一种发电厂次同步谐振针对性预防方法、介质及系统

技术领域

本发明属于次同步谐振预防技术领域，具体而言，涉及一种发电厂次同步谐振针对性预防方法、介质及系统。

背景技术

根据电力部门的规定，发电厂应准确掌握接入大规模新能源汇集地区电网有串联补偿电容器送出线路以及接入直流换流站近区的汽轮发电机组可能存在的次同步振荡风险情况，并做好抑制和预防机组次同步谐振和振荡措施，必要时应装设机组轴系扭振监视或保护装置。

近年来，随着经特高压直流或串补远距离送出机组日益增多，汽轮发电机组和风电机组次同步振荡问题日益突出。在超高压输电线路上采用串联补偿电容器，补偿电容与输电线路感抗形成串联谐振电路。对直接连接的大容量汽轮发电机存在次同步谐振(SSR)的问题，特别是当送端无连接有非串联电容补偿的线路送电或不带有地区负荷时，情况尤为严重。有可能在某些工况下激起次同步谐振，引起电网电压和电流波动，影响机组大轴寿命，威胁发电机安全。

针对次同步谐振可以采取主动和被动两大类抑制措施。

(1)主动措施。隔断发电机与电网之间次同步电流通路，如次同步阻塞滤波器

(2)被动措施。监测发电机转子轴系转速与同步转速之间的转速差，如果发现转速差幅度逐渐增大，采取控制进行抑制，如附加励磁阻尼控制(SEDC)、次同步谐振稳定装置、可控串补(TCSC)等。

上述步骤，最难点在于不能确定发电厂次同步谐振的原因，因此，需要对电场次同步谐振的原因进行判定后，才能找出来针对性预防的方法，也就是说，当前发电厂无法根据次同步谐振的原因进行针对性预防。

发明内容

有鉴于此，本发明提供一种发电厂次同步谐振针对性预防方法、介质及系统，能够解决发电厂无法根据次同步谐振的原因进行针对性预防的技术问题。

本发明是这样实现的：

本发明的第一方面提供一种发电厂次同步谐振针对性预防方法，其中，包括以下步骤：

S10、采集发电厂的运行数据，包括发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量；

S20、采用预先训练好的谐振频率模型根据所采集的计算发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量之间的谐振频率；

S30、根据计算得到的谐振频率，计算发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性；

S40、根据得到的发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性，结合发电机组的运行参数和电网的运行状态，分析发电机组在不同工况下的次同步谐振可能性，找出最可能引发次同步谐振的高风险工况；

S50、对高风险工况进行深入分析，确定次同步谐振的具体成因；

S60、根据次同步谐振的具体成因，在次同步谐振运维方案库中选择最匹配的运维方案并输出给操作人员。

在上述技术方案的基础上，本发明的一种发电厂次同步谐振针对性预防方法还可以做如下改进:

其中，所述谐振频率模型采用卷积神经网络建立，所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层；其中所述输入层用于接收发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量；所述卷积层用于提取输入的数据的特征；所述池化层用于降低特征的维度；所述全连接层将所有特征连接在一起，所述输出层输出最终的结果，即发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量之间的谐振频率。

进一步的，所述卷积神经网络的训练数据为所收集的发电厂的历史运行数据及其对应的历史谐振频率，其中训练的输入为历史运行数据，训练的输出为历史谐振频率。

进一步的，所述根据计算得到的谐振频率，计算发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性的步骤，具体包括：

首先，通过求解发电机组轴系的动态特性的微分方程得到发电机组轴系的次同步振荡模态；

然后，通过将谐振频率代入发电机组轴系的响应公式，得到发电机组轴系在次同步振荡下的响应特性。

进一步的，所述根据得到的发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性，结合发电机组的运行参数和电网的运行状态，分析发电机组在不同工况下的次同步谐振可能性，找出最可能引发次同步谐振的高风险工况的步骤，具体包括：

