基于改进变分模态分解的低频振荡模式辨别

针对现有信号处理方法无法有效解决电力系统低频振荡信号中的非线性及混叠问题的现状,将一种变分模态分解(VMD)方法引入到低频振荡的模式辨识中,并利用样本熵与快速傅里叶变换(FFT)对VMD无法自适应分解的情况进行了改进。原始信号由改进变分模态分解(IVMD)方法分解为若干模态分量,然后利用Teager-Kaiser能量算子(TKEO)对各分量分别拟合即可获得幅值、频率和阻尼等参数。在构造的测试信号下,令提出方法与VMD、经验模态分解(EMD)、总体最小二乘旋转矢量不变技术(TLS-ESPRIT)和Prony等方法进行模式参数辨识性能对比,结果表明,IVMD方法有效克服了EMD、TLS-ESPRIT和Prony在处理模态混叠、含噪声序列和非平稳信号等方面的不足。最后,通过对IEEE 4机2区域系统和新英格兰39节点系统仿真信号的辨识,验证了该方法在提取电力系统低频振荡模式参数中的有效性。     

抽水蓄能电站甩负荷实测压力处理及特性分析

针对抽水蓄能电站甩负荷过程蜗壳进口压力信号易受噪声干扰、压力脉动难以准确提取等问题，提出了一种变分模态分解和完全自适应噪声完备集合经验模态分解相结合的联合处理方法。首先对信号进行变分模态分解，以互信息为准则进行分量重构，降低排列熵值。然后对重构信号进行完全自适应噪声完备集合经验模态分解处理，叠加分量以获取与仿真信号排列熵一致的试验数据。通过工程实例研究证明，本文所提出的处理方法能较为快速和准确地分解蜗壳进口实测压力，同时利用互信息提升了使用相关系数选取分量重构的准确性，为压力脉动准确提取和分析提供了新参考。     

含高渗透率水电机组的电力系统振荡参数辨识

随着水电机组在电力系统渗透率的不断提高,低频振荡和超低频振荡等振荡形式有时会同时存在。针对多类型振荡模态信号特征参数辨识不精准的问题,文中采用自适应变分模态分解VMD(variational mode decomposition)算法和Hilbert变换对振荡信号进行特征参数辨识。利用能量损失系数确定模态数量,根据惩罚因子与模态分量中心频率的映射关系确定多匹配惩罚因子,自适应地对不同频段的振荡信号进行准确的模态分解,结合Hilbert变换对每组模态进行特征参数辨识。仿真算例和实测数据分析结果表明:本文方法自适应性强,与Prony滑动窗算法和ESPRIT算法相比,特征参数的辨识精度具有较大的提高。     

基于RBF和TFT的自适应宽频振荡监测方法

近年来，随着可再生能源的大力发展，电力电子设备的渗透率越来越高，电力系统的振荡特性逐渐呈现出宽频化特征，而现有的广域监测系统(WAMS)面向工频分量，难以满足宽频振荡监测、控制、保护的需求。为此，本文提出了一种基于径向基(RBF)神经网络和泰勒傅里叶变换(TFT)的宽频振荡监测方法，实现了宽频振荡信号的精确估计。首先，利用离散傅里叶变换(DFT)进行初步估计，然后采用TFT精确计算宽频振荡信号的参数。为降低TFT算法的计算量，本文将RBF神经网络用于噪声强度估计，根据噪声大小自适应确定数据窗长。最后，对大量仿真数据及河北沽源和新疆哈密的实测振荡数据进行了验证，结果表明即使在噪声较大时，RBF神经网络的拟合效果也十分出色，文中方法的精确性仍然较高，因此，有望在未来应用于工程实际中。     

