基于自适应投影多元经验模态分解的电力系统强迫振荡源定位

近年来,电力系统强迫振荡在电网中频繁发生,严重威胁到电网的安全稳定运行,快速、准确地定位强迫振荡源对抑制强迫振荡具有重要意义,但现有方法在分解具有高差异度多通道广域量测信息时难以准确提取强迫振荡模式分量,严重影响到强迫振荡源定位精度。为此,该文提出一种基于自适应投影多元经验模态分解（APIT-MEMD）的强迫振荡源定位方法。该方法首先采用APIT-MEMD通过构建自适应投影方向向量,实现对发电机多通道广域量测信息的同步分解,分离出表征不同振荡模式的固有模态函数（IMF）分量;然后,借助对数能量熵从众多IMF分量中提取出含强迫振荡模式的IMF分量;在此基础上,根据提取出的强迫振荡IMF分量,计算各发电机的耗散能量流,根据耗散能量流实现强迫振荡源定位;最后,通过WECC 179节点测试系统仿真数据和实际电网同步相量测量装置（PMU）实测数据对所提方法进行分析、验证,结果验证了所提方法的准确性和实用性。     

基于经验模态分解的水轮发电机组局部放电信号提取

提出一种基于经验模态分解（EMD）的水轮发电机组局部放电信号提取方法。对实际局部放电信号，在频域内降低其干扰的幅值后得到中间信号，然后对中间信号进行经验模态分解，得到包含特征频率的固有模态函数（IMF），接着对所得到的固有模态函数分量局部重构，从而提取出局部放电信号。通过实例证明了该方法的有效性。     

基于改进小波阈值函数和CEEMD电能质量扰动检测

为提高在噪声环境下电能质量扰动检测定位的准确性,提出基于改进小波阈值函数和完备总体经验模态分解(CEEMD)的电能质量扰动检测算法。在采用CEEMD处理电能质量扰动信号的基础上,通过排列熵计算各固有模态函数的随机噪声强度,利用小波改进阈值函数对噪声强度高于排列熵值的分量降噪,并对降噪后分量进行Hilbert-Huang变换,求取定位扰动起止点以及频率等参数。将该算法与CEEMD舍弃高频分量和小波阈值函数降噪方法的对比分析,结果表明算法不仅具有较强的抗噪性,而且能有效保留高频信息不被滤除。以PSCAD/EMTC双馈式风力发电系统中的单相短路和两相短路为例,仿真验证了所提算法的有效性,最后搭建了基于PXI和Lab VIEW平台电能质量扰动检测平台,为应用于工程实践中奠定基础。     

基于能量函数的电网低频振荡及扰动源定位研究

由于电力系统稳定器在实际电网中的广泛配置,常规的离线小干扰计算分析已经难以得到负阻尼或弱阻尼的低频振荡模式.然而,实际系统中仍然频繁出现低频振荡现象,根据对大量事故的分析,发现多重扰动的发生以及周期性扰动源的存在都可能引发低频振荡.构造了基于联络线的能量函数,并将能量分解为振荡分量和准稳态分量,从而对多重扰动引起的系统低频振荡进行分析,以提供可供调度人员参考的动态安全信息;并将传统的支路势能分解为周期分量和非周期分量,利用非周期分量在网络中传播耗散的方向来实现周期性强迫扰动源的快速、准确定位.实际电网仿真算例验证了所提方法的有效性和可行性.     

基于EMD的ICA方法在电力载波通信信号提取中的应用

提出了1种结合经验模态分解的独立分量分析方法：首先对采样得到的1路电网电压信号进行经验模态分解，得到1组固有模态函数；通过计算它们的互相关系数，找出独立性最强的几个，接着用独立分量分析的方法处理这几个固有模态函数与原采样到的电压信号，最后得到1组彼此独立的独立分量，从而提取出通信信号。该方法综合了经验模态分解和独立分量分析的各自的优点，克服了独立分量分析不能对单一采样信号进行分析的缺点，利用独立分量分析方法提高了信号提取的效果。实验表明：文中提出的方法是有效且可行的。     

CEEMD在电能质量扰动检测中的应用

为了解决总体平均经验模态分解(EEMD)处理非平稳、非线性信号的不足,提出了一种基于完全经验模态分解(CEEMD)的电能质量扰动检测新方法。首先采用CEEMD对含噪的电能质量扰动信号进行分解得到固有模态函数,并对固有模态函数进行Hilbert变换检测出瞬时幅值和瞬时相位特征参数。对所得瞬时幅值求取二阶导数得到模极大值点,提高了通过模极大值点定位扰动时刻的准确性。针对高频复合扰动采取两次CEEMD分解方法去除噪声与虚假分量有效提取出扰动成分,针对稳态扰动提出先去除谐波再提取闪变包络的检测方法。并通过Matlab仿真实验以及依托交流调压器负载实验和三电平实验平台的实测数据,验证了该方法既可以对未知扰动信号进行辨识区分,也可以确定电能质量扰动的时刻、类型、频率和幅值等特征参数。     