首先，建立一个发电机组轴系的动态模型；

接下来，根据电网的运行状态，计算出发电机组的运行参数；

然后，在所述发电机组的轴系动态模型中，通过数值模拟的方法，计算出发电机组在不同工况下的次同步振荡模态；

最后，对得到的发电机组在不同工况下的次同步振荡模态进行分析，找出最可能引发次同步谐振的高风险工况。

进一步的，所述对高风险工况进行深入分析，确定次同步谐振的具体成因的步骤，具体包括：

首先，对采集到的高风险工况数据进行深入的分析和挖掘；

然后，建立一个神经网络模型，用于描述次同步谐振的成因；

最后，对神经网络模型的结果进行分析，确定次同步谐振的具体成因。

进一步的，所述根据次同步谐振的具体成因，在次同步谐振运维方案库中选择最匹配的运维方案的步骤，具体为：

首先，建立一个次同步谐振运维方案库；

然后，根据次同步谐振的具体成因使用余弦匹配算法在次同步谐振运维方案库中找出最匹配的运维方案。

本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于执行上述的一种发电厂次同步谐振针对性预防方法。

本发明的第三方面提供一种发电厂次同步谐振针对性预防系统，其中，包含上述的计算机可读存储介质。

与现有技术相比较，本发明提供的一种发电厂次同步谐振针对性预防方法、介质及系统的有益效果是：首先，本发明通过采集发电厂的运行数据，包括发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量，从而获取了发电厂运行的全面信息，为后续的次同步谐振预防提供了基础数据。这也使得本发明能够针对不同的发电厂运行情况，进行个性化的次同步谐振预防。

其次，本发明采用预先训练好的谐振频率模型，根据所采集的数据计算发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量之间的谐振频率。这使得本发明能够准确地预测次同步谐振的发生，从而提前进行预防，避免或减少次同步谐振对发电厂运行的影响。

再次，本发明根据计算得到的谐振频率，计算发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性。这使得本发明能够深入理解次同步谐振的机理，为次同步谐振的预防提供了科学依据。

此外，本发明还结合发电机组的运行参数和电网的运行状态，分析发电机组在不同工况下的次同步谐振可能性，找出最可能引发次同步谐振的高风险工况。这使得本发明能够针对性地进行次同步谐振的预防，提高了次同步谐振预防的效果和效率。

在确定了次同步谐振的高风险工况后，本发明对高风险工况进行深入分析，确定次同步谐振的具体成因。这使得本发明能够针对次同步谐振的具体成因，选择最匹配的运维方案，从而更有效地预防次同步谐振的发生。

最后，本发明将选定的运维方案输出给操作人员，使操作人员能够根据这些方案进行次同步谐振的预防。这使得本发明的次同步谐振预防方法能够更好地应用于实际的发电厂运行。

总的来说，本发明通过采集发电厂的运行数据，计算谐振频率，分析次同步振荡模态和响应特性，找出高风险工况，确定次同步谐振的具体成因，选择最匹配的运维方案，使得本发明能够有效地针对性预防次同步谐振，提高发电厂的运行效率和安全性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种发电厂次同步谐振针对性预防方法的流程图。

具体实施方式

如图1所示，是本发明第一方面提供一种发电厂次同步谐振针对性预防方法的流程图，本方法包括以下步骤：

S10、采集发电厂的运行数据，包括发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量；

S20、采用预先训练好的谐振频率模型，根据所采集的计算发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量之间的谐振频率；

S30、根据计算得到的谐振频率，计算发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性；

S40、根据得到的发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性，结合发电机组的运行参数和电网的运行状态，分析发电机组在不同工况下的次同步谐振可能性，找出最可能引发次同步谐振的高风险工况；

