当电力系统受到扰动时[1-2]，系统中会出现一些发电机具有相同或者相似的摇摆特性，这种现象叫做同调，这些发电机称为同调机群。对电力系统进行同调分群具有重要意义。当电力系统受到扰动后，识别电力系统中的同调机群，将其聚合成一台等值机[3]，可有效地简化系统，降低电力系统动态等值的计算量。此外，当电力系统发生失步振荡时，快速、准确地识别同调机群是失步解列的先决条件。

2014年，兵团水利工作将继续深入贯彻落实中央加快水利改革发展的决定，在水利部和兵团党委的正确领导下，进一步加大工作力度，强化各项措施，不断推进兵团水利改革发展。以服务民生、提升能力为重点，着力抓好水利管理体制改革、工程建设管理、农田水利、高效节水灌溉工程、防汛抗旱、水利安全生产等工作，将最严格水资源管理制度落到实处，加强水生态环境保护，为兵团“三化”建设、实现兵团水利改革跨越式发展和长治久安作出积极贡献。

现有的同调机群识别算法主要分为3种。①根据表征系统特征的特征量，采用分类算法进行分群[4-5]。文献[4]利用发电机的功角变化量和故障切除时刻的转子动能等特征量训练向量机，再通过故障后电机的特征信息对系统进行分群。②基于线性化系统矩阵的分类方法[6-7]。这类方法将电力系统模型线性化，通过系统的模型参数分析各机组间的同调性。文献[6]采用慢同调技术，将系统在平衡点处线性化，通过计算线性化系统的特征值和特征向量判断系统的同调性。但该方法是在小扰动的前提下线性化系统，故只适用于小扰动分析。③基于受扰轨迹的数据挖掘法[8-9]。文献[8]以时域、频域和小波分析3种处理方法提取摇摆曲线的特征，对有限时间段内稳定的多机摇摆曲线进行同调群识别，分离出所有潜在的失稳群。但此方法数据处理过程过于复杂，应用于实际大系统尚需进一步研究。文献[9]利用主成分分析保留源数据主要信息，将量测数据中众多且具有一定相关性的变量重新组成一组新的相互无关的综合变量，进而获得量测数据的主成分分量，再通过主成分的载荷系数实现对发电机的同调分群。

基于广域测量系统WAMS（wide area measure⁃ment system）实测发电机功角信息的同调分群方法是基于发电机受扰轨迹同调分群方法中的重要方法。随着基于相量测量单元PMU（phasor measure⁃ment unit）的电力系统WAMS在技术上的逐渐成熟、在省级以上电力调度中心的普遍应用[10]，该类方法日益丰富。电力系统受到扰动之后发电机的受扰轨迹包含了影响各机组之间同调性的全部因素，根据发电机的摇摆曲线获得同调发电机的同调信息，有效提高了同调分群的准确度。

其中表示数据拟合项，‖·‖F表示Frobenius范数，λ≥0表示正则化参数，用于控制目标函数中稀疏项的相对权重。‖X‖0为稀疏约束，用l0范数来统计矩阵X中非零元素的个数。

考虑到发电机的转子角加速度变化是转子功角变化的根本原因，本文以WAMS实测功角值经差分法得到的发电机转子角加速度曲线角点的幅值和相位差作为分群依据，对发电机进行初步分群。对初步分群后组内发电机间角点差异度较大的同调群，计算组内发电机转子角速度的Hausdorff距离，以发电机为节点、发电机间的Hausdorff为边构造无向图，通过图论聚类方法实现精确分群。与现有方法相比，本文方法分群准确，分群结果可实时更新。

1　发电机初步分群

发电机受到扰动后，电磁功率的变化作用在发电机上使其产生加速度，发电机的转速偏离同步转速，由此产生了相对功角的变化。当电力系统发生严重故障时，发电机的电磁功率变化明显，发电机转子角加速度变化更为明显[11]。因此利用发电机转子角加速度分群更加快速、准确。本文以WAMS实测信息为基础，通过三角函数拟合发电机转子角加速度变化曲线，进而提取各发电机拟合曲线上的角点，通过比较各发电机临近角点的幅值和时间差确定两发电机间转子角加速度的相似性，实现初步分群。

1.1　转子角加速度轨迹的三角函数拟合

步骤1　设TE=（U，E′）为图G的最小生成树（MST）。将顶点集合V分成子集合U{}，R={1，2，3，4，5}。选择节点1为初始节点，将1从R中移出加入到U中。此时U={1}，R={2，3，4，5}。

