基于多元同步压缩变换的电力系统强迫振荡源定位

为实现电力系统强迫振荡源的快速、准确定位,该文提出一种基于多元同步压缩变换(multivariate synchrosqueezingtransform,MSST)的电力系统强迫振荡源定位方法。该方法首先利用电力系统的广域量测信息构建发电机的多通道量测信息矩阵,采用MSST对多通道量测信息矩阵同步分解得到对应的三维MSST系数矩阵;然后通过能量权重筛选出表征强迫振荡模式的MSST系数矩阵;进一步,构建基于MSST的发电机强迫振荡耗散能量计算模型,通过筛选出的表征发电机强迫振荡模式的MSST系数矩阵计算各发电机的耗散能量;然后,依据所提的强迫振荡源判据,定位出系统的强迫振荡源;最后,通过WECC-179节点测试系统仿真数据和辽宁电网PMU实测数据验证了所提方法的准确性和有效性。     

基于APIT-MEMD的电力系统低频振荡模式辨识新方法

传统多元经验模态分解(Multivariate Empirical Mode Decomposition, MEMD)在处理多信道量测信息时存在量测信道之间数据不平衡性及数据相关性导致的主导振荡模式辨识结果误差较大,且模式混合现象未有效消除。提出了一种基于自适应投影多元经验模态分解(Adaptive-Projection Intrinsically Transformed Multivariate Empirical Mode Decomposition, APIT-MEMD)的电力系统主导振荡模式辨识方法。首先采用APIT-MEMD将含有振荡信息的多信道量测信息整体分解,精确分离出各量测信道内含有振荡模式的固有模态函数(Intrinsic Mode Functions, IMF)信号。然后,采用Teager能量判据甄选能表征主导振荡模式的IMF信号。进而,采用希尔伯特黄变换(Hilbert-Huang Transform, HHT)实现对各IMF中所含主导振荡模式的频率和阻尼比估计。最后,将所提方法应用到IEEE-68节点时域仿真算例和辽宁电网广域实测算例中进行分析和验证,结果表明所提方法的可行性和有效性。     

电力系统强迫振荡源的时频域定位方法

快速、准确定位电力系统强迫振荡源,对于预防由强迫振荡引起的电力系统大停电事故意义重大,但目前的强迫振荡源时域定位方法计算过程较为复杂,计算效率有待提升.为此,文中提出一种基于广域量测信息的电力系统强迫振荡源的时频域定位方法,该方法首先将电力系统广域量测数据进行连续小波变换,计算各小波系数矩阵的小波相对能量,进而甄别出电力系统强迫振荡模式对应的关键小波系数.基于所得关键小波系数,计算各发电机基于小波变换的耗散能量流;在此基础上,借鉴传统耗散能量流的定位方法,定位电力系统强迫振荡源,并通过振荡源定位量化指标直观地展示强迫振荡源定位结果.最后,将所提方法应用到WECC 179节点测试系统和中国辽宁电网的实测数据中进行分析、验证,结果验证了所提方法的正确性和有效性.     

基于小波耗散能量谱的电力系统强迫振荡源定位

快速、准确地定位强迫振荡源是抑制电力系统强迫功率振荡的关键。目前，基于广域量测信息的电力系统强迫振荡源定位方法大多基于时域耗散能量流理论，其计算过程较为复杂，计算效率有待提高。首先，提出一种基于小波耗散能量谱（WDES）的电力系统强迫振荡源频域定位方法，该方法首先将电力系统广域测量信息进行连续小波变换，得到各广域量测信息的小波系数矩阵；然后，根据获得小波系数矩阵定义小波耗散能量谱，阐述小波耗散能量谱和传统时域耗散能量流的关联关系；进而，由小波耗散能量谱的跃变特性确定系统的强迫振荡频率；再根据各发电机在强迫振荡频率处的小波耗散能量谱准确定位振荡源；最后，将所提方法应用到WECC-179节点测试系统和ISO New England中进行仿真和验证，结果验证了所提方法的准确性和有效性。     

