1.一种新型电力系统广域控制信号的预测补偿方法，其特征在于，包括以下步骤：(1)、相量量测单元PMU采集复杂通信场景中的广域控制信号，然后每间隔Δt向控制器发送带有时标的广域控制信号，控制器接收端接收广域控制信号并按照时标的顺序储存在队列中；

(2)、若控制器接收端接收到新的广域控制信号，则更新步骤(1)中的队列；若无新的广域控制信号输入且尚未超过最大时延，则判定发生丢包，然后通过等维新息递补的方法对广域控制信号进行预测补偿，使步骤(1)的队列中始终含有最新的广域控制信号；若超过最大时延，则算法停止；

(3)、使用多尺度的奇异谱分析对队列中的广域控制信号进行分解与重构；

(3.1)、使用完整集成经验模态分解(Complete Ensemble Empirical Decomposition with Adaptive Noise，CEEMDAN)将从PMU端获得的量测信号序列s(n)分解为不同时间尺度的分量；

(3.1.1)、定义Ek(·)为使用经验模式分解(Empirical Mode Decomposition，EMD)算法得到第k个IMF分量的算子；si(n)为第i次添加噪声后的广域控制信号序列，si(n)＝s(n)+εkvi'(n)，其中：εk为第k个信噪比，vi(n)表示第i次添加的白噪声序列，i＝1,2,…,I，I表示实验次数，；

(3.1.2)、使用EMD算法分解所有si(n)，对所有分量求和后平均得到CEEMDAN的第一个模态分量 和第一余项(3.1.3)、对r1(n)+ε1E1[vi(n)]进行1次EMD分解，对每次分解得到的IMF1分量进行求和平均，得到CEEMDAN的第二个模态分量 即：(3.1.4)、同理，得到CEEMDAN的第k个模态分量对应的第k个余项可表示为：

rk(n)＝rk-1-IMFk(n)

(3.1.5)、对第k个余项rk(n)继续进行分解，当分解到第m次后，余项rm(n)不能继续分解，此时余项rm(n)的极值点小于2，则将广域控制信号序列s(n)经CEEMDAN分解后表示为：(3.2)、对CEEMDAN分解所得的模态分量 进行混沌分析；

(3.2.1)、使用C-C法求得模态分量 的相空间重构参数，并进行相空间重构；

(3.2.1.1)、把模态分量 分解成长度为int(N/t)的t个子序列，int表示取整函数，t为自然数；分解过程如下式：

(3.2.1.2)、计算分解所得所有子序列的统计量X(d,N,r,τw)为：其中，d为相空间重构维数，τw为嵌入窗宽，Cl是第l个子序列的关联积分，定义为：其中，λ≠j，θ(·)为Heaviside单位函数，P(λ)代表相空间重构后的第λ维分量；

(3.2.1.3)、定义差量ΔX(m,N,t)＝max[X(m,N,r,t)]-min[X(m,N,r,t)]；

设重构半径r的取值范围为[σ/2,2σ]，σ为子序列的均方差；d的取值范围为2～5；根据统计学的原理，由以下经验方程计算Xcor(t)；

其中， 为所有子序列的统计量X(d,N,r,τw)的均值，Xcor(t)的最小值对应嵌入窗宽τw；

(3.2.1.4)、对模态分量 进行相空间重构得：(3.2.2)、使用wolf算法计算分量 的最大李亚普诺夫系数；

(3.2.2.1)、取初始点为 其与最近临点 的距离为L0，随后，将这两点按时间顺序进行演化，直到t1时刻，两点间演化后的距离为：其中，ε为设定值；

(3.2.2.2)、保留 并在 的附近找最近临点 两点间的距离记为L1，然后继续对这两点按时间顺序进行演化，直到t1时刻，两点间演化后的距离记为 然后以此类推，直到两点间演化后的距离小于ε，则演化迭代停止，并计算最大李雅普诺夫系数其中，M表示演化迭代总次数；

(3.2.3)、采用最大李雅普诺夫系数 来确定系统的混沌程度；

当 时，系统具有稳定不动点；

当 时，系统存在分岔点或周期解；

当 时，系统具有混沌特性；

根据最大李雅普诺夫系数 将所有IMF分量拆分为混沌IMF分量和非混沌IMF分量，从而将广域控制信号序列s(n)分解为：其中， 表示混沌IMF分量，即 表示非混沌IMF分量，即 a+b＝m；

(3.3)、利用奇异谱分析(Singular spectrum analysis，SSA)对混沌的IMF成分进行分析和重构；

(3.3.1)、将长度为N的混沌IMF分量 转化为一系列的L维向量：其中，L为窗口长度，1＜L＜N；

取K个向量构成轨迹矩阵S：

(3.3.2)、将S值进行奇异值分解：

其中， 为S的奇异值，等价于矩阵SST特征值的平方根，T表示转置；U是S的左奇异向量，等价于矩阵SST的特征向量向量；V是S的右奇异向量，等价于STS的特征向量；

(3.3.3)、将混沌IMF分量 的元素由奇异谱分析展开：其中，p＝1,2,…,P，q＝1,2,…,Q；Evq＝U是SST的特征向量，apv是时间主成分：(3.3.4)、 的第v个主成分记作 通过第v个时间经验正交函数和时间主成分重构得到(3.3.5)、选择奇异值较大的H个分量相加，用重构值 代表(3.3.6)、在对混沌IMF分量 进行SSA和重构后，将广域控制信号序列s(n)最终分解为:(4)、将分解后的广域控制信号序列s(n)送入灰色Verhulst预测模型进行预测补偿；

(4.1)、根据灰色Verhulst预测算法，对广域控制信号序列s(n)最终分解后的每一个子序列进行预测，从而预测出各子序列由tf到tf+τmax时刻每间隔Δt所对应的每一点的数据；

其中，在时刻tf，记某一个子序列为s′(n)，预测出的数据记为s′(f)，那么共有τmax/tf个，表示为：为时刻 的预测值，τmax为最大时延， 为预

测窗长；

(4.2)、将广域控制信号各阶分量的预测结果求和，构成预测数据数组：(5)、WAPSS开启工作线程，每隔Δt从预测数据数组中选出与WAPSS当前时刻tg所对应的数据s′g，再生成控制数据用于调节励磁系统。