电力系统次同步振荡的检测技术综述

顾文，吕万，杨宏宇，陈曦

(1.江苏方天电力技术有限公司， 南京 211102； 2.东南大学 电气工程学院， 南京 210096)

0 引 言

次同步振荡(Sub-synchronous Oscillation, SSO)是电力系统稳定性问题中不可忽视的一部分。SSO首次被人们关注要追溯到1970年代初美国Mohave电厂发生的次同步振荡事故[1]，引发了发电机组轴系断裂的严重事故。早期的次同步振荡事故主要由机组轴系扭振与串补、高压直流等相互作用引发，对发电机组轴系危害较大，如70年代末美国西部电网的Navajo电厂和San Juan电厂的次同步振荡事故和Square Butte HVDC[1]系统出现的次同步扭振互作用。传统电厂大量消耗石化能源、排放大量污染，长期以来对环境和资源领域的可持续发展造成了不良影响，这使得可再生能源开始兴起。其中风电通过电力电子变换器接入电网，已经引发了许多与早期传统电厂SSO机理不同的次同步振荡事故。由风电场引起的SSO，可能会造成风电场设备损坏、引起大面积新能源发电机组脱网、诱发附近火电机组轴系扭振等。因此，实现SSO的准确检测，获取振荡的频率、阻尼、幅值等信息，为事故溯源与振荡抑制提供数据基础，对保障电力系统安全稳定运行具有重大意义。

现有的振荡检测技术种类繁多，且在不同性能方面各有优劣。然而目前少有文献对其进行系统地归纳、分类和比较。因此本文对电力系统次同步振荡检测技术进行详细的综述，按照对电力系统信号处理的流程，将其分为三个部分。第一部分对次同步振荡信号数据的预处理技术进行综述；第二部分对次同步振荡信号提取过程中使用到的技术进行介绍和总结，将各种方法的优缺点进一步综合比较；第三部分介绍了振荡检测之后的事故溯源环节——振荡定位，主要对目前学界针对电力系统次同步振荡定位技术已有的成果进行介绍并对这一阶段尚未解决的问题进行展望。所综述的内容旨在帮助相关方向的研究者清晰快速地了解检测技术的各个方面，推动次同步振荡检测技术的发展。

1 次同步振荡信号预处理技术

由于系统实测数据在采样、传输和滤波过程中会受到各种噪声的干扰，使得电信号采集装置得到的系统实时状态信号数据可能包含以高斯噪声为主的各种噪声[2]，也可能会出现一些明显错误的异常数据点，称为跳点或野值[3]，还可能受到信号时延的影响[4]。这些异常数据的存在，会使辨识算法的误差增加，降低辨识结果的可信度。因此在使用一些信号辨识的算法之前常常会对采样信号进行数据预处理。预处理主要包含数据剔除补偿和信号滤波两个步骤。

1.1 数据剔除补偿

在系统运行工况复杂，外界干扰较多的情况下，异常数据的剔除补偿这一环节在振荡识别前是十分必要的。首先需要判定异常数据。先从概率统计学的角度建立准则并给出置信度区间，假如信号数据序列中有个别点出现概率超出该置信度区间，就可判定其为异常数据而非测量误差。常用的异常点识别剔除方法主要有中点判别法、莱特准则判别法和七点二阶算法等[3]。其中中点判别法、莱特准则判别法由于判据值定为常系数，具体使用有一定局限性，在实际测量中，测量的参数变化规律无从捕捉，因此适应性较弱。七点二阶算法实现拥有中心差分和前推差分两种途径，能够快速识别个别明显不对应曲线趋势的异常数据[5]。

对信号进行异常识别剔除后，多采用拉格朗日插值[6]进行补正[5]。如有显著的传输时延，则进行信号时延补偿[4]。至此即可实现对异常信号数据的剔除补偿。

以上各种方法在无人机、飞行器领域得到较广泛的应用[3,5]，也有文献将其用于次同步振荡检测当中[2,4]，但总体来说对数据剔除补偿环节的关注度还有待提高，具备一定的发展空间。

1.2 信号滤波

现有研究表明，电力系统的信号传输不可避免地会引入噪声成分。譬如，相量测量单元(Phasor Measurement Unit, PMU)包含防混叠滤波模块，使得系统量测信号易受高斯噪声的影响，从而导致分析时精确度的降低。在SSO检测领域的研究中，由于SSO实测数据成分复杂，也会存在无需识别的基频、低频、甚至于高频分量。因此，除了对异常信号数据的剔除补偿，仍需通过滤波手段处理信号，降低非次同步频段分量的干扰。按照信号处理的方式划分，滤波可以分类为数字滤波和模拟滤波。目前振荡检测所采用的滤波手段以数字滤波为主，比如巴特沃斯滤波、自适应滤波和卡尔曼滤波等，各方法之间的优劣性比较见表1。