S50、对高风险工况进行深入分析，确定次同步谐振的具体成因；

S60、根据次同步谐振的具体成因，在次同步谐振运维方案库中选择最匹配的运维方案并输出给操作人员。

一般的，S10的具体步骤为：设置数据采集设备：在发电厂的关键部位，如发电机组、电网和串联补偿电容器等设备上安装数据采集设备，如传感器、数据记录仪等。

数据采集：数据采集设备实时监测和记录设备的运行状态，包括但不限于发电机组的电压、电流、频率、功率等运行参数，电网的电压、电流、频率、功率因数等运行状态，以及串联补偿电容器的补偿量等数据。串联补偿电容器的补偿量是指在电力系统中，为了改善电力系统的功率因数，提高电网的传输效率和稳定性，减少线路的电压降，通常在电网中串联连接一定量的电容器，这个过程被称为串联补偿。而这些电容器所提供的无功功率总和，就被称为串联补偿电容器的补偿量。

数据传输：采集设备将采集到的数据通过有线或无线方式传输至数据处理中心。在此过程中，可以设置数据传输设备，如数据传输线、无线数据传输装置等，以保证数据的准确性和实时性。

数据接收和处理：数据处理中心接收并处理来自各数据采集设备的数据，包括数据清洗、数据整合和数据分析等，获得格式化后的数据，以便为后续的谐振频率模型计算提供准确的输入数据。

其中，在上述技术方案中，步骤S20中的谐振频率模型采用的卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层；其中输入层用于接收发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量；卷积层用于提取输入的数据的特征；池化层用于降低特征的维度；全连接层将所有特征连接在一起，输出层输出最终的结果，即发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量之间的谐振频率。

进一步的，在上述技术方案中，卷积神经网络的训练数据为所收集的发电厂的历史运行数据及其对应的历史谐振频率，其中训练的输入为历史运行数据，训练的输出为历史谐振频率。

具体的，在步骤S20中，采用预先训练好的谐振频率模型来计算发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量之间的谐振频率。这个模型是基于卷积神经网络(Convolutional Neural Network，简称CNN)构建的。CNN是一种深度学习技术，其优势在于可以自动提取输入数据的特征，无需人工设计，因此在图像识别、语音识别等诸多领域都有广泛的应用。

首先，需要对输入数据进行处理。将发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量作为输入层的输入。具体来说，假设发电机组的运行参数为x

然后，输入数据经过卷积层进行特征提取。卷积层的作用是通过卷积运算来提取输入数据的局部特征。卷积运算的具体形式为：y＝w*x+b其中，w是卷积核，b是偏置，*表示卷积运算，y是卷积层的输出。通过设置不同的卷积核，可以提取出输入数据的不同特征。

接着，卷积层的输出经过池化层进行降维处理。池化层的作用是通过池化运算来降低数据的维度，从而减少计算量，防止过拟合。

之后，池化层的输出经过全连接层进行特征整合。全连接层的作用是将所有的特征连接在一起，形成一个完整的特征向量。

最后，全连接层的输出经过输出层进行结果输出。输出层的作用是将全连接层的输出转化为最终的结果，即谐振频率。

在训练CNN模型时，采用发电厂的历史运行数据及其对应的历史谐振频率作为训练数据。具体来说，训练的输入为历史运行数据，训练的输出为历史谐振频率。通过反向传播算法来更新CNN模型的参数，使得模型的预测结果尽可能接近实际结果。

总的来说，步骤S20的具体实施方式主要包括以下几个环节：数据预处理、特征提取、降维处理、特征整合和结果输出。通过这些环节，可以根据发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量计算出谐振频率，从而为后续的次同步谐振预防提供依据。

在步骤S30中，我们需要根据计算得到的谐振频率，计算发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性。这一步骤的实施方式涉及到复杂的数学计算和物理原理，下面将详细阐述这个步骤的具体实施方式。

其中，发电机组轴系的次同步振荡模态(Subsynchronous oscillation mode)是指发电机组在某些工况下,旋转轴系出现的低于同步频率的振荡现象。其主要原因是发电机组的轴系具有复杂的torsional(扭转)振动模态,当系统的电气特征与这些机械振动模态之间发生相互作用时,就可能激励轴系产生次同步振荡。次同步振荡可分为三类:

