基于数学形态学滤波技术和TLS-ESPRIT算法的低频振荡模式辨识研究

针对传统Prony方法对噪声敏感和辨识精度不高的局限性,提出一种新的低频振荡模式辨识方法,实现了在有噪声干扰情况下低频振荡模式的准确辨识。该方法基于数学形态学设计出一种多结构元素的并行复合形态滤波器,可有效滤除多种噪声,保留更多的有用信息。对消噪后的信号采用基于总体最小二乘法-旋转不变技术的信号参数估计(TLS-ESPRIT)算法进行辨识,从而获取低频振荡各个模式参数。通过算例仿真,说明所提出的方法是可行和有效的。     

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。     

基于改进EEMD滤波原理及TLS-ESPRIT算法的低频振荡模式识别

针对不稳定信号PRONY辨识的噪声敏感和辨识精度低的局陷,提出一种改进的低频振荡模式辨识方法,实现了在复杂噪声于扰情况下的低频振荡模式的准确辨识.该方法基于EEMD算法设计改进了EEMD滤波器,可以有效滤除噪声,保留更多的信号模态特征.对滤波后的信号采用基于总体最小二乘法-旋转不变技术的信号参数估计(TLS-ESPRIT)算法进行参数辨识,从而获取低频振荡各个模式信息.通过算例仿真验证了该方法的有效性.     

基于差分正交匹配追踪和Prony算法的低频振荡模态辨识

根据实测数据对电力系统低频振荡模态进行辨识,有助于实现电力系统有效的阻尼控制,从而提高电网的稳定性。文中介绍了利用Prony算法辨识低频振荡模态参数的原理,针对Prony算法对噪声干扰敏感以及模型阶数辨识困难导致出现伪模态的缺点,提出了一种基于差分正交匹配追踪(DOMP)和Prony算法相结合的低频振荡模态参数辨识方法。EPRI-36节点系统和实际系统相量测量单元数据算例的仿真结果表明,所述方法能够准确地辨识出系统低频振荡模态参数。通过与Prony算法结果对比验证表明,该方法辨识结果更加准确,能够满足低频振荡模态参数辨识要求。     

基于Prony滑动平均窗算法的电力系统低频振荡特征分析

Prony算法能根据实测数据辨识系统的相关特性参数,有助于分析系统低频振荡。针对传统Prony算法只能分析部分数据且对噪声敏感的问题,提出一种Prony滑动平均窗算法,分窗口对数据进行分析,不仅能充分利用数据,而且采用求和取平均的方法在一定程度上能削弱噪声,即使在信噪比非常小的情况下仍能得到准确的辨识结果。基于PSASP软件的仿真分析验证了Prony滑动平均窗算法所得结果的准确性。     

基于ICA-EMD和Prony算法的区域电网低频振荡模式分析

针对互联电网低频振荡频现,已有低频振荡模式分析方法对噪声较为敏感和难以处理非线性、非平稳信号等问题,提出一种基于独立分量分析(ICA)与经验模态分解(EMD)有机结合的Prony关键振荡模式辨识法。通过对观测到的功角信号进行滤波预处理,并对其进行经验模态分解提取得到固有模态函数(IMF),将已得原始固有模态函数白化,接着用独立分量分析处理得到真正的IMF,用Prony算法辨识各IMF分量提取出观测信号中关键振荡模式。研究结果表明,该方法综合利用了ICA的去相关性和噪声抑制优势及EMD对复杂信号的分解能力,克服了Prony算法难以去除噪声和分解频率相近模式的缺陷,有利于提高辨识精度和准确性,更能满足实际应用需求。     

基于改进多信号Prony算法的低频振荡在线辨识

提出了适合低频振荡在线辨识的改进多信号Prony算法。首先通过小波变换消除各信号的噪声，然后消去直流分量，建立多信号的样本函数矩阵，通过奇异值–总体最小二乘法对Prony算法进行改进，分离信号空间和噪声子空间，确定信号的阶数，最后利用最小二乘法进行辨识。利用传统Prony算法、改进单信号Prony算法和改进多信号Prony算法对理想信号、仿真信号以及实际录波信号进行了分析，分析结果表明利用改进多信号Prony算法同时对多信号进行分析能够提高辨识的精度，缩短运算时间，辨识阶数及辨识结果均优于传统算法，适合于低频振荡的在线辨识。     