表1 不同滤波方法之间的比较Tab.1 Comparison of different filtering methods

1.2.1 巴特沃斯滤波

巴特沃斯滤波具有高通、低通、带通、带阻等多种形式，是经典数字滤波技术之一。基于模拟滤波器参数理论设计巴特沃斯滤波器参数，以满足软件滤波器设计的需求。其基本设计原则是：根据滤波器的性能指标，如滤波器的阶数和截止频率等参数，设计出相应的模拟滤波器系统传递函数，然后经过冲击响应不变法对传递函数进行变换即可得到所需要的数字滤波器函数。巴特沃斯带通滤波器可用于SSO阻尼控制器输入信号的处理，对振荡模式的分离具有良好应用效果[7-8]。

然而，巴特沃斯经典数字滤波器也存在延时和非线性相位偏移问题，可能会导致信号畸变，当噪声频谱与所研究信号频谱出现重叠时，滤除噪声效果较差[9]。

1.2.2 自适应滤波

自适应滤波算法侧重于对滤波器权重的调整和优化，是对参数方法的有力扩展[10]。电力系统运行时的复杂工况变化可能导致次同步振荡存在较大范围的频率偏移，自适应滤波算法能够适应性地滤除无关信号，仅保留所需的次同步振荡分量[11]。

常见的自适应方法有递归最小二乘法(Recursive Least Square，RLS)，仿射投影算法(Affine Projection Algorithm，APA)，最小均方算法(Least Mean Square，LMS)，经验模态分解(Empirical Mode Decomposition，EMD)和神经模糊网络[12-16]等。

文献[13]采用EMD方法对振荡信号进行滤波和模态辨识，有效降低了噪声干扰对模态识别的影响，提升了模态辨识的准确性和适应性。文献[14]结合了自适应神经模糊(Adaptive Neural-fuzzy Inference System，ANFIS)和Prony算法，实现了对振荡信号的自适应滤波和辨识，有效提高了主导模态辨识的准确性。

自适应滤波器的设计关键在于自适应谐波检测算法，该算法可以实时跟踪系统谐波参数，然后自动调整滤波器的参数使滤波效果达到最优状态，非常适用于振荡频率时变的情况[17]。然而，自适应滤波算法也存在收敛速度慢，计算复杂度高等问题，因此在次同步振荡的在线检测中的适用性有待进一步研究。

1.2.3 卡尔曼滤波

卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程[18]。

文献[19]结合了卡尔曼滤波与EMD方法，降低了原有模型的复杂度，精准有效地获取了振荡的模态信息。文献[20]采用卡尔曼滤波方法提取次同步振荡的时变信号，并在沽源风力发电系统实际场景中进行了验证。文献[21]将卡尔曼滤波用于次同步振荡信号的数据滤波，并使用Prony算法实现了振荡信号模态辨识，通过相关仿真算例证明了卡尔曼滤波的效果。

然而，卡尔曼滤波需要对系统模型详细建模，限制了其方法在实际工程上的应用[9]。同时考虑到次同步振荡在线检测的实时性要求，卡尔曼滤波能否满足在线检测的需要仍需探讨与验证。

此外还可以利用数学形态滤波进行噪声的滤波[22]。数学形态滤波计算快速、简便，其开闭运算可以分别消除信号的峰谷噪声，总体去噪和重构信号能力较强。文献[23]所提方法在预处理环节采用了形态滤波，实验结果表明能快速、准确地检测并辨识出次同步振荡的一系列信息。但形态滤波方法目前只有在选取合适的元素尺寸情况下，才可以有效滤除混合噪声[9]。

2 次同步振荡信号的提取辨识技术

信号的提取、辨识，是次同步振荡检测的必要环节和关键核心，与信号数据是否预处理无关。区别于以模型为基础的SSO分析，SSO的辨识主要基于量测环节实现对振荡快速在线检测这一最终目标。目前国内外的SSO提取辨识研究，可以应用于振荡的实时检测，并为调度决策提供有效方案。广域测量系统(Wide Area Measurement System, WAMS)在我国电网中的广泛投入，以及风电等清洁能源的高比例渗透，对SSO的快速辨识需求日益增强，亟需该领域的深入研究。