基于对角化LDPC压缩感知和k-近邻算法的广域系统宽频振荡监测方法

在"双高"电力系统中,宽频振荡的发生概率大大增加。然而,传统基于广域测量系统(wide area measurement system,WAMS)的振荡监测方法一方面监测的振荡频带范围过窄,另一方面其准确性和快速性难以适应复杂的电网运行状态。因此提出一种基于对角化低密度奇偶校验码(low-density parity-check codes,LDPC)校验矩阵和k-近邻算法(k-nearest neighbor,KNN)的宽频振荡监测方法。首先,基于对角化LDPC校验矩阵对电力系统信号进行压缩采样,大大减少了宽频振荡的数据传输量,有利于在现有相量测量单元(phasormeasurementunit,PMU)上传频率下实现几百Hz的宽频振荡数据的传输。在此基础上,主站直接基于压缩采样值作为输入特征,采用加权KNN算法进行振荡检测,避免了人为设置阈值带来的误判,提高了振荡检测的快速性和准确性。最后,根据振荡检测结果,采用正交匹配追踪(orthogonalmatchingpursuit,OMP)算法,在主站准确重构宽频振荡信号,便于广域系统的振荡全局性分析。仿真结果表明所提方法在噪声、数据缺失和数据有误等情况下,仍然能够实现宽频振荡信号的快速准确监测。     

基于EEMD和Prony方法的次同步振荡分析

Prony是电力系统振荡分析中常用的一种方法,但其对噪声数据异常敏感,针对这一问题,提出基于集合经验模态分解(EEMD)与Prony的联合分析方法用于分析电力系统次同步振荡问题.利用EEMD对含噪声信号进行分解,去除其中的高频噪声分量,同时有效解决经验模态分解(EMD)去噪时的模态混频问题,得到平稳信号后利用Prony可准确识别次同步振荡的特征参数,将该联合分析方法用于某300 MW汽轮发电机组的次同步振荡分析中,验证了其抗噪性强和准确度高的优点.     

基于MSST-HT的次同步振荡参数辨识研究

次同步振荡是在电力系统运行平衡点受到扰动后产生的一种异常电磁及机械振荡现象。针对希尔伯特黄变换在次同步振荡分量提取时存在噪声干扰和模态混叠问题，提出一种适用于次同步振荡参数辨识的多重同步压缩变换（MSST）和希尔伯特变换结合的方法。该方法在傅里叶同步压缩变换基础上，对次同步振荡信号时频谱进行多次同步压缩，以此来提高信号时频分布的重构精度和能量聚集程度。通过仿真并结合实际工程录波数据进行验证，首先使用多重同步压缩变换方法对信号进行时频分析，得到信号时频图，然后用多重同步压缩变换变换逆变换分解重构出各个模态分量，最后用希尔伯特变换对提取出来的单个模态分量进行参数辨识，识别其频率、阻尼比、衰减因子等主要参数。仿真结果表明，相比于短时傅里叶变换（STFT）、同步提取变换（SET）和傅里叶同步挤压变换（FSST），MSST能够提高信号时频分布的能量聚集程度和重构精度，能够实现多分量的次同步振荡模态分解。实际数据结果表明该方法能有效克服噪声干扰和模态混叠问题，准确辨识次同步震荡参数，对电力系统安全稳定运行具有一定的参考意义。     

基于自编码器与长短期记忆网络的宽频振荡广域定位方法

高比例新能源与高比例电力电子设备引发的宽频振荡问题日益凸显,而现有基于同步相量数据的振荡监测方法受到现有通信带宽的限制,难以对频率在数赫兹至数百赫兹范围内的宽频振荡进行全局化监测。为此,提出一种基于自编码器信号压缩与长短期记忆(LSTM)网络的宽频振荡广域定位方法。该方法利用自编码器的数据压缩与解码还原能力实现宽频振荡信号的广域监测分析。首先,在子站对电力系统量测信号进行编码压缩,在现有带宽下实现宽频振荡信号的传输,并有效降低振荡数据的冗余度。然后,在主站侧,可直接基于压缩数据生成特征矩阵,利用LSTM网络定位振荡源。此外,主站还能解码子站上传的压缩数据,并根据需求利用压缩数据或解码还原数据,从而进行宽频振荡的分析与控制。最后,全面考虑次同步、超同步以及中高频段的宽频振荡,并计及负荷变动和随机噪声进行仿真,所得结果表明该方法具有较高的还原与定位精度以及较好的抗噪性能。     

