∂x、∂f/∂V、∂I/∂x、∂I/∂V四个雅可比块。第四步消去ΔVΔV -(∂I/∂V)^{-1} (∂I/∂x) Δx代回微分方程得到A ∂f/∂x - (∂f/∂V)(∂I/∂V)^{-1}(∂I/∂x)。这一步的矩阵求逆是数值最敏感的地方。∂I/∂V就是节点导纳矩阵如果系统有孤立节点或者零阻抗支路它会奇异。工程上一般加一个小电导或者用伪逆兜底但加电导会改变特征值加多少需要做灵敏度校验。2.4 特征值求解器的选择与参数设置A 矩阵维度上了 500 以后eig全求特征值会很慢而且你只关心实部最大的那几个根。这时候用部分特征值求解器比如 Arnoldi 迭代或者 IRAM。Python 里可以用scipy.sparse.linalg.eigs指定k和whichLRlargest real part。from scipy.sparse import csr_matrix from scipy.sparse.linalg import eigs # 假设 A_sparse 是稀疏状态矩阵维度 n x n A_sparse csr_matrix(A_large) # 求实部最大的 6 个特征值 k 6 vals, vecs eigs(A_sparse, kk, whichLR, tol1e-8, maxiter1000) print(关键模态:) for i, lam in enumerate(vals): freq abs(lam.imag) / (2 * np.pi) damp -lam.real / abs(lam) if abs(lam) 0 else 0 print(f 模态 {i1}: 实部{lam.real:.4f}, 频率{freq:.3f} Hz, 阻尼比{damp:.4f})whichLR表示求实部最大的特征值这正是稳定分析最关心的——实部最大的根决定系统是否稳定。k一般取 6 到 10太少可能漏掉关键模态太多浪费计算。tol控制收敛精度1e-8对大多数系统够用如果迭代不收敛可以放宽到1e-6。maxiter是迭代上限大规模系统可能需要调到 2000 以上。注意eigs对矩阵的稀疏性有要求如果你的 A 矩阵是稠密的先转成稀疏格式再传进去否则内存和速度都会翻车。3. 参数怎么设阻尼、惯性、负荷模型对特征值的影响3.1 阻尼系数 D 的物理来源与整定边界在单机模型里D是一个数但在多机系统里阻尼来自多个环节发电机绕组阻尼、励磁系统附加阻尼、PSS 输出、负荷频率特性。做特征值分析时D不能随便填它必须和实际控制器的传递函数一致。我一般这样处理发电机自身阻尼用D0到D2之间的经验值先跑一遍看基础模态然后接入励磁和 PSS 的详细模型让特征值求解器自动算出等效阻尼。如果 PSS 参数没整定好你会看到某些模态的实部反而变正——这就是 PSS 相位补偿不对产生了负阻尼。整定边界上PSS 的增益不能无限加大。增益太大在高频段相位滞后会把另一个模态推正。特征值扫描能帮你找到这个边界固定 PSS 时间常数逐步增大增益画根轨迹看哪个增益下根穿越虚轴。3.2 惯性时间常数 M 对振荡频率的缩放效应M直接决定振荡频率。M增大虚部减小频率降低。这在新能源高占比系统里特别明显传统同步机被替换成逆变器后等效惯性下降振荡频率会往高频走。做特征值分析时如果你用平均模型把逆变器等效成零惯性算出来的频率可能偏高和实测对不上。常见做法是给逆变器加一个虚拟惯性环节M_virt取 2 到 6 秒再跑特征值。虚拟惯性不是物理惯性它只影响控制动态但在小干扰尺度上它确实改变了 A 矩阵的对应元素。这个参数怎么设取决于逆变器控制器的实际带宽不能拍脑袋。3.3 负荷模型恒功率、恒电流、恒阻抗的模态差异负荷模型对特征值的影响经常被低估。恒功率负荷在电压下降时电流增大等效负阻尼恒阻抗负荷正相反。同一个系统用恒功率模型算出来阻尼比 3%换成恒阻抗可能变成 6%。工程上推荐用 ZIP 模型P P0(a_p(V/V0)^2 b_p(V/V0) c_p)其中a_p、b_p、c_p分别是恒阻抗、恒电流、恒功率比例。做特征值扫描时把c_p从 0 调到 1观察关键模态实部的变化。如果实部对c_p很敏感说明这个模态和负荷电压特性强相关规划时就要留裕度。感应电动机负荷更麻烦它本身有转子状态量会引入新的模态。如果你的系统里电动机负荷占比超过 30%建议单独建模不要用静态 ZIP 糊弄。4. 避坑与排查特征值算出来不对怎么办4.1 特征值实部全为负但时域仿真发散现象特征值分析显示所有根实部小于零但时域仿真里功角曲线就是发散。原因最常见的是平衡点不一致。特征值分析用的运行点和你时域仿真的初始潮流不是同一个。比如特征值用的是平启动潮流时域用的是实际调度断面两者功角差了好几度线性化点偏了。解决先做潮流把潮流结果里的电压、功角、有功无功全部读进动态模型再线性化。不要用默认的平启动数据。另外检查一下负荷模型是否一致特征值用恒功率、时域用恒阻抗也会导致结论矛盾。4.2 关键模态频率和实测振荡频率对不上现象特征值算出 0.8 Hz 的振荡模态但 PMU 录波显示实际振荡是 1.2 Hz。原因模型参数不对。常见的是发电机惯性时间常数偏大或者线路电抗用了设计值而不是实际值。