系統自激振荡(Self-excited oscillation):由发电机组内部因素导致,如涡轮发电机转子结构不当。

引起振荡(Forced oscillation):由系统外部因素激励,如网络故障、负载变动。

参数激振(Parametric oscillation):系统参数改变引起,如网络参数改变后导致动稳定。

次同步振荡会导致轴系承受额外的疲劳载荷,严重时可能造成机械故障。因此需要通过改进设计、设置滤波器等方式进行抑制。识别轴系的振荡模态对分析解决次同步振荡问题具有重要意义。

首先，我们需要明确发电机组轴系的次同步振荡模态的计算方式。次同步振荡模态可以通过计算发电机组轴系的动态特性得到。发电机组轴系的动态特性可以用以下的微分方程表示：

其中，

在得到上述微分方程之后，我们可以通过求解这个微分方程得到发电机组轴系的位移，速度和加速度，从而得到发电机组轴系的次同步振荡模态。求解微分方程的方法有很多种，比如有限元法、有限差分法、谱方法，获得次同步振荡模态。

除了上述的计算的方式，也可以采用传感器检测的方式，获得以下的发电机组轴系次同步振荡模态的相关参数，以及在次同步振荡下的响应特性的参数。

发电机组轴系的动态特性主要指轴系在运行过程中遇到扰动后振动响应的特点,反映轴系的动力学行为。常见的动态特性包括:

关键速度:会引起轴系共振的转速,需要避免长期运行。

模态:轴系自然振动的形式,每个模态有对应的频率和振型。

阻尼:减弱轴系振动的能力,与材料性质和结构设计相关。

刚度:轴系抵抗变形的能力,与轴体设计有关。

临界速度:轴系连续可承受的最大转速。

响应谱:轴系在不同频率输入下的响应特性。

稳定性:轴系抵抗失稳的能力,与转子设计、基础刚度相关。

极限循环:轴系在极限负荷下的轨迹。

工况载荷:轴系在实际工况下的载荷和应力水平。

通过测试和理论分析确定这些动态特性,有助于轴系的动力学设计优化,提高稳定可靠性和安全性。也是发电机组安全经济运行的重要保障。

有限元法是一种常用的求解微分方程的方法，它的基本思想是将复杂的问题简化为在每个小区域内的简单问题，然后将这些小区域的解组合起来得到整个区域的解。在这个问题中，我们可以将发电机组轴系划分为多个小元素，然后在每个元素上分别求解微分方程，最后将这些解组合起来得到整个轴系的次同步振荡模态。

有限差分法是另一种求解微分方程的方法，它的基本思想是将微分方程转化为差分方程，然后通过求解差分方程得到微分方程的解。在这个问题中，我们可以将发电机组轴系离散化，然后在每个离散点上分别求解差分方程，最后将这些解组合起来得到整个轴系的次同步振荡模态。

谱方法是一种高精度的求解微分方程的方法，它的基本思想是将微分方程的解表示为一系列基函数的线性组合，然后通过求解这个线性组合的系数得到微分方程的解。在这个问题中，我们可以选取一组适当的基函数，然后将发电机组轴系的次同步振荡模态表示为这些基函数的线性组合，最后通过求解线性组合的系数得到整个轴系的次同步振荡模态。除上述的实施例的方式以外，也可以采用基于算法SVM和LSTM、或基于MM和ARMA算法进行识别次同步振荡模态。

在得到发电机组轴系的次同步振荡模态之后，我们需要计算发电机组轴系在次同步振荡下的响应特性。发电机组轴系的响应特性可以用以下的公式表示：

其中，X(ω)是发电机组轴系的响应，F(ω)是外部作用力的频谱，ω是振荡的频率。

这里解释外部作用力频谱F(ω)的测量方法:

