弱阻尼低频振荡（LFO）的识别对于维持电力系统的小信号稳定性至关重要。总最小二乘法基于旋转不变性技术的信号参数估计（TLS-ESPRIT）是一种模型参数估计方法，即使在噪声条件下也能有效地进行估计。然而，TLS-ESPRIT需要有关信号中存在的模式数的事先信息。文献中提出了不同的模型顺序（MO）技术信号估计，但它们考虑了两个子空间之间可能的分离边界选择的假定容差值。随着公差值的波动噪声水平，这些技术变得效率低下，难以实现在线估计的自动化。因此，拟议工作的主要贡献是设计一个有效的MOestimation技术，它将有效地消除对公差值的要求，以克服上述限制。因此，在这项拟议的工作中为了精确估计相量测量单元（PMU）数据的LFO阶数，采用了被称为围绕Medoids划分（PAM）的顺序划分技术。MO估计是通过将自相关矩阵（ACM）的显著特征值迭代分离为两个分量，即信号子空间和噪声子空间来完成的。由于PAM算法在两层聚类中运行，并且对高方差噪声具有鲁棒性，因此不重要的特征值无法进行聚类在信号子空间中。通过与精确模型阶数（EMO）、改进的序贯累积法进行对比研究，验证了该方法的鲁棒性合成信号的求和（修正-SCUSUM）和序列特征值贡献（SEVC）方法、双区域测试系统、西部电力公司的实际探测数据协调委员会（WECC）系统和WSCC 9总线系统的振荡功率数据在实时数字模拟器（RTDS）上进行了仿真。