式中：dω/dt为转子角加速度的估计值；n为三角函数的拟合阶数；ak、bk为三角函数的系数。

本文的分群算法从扰动开始时刻启动，取拟合数据窗为0.08 s。PMU子站每隔10 ms上传一个发电机功角值，故数据窗内每台发电机有8个功角值。通过二阶差分法计算转子的角加速度，每个数据窗内角加速度的拟合点为6个。对数据窗内的测量值进行最小二乘拟合，可得到数据窗内发电机转子角加速度曲线函数，经仿真验证，采用三角函数拟合能很好地拟合发电机角加速度曲线。

1.2　角点的提取和比较

新旧ML震级之间的差值也有两个原因：一是仿真方式的不同，旧ML震级选择的是W.A地震仪计,而新ML震级则仿真DD-1；二是量规函数发生了变化，旧ML震级量规函数全国统一，而新ML震级量规函数则依地域的不同被划分成了5个，两者之间的差异较小，只体现在部分参与震级计算的台站上，而这个差异对测定的震级影响很小。

角点提取后，对角点的特征进行比较。本文通过各发电机临近角点间的幅值差异和时间差异比较角点的相似度。当发电机i的第p个角点与发电机j的第q个角点的时间差小于时间阈值ε1，幅值差小于幅值阈值ε2，则认为两台发电机的对应角点相匹配。判断公式为

式中：tp、tq为角点p、q对应的时间；αi（tp）、αj（tq）为角点p、q对应的幅值。初步分群时不需要太严格，取ε1=0.3min（ti，tj），其中ti、tj分别为发电机i、j两相邻角点的时间差；ε2=0.3min（αi（tp），αj（tq））。若约束条件满足，则两发电机的相应角点匹配。故障发生t时刻，计算发电机i、j匹配角点数分别占两发电机角点数的比例zi、zj，当（zi+zj）/2＞0.5时判断两发电机同调。

进行标贯试验85次，实测锤击数N’=1.0～2.0击，平均为1.1击；经杆长修正后N=0.7～1.7击，平均为0.9击。取样13组，共13件进行统计分析。详见附表4和土工试验报告附表。建议其承载力特征值的经验值为fak=60kPa。

图1为系统故障后发电机i、j的转子角加速度拟合曲线，对其求导计算局部极值点获得曲线的角点，其角点分别为a、b、c、d、e和a′、b′、c′、d′、e′。两发电机转子角加速度轨迹的角点数均为5，依据式（2）的判断条件得到匹配角点分别bb′、cc′、dd′、ee′，匹配角点数为4。两发电机的角点匹配度为zi=zj=4/5=0.8，满足不等式（zi+zj）/2＞0.5，故两发电机为同调机组。

系统失稳的速度越快，发电机功角变化越快。为了实现快速分群，可采用恒定角点数自适应选取分群数据窗长。当系统快速失稳时，功角变化快，角加速度变化加快，短时间内角点数目多，取短数据窗就能快速识别出同调群；反之，当系统失稳速度慢时，功角和角加速度变化也慢，数据窗加长才能包含一定数目的角点以完成正确分群。本文取恒定角点数为5，对应图2失稳振荡周期为0.21 s的失稳情况，5个角点对应的数据窗长为0.36 s，这意味着在故障后0.36 s可获得第一次分群结果。图3为失稳振荡周期为1.2 s的失稳情况，5个角点对应的数据窗长为1.56 s。可见自适应调整数据窗的大小有效满足了不同工况下对同调分群速度的要求。

图1　发电机转子角加速度曲线 Fig.1　Angular acceleration curves of rotors in generators

图2　高速失稳时发电机转子角加速度曲线 Fig.2　Angular acceleration curves of rotors in generators with high-velocity oscillation

图3　低速失稳时发电机转子角加速度曲线 Fig.3　Angular acceleration curves of rotors in generators with low-velocity oscillation

为实现精确分群，本文以图论为基础，以发电机为节点、两机组间角速度的Hausdorff距离为边构造同调机群的无向图，通过图论聚类算法对该同调群精确分群。

随着人类对速冻蔬菜品质要求的不断提高，一种集生产处理、贮运和销售为一体的管理系统应运而生，这就需要国内企业及相关单位从原料现场、品质控制、冷链结构等方面着手深入研究与建设，而且建立出完善的以GMP与SSOP为前提的HACCP系统，令食品品质、类型、规格和包装等均满足国家标准要求。