基于VMD的电力电缆局部放电信号自适应阈值降噪方法

局部放电(Partial Discharge, PD)用于高压电缆在线监测时,采集到的信号包含多种噪声,白噪声是最常见、影响最广泛的一种。为了抑制白噪声的影响,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)的局部放电信号降噪方法。采用变分模态分解对含噪局部放电信号进行分解,得到频率从低到高的模态分量后,计算各个变分模态分量的峭度值,选取脉冲特征分量进行重构,利用小波自适应阈值对重构信号再次降噪。与小波变换阈值法对比在不同噪声环境下的降噪结果,结果从均方误差、波形相似系数定量优于小波标准软阈值降噪法和小波全局硬阈值降噪法。仿真和现场实验结果表明,该方法可以有效去除噪声信号,能够较为完整地保留原始信号波形。     

基于变分模态分解的电力系统泛频带振荡辨识方法

振荡问题已成为现代电网面临的重要问题之一,电力系统中多种类型的振荡可能同时出现且频段跨度极大。针对含泛频带振荡模态的信号,首先通过带通滤波器实现不同频段信号的分离,再利用有高噪声鲁棒性的变分模态分解(Variational Mode Decomposition, VMD)方法提取各个振荡模态信号,最后通过Prony算法实现对不同模态参数的辨识。仿真与实际算例分析表明,该方法能够对信号中不同类别振荡模态进行有效区分与提取,精确识别出每个模态的信息。无论针对已发生剧烈振荡的信号或是含有潜在振荡的类噪声信号,该方法均能有效地进行模态辨识。     

基于SAMP-VMD的局放信号去噪方法

针对电力设备局部放电信号容易受到环境中的窄带噪声和白噪声的干扰,为了更好保留局放信号特征以便后续进行故障诊断和预测,提出了一种基于压缩感知重构和变分模态分解的变压器局部放电信号去噪方法。该方法首先使用窗函数抑制窄带干扰的频率泄露,之后利用窄带干扰在频域上与局放信号和白噪声之间稀疏度的差异从而将窄带信号进行分离重构以抑制窄带噪声,其次通过改进变分模态分解方法根据各模态含有局放信号信息的多少来对不同模态进行分类去噪,最终恢复出局放信号。通过仿真及实测信号对该方法进行去噪效果测试,并与奇异值分解和变分模态分解去噪方法的去噪效果进行对比,结果表明该方法能够有效抑制局部放电信号的干扰,相比传统算法的波形相似系数提升约2%,能够更好的保留局部放电信号的波形特征。     

一种基于S_VMD与Sdr_SampEn的局部放电信号去噪方法

交联聚乙烯(XLPE)电缆作为“双碳”目标中电力传输的重要工具,在使用一定年限后绝缘性能会下降,局部放电(Partial Discharge, PD)检测作为评估XLPE电缆绝缘状态的重要手段已广泛应用。针对PD信号中存在的各类噪声问题,提出了一种基于Spearman变分模态分解(Spearman Variational Mode Decomposition, S_VMD)与空间相关递归样本熵(Spatial Dependence Recurrence Sample Entropy, Sdr_SampEn)的局部放电信号去噪方法。首先通过S_VMD将信号分解为K个最优本征模态分量(Intrinsic Mode Function,IMF),然后通过计算各IMF的Sdr_SampEn值来判定其是噪声主导分量还是PD主导分量;再对分类后的IMF分别采取改进小波阈值去噪和Savitzky-Golay (SG)滤波去噪,最后进行重构得到去噪后的PD信号。利用该方法对仿真与实测PD信号进行去噪处理,并与自适应变分模态分解(Adaptive VMD, AVMD)等去噪算法进行对比分析,结果表明该方法能有效抑制PD信号中的噪声,具有一定的工程价值。     