使用安装在轴系各装置连接部位的振动传感器,测量振动加速度信号；

对信号进行快速Fourier变换,可以得到振动的频谱分布；

频谱分布反映了不同频率下的振动响应,即外力频谱F(ω)；

振荡频率ω的测量:

使用转速传感器测量转子的转速信号；

对转速信号进行快速Fourier变换,检测出转速波动的主要分量；

这些转速波动的频率成分即为轴系的主要振荡频率ω；

也可以通过振动频谱分析测得自然频率,作为振荡频率；

Fourier变换是数学中处理信号和函数的重要工具,它的主要作用是将时间域或空间域中的信号转换到频域进行分析。Fourier变换的基本思想是任意一个周期信号都可以表示为多个正弦波和余弦波的叠加。

在得到上述公式之后，我们可以通过将之前步骤得到的谐振频率代入这个公式，得到发电机组轴系在次同步振荡下的响应特性。这个响应特性可以帮助我们了解发电机组轴系在次同步振荡下的行为，从而有助于我们预防次同步谐振。除上述的响应特性外，还可以采用其他的传感器检测或计算的方式，获得以下的响应特性参数，如：关键速度、模态、阻尼、刚度、临界速度、响应谱、稳定性、极限循环、或工况载荷等。

其中，发电机组轴系的响应特性指在不同的扰动条件下,轴系各部分(转子、涡轮、发电机等)的动态响应行为。主要包括以下几个方面:

固有频率和振型：轴系各部分都具有一定的固有频率和对应的振型,这决定了其易激发振动的频率范围。一般转子的低阶固有频率较低,涡轮高阶频率较高。

阻尼比：阻尼比反映轴系对振动的抑制能力。阻尼比越高,振动衰减越快。涡轮和发电机的阻尼较大,转子阻尼较小。

模态质量：指每个模态对应的等效质量。质量较大的模态更易被激励。

极点特征：极点位置反映系统的稳定性和衰减性能。极点越靠近虚轴,表示越震荡；靠近实轴表示越稳定。

频率响应函数：反映轴系在不同频率下的响应灵敏度。峰值处对应的为固有频率。

在步骤S40中，根据得到的发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性，需要结合发电机组的运行参数和电网的运行状态，分析发电机组在不同工况下的次同步谐振可能性，并找出最可能引发次同步谐振的高风险工况。这个步骤是通过计算机模拟和数据分析来完成的。以下的内容只是实施例的一种情况，实施例中关于电机组、转子、电压、负载等其他参数，本领域技术人员在同领域内，可以选择替换相关的同类型的参数，如电压，替换为电流或电阻，角度替换为相位等参数，以在有限计算资源场景下，运算模拟更多的情况。

首先，建立一个发电机组轴系的动态模型。这个模型可以用微分方程来描述，其中包括发电机组的物理参数和运行状态。例如，可以使用下面的表达式来描述发电机组的动态行为：

其中，M是发电机组的惯性矩，θ是转子的转动角度，D是阻尼系数，K是刚度系数，T

接下来，根据电网的运行状态，计算出发电机组的运行参数。这包括发电机组的输出电流、电压、频率等。可以使用电力系统的基本方程来进行计算，例如，发电机组的输出电压可以通过下面的表达式来计算：