步骤4　从MST中删去权值大于阈值ε3的边，形成V上的森林F={(V,E″)|E″=E′-{e|w(e)＞ε3}}。将森林F中的各棵树上的发电机节点划为新的同调群，该同调群的精确分群结束。

（2）记录分群数据窗内各发电机的功角信息和采样时间，保存至功角矩阵 Dm×（N+1）。Dm×（N+1）首列为采样时间，第i+1列为发电机i的功角信息。

（3）采用差分法计算发电机转子角速度和转子角加速度，分别存入角速度矩阵 W（m-1）×（N+1）、角加速度矩阵S（m-2）×（N+1）中。

主要是对两类人群进行访谈：一是个案教师.对个案教师的访谈主要在以下时间收集资料：①在建构教师个体生命故事的时候，对教师进行半结构式的访谈.②在教师授课期间，在每个课题教学前后对教师进行访谈，以便个案教师能更多地说出自己设计教学的意图以及对教学的感受.所以在访谈时采取了开放式访谈，即先让教师自己叙述，然后根据教师的叙述或课堂教学的情况再进行提问或追问.二是个案教师所教班级的学生.在教师授课后，及时对每个班级的3位学生(数学成绩分别处于好、中、差)进行访谈，访谈内容根据当时的教学内容而定，目的是通过学生关于该课题的学习情况，来判断教师教学行为的有效性.

（4）以0.08 s为周期对发电机的转子角加速度进行三角函数拟合。每两个拟合周期间均有半周期的重叠，即拟合周期分别为：0～0.08 s，0.04～0.12 s，依次类推。

（5）对各电机的拟合函数求导，计算局部极值点进而确定各机组角点。各发电机角点对应时间暂存至矩阵 TN×h、幅值暂存至矩阵 EN×h，更新角点数列向量 Q1×N。

3) 严格规范物业管理收费的审批与公示制度。关于物业管理收费应该严格执行《宿州市城市物业服务收费的实施细则》的规定，有关部门对物业管理单位收费申请应严格把关，结合《宿州市城区住宅小区物业服务等级标准》执行。审批后的物业收费，物业企业应该在所管辖的小区里面公示，有条件的可以在业主大会上进行解说，让业主明白他们所交的费用水准和服务所对应的标准，做到“质价相符”。如果物业公司想要提高服务收费标准，则应先通过业主大会讨论，意见统一之后，上报物价部门审批，审批后还应及时在小区公示。另外，物业管理企业每年至少要向全体业主公示一次年度的物业管理费的使用情况。

（6）当角点数列向量值均不小于5时，对TN×h和EN×h中各发电机角点的时间差和幅值差进行比较。若发电机i与发电机j存在角点满足式（2），则两机组的相应角点匹配，匹配角点数矩阵元素pij、pji加1。遍历所有发电机，更新匹配角点数矩阵PN×N。

（7）计算发电机i、j匹配角点数分别占两发电机角点的比例zi=pij/qi、zj=pji/qj。当（zi+zj）/2＞0.5时两发电机同调，同调矩阵元素cij=1；否则，cij=0。遍历所有发电机，更新同调矩阵CN×N。

历史是一门具有重要教育意义的学科，在丰富悠久的历史发展历程中包含着几千年来人类精神文明发展的结晶，在历史教材中蕴含着丰富的历史文化与人文底蕴。那么在进行教育教学活动的过程中，同样需要重视对学生人文素养和历史底蕴的培养，在学习过程中培养学生的历史人文性，帮助学生在今后的学习过程中，能以正确的历史眼光进行辨别与分析。

本文以EPRI-36节点交流系统为例进行仿真验证。系统包含8台发电机和36条母线，设置故障为t=0 s时母线30处三相短路，切除故障后系统最终失稳。图2和图4依次为故障后采用二阶差分法计算的各发电机角加速度曲线和各发电机角速度曲线。

1.正确认识当今时代主题的变化，结合时代发展进行思想政治工作的创新。随着我国改革开放程度的不断加深，人们的思想与精神也得到了一定的解放和提升。现如今我国网络文化深深融入到人们的生活中，可以说当今时代的主题就是网络文化，通过网络进行思想政治工作的创新改革是必然趋势。通过网络的影响，把握当今时代的发展规律，将网络文化与思想政治工作有机地结合起来，保证民众对思想政治工作的认知度，将有利于思想政治工作的顺利进行。所以，当今思想政治工作的发展必须要结合网络，势在必行。

