基于HHT和神经网络组合的负荷预测模型研究

首次提出了一种基于HHT和神经网络组合的预测模型.负荷数据首先经过EMO分解,得到一系列IMF分量及余项,通过各分量的频谱观察,针对低频IMF分量规律性及周期性强,高频分量相对较弱的特点,对低频IMF分量选择合适的预测模型直接进行预测,高频IMF采用多神经网络组合预测方法.仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型.     

基于HHT和神经网络组合的负荷预测模型研究

首次提出了一种基于HHT和神经网络组合的预测模型。负荷数据首先经过EMD分解,得到一系列IMF分量及余项,通过各分量的频谱观察,针对低频IMF分量规律性及周期性强,高频分量相对较弱的特点,对低频IMF分量选择合适的预测模型直接进行预测,高频IMF采用多神经网络组合预测方法。仿真结果表明,文中提出的预测模型的精度高于任一单一模型,并且高于传统的线性组合预测模型。     

基于HHT风力发电系统谐波检测方法的研究

对风力发电系统进行准确的谐波检测具有重要意义。为了克服FFT方法与小波分析方法的缺点,文中提出利用HHT对信号的自适应特性,将HHT用于谐波分析。将谐波信号进行经验模态分解,得到一系列经验模态函数IMF;由于不同的IMF对应不同的谐波分量,通过对每个IMF分量进行Hilbert变换,最终可以得到各次谐波分量;并与前两种方法进行对比。文中介绍的方法在时域和频域同时具有很高的检测精度,为风电谐波检测提出了一种新的思路。     

一种基于HHT的电力系统短期负荷预测模型

提出了一种基于HHT的电力系统短期负荷预测模型.针对EMD分解电力负荷时存在模态混叠及对高频IMF预测不准确的问题,采用一阶差分算法对EMD分解进行改进,得到消除模态混叠后的一系列IMF分量及余项.通过对各分量的频谱计算和观察,提取出低频分量,并将其进行重构,各分量选取合适模型进行预测.由于IMF1主要为负荷的随机分量,对其考虑天气、节假日因素,并采用粒子群算法对组合权值进行优化.仿真结果表明此种方法具有较高的预测精度.     

一种基于HHT的电力系统短期负荷预测模型

提出了一种基于HHT的电力系统短期负荷预测模型。针对EMD分解电力负荷时存在模态混叠及对高频IMF预测不准确的问题,采用一阶差分算法对EMD分解进行改进,得到消除模态混叠后的一系列IMF分量及余项。通过对各分量的频谱计算和观察,提取出低频分量,并将其进行重构,各分量选取合适模型进行预测。由于IMF1主要为负荷的随机分量,对其考虑天气、节假日因素,并采用粒子群算法对组合权值进行优化。仿真结果表明此种方法具有较高的预测精度。     

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。     

HHT和Prony算法在电力系统低频振荡模态识别中的应用

电力系统的大规模互联使低频振荡现象越来越突出,如何准确识别低频振荡模式成为需要解决的重点问题。将Hillbert-Huang变换(HHT)与Prony算法的优点相结合,先利用HHT将实测信号分解为若干个本征模态函数(IMF)分量,再利用Prony算法在含有低频振荡信息的IMF分量中提取模态参数。通过算例分析确认,HHT与Prony算法相结合,可以有效提取出系统的低频振荡参数,效果优于仅应用单一变换或算法。     

基于经验模式分解的有源滤波器谐波检测

本文把经验模式分解(EMD)应用于有源滤波器的谐波检测.对谐波电流进行EMD分解,得到一系列固有模态函数(IMF),由于EMD分解的完备性,不同的IMF代表了不同的频率分量,即得到基波和各次谐波IMF分量,从而完成谐波的检测.在分解中,采用三次样条插值求包络曲线,并通过对信号两端添加极值点的方式来减轻边界效应的影响.仿真结果表明,基于EMD的谐波检测方法,不仅能有效地将电力系统谐波自适应地分离出来,而且对于有源滤波器的谐波检测具有较高的实时性.     

可再生能源接入对电网电能质量的影响分析

从低频振荡角度分析可再生能源接入对系统电能质量的影响.首先,应用完全集合经验模态分解算法对可再生能源功率进行时频域分解,从而获取不同的固有模态函数(IMF)分量;然后,将各IMF分量接入三机九节点系统,获取相应的系统功率,并应用希尔伯特黄变换(HHT)求取对应的阻尼比,进而建立交并集原则辨识出对系统低频振荡影响严重的频...     

小波分解层数及其组合分量对短期风速多步预测的影响分析

针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。     

基于HF-HHT的暂态扰动信号分析

文中引入了一种基于高频谐波注入法的希尔伯特黄变换(HF-HHT),以此来克服经验模态分解在电力系统暂态扰动信号检测中出现的模态混叠现象.该方法通过设置注入高频信号的频率,结合HHT,对暂态扰动信号进行分析,达到了抑制模态混叠的目的 .HF-HHT的关键在于高频谐波注入频率的选取,文中通过理论分析和仿真实验得出有效且普适的频率选取原则:当注入高频谐波频率在以原信号高频成分的最大频率1/2倍为中心,上下波动在基波频率1/2倍范围内时,HF-HHT普遍有效.并对实测电能质量信号进行分析,验证了该方法在电力系统暂态扰动信号检测中的有效性和普适性.     