在WAMS广泛投入的系统环境下，电力系统SSO检测方法主要基于如下两种类型的信号：瞬时值信号与测量相量信号。

2.1 基于信号瞬时值的提取辨识方法

基于瞬时值分析的优势为：理论简明、误差小、测量频带范围宽。然而上述方法难以避免现有投运PMU装置的架构修改，投入成本高，同时考虑到现有通信协议的限制，上传主站的数据仅限为含量最多的波(非整数次谐波测量数据)[22]。现有基于信号瞬时值的检测方法主要为：小波类、线性预测、傅里叶变换类、子空间分解类、希尔伯特-黄(HHT)变换等。与基于模型的分析法如特征值分析相比，上述方法归类于电力系统振荡信号的量测方法。

2.1.1 傅里叶变换类方法

作为常见的信号分析法，傅里叶变换主要包括：快速傅里叶变换(Fast Fourier Transform，FFT)、离散傅里叶变换(Discrete Fourier Transform，DFT)等方法[24-26]。傅里叶变换通过将数据分析从时域变换至频域，以实现模态的提取。其中，DFT主要用于离散数据模态的提取，但算法复杂度高的问题难以避免；针对DFT的缺陷，FFT方法应运而生，但伴随着频谱泄露和栅栏效应，从而降低了该方法的估计精度。通过引入时间窗以及结果分析时插值算法，可以分别缓解频谱泄露和栅栏效应增大误差的情况[26]。

文献[26]以滑窗FFT为基础，研究了针对SSO时变幅的检测手段，并具备不俗的抗噪性和时变信号分析效果，可以应用于SSO的在线检测。文献[24]和文献[25]分别引入Nuttall窗插值FFT和汉宁窗插值FFT，有效降低了FFT计算的误差和分析时间。

FFT方法可以直接求取信号数据的频率，但振荡中的参数如衰减系数难以获取。此外，FFT方法难以应用于频率时变的SSO辨识，仅限于定性层面的分析。通过时间窗的引入以及其他技术的联合，可以实现振荡信号的在线检测。

2.1.2 小波类方法

小波分析源于多分辨分析，其基本原理为：通过一系列逐次逼近表达式来完成时域信号的数学表征，各表达式均对应不同的分辨率，为时域信号经过平滑后的形式。小波变换的优势为在不需要滤波的基础上具备很强的抗噪性，但小波函数在频域存在的混叠现象可能导致分辨率较低的问题[27]。

文献[28-29]针对小波变换的缺陷进行改进，并应用于不同系统环境下的SSO检测以及参数辨识研究。文献[30]通过结合FFT和小波变换方法，提出了一种改进型Fourier同步挤压变换(Improved Fourier-based Synchro Squeezing Transform，IFSST)方法，该方法能够实现谐波、间谐波分量的准确辨识。

小波变换早有先例应用于SSO辨识研究，基于小波分解、模态辨识的分析思路可以实现信号频率、阻尼比等参数的获取，从而有效反映信号的时变特性。但实际使用中，小波的分解层数与实际工况有关，小波基和阈值的设定尚无明确的规则。

2.1.3 参数化谱估计法

参数化谱估计属于现代谱估计信号分析法的分支，主要基于参数模型来完成实际流程的逼近。为免于计算过程中涉及非线性方程，参数化谱估计的计算思路为：线性预测方程组求解、高阶多项式模型或一个范德蒙型线性方程组求解[31]。参数化谱估计的代表性方法包括：自回归滑动平均(ARMA)模型法、Prony及其改进方法[31-32]。

Prony算法借助于指数函数的线性组合，对扰动信号数据进行等间隔采样的拟合，并由此获取信号中包含的信息，包括振荡幅值、振荡相位、系统阻尼、扰动频率等[33]。改进的Prony方法在此基础上加入奇异值分解(Singular Value Decomposition，SVD)，在噪声敏感性方面得以提升，但在噪声含量高的工况下方法的性能可能有所下降。近年来，Prony及其改进方法在电力系统参数监控以及时域参数的辨识计算领域得以广泛应用，主要用来分析电力系统次同步振荡问题[21]。文献[34]引入自适应算法获取采样频率及模型阶数，使Prony算法具有更高的辨识性能和可靠性，大大减少了计算的次数和时间，在担负次同步间谐波的监测方面具有一定的可靠性。文献[14]在ANFIS滤波之后使用Prony方法进行辨识，有效提高了Prony方法检测振荡的抗噪能力。