由图2和图4可以看出，在扰动的初期，各发电机的转子角加速度和转子角速度曲线差异明显，可采用角加速度曲线和角速度曲线对发电机组进行有效的分群。首先，利用发电机转子角加速度对发电机组进行初步分群。根据各发电机转子角速度曲线的角点数自适应确定分群数据窗长，计算发电机间匹配角点数，首次分群的数据窗长为0.36 s，计算结果分别列于表1～表3中。

图4　发电机角速度曲线 Fig.4　Angular velocity curves of generators

表1　各发电机角点数列向量Q1×N Tab.1　Column vectors Q1×N(with the number of corners as element)of different generators

发电机　角点数　发电机　角点数1234 5555 5678 5555

表2　各发电机匹配角点数矩阵PN×N Tab.2　Matrix PN×N(with the number of matched corners as element)of different generators

j=8 i　12345678匹配角点数j=1j=2j=3j=4j=5j=6j=7 03332000 30133000 31014000 33103100 23430000 00010000 00000005 00000050

表3　发电机的同调矩阵CN×N Tab.3　Coherency matrix CN×Nof generators

i　12345678同调矩阵元素j=1j=2j=3j=4j=5j=6j=7j=8 01110000 10011000 10001000 11001000 01110000 00000000 00000001 00000010

遍历同调矩阵CN×N，1与2、3、4同调，划入同一群；群中2又与群外发电机5同调，故将发电机5也划入该群。7与8同调，划为一群。6单独一群。初步分群结果为{1，2，3，4，5}，{6}，{7，8}。但是同调群1中存在发电机1与5、2与3、3与4间的cij=0，角点匹配度低，需使用精确分群方法进一步分群。

2　利用Hausdorff距离和图论聚类精确分群

假设系统中有N台发电机，分群信息存储在同调矩阵CN×N中，矩阵中元素cij反映了发电机 i、j间的同调关系。当cij=1时，发电机i、j同调；当cij=0时，发电机i、j非同调。列向量Q1×N存储各发电机分群数据窗内角点数，矩阵PN×N存储各发电机间的匹配角点数。系统故障后启动分群算法，初步分群步骤如下。

2.1　Hausdorff距离

为充分考虑空间目标的形状差异和相对位置差异，现代拓扑学奠基人之一德国数学家Felix Hausdorff提出了一种能顾及空间目标整体形状的距离度量，目前该度量应用于众多工程领域，如模式识别、图像匹配等。已知两个有限点集A={a1，a2，…，ai}和B={b1，b2，…，bj}，则A、B之间的Hausdorff距离定义[14]为

式中，||·||为定义在点集A、B上的某种范数，本文采用欧式范数进行计算。式（3）首先对点集A中每个点（ai）与集合B中所有点进行比较，找到对于ai最近的点 bj；||ai-bj||≤ ||ai-bk||(1≤ k≤ q且k≠ j)，||ai-bj||即为对应点ai的最小距离，h（A，B）为集合A中所有点的最小距离的最大距离，称为从点集A到点集B的单向Hausdorff距离。单向距离h（A，B）和h（B，A）的较大值称为点集A、B的双向Hausdorff距离。A、B之间的Hausdorff距离反映了两个点集之间的相似程度，通过计算两台发电机角速度点集的Hausdorff距离，可判断其角速度曲线的相似程度，进而可以确定发电机间的同调性。

角点是二维曲线上曲率极大值的点，是决定图像中目标形状的主要因素之一。这些点不仅保留了图像的重要特征信息，还有效减少了待处理信息的数据量，提高了计算速度，使其应用于实时处理。常用的角点提取算法首先将轮廓曲线进行高斯平滑，再计算曲线每一点的曲率，最后选取局部曲率最大的点作为角点[13]。该方法提取角点较为准确，但计算量较大。本文中，发电机的转子角加速度采用低阶三角函数拟合，根据本文的频谱分析，发电机的转子角加速度总有一种频率成分占主导，因此，转子角加速度是以该频率为主导的三角函数，其极值点就是曲率最大的点，即为曲线的角点。比较其相似性可判断角加速度曲线的相似性。本文将角点的提取简化为求取极值点，大大降低了求解的难度。

