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。     

基于改进小波阈值去噪和RCRSV-MP算法的电力系统低频振荡模态辨识

针对广域测量系统低频振荡辨识中存在噪声干扰和定阶不准确的问题,提出了基于改进小波阈值去噪和奇异值相对变化率(RCRSV)定阶的矩阵束(MP)算法相结合的方法对电力系统低频振荡模态进行辨识。在小波去噪基础上对阈值进行改进,使得阈值随分解层数的增加而发生改变,能够有效地抑制低频振荡信号的噪声;然后将去噪后的信号用RCRSV-MP算法进行辨识,从而获取低频振荡各个模态参数。根据RCRSV定阶具有自适应性,无需人为设定阈值。通过仿真算例、测试系统及电网实际案例的结果显示,所提方法相比于其他方法具有抗噪性能好、拟合精度高等优点,具有较强的实用性,能够实现在线辨识。     

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。     

低频振荡主导模式辨识方法探讨

针对传统 Prony算法在分析噪声干扰对算法精确度影响时存在的不足,采用基本不等式确定最佳 Hankel矩阵阶数,提出了利用信噪比曲线来解决有效奇异值阶次选择的问题,运用改进的 SVD 去噪技术对数据进行预处理,提高了信号的信噪比,减小了噪声对 Prony分析结果的影响.通过算例仿真验证了该算法具有噪声抑制能力强、辨识出的主导振荡模式精度高等优点,能较为准确地辨识电力系统低频振荡主导模式。     

低频振动模态参数辨识方法与预警指标研究

为实现环境激励下多通道随机响应的低频振荡模态辨识及预警,将航空航天领域用于分析航天器结构振动特性的特征系统实现算法(ERA)与随机减量技术(RDT)相结合。利用RDT从随机响应系统中提取自由振荡信号,进而采用ERA算法对得到的信号进行辨识,可获取低频振荡频率,阻尼比等参数,并将其应用于预警系统。通过仿真实验与ESPRIT和Prony方法的对比分析,表明该方法对于多通道信号能一次性进行低频振荡模式识别,并具有更高的计算速度、辨识精度和抗噪能力。该方法给多通道低频振荡模态参数辨识提供了一种更加快速准确有效的手段,能够满足电力系统低频振荡在线辨识与预警的要求,具备很好的应用前景。     

基于卷积神经网络的电力系统低频振荡主导模态 特征定性辨识

低频振荡严重威胁电网的安全稳定运行。传统低频振荡辨识方法大都将被测信号视作平稳信号或进行平稳化处理,忽略了信号的非平稳特性。但在高比例新能源和电力电子设备的电力系统中,低频振荡参数具有大范围时变的特性,传统辨识方法难以准确识别。提出了一种基于卷积神经网络(CNN)的电力系统低频振荡辨识方法。首先对原始信号进行时域特征提取作为预处理操作,然后将16个时域特征的信号分别送入训练好的CNN网络,最后由全连接层综合各个网络的输出得到最终辨识结果。仿真实验表明,该方法可以快速准确地辨识出低频振荡信号的频率和衰减因子,具有很好的抗噪性。且与Prony方法相比,它能够辨识振荡过程中是否引入了新的振荡模态。     

基于EMO-EDSNN的电力系统低频振荡模态辨识

提出了基于精确模态阶数-指数型衰减正弦神经网络(EMO-EDSNN)的电力系统低频振荡模态辨识方法。首先,通过奇异值分解估计模态阶数。在关键的定阶问题上,采取EMO定阶方法,综合考虑了奇异值变化规律和奇异值本身大小2个因素,能够克服人为选取阈值的不足,提高阶数估计的准确性。然后,通过建立EDSNN将参数估计问题转化为优化问题求解。以输出信号和实测信号的平方误差最小为目标,并采用自适应的Levenberg-Marquardt算法训练神经网络收敛后,一次性计算出所有模态参数。最后,进行了数值信号仿真、EPRI-36系统仿真和实测信号仿真。仿真结果表明,所提方法能够快速准确地实现模态参数辨识。     

基于实测信号的电力系统低频振荡模态辨识

广域相量测量系统的应用为基于量测的电力系统稳定性分析提供了有力支持。基于动态量测信息准确地辨识电力系统低频振荡模态参数及振型,对提高电力系统低频振荡的实时监测与控制至关重要。结合经验模态分解与随机子空间辨识算法,基于发电机有功功率的动态量测信息,开展了电力系统低频振荡辨识与分析的研究。该方法能够在较短的时间从含噪信号内提取原系统真实准确的振荡信息,同时能够得到各振荡模式相应的振型,有效地克服Prony算法和自回归滑动平均算法受噪声、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。测试系统及仿真结果验证了该方法在电力系统低频振荡分析中的可行性。     

