基于四阶混合平均累积量对角切片的低频振荡检测与类型判别

电网中常见的低频振荡包括负阻尼低频振荡和强迫功率振荡,精确有效的低频振荡检测与类型判别对保障电网安全稳定运行十分重要。提出基于四阶混合平均累积量(fourthorder mixed mean cumulant,FOMMC)对角切片的低频振荡检测与类型判别方法。首先推导两种低频振荡的FOMMC对角切片数学表达式,并据此定义振荡检测指标,以检测低频振荡的发生。然后从高阶统计特征的角度深入对比分析两种低频振荡的FOMMC对角切片,并提出根据FOMMC对角切片的峰度判别低频振荡类型的方法。由于利用了低频振荡FOMMC对角切片与原振荡信号包含振荡模态的一致性和对高斯信号的自然盲性,上述方法不受随机功率波动或量测噪声造成的高斯色噪声的影响,即使在信噪比很低的情况下,仍然能够准确检测低频振荡并正确判别振荡类型。华东电网中的仿真结果验证了所提方法的有效性、准确性和抗噪性。     

类噪声环境下基于滑动相干谱的强迫振荡检测方法研究

电力系统中时刻存在负荷投切等环境激励,使得系统响应表现为类似噪声的小幅波动。如果强迫功率振荡的幅值较小,很容易淹没在类噪声信号中。本文推导了类噪声环境下电力系统强迫功率振荡解析表达式,从数学角度阐释了类噪声环境下强迫振荡的机理特性。在深入分析类噪声环境下小幅强迫振荡频谱特征的基础上,提出了基于滑动相干谱法(SCM)的小幅强迫功率振荡检测方法。首先采集得到两组发电机有功功率类噪声响应数据,计算得到对应的自功率谱密度和互功率谱密度,从而计算得到两组数据的幅值平方相干函数值,进而通过对所得幅值平方相干函数值的量化比较,检测出淹没在类噪声信号中的小幅强迫功率振荡。IEEE 4机2区域系统和16机68节点系统验证了所提检测方法的可行性及有效性。     

低频振荡模态参数辨识的共振稀疏分解SSI分析方法

提出在色噪声背景下,采用共振稀疏分解的随机子空间法进行低频振荡模态参数的辨识,根据信号预知的共振属性实现复杂信号的分离。首先,对含高斯色噪声的低频振荡信号进行分解,得到高共振分量、低共振分量和余项三部分。低频振荡信号具有高共振属性,高共振分量即为提取的持续振荡的低频振荡信号,而高斯色噪声大部分存在于余项中。然后对高共振分量利用SSI进行参数辨识,得到较高参数的辨识准确度。仿真算例和实例说明了所提方法的有效性。     

电力系统低频振荡的广域监测与控制综述

综述了广域测量系统(WAMS)在电力系统低频振荡的在线监测、离线分析和阻尼控制器设计中的应用。介绍了多种从WAMS实测数据中提取低频振荡参数的分析方法和基于广域信号设计的阻尼控制器。通过对各种方法的比较,指出信号噪声和电力系统的非线性本质是影响分析结果的主要因素。基于广域信号设计阻尼控制器的目的在于改善对区域振荡模式的可观性,但是WAMS信号的选择、与当地信号的配合、量测的延时及其不可观性是研究中的难点。     

基于改进TLS-ESPRIT的电力系统低频振荡模态辨识

现有基于实测信号的电力系统低频振荡模态辨识方法大都只考虑了高斯白噪声,对高斯色噪声的考虑不足,对此,提出一种改进最小二乘–旋转不变技术(TLS-ESPRIT)的模态辨识方法;该方法首先利用FOMMC来对辨识信号进行预处理,抑制信号中的色噪声;接着,利用TLS-ESPRIT对信号进行辨识。通过构建的数值信号和电力系统中实测的信号进行测试,其结果表明,该方法对色噪声具有较强的抑制作用,同时辨识的速度和精度更高。     

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。     

基于改进小波系数奇异值分解和小波去噪的低频振荡时变模式辨识

提出了一种基于连续小波变换(continuous walelet t r a n s f o r m , C W T )和奇异值分解( s i n g u l a r v a l u e decomposition,SVD)相结合的提升小波系数 SVD 辨识信号振荡频率和模式信息提取及信号去噪的新方法.克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率.同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和 SVD 分解后矩阵重构来进行信号去噪.CWT 可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度.仿真算例验证了算法的有效性和适用性     