另一个可能是你漏掉了某个参与振荡的机组比如一台小容量机组但惯性很小它的模态频率高容易被忽略。解决用参与因子排序看哪些机组对 0.8 Hz 模态贡献最大。然后核对这几台机的M和Xd。如果实测 1.2 Hz把参与机组的M按比例缩小再跑特征值看频率是否往高频移动。移动方向对了再细调参数。4.3 大规模系统 eigs 不收敛或返回错误特征值现象eigs报ArpackNoConvergence或者返回的特征值里有一堆实部很大的假根。原因A 矩阵条件数太差或者k设得太大。电力系统 A 矩阵里同时有毫秒级电磁暂态和秒级机电暂态特征值分布跨度大Arnoldi 迭代容易在中间频段卡住。解决先做平衡预处理把 A 矩阵按对角元素缩放。或者改用 shift-invert 模式指定sigma在你想关注的频段附近。比如你关心 0.1 到 2 Hz 的机电模态设sigma1j*2*pi*1.0让求解器在 1 Hz 附近找根。这样收敛快也不容易漏模态。4.4 特征向量参与因子看起来“反直觉”现象某台机组明明离振荡线路很远参与因子却很高。原因参与因子是状态量和模态的耦合程度不是地理距离。一台机组如果惯性小、电气距离近即使地理远它对某个模态的参与度就可能高。另外如果机组之间有功分配变化参与因子也会变。解决不要只看参与因子绝对值看它的变化趋势。把断面潮流从轻载调到重载看参与因子怎么转移。如果某台机在重载下参与因子突然增大说明它是关键机组规划时优先给它配 PSS。4.5 把特征值分析结果直接当稳定判据现象特征值显示阻尼比 5%有人就说“系统稳定没问题”。原因特征值分析是小干扰结论它只管平衡点附近无穷小扰动。大扰动、故障切除、保护动作这些非线性过程它管不了。阻尼比 5% 只说明小扰动下振荡能衰减不说明短路后系统能撑住。解决特征值分析要和时域仿真配合用。特征值筛出弱阻尼模态时域仿真验证大扰动下这些模态会不会被激发到发散。两个都过了才能下结论。5. 进阶技巧用特征值灵敏度做 PSS 选址和参数微调特征值灵敏度是这套方法里最值钱的部分。它告诉你改变某个参数比如 PSS 增益、某台机的阻尼系数特征值会往哪个方向移动、移动多少。公式是∂λ/∂α (w^T ∂A/∂α v) / (w^T v)其中v是右特征向量w是左特征向量。实操上我一般这样做先跑一遍特征值找出阻尼比最低的那个模态。然后对每台候选机组计算 PSS 增益对该模态实部的灵敏度。灵敏度绝对值最大的机组就是 PSS 的最佳安装地点。这比按容量排序靠谱得多因为容量大的机组不一定参与最深。下面这段代码演示灵敏度计算的骨架import numpy as np from scipy.linalg import eig # 假设 A 是状态矩阵alpha 是某个参数如 PSS 增益 # dA_dalpha 是 A 对 alpha 的偏导矩阵 def eigenvalue_sensitivity(A, dA_dalpha): vals, vecs_right eig(A) vals_l, vecs_left eig(A.T) sensitivities [] for i in range(len(vals)): v vecs_right[:, i] w vecs_left[:, i] # 归一化 w w / (w v) dlam w dA_dalpha v sensitivities.append(dlam) return vals, sensitivities # 示例对二阶系统alpha 影响 K A np.array([[0.0, 1.0], [-0.12, -0.2]]) dA np.array([[0.0, 0.0], [-1.0, 0.0]]) # dA/dK vals, sens eigenvalue_sensitivity(A, dA) for i, (lam, s) in enumerate(zip(vals, sens)): print(f模态 {i1}: lambda{lam:.4f}, dlambda/dK{s:.4f})这段代码的核心是左右特征向量的双正交归一化。w v 1之后w dA v直接给出特征值对参数的导数。如果dlambda/dK的实部为负说明增大K能改善阻尼如果为正增大K反而恶化阻尼。这个符号判断比反复试凑快得多。参数上dA_dalpha需要你根据实际控制器的传递函数手动推导。PSS 增益一般出现在dA的特定元素上推导时注意把 PSS 的相位补偿环节也考虑进去否则灵敏度符号可能反掉。灵敏度算完之后不要直接取最大值就完事。还要看这个机组在 N-1 和 N-2 下的表现。有些机组在正常方式下灵敏度很高但一旦某条线路跳开它就不参与这个模态了。我一般会做三组断面正常、N-1、N-2取三组灵敏度的加权平均再排序。最后一个习惯每次算完特征值我都会把关键模态的频率、阻尼比、参与因子前三名机组记在一个表格里和上一次的结果对比。如果同一个断面两次算出来阻尼比差了 1% 以上先查模型参数有没有被改过再查平衡点是不是一致。这个习惯帮我抓过好几次“参数被误改”的翻车事故。特征值分析本身不复杂复杂的是保证每次算的都是同一个系统。希望帮到你。本文还有配套的精品资源点击获取