2.2　图论聚类

图论是数学的一个分支，它以图为研究对象。图由若干给定的点及连接两点的线构成。图中的节点代表事物，连接两点的边表示相应事物间的特定关系[15]。图通常用G=（V，E）表示，其中节点的集合和边的集合分别用V（G）和E（G）表示。如果图中的所有的边都没有方向性，且边带有表示节点间距离、花费代价、所需的时间等物理含义的权值，这种图称为带权的无向图。图5为一带权的无向图，用G=（V，E）表示。图中节点的集合为V（G）={1，2，3，4，5}；边的集合中，每个元素（u，v，d）为一对节点u、v构成的无序对，d表示与节点相关联的无向边的权值，图5中边的集合为E（G）={（1，2，5），（1，3，7），（1，4，7），（1，5，6），（2，3，6），（2，4，4），（2，5，3），（3，4，6），（3，5，5），（4，5，8）}。

把图G不存在回路且包含所有节点的子图称为G的生成树，其中各边的权值总和最小的生成树称为最小生成树MST（minimum spanning tree）。本文采用Prim算法搜索无向图的最小生成树，该算法的基本思想为[16]：将顶点集合V分成子集合U和R。U为当前生成树节点的集合，R为不属于当前生成树节点的集合。从某一节点u0出发，选择与它关联的具有最小权值的边（u0，v，d），将v从R中移出加入到U中。以后每一步从一个顶点在U、另一个顶点在R中的各条边中选择权值最小的边（u，v，d），把v从R中移出加入到集合U中。如此继续，直到图中的所有节点都加入到集合U中。

图5　无向图G Fig.5　Undirected graph G

以图5中无向图G为例说明Prim算法搜索最小生成树的流程，如图6所示。

图6　Prim算法搜索G的最小生成树TE Fig.6　Process of searching TE(i.e.,MST of G)using Prim algorithm

文献[12]从调速器的模型出发，推导出发电机的功角-时间变化曲线为衰减的三角函数曲线。因为转子角加速度为功角的二阶导数，其变化曲线仍为衰减的三角函数曲线，满足狄利克雷条件，故可用低阶的三角函数进行拟合，其拟合误差小于多项式拟合。拟合形式为

步骤2　以U中节点1为顶点、R中节点2、3、4、5为另一顶点，选权值最小的边为（1，2，5）。将节点2从集合R中移出加入到U中，边（1，2，5）加入到边集E′中。此时U={1，2}，R={3，4，5}，E′={（1，2，5）}。

步骤3　以U中节点1、2为顶点、R中节点3、4、5为另一顶点，选权值最小的边为（2，5，3）。将节点5从R中移出加入到U中，此时U={1，2，5}，R={3，4}，E′={（1，2，5），（2，5，3）}。

步骤4　以U中节点1、2、5为顶点、R中节点3、4为另一顶点，选权值最小的边为（2，4，4）。将节点4从R中移出加入到U中，此时U={1，2，4，5}，R={3}，E′={（1，2，5），（2，4，4），（2，5，3）}。

步骤5　以U中节点1、2、4、5为顶点、R中节点3为另一顶点，选权值最小的边为（3，5，5）。将节点3从R中移出加入到U中，此时U={1，2，3，4，5}，R=Φ，E′={（1，2，5），（2，4，4），（2，5，3），（3，5，5）}。至此，图中的所有节点都加入到了集合U中。生成树TE=（U，E′）即为图G的最小生成树。

图论聚类的基本思想为构造带权的无向图G=（V，E），搜索最小生成树以完成聚类。对发电机组的图论聚类分群算法而言，首先以初步分群后需要精确分群的同调群中的发电机为节点、发电机角速度间的Hausdorff距离为边的权值构造无向图。然后采用Prim算法搜索图的最小生成树。最后利用剪切准则对生成树进行分割，删去权值大于阈值ε3的边，使分割后各棵树上的节点组成新的同调群。本文阈值ε3取同调群内各机组角速度间Haus⁃dorff距离最大值与最小值之和的50%。精确分群的步骤如下。