基于四阶混合平均累计量的矩阵束算法在低频振荡在线辨识中的应用

广域测量系统(wide area monitoring system,WAMS)的发展为电力系统低频振荡在线辨识奠定了基础。WAMS采集的信号含有高斯白噪声,经低通滤波处理后会产生高斯色噪声,因此会对模式识别的准确性产生不利影响。针对这一问题,提出以实测信号的四阶混合平均累计量(fourth-order mixed mean cumulant,FOMMC)的对角切片来代替实测信号,并结合矩阵束(matrix pencil,MP)算法对振荡模式进行识别的方法。仿真结果表明,FOMMC-MP算法能够有效从色噪声环境中辨识出系统主导模态。     

考虑高斯有色噪声的FOMC-HTLS-Adaline算法在低频振荡模式辨识中的研究

针对广域测量系统的实测信号受高斯色噪声的影响,提出一种利用FOMC-HTLSAdaline进行低频振荡在线辨识的新方法。首先,为抑制高斯色噪声的影响,利用四阶混合累积量的盲高斯性,将四阶混合累积量(FOMC)序列代替实测序列进行低频振荡的辨识。然后,利用HTLS和自适应神经网络算法(Adaline ANN)相结合,估计出低频振荡的频率、衰减因子、幅值和相位。Adaline神经网络的引入解决了四阶混合累积处理后,模式幅值和相位不易确定的难点,同时减少矩阵处理引入的误差累积,提高检测精度。四机两区域系统仿真算例和实测相量测量单元(PMU)算例共同表明,FOMC-HTLS-Adaline算法可以在高斯色噪声环境下,精确地在线辨识系统振荡模式。     

Hilbert-Huang变换理论在电力系统中的应用研究

主要根据本课题组近几年Hilbert-Huang变换(HHT)理论及其在电力系统信号分析领域应用的研究成果,综述了HHT理论在电能质量检测、电力系统谐波分析、电力系统低频振荡、同步电机参数辨识、局部放电信号检测等问题的应用,并探讨了HHT理论应用的进一步研究的方向:低频振荡在线分析,同步电机参数辨识精度的提高,窄带噪声、随机脉冲等干扰下的局部放电信号在线检测等问题。     

联合AGR的神经网络在电力系统故障和振荡识别中的应用

结合最优联合时一频处理无交叉项干扰及神经网络自学习分类识别的优点,提出了一种在有色噪声干扰下识别电力系统故障和振荡的方法。将经过自适应高斯基表示(Adaptive Gaussian Representation,AGR)分析处理的电力信号特征向量输入神经网络分类器进行识别。待辨识输入向量不仅表征了原信号的基本信息,而且没有交叉项,运算简单。仿真结果表明,此方法能正确分类识别有色噪声干扰下的系统故障和振荡,提高了电力系统微机保护在系统振荡中检测故障的灵敏性和精确性。     

基于经验模态分解自适应滤波的次同步振荡ESPRIT分析

ESPRIT是一种可以准确辨识电力系统次同步振荡模态的算法,但在有噪声的情况下模态参数辨识不理想。提出利用经验模态分解滤波进行改进,然后与未经滤波的ESPRIT算法和PRONY算法进行比较以证明其有效性。仿真结果表明,经验模态分解可实现自适应滤波,且基于经验模态分解滤波的ESPRIT算法的准确性进一步提高。鉴于经验模态分解滤波的自适应性和ESPRIT算法辨识的快速、准确特性,可将此方法用于电力系统SSO在线检测,并为大电网的SSO的监测与研究奠定了基础。     

基于改进VMD算法的电机局部放电信号去噪方法研究

针对高压电机局部放电(PD)在线检测中信号被高斯白噪声和窄带周期干扰淹没这一问题,应用基于改进变分模态分解（VMD）算法进行噪声滤除。为了克服常用的VMD算法可能会造成信号欠分解或过分解的问题,改用能量损失系数作为标准对分解模态数进行算法优化,优化分解后利用峭度值剔除无效模态,重构出PD信号。使用改进算法与现有方法进行了仿真数据对比,结果表明,使用改进的VMD算法可以更有效地滤除PD信号噪声。     

