基于EEMD和Prony方法的低频振荡类噪声辨识

针对Prony算法抗干扰差,对输入信号要求较高的缺点,提出一种基于总体平均经验模态分解(EEMD)结合Prony算法的低频振荡类噪声模态参数辨识方法。首先利用EEMD有效对抗模态混叠的能力依据频段大小对原始类噪声信号进行线性化处理得到IMF分量,根据IMF能量权重比的大小找到主导模式分量,最后对这些分量进行Prony分析得到信号的模态参数。与传统Prony方法相比,该方法具有良好的抗噪性,同时可以减少模型阶数,从而提高计算速度。通过对四机两区系统类噪声信号和四川电网仿真信号的模态辨识,验证了此方法的有效性和优越性。     

强噪声背景下的低频振荡模态辨识

传统Prony法存在着对噪声敏感的缺点,因此提出一种基于改进的整体平均经验模式分解(ensemble empirical mode decomposition,EEMD)方法滤波和改进Prony方法相结合的低频振荡分析方法.该方法先用改进的EEMD对低频振荡信号进行自适应滤波,再用改进Prony法对滤波后的信号进行分析...     

基于MM-ARMA算法的次同步振荡模态参数辨识

传统电力系统次同步振荡的辨识方法存在对噪声敏感、辨识精度不高的局限性。为此,提出了一种基于数学形态学自回归移动平均(MM-ARMA)算法的辨识方法,实现了在有噪声干扰下对次同步振荡模态的准确辨识。该方法利用形态滤波器可以有效抑制噪声的特性对次同步振荡信号进行消噪处理,保留信号的主要特征信息;对消噪后的信号建立基于加权递推最小二乘法参数估计的ARMA模型,根据估计的模型参数计算次同步振荡模态参数,完成次同步振荡模态辨识。与传统的Prony算法和自回归移动平均(ARMA)算法辨识结果进行的对比分析结果表明,所提次同步振荡模态辨识方法能快速、准确地辨识出模态参数,且具有较强的抗噪能力。     

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SURE小波阈值消噪和MCEEMD-HHT的低频振荡分析

为解决低频振荡分析中广域量测系统存在量测噪声影响和应用希尔伯特黄变换(Hilbert-Huang transform,HHT)进行模态辨识中的模态混叠和伪分量问题,提出基于Stein的无偏似然估计(Stein unbiased risk estimate,SURE)小波阈值消噪和改进的补充集合经验模态分解希尔伯特黄变换(modified complementary ensemble empirical mode decomposition and Hilbert-Huang transform, MCEEMD-HHT)的低频振荡分析方法。首先,对含较强噪声的电网量测低频振荡信号,采用SURE小波阈值消噪实现信号预处理。其次,引入排列熵算法改进CEEMD形成MCEEMD,有效抑制经验模态分解中的模态混叠和伪分量现象。最后,对MCEEMD分解得到的低频振荡真实模态进行HHT分析。通过复合信号测试、IEEE四机两区域系统仿真以及实测北美电网数据分析,验证了所提方法在电力系统低频振荡分析中的有效性。此外,与快速傅里叶变换(fast Fourier transform, FFT)、Prony算法分析进行对比可知,所提方法在模态参数的提取方面表现得更为准确,且无需人为定价。     

基于FFT-EEMD的XLPE电力电缆局放信号去噪方法

针对集合经验模态分解(EEMD)去噪算法在去除周期性窄带噪声时存在严重的模态混叠问题,提出一种快速傅里叶变换(FFT)结合EEMD的信号综合去噪方法。通过分析噪声成分,利用窄带噪声在频域上能量集中的特点,采用FFT对窄带干扰噪声先行去除,同时也解决了EEMD去噪时模态混叠的问题;然后进行EEMD去噪,通过“3σ法则”对第一层IMF分量去噪,其余IMF分量使用自适应阈值处理。最后经过对仿真信号和实测信号去噪,并与小波变换去噪算法和单一EEMD去噪算法对比,证实了该算法的有效性和优越性。     

基于EEMD和矩阵束算法的低频振荡主导模式识别

传统矩阵束算法在低信噪比时,难以准确辨识出信号参数,误差较大。因此,结合集合经验模态分解(EEMD)和矩阵束算法,提出了一种电力系统低频振荡主导模式识别的新方法。该方法利用EEMD进行平稳化处理,通过互相关系数和信号能量权重找出含有主导模式的IMF分量,并利用矩阵束算法分析得到模态参数,从而扩展了传统矩阵束算法的应用范围。算例分析结果表明,该方法可以较好地适应非线性系统,抗噪声能力较强,在低信噪比时仍然可用于低频振荡主导模式的识别,为电力系统低频振荡问题的研究提供了新思路。     

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。     

基于改进EEMD方法的数字滤波器

提出一种基于改进的整体平均经验模态分解( EEMD)方法的数字滤波器.针对经验模态分解( EMD)滤波方法的不足,采用对含噪信号先用中值滤波法平滑处理,再对处理后的信号EEMD的方法.改进后的方法结合了平滑处理滤除脉冲噪声以及EEMD方法滤除随机噪声和高频连续噪声的优点,且不存在模态混叠.通过数字仿真,研究了其滤波性能...     

基于EMD的Prony算法在低频振荡模态参数辨识中的应用

Prony算法对分析数据的噪声非常敏感,对输入信号要求较高,鉴于此,提出将EMD和Prony算法有机结合的电力系统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,首先利用EMD对非平稳、非线性信号的能力进行分解,通过能量权重比找出含有主导振荡模式的IMF;最后利用Prony算法对其进行分析后获得电力系统低频振荡模态参数,扩展了Prony法应用范围.通过对PSASP仿真轨迹的算例分析,验证了此方法提取非轴对称振荡信号主导模式的有效性,并通过与特征根分析进行比较,表明了此法能相对精确地进行振荡模式辨识,同时又有很好的复合模式分离能力和良好的抗噪能力.