基于经验模态理论的强迫振荡扰动源定位新方法

为提高扰动源定位的准确性及实现扰动源的自动识别,提出一种基于经验模态理论的强迫振荡扰动源定位新方法。首先,采用经验模态时空滤波功能,将所需电气量的主导分量即与扰动源强相关的分量提取出来;然后,提出经验模态能量流的概念,通过计算经验模态能量流实现扰动源特征的提取;最后,提出一种基于经验模态能量趋势函数的扰动源自动识别新方法,该方法采用基于能量趋势函数计算出的量化指标判断扰动源位置,简洁、直观,实现了扰动源的自动识别。通过实际电网的振荡实例验证了所提方法的有效性及在实际电网中应用的可行性。实例分析表明,所提算法比传统的能量函数法更能准确定位扰动源,且适用于工程应用。     

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。     

电力系统强迫振荡源定位的耗散能量谱方法EI北大核心CSCD

快速、准确定位振荡源是抑制电力系统强迫功率振荡的关键。为提高电力系统强迫振荡源定位精度和效率,该文提出一种基于耗散能量谱的电力系统强迫振荡源频域定位方法。该方法首先将电力系统广域测量信息进行短时傅里叶变换(short-time Fourier transform,STFT);然后,根据信号的时—频域特性,推导出时域耗散能量与时频域耗散能量间的关系,在此基础上,构建出频域耗散能量谱,论证了时域耗散能量与频域耗散能量谱的等价性;进而根据频域耗散能量谱辨识系统强迫振荡频率、定位强迫振荡源;最后,将所提方法应用到WECC179节点测试系统和ISO New England中进行仿真、验证,结果验证了所提方法的准确性和有效性。     

基于EEMD能量熵的配电网单相接地故障选线方法

提出了基于EEMD能量熵的配电网单相接地故障选线方法。首先通过集合经验模态分解（Ensemble empirical mode decomposition, EEMD）方法提取线路零序电流的故障特征信息,得到一系列零序电流IMF分量和余项,然后计算线路零序电流IMF分量的能量,并构造零序电流IMF分量的能量熵,最后通过比较能量熵值来进行故障选线。理论分析及仿真结果表明,该方法应用于故障选线具有较高的准确率和可靠性。     

基于最优变量投影的电力系统主导振荡参数综合辨识

准确、有效地辨识电力系统主导振荡模式、主导振荡模态和参与因子等低频振荡特征参数,对深入探究电力系统低频振荡诱因、提出科学合理的振荡抑制措施具有重要价值。为此,该文提出一种基于最优变量投影(OVP)的电力系统主导振荡模式、模态和参与因子综合辨识方法。该方法采用有限差分法(FDM)预处理电力系统的广域量测信息;借助处理后的广域量测信息构建含系统关键动态振荡信息的低阶状态矩阵,进而从低阶状态矩阵中提取电力系统的关键振荡特征信息;结合广域量测信息和关键振荡特征信息构建变量投影函数,通过OVP对其进行求解,以辨识振荡模式及其模态;引入累积能量权重从所辨识的振荡模式及模态中分离电力系统的主导振荡模式及模态,并根据分离的主导振荡模态实现参与因子的评估。最后,通过IEEE68节点测试系统和中国南方电网公司算例对所提方法进行分析,验证了所提方法的准确性和有效性。     

基于MEEMD与MP的电网低频振荡模态识别

针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法。首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡模式信息。数值信号和EPRI-36节点系统的仿真验证了所提方法的有效性。     

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。     

基于多元经验模式分解的电力系统低频振荡模式辨识

提出了一种辨识电力系统主导低频振荡模式的新方法。该方法结合了多元经验模式分解(Multivariate Empirical Mode Decomposition, MEMD)、Teager能量算子及预测误差法(Prediction Error Method,PEM),通过多元经验模式分解将含电力系统低频振荡特征信息的信号进行分解,得到多个本征模函数(Intrinsic Mode Function, IMF)分量;借助Teager能量算子的快速响应能力,筛选出含有主导振荡模式的主要IMF分量;最后采用预测误差法辨识出各主导振荡模式的振荡频率和阻尼。分别利用IEEE68节点测试系统和辽宁电网实测PMU数据对所提方法进行分析、验证。结果表明,该方法可有效从电力系统的广域量测信息中辨识出电力系统的主导振荡模式。     

