基于改进希尔伯特-黄变换算法的电力系统低频振荡分析

作为一种非线性时变信号处理方法,希尔伯特-黄变换(Hilbert-Huang transform,HHT)已经被应用到电力系统低频振荡的分析中.分析经验模态分解(empirical mode decomposition,EMD)过程中存在的端点效应和模态混叠现象.针对EMD分解过程中的端点效应问题,通过4种端点延拓方法的比较,得出适合电力系统低频振荡信号分析的延拓方法.在介绍频率偏差法基本原理和适用范围的基础上,提出利用频率偏差法来解决EMD分解中存在的模态混叠现象,并建立基于极值点对称延拓和频率偏差原理的改进HHT算法.测试信号和仿真算例证明频率偏差法可有效地解决信号在EMD分解过程中的模态混叠现象,扩大了HHT在低频振荡信号分析中的应用范围.     

基于WP_SVD降噪的OLTC振动信号特征识别

为对变压器有载分接开关机械故障进行诊断,提出一种结合奇异值分解SVD(singular value decompo-sition)消噪与小波包WP(wavelet packet)消噪的信号特征提取方法。首先对信号进行小波包消噪,然后进行SVD二次消噪,将消噪信号进行经验模态分解EMD(empirical mode decomposition),对得出的各阶固有模态分量进行希尔伯特-黄变换HHT(Hilbert-Huang transform)。数值仿真表明基于WP_SVD降噪的信号特征提取比小波包或SVD单独降噪的信号特征提取方法有效,并成功地将该方法应用到分接开关实际振动信号分析中。     

基于同步挤压小波变换的抗混叠低频振荡模态参数识别

针对经验模态分解法对低频振荡信号模态提取时,存在相邻频率分量混叠而导致分析结果不正确的问题,本文提出基于同步挤压小波变换的抗混叠低频振荡模态参数识别新方法,首先利用同步挤压小波变换将低频振荡信号分解为一组无频率混叠的固有模态分量,实现各固有模态的精确提取;其次对各固有模态分量进行希尔伯特(Hilbert)变换、计算其相对应瞬时幅值、瞬时频率及相位;最后运用瞬时频率、瞬时幅值计算其阻尼比,从而实现对低频振荡模态参数的有效识别,数值仿真及实例分析均表明该方法的可行性和有效性。同时该方法有助于评价阻尼控制器对系统不同振荡模态阻尼特性的影响,为阻尼控制器的设计研究及改进提供理论支撑,具有较好的实用价值。     

基于数学形态学和HHT的谐波和间谐波检测方法

非线性电力元件的应用使电力系统的谐波污染问题日益突出。为准确检测谐波和间谐波参数,提出了基于数学形态学和希尔伯特–黄变换(Hilbert-Huang transform,HHT)的谐波和间谐波检测方法。为有效抑制多种噪声,对现有数学形态滤波器进行了改进,使之保留了原信号的主要特征,并运用经验模态分解处理消噪后的信号,得到了一组经验模态函数分量。对每个经验模态函数分量进行希尔伯特–黄变换,可准确得到其瞬时频率和瞬时幅值,实现了在噪声背景下对谐波和间谐波的检测。仿真结果验证了该方法的可行性与有效性,表明其可提高谐波和间谐波的检测精度。     

基于HHT的电力系统低频振荡监测器的研究

针对电力系统区域联络线上发生低频功率振荡问题,提出了一种能够快速精确地分解出振荡模态参数的低频振荡监测器。低频振荡监测器的核心是一种改进的希尔伯特-黄变换(Hilbert-Huang transform,HHT)算法,该算法通过给在线录波数据叠加整周期余弦信号,使预处理信号的两端为极值点,解决了EMD分解过程中的"端点效应"问题,通过MATLAB仿真验证了该方法的有效性。     