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。     

基于改进HHT的电能质量扰动检测新方法

为了解决传统HHT在电能质量扰动检测中EMD产生的模态混叠问题,提出一种基于奇异值分解（SVD）的改进HHT的电能质量扰动检测新方法。首先,将初始信号转换为Hankel矩阵进行SVD;再进行奇异值去模态混叠处理并重构信号;最后用HHT方法对重构后的去干扰扰动信号进行分析,求出扰动各固有模态分量imf对应的瞬时幅频参数,以实现扰动检测。仿真结果表明改进HHT方法比传统HHT与基于EEMD的HHT方法对带有噪声与高频间断信号的扰动信号能更好地消除模态混叠,不仅适用于单一暂态扰动检测,对复杂非平稳扰动也能取得较好效果。     

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CEEMD与排列熵相结合的谐波检测方法研究

为消除基于互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）的谐波检测法易受到迭代次数与辅助白噪声的干扰而产生虚假分量与模态混叠等问题,以及CEEMD方法在检测噪声背景下的谐波信号精度不高的缺陷,提出一种基于排列熵（Permutation Entropy,PE）算法与CEEMD相结合的PE-CEEMD谐波检测方法。首先对谐波信号进行互补集合经验模态分解,得到若干频率由高到低排列的固有模态函数（Intrinsic Mode-Function,IMF）,利用排列熵算法快速选定随机性较大的噪声分量进行剔除,对剩余信号再进行CEEMD分解。仿真实验数据表明,相较于CEEMD方法,PE-CEEMD方法能够较好地克服模态混叠与虚假分量等问题,并且针对复杂谐波信号的各次谐波频率成分与幅值的检测精度分别提高了4.424%与9.3%。     

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变换和独立分量技术的模态参数识别

HHT方法在识别环境激励下的模态参数时已经有比较高的精确度,并且在工程实际运用中得到了很好的体现。但是,HHT法长期以来都有着许多不足之处:在经验模态分解过程中会出现模态混叠,尖端效应以及虚假模态问题。所以,如何在模态参数识别时减小甚至避免这类问题是至关重要的。主要研究如何减小模态混叠对参数识别的影响。首先加入白噪声对原始信号进行预处理,得到1组新的信号;接着进行EMD分解过程,得到若干个模式函数(IMF),根据IMFs判据来判定其是否是真正的IMFs;然后运用希尔伯特变换及独立分量技术识别出结构的模态参数;最后应用所提方法识别了一个实测飞机模型的模态参数并和实验数据进行对比。结果表明该方法成功解决了HHT方法中的模态混叠现象,并能更加准确地提取信号的各阶模态参数。     

基于MSST-HT的次同步振荡参数辨识研究

次同步振荡是在电力系统运行平衡点受到扰动后产生的一种异常电磁及机械振荡现象。针对希尔伯特黄变换在次同步振荡分量提取时存在噪声干扰和模态混叠问题，提出一种适用于次同步振荡参数辨识的多重同步压缩变换（MSST）和希尔伯特变换结合的方法。该方法在傅里叶同步压缩变换基础上，对次同步振荡信号时频谱进行多次同步压缩，以此来提高信号时频分布的重构精度和能量聚集程度。通过仿真并结合实际工程录波数据进行验证，首先使用多重同步压缩变换方法对信号进行时频分析，得到信号时频图，然后用多重同步压缩变换变换逆变换分解重构出各个模态分量，最后用希尔伯特变换对提取出来的单个模态分量进行参数辨识，识别其频率、阻尼比、衰减因子等主要参数。仿真结果表明，相比于短时傅里叶变换（STFT）、同步提取变换（SET）和傅里叶同步挤压变换（FSST），MSST能够提高信号时频分布的能量聚集程度和重构精度，能够实现多分量的次同步振荡模态分解。实际数据结果表明该方法能有效克服噪声干扰和模态混叠问题，准确辨识次同步震荡参数，对电力系统安全稳定运行具有一定的参考意义。     

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。     

基于广义S变换突变识别的暂稳态谐波检测方法

为解决谐波分析中经验模态分解(EMD)存在模态混叠现象与加窗插值FFT无法准确检测含暂态分量信号的问题,提出一种基于广义S变换突变识别的谐波检测方法。首先,使用广义S变换得到信号的模时频矩阵,根据模时频矩阵中模值较大频带的能量连续性将信号分为稳态、含暂态分量信号。然后,针对两种信号分别使用加hanning窗三谱线插值FFT和基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进HHT计算谐波和间谐波参数。最后,构建稳态、含幅值突变和频率突变信号的验证表明,该方法能自适应判别稳态、含暂态分量信号,对两种信号均能达到较高检测精度,具有较好的实用性。