基于改进小波阈值函数和奇异值分解的电能质量扰动检测定位

为了在噪声环境下准确提取电能质量扰动特征,本文提出基于改进小波阈值函数去噪和奇异值分解的电能质量扰动检测定位方法。首先构建改进小波阈值函数对含噪电能质量扰动信号降噪,利用经验模态分解的信号频带划分能力,实现降噪后扰动信号各模态的有效分离,再采用希尔伯特变换提取各模态幅值、频率等特征信息,同时基于奇异值分解实现对扰动信号的起止时刻的有效定位。最后分别采用不同类型的电能质量扰动信号进行仿真实验,实验证明本文提出的算法不仅具有良好的抗噪性能,同时具有较高的定位准确度和良好的鲁棒性。     

电力系统电压短期扰动的三角模态检测方法

针对HHT(Hilbert-Huang Transform)方法中经验模态分解(EMD)产生的模态混叠可能导致扰动信号检测失效的问题,提出一种检测定位扰动的新方法-对称三角模态法.该方法通过对原信号叠加一个对称三角模态来提取信号的扰动信息进而定位扰动,同时结合分段HHT方法进行扰动类型的识别.与原HHT方法和小波检测方法相比,该方法能够更加简单快速地实现扰动的准确定位.仿真结果表明了该方法的有效性.     

基于功率及频率波动相位的强迫扰动源定位

为了实现电网强迫扰动源的准确快速定位,基于广域测量系统提出一种比较有功功率波动及电压频率波动之间的相位关系来实现扰动源在线监测定位的方法。如果扰动源位于发电机上,则发电机角频率的波动相位超前于输出电气功率的波动相位且相位差小于90°。在此基础上,根据能量函数及扰动传播对网络中的支路进行分析,如果支路有功功率波动及电压频率波动的相位差的绝对值小于90°,则支路上振荡能量流向与有功方向一致,据此可实现电网扰动源的定位。采用TLS-ESPRIT算法能够直接获取系统稳态时的波动相位,无需判断振荡进入稳态阶段的时间点,且能够消除瞬态分量以及异常数据的影响。实际算例验证了所提方法的可行性及有效性。     

基于MEMD和HHT的电力系统低频振荡模式识别方法研究

提出了一种基于多元经验模态分解(Multivariate empirical mode decomposition,MEMD)和希尔伯特黄变换(Hilbert-Huang Transform,HHT)相结合的电力系统低频振荡模式辨识新方法。针对经验模态分解(Empirical Mode Decomposition,EMD)只适用于单通道模式辨识的局限性,以及存在模式混叠和辨识效率低的缺点,引入MEMD方法对多通道量测信号进行分解处理,获取各通道中表征不同频率尺度的固有模态函数(Intrinsic Mode Functions,IMF)分量,实现多通道量测信息的协同分解。在此基础上,引入Teager能量算子筛选出含主导振荡模式的关键IMF。针对主导振荡模式在振荡过程的时变特性,借助HHT追踪各主导振荡模式的瞬时振荡频率和阻尼比。最后,通过16机68节点测试系统仿真数据和辽宁电网PMU实测数据对所提方法进行分析、验证。结果表明了所提方法的准确性和有效性。     

基于频域分段-时域反演法的抽水蓄能机组大波动过渡过程水压脉动信号分析

抽水蓄能机组大波动过渡过程中水压脉动信号包含大量的毛刺,表现出瞬时大幅跳变的特点,严重影响水压脉动最值的分析选择。针对该问题,本文提出一种频域分段-时域反演法,首先将时域水压脉动信号进行傅里叶变换以获取水压脉动信号的频谱特征,在频域根据设置的截止频率对水压脉动信号滤波,经快速傅里叶逆变换反演出滤除指定频段后的水压脉动信号。通过在频域滑动截止频率,提取水压脉动极值-滑动截止频率关系曲线,分析不同频段对水压脉动最值的敏感性,揭示滤波频率对水压脉动信号最值的影响。该方法应用于工程实际抽水蓄能机组水压脉动信号分析,为水压脉动最值的确定提供了有力论证。     

基于CEEMD-GRU模型的短期电力负荷预测方法

针对电力负荷序列不平稳、随机性强,直接输入模型会导致拟合效果差、预测精度低等问题,本文提出了一种基于添加互补白噪声的互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)以及门控循环单元神经网络(gated recurrent unit neural network, GRU)融合的预测方法。首先,针对传统经验模态分解(empirical mode decomposition, EMD)分解方法处理干扰信号大的序列时,存在的模态混叠问题,提出了CEEMD分解方法,加入互补白噪声,将原始序列分解成不同尺度的子序列,随后使用GRU神经网络,并优化网络超参数,从而获得最好的预测结果。通过实验证明,该方法重构误差小,预测效果好。     