步骤1　对初步分群后的所有同调群，校核群内发电机间是否均满足cij=1。若成立，初步分群方案即为最终分群方案，同调分群完成；若不成立，进入步骤2。

此前各地猪瘟消息频发，疫情逐步向南扩散，情况较为严峻，养殖户补栏意愿低迷。但考虑到生猪养殖周期为10个月，猪瘟造成的补栏意愿低，豆粕需求不振需要一定的时间才能体现。换而言之，由于猪瘟周期较长，短期内对豆粕需求影响有限，但长期或对明年年底豆粕需求有所影响。

步骤2　对匹配度不高的同调群，计算数据窗内各发电机角速度间的Hausdorff距离。以各发电机作为节点，角速度间的Hausdorff距离作为边的权值，构造带权的无向图图G（V，E）。

两电平VSC在直流侧发生单极故障时，由于直流侧电容未接地，故障电流自短路点过换流器流入交流滤波器接地点形成故障电流通路，如图4所示。故障极直流电容没有放电回路，所以系统中不会出现放电过电流现象。

步骤3　利用Prim算法搜索图G=（V，E）的最小生成树MST=（T，E′）。

（1）同调矩阵CN×N和匹配角点数矩阵 PN×N初始化。

步骤5　对匹配度不高的所有同调群，重复步骤2至步骤4，精确分群结束。

社区医养体系的构建需要依靠网络系统的服务支持,当前,社区需要建立一套养老服务和老年医疗保健信息系统,便于进行实时的服务跟踪、信息更新和上下机构之间的及时沟通．各类设施之间应建立上下级转诊机制,使得老年病人的治疗过程连续而及时,也可以建立与上一级医院或者综合医院的双向互诊,构建三级医疗网络的发展体系．

综合初步分群和精确分群结果即为同调分群的最终方案。

对本文算例中匹配度不高的同调群1，计算群中发电机角速度的Hausdorff距离，计算结果列于表4中。精确分群的阈值ε3=0.5×（5.33+1.14）≈3.24。构造同调群1的带权无向图如图7（a）所示，采用Prim搜索最小生成树为图7（b）。删除大于阈值ε3的边（4，5，4.49），形成两棵新的树，树节点分别为{4}和{1，2，3，5}，如图7（c）所示。两棵树上的发电机节点组成了新的同调群，同调群1的精确分群结束。

“互联网+健身参与”是在“互联网+”时代背景下，应用现代化、智能化、信息化等科技创新为全民健身参与服务。例如“智能夜跑”、“悦动跑团”等健身跑模式，属于利用“APP软件+互联网”技术监控体育活动运动量、消耗量、睡眠质量及其他身体健康指标等功能的智能化形式，而通过在朋友圈的“晒跑”、“晒健身”等行为大大激发了全民健身参与的兴趣，各种约跑、约教练、约运动活动层出不穷，促进了运动“趣缘”群体的形成，也方便群众省时、省力地进行体育运动。

针对算例中的失稳情况，综合初步分群和精确分群，最终的分群结果为{1，2，3，5}、{4}、{6}、{7，8}。首次分群的数据窗长为0.36 s，得到数据窗内数据后，只需经过初步分群和精确分群的计算时间就得到最终分群结果。该计算时间与计算机的运行速度有关，一般约为毫秒级。因此，能满足快速分群的需要。

表4　同调机组1中发电机角速度的Hausdorff距离 Tab.4　Hausdorff distances of generators’angular speeds in No.1 coherent group

i　12345 Hausdorff距离j=1 0 3.43 2.66 5.33 3.41 j=2 3.43 0 1.41 5.14 1.46 j=3 2.66 1.41 0 5.00 1.14 j=4 5.33 5.14 5.00 0 4.49 j=5 3.41 1.46 1.14 4.49 0

图7　同调群1的图论聚类 Fig.7　Graph-theoretical clustering for No.1 coherent group

3　结语

本文提出的基于WAMS实测转子功角信息的同调分群算法，通过求取转子角速度和角加速度的拟合曲线，利用角加速度曲线的角点匹配度、角速度曲线的Hausdorff距离以及图论聚类实现了电力系统同调机群的在线识别。相比于传统的分群算法，该方法不受系统模型参数的影响，在系统扰动后启动计算，根据系统失稳速度的快慢自适应确定分群数据窗长度，能有效地实现大型电力系统同调机群的在线快速识别，为系统的动态等值和解列控制提供了充裕的时间。

参考文献：

[1]李培强，王吉飞，唐捷，等（Li Peiqiang，Wang Jifei，Tang

Jie，et al）.基于模态分析的双馈机组对电压稳定性的影响（Study on static voltage stability of system including DFIGs based on modal analysis）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2016，28（4）：18-24．