V＝IZ；

其中，I是发电机组的输出电流，Z是发电机组的内阻。

其中，用到的具体的参数测量的方式如下：

惯性矩M:通过测量转子的几何形状和材料来计算转子的质量和转动惯量,再结合转速来计算惯性矩。

转动角度θ:使用安装在转子上的角位移传感器来测量转子的转动角度,例如光电编码器。

阻尼系数D:通过给发电机施加一个扰动,测量转子振荡衰减的规律,并根据公式计算出阻尼系数。

刚度系数K:在不转动的状态下,施加一个已知转矩,测量转子的转动角度,根据扭矩和转角的关系计算刚度系数。

电磁转矩Tm:安装转矩传感器在发电机轴上,直接测量shaft上的转矩。

电网转矩Te:根据发电机与电网的耦合关系,结合电网的参数计算出电网施加在发电机转子上的转矩。

输出电流I:使用电流互感器测量发电机输出电流。

内阻Z:在发电机停机时,施加不同电流,测量发电机端电压变化,根据电阻定律计算内阻。

然后，将这些运行参数输入到发电机组轴系的动态模型，如公式(1)中，通过数值模拟的方法，计算出发电机组在不同工况下的次同步振荡模态，采用曲线的形式表示，这个过程可以通过求解微分方程的特征值来完成，特征值的实部代表了振荡的频率，虚部代表了阻尼比例。

在得到了发电机组的次同步振荡模态之后，需要对这些模态进行分析，找出最可能引发次同步谐振的高风险工况。这个过程可以通过数据分析的方法来完成，例如，可以使用敏感性分析的方法，计算出发电机组的运行参数对次同步谐振可能性的影响程度，然后找出影响最大的参数，这就是最可能引发次同步谐振的高风险工况。例如，在以下的参数中，用敏感性分析的方法，计算出发电机组的运行参数对次同步谐振可能性的影响程度，然后找出影响最大的参数。

一般的，可能引发次同步谐振的高风险工况包括：

(1)大容量发电机并入或断开电网：大容量发电机并入或断开电网可能会改变系统的阻抗特性，导致系统的谐振频率发生变化，从而引发次同步谐振。

(2)电力系统负荷的快速变化：电力系统负荷的快速变化可能会改变电力系统的工作状态，从而引发次同步谐振。

(3)系统频率的剧烈波动：系统频率的剧烈波动可能会改变系统的谐振频率，从而引发次同步谐振。

(4)系统中存在大量的谐波源：系统中存在大量的谐波源可能会引发次同步谐振。

(5)系统中存在的电力电子设备：现代电力系统中广泛使用的电力电子设备，如变频器、整流器、逆变器等，可能会引发次同步谐振。

(6)高压直流输电(HVDC)系统的运行：高压直流输电(HVDC)系统的运行可能会引发次同步谐振。

(7)系统阻抗不匹配：如果电力系统中的电抗不匹配，可能会导致次同步谐振。

(8)系统过电压或过电流：过电压或过电流可能会引发次同步谐振。

在步骤S50中，主要包括以下几个部分：数据分析和挖掘、模型建立和验证、故障原因分析。

首先，对采集到的高风险工况数据进行深入的分析和挖掘，至少包括上述(1)～(8)中的全部或部分数据。可以使用数据挖掘的方法，如聚类分析、关联规则、决策树等，来找出数据中的隐藏模式和规律。例如，可以使用聚类分析的方法，将高风险工况数据进行分类，找出其中的主要特征。具体的聚类算法可以选择K-means算法，其基本思想是通过迭代，将每个数据点分配到最近的聚类中心，然后更新聚类中心的位置，直到满足停止条件。

然后，建立一个模型，用于描述次同步谐振的成因。可以选择物理模型，也可以选择数据驱动的模型。物理模型是基于物理定律和原理建立的，具有较强的理论支撑，但是需要大量的专业知识和经验。数据驱动的模型是基于数据建立的，不需要深入理解系统的物理过程，只需要找到输入和输出之间的映射关系。例如，可以使用神经网络模型，其基本思想是通过学习数据中的模式，建立输入和输出之间的映射关系。神经网络的学习算法通常是反向传播算法。

最后，对模型的结果进行分析，确定次同步谐振的具体成因。可以使用故障树分析的方法，通过构建故障树，找出故障的直接原因和根本原因。故障树分析的基本思想是通过逻辑运算，从故障事件反推其可能的原因。例如，可以使用“或”门表示故障事件的任意一个原因发生，就会导致故障事件发生；使用“与”门表示故障事件的所有原因同时发生，才会导致故障事件发生。