然而，Prony算法在数值上较为宽松，因此在噪声的影响之下，计算的误差较大。尽管Prony算法对仿真所得数据辨识度较高，但应用于实际电力系统时辨识难以达到预期，该问题限制了上述算法的在线检测[35]。目前关于Prony为基础的辨识算法研究[9,14,34]主要围绕噪声环境下的振荡辨识问题，其中包括SSO和低频振荡，但尚未从根本上解决噪声影响信号辨识精度的问题，所以亟需结合有效方法如数据预处理来解决。

ARMA模型的核心思想为假设输入信号为白噪声时系统高阶微分方程组的一种差分形式[23,36-37]。负荷小扰动在系统中较为常见，若被视作白噪声，此刻的系统响应则可基于ARMA模型完成模拟。文献[23]构建了数学形态学为基础的ARMA模型以刻画振荡信号，并于基于估计模型完成了SSO参数的求取，信号的辨识准确性高。文献[37]通过ARMA模型实现振荡信号参数的估计，进一步地，利用Prony算法完成了对振荡模态的最终辨识。

ARMA模型的优势为振荡信号的频率和阻尼比信息辨识精度较高，但其定阶困难，因此难以适用于在线检测的需求。

2.1.4 子空间分解类算法

子空间分解类算法也属于现代谱估计信号分析法，使用这类算法进行振荡检测的本质是对振荡信号的自相关矩阵进行奇异值分解得到信号子空间和噪声子空间，进而利用两者的正交性对信号子空间进行分析。此类算法主要包括多重信号分类算法(Multiple Signal Cassification, MUSIC)算法、基于旋转不变技术的信号参数估计(Estimating Signal Parameter via Rotational Invariance Techniques, ESPRIT)算法、矩阵束算法(MP)和随机子空间辨识(SSI)。

MUSIC算法对频率的分辨率可以达到任意精度，具有可辨识任意整数次谐波以及间谐波的能力，在这方面的优越性远超FFT[31]。文献[31]基于实值 MUSIC方法，完成了Root-MUSIC方法实数形式的推导。但是MUSIC需要进行全频域计算因而计算负担很重，只有在结合其他方法的优点对其进行改进后，方可在保证分辨率的前提下取得较为满意的运算速度。

ESPRIT算法对信号频率进行辨识的原理是基于状态矩阵特征值分解，因而不需要全频域计算，这使得信号辨识时的计算效率得到了提高[38]。目前也有许多文章对ESPRIT算法进行了改进，比如基于最小二乘法的ESPRIT算法(LS-ESPRIT)、基于总体最小二乘法的ESPRIT算法(TLS-ESPRIT)等，这些改进方法在谐波检测等问题得到了广泛的使用。近年来，一些学者开始将其用于SSO的参数辨识当中[13,39]。文献[13]将ESPRIT算法结合EMD滤波算法辨识SSO信号，提高了传统ESPRIT算法的准确性。ESPRIT算法可辨识出的参数包括：信号频率、幅值以及衰减因子等，但是其缺点也很明显，已有很多研究者进行了评价，该算法对噪声非常敏感，信噪比较低时，辨识结果的精度会受到很大影响[40]。

MP算法通过构造矩阵，将信号极点的求解问题变化为广义特征值的求解问题[41]。文献[41]将MP算法与混合四阶平均累积量结合，准确检测出振荡信号的各参数。MP算法已成为一种在SSO检测当中较为常见的算法[42-43]，可以估计出SSO信号的频率、幅值、阻尼比等参数，但高斯有色噪声对阻尼比的检测精度影响较为显著，因此在使用MP算法时，为发挥其检测效果，需对信号进行一定的预处理。

SSI是基于线性系统离散状态空间方程的识别方法。文献[44]在信号预处理时采用EMD算法，使信号平稳化，然后基于SSI算法对系统状态矩阵进行辨识，最后估计出振荡信号参数。SSI算法具有较高的振荡辨识精度，不存在电力系统规模的制约，但是，在低信噪比的条件下，仍需经过滤波去噪才能精准辨识出信号[45]。文献[45]将SSI算法与最小二乘 (LS) 法结合，实现了次同步振荡信号的高精度检测。但是除文献[45]之外，在SSO辨识当中应用SSI算法的研究还较为缺乏，因此具有一定的研究潜力。