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EMD-TEO的输电线路行波故障定位

针对利用希尔伯特-黄变换（HHT）分解所得IMF分量的瞬时频率可能导致波头检测不准确或检测失败的缺陷,提出了基于EMD-TEO的输电线路行波故障定位方法。首先对行波线模分量进行EMD分解,然后利用Teager能量算子（TEO）计算出分解所得IMF1分量的瞬时能量谱,根据首个能量突变点确定出故障初始行波的到达时刻。最后,根据双端行波定位原理计算出故障距离。从对不同故障情况的仿真结果看,所提EMD-TEO法具有更好的波头检测效果,且用于故障定位具有较高的定位精度。     

基于VMD的谐波检测方法

针对电网谐波检测问题,分析已提出的几种传统的谐波检测方法,首次提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的电网谐波检测方法。运用VMD方法将所含谐波的电网信号分解为一系列的本征模态分量(Intrinsic Mode Function,IMF),然后对分解出的IMF分量采用希尔伯特黄变换(HilbertHuang transform,HHT),获得每一个IMF分量的瞬时频率和瞬时幅值。由于VMD方法能准确的分解出每一个IMF分量,因此所得到的瞬时频率和瞬时幅值达到了很高精度的获取,并且与在经验模态分解(Empirical Mode Decomposition,EMD)所得到IMF分量Hilbert变换进行对比,说明了该方法比传统的Hilbert变换分解能力更强。为验证该方法对电网谐波的检测能力,将VMD算法与传统的瞬时无功功率谐波检测算法运用到实测数据中。仿真和实测数据表明,该方法是检测谐波的有效新方法。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

利用暂态能量流的次同步强迫振荡扰动源定位及阻尼评估

近年来,随着大量电力电子装置接入电网,次同步振荡越发复杂,难以准确判断振荡的主要诱发因素或元件。应用暂态能量流进行次同步强迫振荡扰动源定位及阻尼评估。提出了次同步振荡分析中暂态能量流的计算方法,将元件端口瞬时电压、电流从abc坐标系转换到xy坐标系计算暂态能量流。然后在汽轮发电机组多质量块详细模型下推导了能量流的组成,包括暂态能量和阻尼消耗的能量,说明了次同步振荡中暂态能量流和阻尼的关系,若元件吸收能量,则具有正阻尼。次同步强迫振荡中扰动源不断发出能量,通过计算网络中的振荡能量流和能流功率,即可定位扰动源。在PSCAD/EMTDC电磁暂态仿真软件下搭建了不同算例进行仿真研究,结果验证了所述方法的有效性。     

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。     

改进复合插值包络经验模态分解的 滚动轴承故障特征提取方法

针对复合插值包络经验模态分解(CIEEMD)方法存在非平稳系数阈值无法自适应确定的问题,提出了一种改进复合插值包络经验模态分解(ICIEEMD)方法。首先,以边长为ε的网格覆盖振动信号求出其分形盒维数,实现信号非平稳阈值自适应选取,分解得到若干固有模态函数(IMF);其次,结合互相关系数、时域峭度和包络谱峭度建立互相关系数-TE峭度(C-indexTE)复合指标,筛选出有效IMF分量并重构信号,使用Teager能量算子解调获得重构信号的能量谱,实现滚动轴承故障特征提取;最后,基于仿真信号和实验台滚动轴承数据集进行实验分析,与CIEEMD方法和谱峭度法相比,所提方法能够提取出更加清晰的故障特征频率,证明了所提方法的可行性和有效性。     

基于特征筛选和改进深度森林的变压器内部机械状态声纹识别

变压器声纹信号包含大量反映内部机械状态的有效信息。为实现变压器内部机械状态不停电检测,提出一种基于特征筛选和改进深度森林的变压器机械状态声纹识别方法。首先,利用自适应噪声完备集合经验模态分解(CEEMDAN)声纹信号得到本征模态函数(IMF),并通过频谱分析和皮尔逊相关系数对IMF分量进行筛选,得到包含故障信息的IMF分量。其次,利用各IMF分量在频段上的分布情况进行高、低频段划分,依据高、低频段IMF分量的差异性,将高频段IMF分量的时频能量和低频段IMF分量的幅值特性作为特征指标,构成特征向量,输入改进后的深度森林模型,得到10种机械松动状态的声纹识别结果。最后,通过现场试验验证了该方法的有效性。研究结果表明：所提方法对10种机械松动状态的平均识别准确率达99.2%。与传统变压器声纹特征相比,所提声纹特征区分度更高;与传统识别模型相比,所提改进深度森林识别模型复杂度更低,训练速度更快,识别准确率更高。