通过以上步骤，可以找出次同步谐振的具体成因，为次同步谐振的预防提供依据。

本发明的另一个实施例中，针对步骤S50有下面的具体实施方式：

首先，根据步骤S40中得到的发电机组轴系的次同步振荡模态以及发电机组轴系在次同步振荡下的响应特性，结合发电机组的运行参数和电网的运行状态，对高风险工况进行深入分析。可以采用时域分析和频域分析两种方法。

时域分析主要是通过计算和分析发电机组轴系在次同步振荡下的响应特性，如振荡的幅值、相位和频率等。可以采用如下公式计算发电机组轴系在次同步振荡下的响应特性：

y(t)＝Asin(ωt+φ)；

其中，y(t)是发电机组轴系在次同步振荡下的响应，A是振荡的幅值，ω是振荡的频率，φ是振荡的相位，t是时间。

频域分析主要是通过计算和分析发电机组轴系在次同步振荡下的谐振频率，可以采用傅立叶变换将时域信号转换为频域信号，然后计算谐振频率。傅立叶变换的公式如下：

其中，F(ω)是频域信号，f(t)是时域信号，ω是频率。

然后，确定次同步谐振的具体成因。次同步谐振的成因主要包括发电机组的运行参数、电网的运行状态和串联补偿电容器的补偿量等因素。

对于发电机组的运行参数，分析其与次同步谐振的关系。例如，发电机组的运行速度、负荷和电压等参数可能影响次同步谐振的发生。

对于电网的运行状态，分析其与次同步谐振的关系。例如，电网的电压、频率和负荷等状态可能影响次同步谐振的发生。

对于串联补偿电容器的补偿量，分析其与次同步谐振的关系。例如，补偿电容器的补偿量可能影响电网的谐振频率，进而影响次同步谐振的发生。

最后，根据上述分析，确定次同步谐振的具体成因。这需要综合考虑各种因素，这些因素可以包括上述提到的三个分析的分析结果，进一步，还可以加入专家指定的关联因素，例如，相关的最小负荷分区的因素。可能需要采用多元线性回归、主成分分析等统计方法进行分析。例如，可以采用如下的多元线性回归模型：

y

其中，y

在步骤S60中，根据次同步谐振的具体成因，在次同步谐振运维方案库中选择最匹配的运维方案并输出给操作人员。为了实现这一目标，首先需要建立一个次同步谐振运维方案库，其中包含了针对不同次同步谐振成因的运维方案，。然后，使用相应的匹配算法来找出最匹配的运维方案。

运维方案库可以由专家手动构建，也可以通过机器学习的方式自动构建。在这里，假设运维方案库已经建立，并且每个运维方案都被表示为一个向量，其中的元素表示该方案对应的次同步谐振成因的重要性。例如，如果一个运维方案主要针对的是发电机组的运行参数导致的次同步谐振，那么该方案的向量中，对应于发电机组运行参数的元素值会较大。

假设有N个运维方案，每个方案被表示为一个d维向量pi＝[pi1,p

为了找出最匹配的运维方案，可以计算每个运维方案向量与成因向量之间的余弦相似度，然后选择相似度最大的运维方案。余弦相似度的计算公式如下：

其中，|·|

然后，选择相似度最大的运维方案作为最匹配的运维方案：

i

最后，将最匹配的运维方案输出给操作人员，以便他们进行相应的运维操作。例如，选择一定的电机组的运行参数的偏差，逐步调整，以观测发电机组轴系在次同步振荡下的响应特性的变化。

以上就是步骤S60的具体实施方式。在实际应用中，还需要考虑一些实际问题，例如运维方案的可行性、成本等，这些都可能影响到最匹配运维方案的选择。

本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于执行上述的一种发电厂次同步谐振针对性预防方法。

本发明的第三方面提供一种发电厂次同步谐振针对性预防系统，其中，包含上述的计算机可读存储介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。