基于改进HHT的电压闪变检测

针对应用希尔伯特-黄变换(HHT)算法进行电压闪变参数检测过程中经验模态分解(EMD)产生的固有模态分量(IMF)不理想而增大参数检测误差的问题,提出了一种改进HHT的电压闪变检测方法。首先通过在EMD"筛选"步骤中添加四点插值细分算法"分裂"出新的控制点供三次样条插值拟合包络线,然后分解出一组IMF分量,最后对IMF分量采用Hilbert变换得到闪变检测参数。就含噪声的单一分量闪变信号、不含噪声的和含噪声的多分量闪变信号,分别采用未改进HHT方法与改进HHT方法进行仿真检测,研究结果表明,改进HHT算法具有良好的抗噪能力,对模态混叠具有一定的抑制作用,并且能够提高闪变信号参数检测的准确度。     

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SURE小波消噪和归一化奇异熵TLS-ESPRIT法的低频振荡辨识

在对低频振荡信号特征参数的提取过程中往往会存在噪声干扰和辨识算法定阶不准确的问题。针对此问题,提出了Stein的无偏似然估计(SURE)小波阈值消噪和总体最小二乘-旋转不变技术(TLS-ESPRIT)相结合的方法,用于提取振荡模态的参数。首先利用SURE小波阈值消噪技术实现对振荡信号的预处理,提升信号的信噪比,而后将处理后的信号作为新的主导信号利用TLS-ESPRIT算法进行振荡参数的辨识。在辨识算法的关键定阶问题上,提出的归一化奇异熵的定阶方法能使信号模态阶数的估计值更加接近真实值。通过对数值信号算例和PSASP中EPRI8机36节点系统算例进行仿真,并与传统算法进行对比,验证了该改进方法的可行性和精确性。     

同步挤压小波变换在电力系统低频振荡模态参数提取中的应用

针对电力系统低频振荡的非平稳、非线性特性,将一种新的时频分析方法——同步挤压小波变换(SWT),应用于低频振荡分析。该方法克服了大多数分析方法抗噪性差的缺点,结合了经验模态分解(EMD)和小波的优点,具有EMD的自适应性,同时提高了抗模态混叠能力。利用该算法可实现具有多分量的低频振荡模式分离,得到其瞬时幅值和频率,并计算阻尼比。仿真和实测信号的计算结果证明了SWT的有效性,优于传统的HHT方法。     

基于MEEMD与HT的谐波检测方法

为解决采用希尔伯特-黄变换进行谐波分析对信号进行分解时出现的模态混叠、端点效应、抗噪能力弱及虚假分量等问题,提出一种基于改进型总体平均经验模态分解和改进的自适应波形匹配延拓结合希尔伯特变换的谐波检测新方法。首先,采用改进型总体平均经验模态分解算法和改进的自适应波形匹配延拓方法对谐波信号进行分解,获得一系列固有模态函数,再对各个固有模态函数进行希尔伯特变换,从而得到各次谐波的瞬时幅值和瞬时频率。采用经验模态分解、总体平均经验模态分解、完全经验模态分解算法和文中所提方法分别与希尔伯特变换结合进行谐波分析,仿真结果表明,所提方法能有效抑制模态混叠和端点效应,其受参数影响较小,自适应性较强,产生较少的虚假分量,且在强噪声下仍然具有很高的谐波检测精度。     

用改进的Hilbert-Huang变换辨识电力系统低频振荡

针对Hilbert-Huang变换(HHT)在辨识电力系统低频振荡模态时易出现的模态混叠问题,提出了利用改进HHT辨识密频电力系统低频振荡模态参数的方法。首先通过Fourier变换确定每个模态频率的大致范围;然后在利用经验模态分解(EMD)求取每个模态时,根据所求得的模态频率的密集程度,或引入屏蔽信号,或通过滤波处理的方式,以分离频率相近的模态;最后通过对每个模态的瞬时幅值和频率进行线性最小二乘拟合,得到每个模态的模态参数。利用传统的HHT和改进的HHT分别对理想信号、仿真信号以及实际录波信号进行了分析,分析结果表明该方法能够准确辨识出低频振荡的特征参数,适用于密频电力系统低频振荡的辨识。     