2.1.5 希尔伯特-黄变换

希尔伯特-黄变换[46-47](Hilbert-Huang Transform，HHT)是经典的信号检测算法。其处理振荡信号的流程为：(1)采用EMD算法将待检测信号拆解为多个固有模态分量(Intrinsic Mode Function ,IMF)与一个残余分量；(2)对上述得到的各IMF进行Hilbert变换，辨识出各IMF的频率和幅值，接着根据公式计算衰减因子。文献[4]将HHT应用于SSO辨识当中，并认为EMD可起到滤除噪声的作用，提高了检测信号的信噪比。HHT算法适用于非平稳、非线性信号的检测，具有较好的鲁棒性，同时兼具滤直的作用。但是该方法也存在一些缺陷，如EMD对频率接近、大小差异明显的分量难以分辨，从而可能导致模态分解出现疏漏[4]。同时HHT算法计算复杂度高、速度慢，从而制约了其在线应用[48]。

新型电力系统中风电光伏等机组出力随机波动，负荷投切也具有随机性，易引发环境噪声激励的SSO，此时SSO具有信噪比极低的特征，常规方法难以辨识。针对环境噪声激励的SSO，有学者对其检测方法进行了研究，提出了随机减量技术(Random Decrement Technique，RDT)、快速独立分量分析(Fast Independent Component Analysis, FastICA)等技术。文献[43]使用RDT算法对环境噪声激励的次同步振荡进行了检测，辨识出了转子动态响应中的次同步振荡模态参数，但在连续性与快速性方面仍有进步空间。文献[44]延续了文献[[43]的研究，完善了RDT关键参数的选择，并采用Ibrahim时域法(Ibrahim Time Domain，ITD)估计SSO信号的参数，取得了有效的成果。文献[45]使用FastICA算法对振荡信号进行处理，接着对处理后的信号利用MP算法进行振荡模态辨识，FastICA-MP方法可在低信噪比情况下将真实信号从噪声中分离，提高了振荡参数辨识的准确性。

表2展现了不同信号提取辨识方法的比较。通过表格的横向比较，就单一算法而言，没有各方面性能指标都完美的方法。因此在实际应用中，需要根据场景来筛选合适的方法，并且可以将各个方法相互结合，根据情况进行预处理，弥补单一算法的缺陷。这些辨识手段在风电渗透率提升的大背景下，为基于实测数据的次同步振荡在线监测和实时预警提供了可靠的支撑。

表2 不同信号提取辨识方法之间的比较Tab.2 Comparison of different signal extraction and identification methods

2.2 基于相量信号的提取辨识方法

基于相量信号的提取辨识方法缺点是由于经过了相量计算过程，间谐波还原的理论难度大，测量频带宽度和精度受到了影响，而次同步信号由于其频率的范围恰恰属于间谐波。但该方法优点是可在WAMS主站以软件的形式实现，工程量较小，可实现对次同步信号的大面积实时监测。基于相量的辨识方法类似于瞬时值，同样包括傅里叶算法及其改进方法、小波变换、EMD等[49]。

文献[49]提出了含有间谐波的相量表达式，推出了次同步间谐波对相量的影响的原理，并基于此提出了基于PMU相量的次同步间谐波识别方法，利用中国西部某风电系统对方法的有效性进行了验证，结果证明该方法可有效进行次同步谐波的在线监测。文献[50-51]探讨了新能源接入背景下基于PMU的宽频测量技术，指出现有的量测设备仅仅考虑到了工频信号，至于包含超/次同步振荡在内的宽频信号，其测量则需要改进现有技术来实现。其中文献[50]基于PMU提出并研制了宽频测量装置以弥补当前测量的缺陷。文献[51-52]使用了一种电力系统振荡快速监测算法，该方法将SSO的频段进行再分段，快速准确辨识出振荡频率并准确计算出基波相量和次同步谐波相量，文献[52]在含风电和PMU的电力系统中证实该算法快捷有效。文献[53]和文献[50-52]同样指出了经典基波相量测量方法对于间谐波的存在会下降精度这一缺陷，并提出了包含自适应频率检测、自适应滤波、相量校正及其集成处理等步骤的新测量方法，在实际系统中精准检测出所有次/超同步谐波和基波相量。但该法在振荡频率变化大和快时的动态适应性还待探究。文献[54]在实际风电系统中，基于相量测量，通过功率轨迹跟踪的SSO辨识技术，结合火电机组的模态频率特征，实现了全网SSO状态的自动计算，为SSO的传播机理研究丰富了手段。文献[55]基于PMU测量相量，提出了一种间谐波的还原算法，将间谐波的频率和幅值分开求解，基于能量重心法修正间谐波的计算频率，所提方法能够在恶劣工况下较为准确地计算得到间谐波的频率和幅值。