基于希尔伯特—黄变换的次同步振荡检测研究

针对目前电力系统次同步振荡的辨识局限于线性化方法,提出了一种非线性、非平稳信号的处理方法:希尔伯特—黄变换。首先对振荡信号进行滤噪和时延补偿预处理,然后用黄变换辨识出模态参数,最后与改进的PRONY算法及快速傅里叶变换的辨识结果对比分析。仿真结果表明,经验模态分解可以滤除信号中的噪声干扰,为模态参数的准确分析奠定了基础;并且黄变换方法能有效分解出频率不接近的振荡模态,进而准确的辨识出模态参数,得到振荡模态的时频特性。鉴于此方法会出现频率模态漏分解的情况,在实际工程中可同时使用改进PRONY法、快速傅里叶变换和黄变换以提高次同步振荡辨识的准确度。     

基于MUSIC和ESPRIT算法的DOA动态布站

DOA估计是阵列信号处理领域中的一个研究重点。阐述了波达方向（DOA）估计中2种经典算法多信号分类算法（MUSIC）和旋转因子不变法（ESPRIT）。在噪声是均值为0、方差为05的高斯白噪声下进行了MUSIC算法的空间谱估计,准确地估计出3个来波信号的方向。同时,通过改变信噪比计算不同信噪比下MUSIC与ESPRIT算法估计结果的均方根误差,得出MUSIC算法与ESPRIT算法估计结果相比精度更高,但运行速度较慢。在相同信噪比下,改变阵元数,观察对两种算法均方根误差的影响,得出两者呈正相关。最后分析了在实际应用中外辐射源雷达系统常常使用两部或多部雷达布站,因此多舰艇编队的动态布站问题可以看作布站形式和平台机动的综合问题。分析了外辐射源多站系统在DOA体制下以几何精度因子表征为布站指标的探测精度,解决海基多站DOA动态布站问题。     

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。     

基于模糊滤波和Prony算法的低频振荡模式在线辨识方法

考虑到Prony算法对输入信号要求较高、对分析数据的噪声非常敏感,提出一种模糊滤波和Prony算法相结合的电力系统在线低频振荡模式的辨识方法。该方法以广域测量信号作为输入,通过简单的模糊逻辑推理快速对输入信号进行滤波,利用Prony算法对滤波后的数字信号进行分析后在线获得电力系统低频振荡的模式。以华中电网支路302245上的有功功率振荡分析为例,通过对模糊滤波前后的输入信号进行比较以及对传统Prony算法和考虑模糊滤波的Prony算法分别进行低频振荡模式辨识的比较,表明了前置滤波的重要性以及所提出的方法能相对精确地进行振荡模式辨识,验证了其有效性。     

基于CCFHTLS算法的异步电动机转子故障检测

定子电流经低通滤波器处理后产生高斯有色噪声,限制了异步电机转子故障检测算法的辨识精度。针对该问题,提出一种抑制高斯有色噪声的异步电机故障检测技术。首先对采集到的定子电流进行预处理,利用逆同步旋转变换剔除基波,避免了直接检测时基波对故障辨识精度的影响。然后利用互相关函数(CCF)处理技术对高斯有色噪声的抑制作用,提出基于CCF-HTLS算法的电机转子故障诊断技术。针对异步电机转子断条和偏心故障的识别进行试验,结果表明CCF-HTLS算法可以有效抑制高斯有色噪声,并保留故障有用信息,显著地提高了故障检测的分辨率。     

基于FastICA和Prony算法的低频振荡参数辨识

传统Prony算法进行参数辨识存在对信号噪声非常敏感的缺点,同时对输入信号有较高的要求。因此,本文首先介绍独立分量分析(Independent Component Analysis,即ICA)和FsatICA基本原理,然后提出将FastICA算法和Prony算法相结合的低频振荡参数辨识方法。该方法首先以广域测量信号作为输入信号,然后利用FastICA方法对输入信号进行预处理而达到降噪,最后利用Prony算法对滤波后的信号进行分析得到电力系统低频振荡参数。通过对理想信号和四机两区算例分析,验证了此方法在FastICA去噪之后,能够提高Prony提取低频振荡参数辨识的准确性、快速性和抗噪能力。