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。     

基于高阶累积量的改进Prony低频振荡辨识方法

广域测量系统的不断发展和进步,为基于Prony方法实现电力系统低频振荡的在线辨识提供了可能性。针对传统Prony算法在辨识广域测量系统监测信号过程中抗噪声性能不足的问题,本文提出一种基于高阶累积量的改进Prony算法用于低频振荡的在线辨识。该方法利用高阶累积量技术具备的良好抗噪特性,能够有效抑制广域测量系统在采集和传输过程中产生的白色噪声和有色噪声。最后,利用典型正弦信号、新英格兰10机39节点算例系统的仿真结果和实际电网测量数据验证了所提方法的正确性和有效性。     

基于带宽自适应滤波的低频振荡Prony分析

针对传统Prony法在分析低频振荡时对噪声非常敏感的缺点,提出了一种基于带宽分析的余弦基神经网络滤波方法。首先,利用余弦基神经网络逼近低频振荡信号,通过对权值的分析,确定信号有效带宽;然后根据信号带宽进行带通滤波,再将输出信号导入Prony模块分析。其中,针对有效带宽范围的确定,提出了固定带宽与动态带宽的分析方法。分别在脉冲噪声、高频谐波噪声、随机白噪声背景下进行了算例分析,表明了该方法对舍噪低频振荡信号具有较好的滤波效果,有效地提高Prony算法的振荡主导模式识别精度。能满足电力系统低频振荡特征分析的需要。     

基于Prony算法的电力系统低频振荡分析

简要介绍了电力系统低频振荡的概念和产生原因,指出随着电网互联,低频振荡的危害也将更加严重。而后根据振荡特征提出了一种可用于分析电力系统低频振荡的方法———Prony算法,并介绍了算法的原理和计算步骤。通过对理想振荡波形进行分析,论证Prony算法在理想情况下的精确性。接着指出传统Prony算法在分析中所存在的缺陷,特别是噪声干扰对算法精确度的影响。在此基础上提出了一个较为简便的解决方法,利用仿真振荡波形分析说明改进后的Prony分析的精确度,针对其误差变化情况,讨论了分段Prony分析法,最后说明Pro-ny算法在电力系统低频振荡分析中的有效性。     

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。     

基于改进的Prony算法在线辨识电力系统低频排振荡模式

基于传统的Prony算法对输入信号要求较高,同时对分析数据的噪声非常敏感,提出了一种改进的Prony算法,对在线获取的信号进行快速拟合,从而分析出信号的振幅、阻尼比、频率和相角等信息.改进的Prony算法的拟和精度在36节点的多机系统中进行验证,该算法输入信号是基于广域测量系统提供的各机组功角变量.仿真计算结果表明,该改进算法可实现低频振荡主导模式的在线辨识.     

基于小波去噪和随机子空间算法的广域低频振荡估计

电网规模的日益扩大使得广域低频振荡成为电力系统稳定运行中备受关注的问题之一,提出了一种利用小波软阈值去噪技术,首先对电力系统低频振荡数据进行预处理,然后采用随机子空间算法提取低频振荡信号特征的分析方法。该方法直接利用在线量测数据识别出系统的低频振荡及其特征参数,有效地克服Prony算法、自回归滑动平均算法及希尔伯特-黄等算法受噪声、系统实际阶数的影响大以及单一随机子空间辨识算法难以处理非线性、非平稳振荡信号的缺点。数值仿真及实例分析均验证了基于小波预处理技术的随机子空间算法在电力系统低频振荡分析中的可行性。     

基于自然激励技术和TLS-ESPRIT方法的低频振荡模式辨识

提出了一种利用系统随机响应信号辨识低频振荡模式的方法。利用自然激励技术(NEx T)从系统随机响应信号中获得自由振荡信号,采用总体最小二乘—旋转不变技术的信号参数估计(TLS-ESPRIT)方法对所获得的自由振荡信号进行模式辨识,得到低频振荡模式的频率和阻尼比。采用16机系统仿真数据和四川电网实测数据验证了所提方法的有效性;与随机减量技术(RDT)结合Prony方法对比表明,所提方法对阻尼比估计更准确且抗噪性更强。