一种可提取受波动干扰的电压暂降特征的信号处理方法

电压暂降信号中混杂的噪声会模糊暂降起止时刻的检测,而电压波动的干扰则会影响暂降幅值深度的确定,对此设计了一种基于变分模态分解(variational mode decomposition,VMD)的消噪方法及结合小波变换定位的三阶导数普罗尼(third derivative method-Prony,TDM-Prony)算法。首先将信号进行VMD分解,得到数个有限带宽的固有模态分量(band-limited intrinsic mode functions,BLIMFs),对获得的高频BLIMFs进行SURE阈值去噪,然后与低频分量进行重构。然后,对重构信号进行小波变换,定位电压波动及电压暂降的起止时刻,并利用TDM-Prony算法对波动信号段进行拟合以获取其信息,实现波动与暂降的分离;最后,对获得的干净暂降信号进行希尔伯特(Hilbert)变换可得其暂降幅值及持续时间。仿真结果表明,文中设计算法可有效地提取受波动信号的干扰的电压暂降特征。     

改进希尔伯特–黄变换方法提取水轮机动态特征信息

常规的希尔伯特–黄变换(Hilbert-Huang transform,HHT)方法能较好地分析水轮机轴系信号,但经经验模态(empirical mode decomposition,EMD)分解后,在原始信号的低频区易产生虚假的内禀模态函数(intrinsic mode function,IMF)分量,干扰特征信息的提取,引发误判。该文提出基于能量波动的改进HHT方法及其判别条件。该方法利用分量信号能量递减原则并设定判别阈值来跟踪筛选虚假分量。通过仿真信号对该方法进行了有效性验证,并以原型水轮机非最优工况下动态信号为例,进行了应用检验。结果表明,该方法具有良好的虚假分量识别能力,提取真实的水轮机特征参量,更加适合分析复杂而特殊的水轮机动态特征信息。     

面向配电网优化运行的混合储能容量配置EI北大核心CSCD

为提高配电网对分布式光伏的消纳能力,实现主动配电网优化运行,提出一种基于改进希尔伯特-黄变换(Hilbert-Huang transform,HHT)的混合储能(hybrid energy storage system,HESS)容量优化配置方法。该方法首先获得光储系统参与配电网运行的最优出力与光伏实际出力之间的不平衡功率,将其作为混合储能的参考功率,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将不平衡功率分解为一系列固有模态函数(intrinsic mode functions,IMF),通过递归希尔伯特变换得到各IMF的瞬时频率-时间曲线,可有效避免传统HHT存在的模态混叠效应,提高瞬时频率的准确性。根据功率型和能量型储能的特性,以瞬时频率-时间曲线混叠最少为原则确定分频频率,采用功率型储能和能量型储能分别对不平衡功率的高频分量和低频分量进行平抑。最后,考虑充放电效率、荷电状态和全寿命周期成本,提出经济最优配置方案。     

面向配电网优化运行的混合储能容量配置

为提高配电网对分布式光伏的消纳能力,实现主动配电网优化运行,提出一种基于改进希尔伯特-黄变换(Hilbert-Huang transform,HHT)的混合储能(hybrid energy storage system,HESS)容量优化配置方法。该方法首先获得光储系统参与配电网运行的最优出力与光伏实际出力之间的不平衡功率,将其作为混合储能的参考功率,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将不平衡功率分解为一系列固有模态函数(intrinsic mode functions,IMF),通过递归希尔伯特变换得到各IMF的瞬时频率-时间曲线,可有效避免传统HHT存在的模态混叠效应,提高瞬时频率的准确性。根据功率型和能量型储能的特性,以瞬时频率-时间曲线混叠最少为原则确定分频频率,采用功率型储能和能量型储能分别对不平衡功率的高频分量和低频分量进行平抑。最后,考虑充放电效率、荷电状态和全寿命周期成本,提出经济最优配置方案。     