基于CEEMDAN和HT的谐波检测新方法*

经验模态分解(EMD)作为希尔伯特-黄变换(HHT)的重要组成部分,为了克服其在谐波检测中出现的模态混叠、端点效应问题,提出采用自适应噪声完备集合经验模态分解(CEEMDAN)和希尔伯特变换(HT)相结合的谐波检测新方法。文章首先在理论上对比分析了EMD、EEMD以及CEEMDAN算法,研究CEEMDAN算法的特性。再用CEEMDAN算法对原始信号进行分解,得到固有模态函数(IMF)。最后用HT算法对每阶IMF分量进行分析,检测到谐波中包含的瞬时幅频信息。算例仿真结果表明,相对于HHT算法对信号的处理能力,文中提出的方法在谐波检测中有效地克服了EMD算法的弊端,提高了信号分解精度。     

基于ESMD和HT相结合的谐波检测新方法

针对现有的电力系统谐波信号检测方法精度不高的问题,以及研究较多的经验模态分解(EmpiricalMode Decomposition, EMD)在谐波检测中出现的模态混叠问题,结合极点对称模态分解(Extreme-pointSymmetricMode Decomposition, ESMD)理论和算法,提出基于ESMD和希尔伯特变换(HilbertTransform, HT)相结合的谐波检测新方法。首先对信号进行极点对称模态分解,得到一系列不同特征尺度的固有模态函数(IntrinsicModeFunction,IMF),再对IMF分量进行希尔伯特变换得到各谐波瞬时幅值和瞬时频率信息。该方法能够根据信号自身特征进行自适应分解,理论上由于扩展了IMF定义并采用内部插值方法,使得该方法具有简单、精度高的优势。仿真结果表明,该方法在谐波检测中自适应分解能力强,检测精度高,实时性好,并且能够在不添加噪声的情况下有效避免EMD方法在谐波检测中出现的模态混叠现象。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

经验模态分解理论在短期负荷预测中的应用

结合电力系统负荷的组成特点,采用经验模态分解理论进行分解和预测。经过实例仿真和分析,经验模态分解对建立精确的负荷模型有非常重要的作用,能够基本上体现负荷预测模型的组成分量,有利于提高短期负荷预测的精度。     

EMD信号分析方法端点问题的处理

经验模态分解（EMD）是一种新的处理非线性、非平稳的数据分析方法，但是在利用样条插值获得上下包络过程中存在着棘手的端点问题。在解决该问题已有的添加极值点算法的基础上，提出了通过添加极值点和对称延拓相结合的方法抑制端点问题的思路和策略。针对一个仿真振动信号，对比分析了直接以数据端点作为极值点、多项式拟合算法、神经网络延拓算法、极值点与对称延拓相结合4种算法的效果，结果显示了所提出方法能有效地抑制端点效应。     

基于EMD和Prony算法的次同步扭振模态参数辨识

从瞬时转速测量数据中有效提取次同步扭振信号,并准确地辨识模态参数,仍有一定的技术难度。提出了通过EMD预处理提取次同步扭振信号,并进行重采样处理,再通过Prony算法辨识次同步扭振模态参数的方法。采用该方法对某电厂扭振实测数据进行了应用分析,并与基于传统滤波器以及小波滤波器的Prony分析结果进行比较。研究表明所提方法能够有效提高次同步扭振模态参数辨识的精度。     

基于EMD方法的电力载波通信中的信号检测

传统的电力载波通信中的信号检测方式已不能满足对更高通信质量的要求。提出了一种采用经验模态分解检测通信信号的新方法:对采集到的一路电网电压信号进行经验模态分解,得到一组固有模态函数,比较它们与通信信号的先验知识间的互相关系数,找出相关系数最大的那个,它就是通信信号。实验结果表明:这种方法在检测电力载波通信中的通信信号是有效且可行的。     

基于经验模态分解法的桥梁应变信号降噪方法研究

针对桥梁应变信号的特点,提出了一种基于经验模态分解法的降噪方法。当信号中噪声分布在某些特定频段且与信号混叠时,现有的降噪方法如小波阈值法无法很好地对其进行处理。本文在对桥梁应变信号进行经验模态分解的基础上,具体分析分解后的本征模函数分量,对含噪较大的本征模函数分量进行特定的阈值滤波处理,并将处理后的本征模函数分量与含噪较小的本征模函数分量以及残余分量进行信号重构,得到降噪后的桥梁应变信号。将此方法用于实际测得的数据,实验结果表明,其能在保留原始信号特征的前提下,消除桥梁应变信号中的噪声,从而达到降噪的目的。