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。     

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。     

低频振荡主导模式辨识方法探讨

针对传统Prony算法在分析噪声干扰对算法精确度影响时存在的不足,采用基本不等式确定最佳Hankel矩阵阶数,提出了利用信噪比曲线来解决有效奇异值阶次选择的问题,运用改进的SVD去噪技术对数据进行预处理,提高了信号的信噪比,减小了噪声对Prony分析结果的影响。通过算例仿真验证了该算法具有噪声抑制能力强、辨识出的主导振荡模式精度高等优点,能较为准确地辨识电力系统低频振荡主导模式。     

基于改进多信号矩阵束算法的电力系统低频振荡识别

提出了适用于电力系统低频振荡模态识别的改进多信号矩阵束算法。利用奇异值分解（Singular value decomposition,SVD）分离信号和噪声子空间,确定阶数并消除信号噪声。通过建立多信号归一化的样本函数矩阵对矩阵束算法进行改进,辨识电力系统模态。利用原始Prony法、谐波恢复的Prony法和改进的多信号矩阵束法,对理想信号和仿真系统进行分析。结果表明多信号矩阵束法的辨识精度较高,具有一定的抗噪能力,并且通过对多信号归一化的处理避免了不同类型信号叠加时较小信号的湮没,适用于低频振荡在线识别。     

基于EMD盲源分离算法的电力系统低频振荡模式识别

针对广预测量系统低频振荡过程中的高斯噪声干扰和定阶问题,提出了基于EMD(empirical mode decomposition)盲源分离(blind source separation,BSS)算法的单通道低频振荡信号的模式分析方法。首先将信号利用经验模态分解得到一系列本征模函数分量组合的新信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号,并利用独立分量分析消除模态混叠的有效方法;然后利用盲源分离技术--二阶盲辨识算法(second order blind identification,SOBI),处理多通道观测信号矩阵,从中提取出不同的单模式信号;最后将去噪、定阶后的信号运用最小二乘-旋转不变技术(TLS-ESPRIT)算法辨识,得到低频振荡模态参数。数值算例仿真、IEEE四机两区域仿真实验表明该算法能够有效分离源信号,相比于其他方法具有抗噪性能好、拟合精度高等优点。     

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EMD-TEO及信号能量分析法的主导低频振荡模式识别

提出了一种识别电力系统主导低频振荡模式的新方法。该方法综合了经验模态分解(EMD)、Teager能量算子(TEO)及信号能量分析法,借助经验模态分解处理非平稳信号,不需考虑定阶问题,扩展了信号能量分析法的应用范围;利用Teager能量算子的快速响应能力及健壮性,提高了频率辨识精度;根据二阶模型下的信号能量分析法,提出了一种阻尼比的简化算法。分别在WEPRI-36系统和实际电网中进行了验证,并与Q-R特征值分析法及Prony算法进行了准确性比较。结果表明,新方法对非线性系统的适应性比Prony算法强,可用于低频振荡主导模式的有效识别。     

基于可调Q因子小波变换与稀疏时域法的电力系统低频振荡模态辨识

对于目前电力系统低频振荡模式识别和参数提取中的噪声干扰等问题,提出一种新的提取低频振荡关键模态参数的方法,将可调Q因子小波变换(Tunable Q factor Wavelet Transform, TQWT)和稀疏时域法(Sparse Time Domain method, STD)进行联合。首先运用TQWT技术对含有噪声的电力系统低频振荡广域测量信号进行预处理,达到降噪的目的。而后将处理后的信号作为新的输入信号,利用稀疏时域法进行振荡模态及其参数的辨识,其输入信号的采集既可单点测量也可多点测量。通过对测试信号和EPRI-36机系统仿真验证了所提方法的优越性,能够在信噪比较低的环境下对噪声进行有效抑制而准确地辨识出系统的振荡模态参数。与传统方法相比具有更好的抗噪能力,所提方法辨识过程中所需时间更短且辨识出的参数也更为准确。     

基于Prony算法的发电机组间功率低频振荡在线辨识新方法

针对Prony算法抑噪能力差、计算效率低的问题,分析Prony算法的原理和主要参数的选择策略,提出一种基于Prony算法的发电机组间功率低频振荡在线辨识新方法,从模型有效阶数确定、AR参数估计、数据预处理等方面说明该方法的计算步骤,通过算例仿真及结果分析,认为该方法能够满足电力系统低频振荡在线辨识的需要。