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。     

基于变分模态分解和Hilbert变换的平滑风电出力混合储能容量优化配置

由于风力发电系统在并网过程中容易受到风速随机性、间歇性的影响。因此,在风电机组并网处安装储能装置不仅可以平滑功率波动,还可以获得良好经济效益。提出了变分模态分解-希尔伯特变换(VMD-Hilbert transform,VHT)的时频分析储能系统容量配置方法。首先通过滑动平均滤波获得的储能系统参考功率,采用变分模态分解(Variational Mode Decomposition,VMD)将储能系统参考功率,即非平稳信号分解为数个单分量信号——固有模态函数分量(IMFs),通过Hilbert变换得到时频谱,对时间积分计算获得各模态函数分量的边际谱,与传统HHT(Hilbert-Huang transform,HHT)相比,能够有效避免频谱混叠;最后根据边际谱选择分频点,分别将高频信号和低频信号分配给超级电容器和蓄电池。目标函数考虑了经济周期成本,仿真实验结果验证了所提方法的有效性和经济优势,因此,在新能源发电中为储能系统配置提供了新的方法。     

基于SVMD和能量转移SR-MLS反演识别技术的低频振荡信号特征辨识

为解决多通道低频振荡信号特征辨识在噪声背景下提取精度低的问题,提出采用基于带宽总和限定的变分模态分解算法(bandwidth sum limit variational modal decomposition algorithm, SVMD)和随机共振–移动最小二乘(stochastic resonance-moving least squares, SR-MLS)反演识别技术相结合的方法进行低频振荡信号特征提取。以广域测量系统(wide area measurement system,WAMS)检测数据作为原始输入信号,利用SVMD算法对信号进行自适应去趋势项主导模态分离;再利用SR-MLS反演识别技术以噪声能量转移的方式进行强噪背景下带参信号反演,进而获得辨识频率、阻尼比、振幅等特征信息。最后,通过自合成模拟信号、IEEE16机68节点系统仿真以及东北电网实测数据3个算例进行分析,仿真结果表明,所提方法相比于传统方法 Prony和希尔伯特-黄变换法(Hilbert-Huang transform,HHT)算法具有更高的识别精度和稳定性。     

HHT在电力系统低频振荡模态参数提取中的应用

针对目前电力系统低频振荡的分析局限于用线性化方法来处理而导致的分析结果不精确，甚至不尽合理，提出基于希尔伯特-黄变换(HHT)的提取电力系统低频振荡模态参数新方法。首先运用HHT中的经验模态分解(EMD)实现各低频振荡模态分量的有效分离，并对各模态分量进行希尔伯特(Hilbert)变换、计算其相对应瞬时幅值、瞬时频率及相位；其次运用该文推导的阻尼比计算公式提取各振荡模态分量阻尼比，从而实现低频振荡模态参数的有效提取。同时对超低频振荡的产生机理给出一种新的解释，该方法有助于分析电力系统强非线性振荡模态及阻尼控制器的设计研究。数值仿真及实例分析均表明该方法的可行性和有效性。     

HHT算法在电力系统低频振荡模态辨识中的应用

针对电力系统低频振荡信号的非线性、非平稳特征,提出了一种新的处理方法——希尔伯特-黄变换(HHT)。该方法能够克服传统分析难以处理非平稳信号的缺点;利用其中的经验模态分解(EMD)对信号模态分量的有效分离,对分量进行Hilbert变换,得到相应的参量。通过计算实现对振荡信号的模态参数的辨识与提取,因此该方法能够应用到阻尼控制器的设计中。仿真结果表明该控制器能有效地抑制电力系统低频振荡,提高了系统的安全稳定性。