PMU的同步性和快速性为实现振荡信号的产生、传播和分布规律的大面积在线监测提供了条件[49]。因此基于相量信号的提取辨识方法，即同步相量检测方法在工程上更具可行性。相比于瞬时值，基于相量的检测法核心是相量校正、还原[53]。目前PMU同步相量测量中均以工频相量为目标，关于基于PMU测量相量的次同步间谐波还原，还未有大量研究，具有较大研究潜力。

图1展现了目前已有的电力系统SSO提取辨识方法的分类。在逐步普及PMU装置的电力系统中，为了在保证精准测量和辨识SSO参数的同时又保证快速的检测，以实现对次同步信号的全面在线监测，最优策略是将基于瞬时值检测和基于PMU测量相量测量两种方案相互配合。但这样的检测方式还未有大量的研究，两种方案也没有更为灵活多样的组合，这将是以后SSO检测领域研究的趋势。

图1 电力系统SSO提取辨识方法分类Fig.1 Classification of extraction and identification methods of SSO in power system

3 次同步振荡薄弱环节定位技术

次同步振荡的信号预处理技术和辨识技术为SSO在线监测框架的建立提供了技术支撑，基于实测数据的次同步振荡在线监测已有了一定研究基础[6,22,56-57]。而次同步振荡薄弱环节定位技术属于事故溯源技术，是在线检测技术的拓展。随着电力系统监测设备的进一步完善，基于在线数据的次同步振荡溯源定位方法具备了发展条件。研究SSO薄弱环节的快速定位方法，判断振荡起因、进行振荡溯源与定责，对振荡后快速采取有效抑制措施、防止事故影响范围扩大具有重大意义。

目前，SSO薄弱环节定位技术可分为能量法和阻抗数据法[58-59]。文献[58]将低频振荡中广泛运用的暂态能量流定位法扩展至SSO定位领域，分析了SSO定位中暂态能量流和阻尼特性的联系，认为发出暂态能量的元件表示具有负阻尼。进而初步实现了SSO薄弱环节的定位。文献[59]设计了一套由中心保护协调器(CPC)和多个本地分布式保护继电器(DPR)组成的风电场SSO保护装置，本地DPR在线测量计算风电场次同步频率下的阻抗，根据提出的阻抗判据来进行SSO薄弱环节的定位并进行切除。

然而已发生的SSO事件还未出现强迫振荡性质的，因此基于能量法进行SSO薄弱环节定位的理论还不够完善，研究还需继续深入以满足工程实际。未来应当更多地结合大规模风电并网系统等富含电力电子设备系统的次同步振荡的特性与机理，探究次同步振荡信号对相量数据的影响[60]，提炼出基于数据的次同步振荡定位判据，为次同步振荡溯源及定责提供技术支撑。

4 结束语

对于次同步振荡这样一种越来越常见的电力系统稳定性问题，对其进行检测具有重大意义，可为振荡的定位和抑制打下基础。鉴于次同步振荡检测方法繁多，本文对电力系统次同步振荡检测的信号预处理、信号提取辨识和振荡源定位三个环节及其使用到的方法进行了归纳和比较。未来针对该领域的研究可从以下几方面进行：

(1)由于实际系统信号成分较为复杂，信号的预处理技术在SSO检测领域应当被更多关注。使用何种程度的预处理方式、如何能够更快更准确获得想要的分量，需要具体问题具体分析;

(2)新能源与电力电子设备的大规模并网使得对系统的建模变得越发困难，依赖于建立系统详细模型的分析方法无法及时对诱发SSO的薄弱环节进行精准溯源和定责。而本文所讨论的次同步振荡检测技术有助于SSO薄弱环节的在线定位。但如何提炼出适用于PMU数据的SSO薄弱环节定位判据，实现在线定位，为SSO溯源及定责提供技术支撑，是未来SSO研究议题上的一大难点;

(3)WAMS使用同步时钟对电网不同地点的实时动态数据进行收集，为更好地实现互联系统的可靠运行和协调控制，这些收集的数据可以提供更广阔的视角。在未来的研究中，可以通过WAMS-PMU的配合来建立分层化的分析体系。可以研究次同步振荡信号对WAMS中相量数据的影响，提取一套特征，进行大规模的初步排查，再具体通过PMU实时录波数据进行进一步的检测分析。