双馈风电并网系统的宽频振荡机理分析与抑制

电力系统振荡失稳严重威胁其安全稳定运行，在“双碳”目标和能源转型的推动下，风电并网使新型电力系统的振荡稳定性问题加剧。综合考虑传动系统、风机变换器、锁相环、串联补偿等电力系统各部分，建立了双馈风电并网系统的精确化综合模型。在此基础上，基于模式分析法分析系统振荡模式与参与因子关系特性，确定引发系统振荡模式的强相关状态变量和主导因素，探究双馈风电并网电力系统的宽频振荡机理，并寻找振荡抑制方法。与传统模型相对比，并在Matlab软件平台进行仿真分析与验证。结果表明：所建模型及机理分析方法以更多的状态变量表征了更丰富的振荡模式信息，更详尽地解释了系统宽频振荡机理，并能有效消除振荡，提高系统阻尼，提升系统稳定性，为进一步研究和开发电力系统宽频振荡检测和抑制方法奠定理论基础。     

基于MEEMD与MP的电网低频振荡模态识别

针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法。首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡模式信息。数值信号和EPRI-36节点系统的仿真验证了所提方法的有效性。     

基于粒子滤波与EEMD的低频振荡模式识别方法研究

为克服传统方法对非线性非高斯系统信号中噪声处理的缺点,提出一种基于粒子滤波算法与改进的EMD分解—EEMD分解法相结合的新方法。所提方法首先利用粒子滤波将非线性非高斯系统的初始信号的噪声去除,减少了噪声对后续操作的影响,再采用EEMD分解对去噪后的信号进行分解得到此征模态分量IMF,进而对此征模态分量IMF计算出瞬时频率,从而得出低频振荡的模式。通过算例仿真分析表明文中方法的可行性及有效性,并通过与Prony分析算法得到的结果进行了对比,验证了文中方法的正确性。为电力系统低频振荡处理非线性非高斯系统信号提供了一种新的途径和方法。     

基于改进去噪性能的Prony算法电网低频振荡模态辨识研究

针对电网低频振荡Prony辨识算法对噪声较为敏感、对输入信号要求较高的问题,提出了一种基于小波去噪与扩展Prony算法相结合的高精度低频振荡模态辨识方法。在小波去噪的基础上通过对阈值进行改进,使得小波去噪的阈值随着小波的分解而发生变化,从而对低频振荡信号达到较好的滤波效果,并在此基础上研究扩展Prony算法,对构建的仿真信号运用IEEE4机2区域系统产生低频振荡信号以及实际PMU监测的低频振荡信号进行算法验证。仿真和实验表明提出的方法能够比较准确和快速的辨识电力系统低频振荡信号,且具有较高的精度和较好的鲁棒性,为电力系统低频振荡模态辨识提供了一种行之有效的方法。     

改进 VMD 算法消除脉搏波基线漂移研究

针对光电容积法采集的脉搏波信号容易受到干扰出现基线漂移的现象,提出了一种改进变分模态分解消除基线漂移噪 声算法。 算法先利用变分模态分解(VMD)将脉搏波信号分解成多模态分量,然后筛选出含有基线漂移的分量进行经验模态分 解(EMD),并消除经验模态分解的余项,最后将全部模态重构。 实验结果表明:该算法可以有效去除基线漂移,减少失真。 与 单纯使用 EMD 算法相比,改进 VMD 算法的含噪信号功率与降噪后信号功率比为 0. 26,均方误差为 1. 73,有效提高了信号的 质量。     

应用经验模态分解法的tanδ在线监测数据趋势提取

在复杂的现场环境中,各种影响的共同作用会导致在线监测数据失真,提取其变化趋势作为故障诊断的依据将提高在线诊断的准确度。经验模态分解(EMD)是一种新的处理非线性、非稳态数据的信号分析方法,通过3次样条插值可有效地逐次分离信号中的不同频率成分和直流成分。为此,利用EMD的这种特性研究了tanδ在线监测数据的趋势提取问题,并与小波变换和数学形态学滤波两种提取方法的结果进行了对比。仿真算例和实例分析均表明,EMD方法无需预知原信号的先验信息,具有更强的自适应能力而且提取结果更为准确,是一种提取信号趋势的良好方法。