[2]卢锦玲，石少通，卢洋（Lu Jinling，Shi Shaotong，Lu Yang）.含大规模风电场的电网静态电压稳定性评估（Static voltage stability assessment on the grid with largescale wind farm connection）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2015，27（6）：73-80．

[3]戴丽丽，黄小庆，曹一家，等（Dai Lili，Huang Xiaoqing，Cao Yijia，et al）.计及系统稳定性和电磁特性的电动机聚合方法（Aggregation method of induction motors con⁃sidering system stability and electromechanical transient characteristics）[J].电力系统及其自动化学报（Proceed⁃ings of the CSU-EPSA），2016，28（2）：15-21．

[4]文俊，刘天琪，李兴源，等（Wen Jun，Liu Tianqi，Li Xingyuan，et al）.在线识别同调机群的优化支持向量机算法（On-line identification of coherent generator using optimized LS-SVM）[J].中国电机工程学报（Proceedings of the CSEE），2008，28（25）：80-85．

[5]刘明波（Liu Mingbo）.用多层前馈神经网络进行同调发电机组的在线识别（On-line identification of coherent generator using multilayer feed forward neural networks）[J].华南理工大学学报：自然科学版（Journal of South China University of Technology：Natural Science），1996，24（1）：164-172 ．

[6]刘明波（Liu Mingbo）.用于多机电力系统动态等值的慢同调分区算法（Slow coherency based decomposition al⁃gorithms for dynamic equivalents of multimachine power systems）[J].华南理工大学学报：自然科学版（Journal of South China University of Technology：Natural Science），1996，24（1）：122-130．

[7]Gacic N，Zecevic A I，Siljak D D.Coherency recognition using epsilon decomposition[J].IEEE Trans on Power Sys⁃tems，1998，13（2）：314-319.

[8]戴晨松，薛峰，薛禹胜（Dai Chensong，Xue Feng，Xue Yusheng）.受扰轨迹的分群研究（Classification of dis⁃turbed trajectories）[J].电力系统自动化（Automation of Electric Power Systems），2000，24（1）：13-16．

[9]安军，穆钢，徐炜彬（An Jun，Mu Gang，Xu Weibin）.基于主成分分析法的电力系统同调机群识别（Recognition of power system coherent generators based on principal component analysis）[J].电网技术（Power System Tech⁃nology），2009，33（3）：25-28．

[10]段刚，严亚勤，谢晓冬（Duan Gang，Yan Yaqin，Xie Xiaodong）.广域相量测量技术发展现状与展望（Develop⁃ment status quo and tendency of wide area phasor measur⁃ing technology）[J].电力系统自动化（Automation of Elec⁃tric Power Systems），2015，39（1）：73-80．

[11]李海燕（Li Haiyan）.基于WAMS的电力系统暂态稳定预测方法研究（Power System Transient Stability Predica⁃tion Methods Based on WAMS）[D].北京：华北电力大学电气与电子工程学院（Beijing：School of Electrical and Electronic Engineering，North China Electric Power Uni⁃versity），2006．

[12]宋方方，毕天姝，杨奇逊（Song Fangfang，Bi Tianshu，Yang Qixun）.基于WAMS的电力系统受扰轨迹预测（Perturbed trajectory prediction method based on wide ar⁃ea measurement systems）[J].电力系统自动化（Automa⁃tion of Electric Power Systems），2006，30（23）：27-32.

[13]钱文光，林小竹（Qian Wenguang，Lin Xiaozhu）.图像轮廓曲率计算与角点提取（Curvature calculation and cor⁃ners extraction of image contour）[J].仪器仪表学报（Chi⁃nese Journal of Scientific Instrument），2007，28（4）：63-68.

[14]Huttenlocker D P，Klanderman G A，Rucklidge W J.Com⁃paring images using the Hausdorff distance[J].IEEE Trans on Pattern Analysis and Machine Intelligence，1993，15（9）：850-863．

[15]王峰（Wang Feng）.基于图论的图像分割方法研究（Re⁃search in Image Segmentation Based on Graph Algo⁃rithms）[D].南京：南京邮电大学（Nanjing：Nanjing Uni⁃versity of Posts and Telecommunications），2007．

[16]王桂平，王衍，任嘉辰.图论算法理论、实践及应用[M].北京：北京大学出版社，2011.