计及模型定阶的低频振荡模式类噪声信号辨识

弱阻尼低频振荡是影响互联电网安全稳定运行的主要因素,但目前基于测量信息只能在振荡发生后进行告警,而不能预警.大量广域实测数据表明,因负荷的随机变化,电网内持续存在类似噪声信号的小幅波动.文中基于这种类噪声信号,采用自回归滑动平均(ARMA)法进行低频振荡模式辨识,从而实现电网正常运行状态下的动态稳定性预警.模型定阶是利用ARMA法进行振荡模式辨识的关键步骤,直接关系到结果的准确性.在分析比较各种定阶准则优缺点的基础上,选用贝叶斯准则(BIC)确定ARMA模型阶数,进一步面向在线实际应用,采用ARMA(2n,2n-1)建模方案提高辨识速度.最后,将该方法用于对36节点系统仿真数据和南方电网实测类噪声信号进行处理,辨识结果说明了该方法的有效性.     

基于类噪声信号和ARMA-P方法的振荡模态辨识

弱阻尼低频振荡是影响互联电网安全稳定运行的主要因素,振荡模态是表征系统振荡特性的重要参数,反映了各节点对振荡模式的参与情况。目前基于测量信号一般在振荡发生后进行模态分析,缺乏在系统正常运行情况下的分析手段。大量广域实测数据表明,因负荷的随机变化,电网内持续存在类似噪声信号的小幅波动。文中提出一种自回归滑动平均-Prony(ARMA-P)方法对这种类噪声信号进行处理,在采用ARMA模型拟合类噪声信号估计低频振荡模式参数的基础上,进一步建立信号的Prony模型,最终实现对低频振荡模态的辨识。将该方法用于对新英格兰系统仿真数据进行处理,其辨识结果与小干扰稳定计算结果进行了比较,并进一步将该方法用于处理南方电网实测数据,证明了其有效性。     

稳态和动态混合信号的在线低频振荡模式辨识方法

针对目前自回归滑动平均(ARMA)法结合Prony方法方案存在的扰动检测和算法切换的难题,文中提出并验证了可以基于归一化峰度判断滑动窗内是否包含动态信号的方法,然后提出一种基于归一化峰度在常规ARMA法和高阶ARMA法之间自适应切换的低频振荡模式辨识方案。通过对电网实测信号的分析,将所提出方法与Prony方法和常规ARMA法分析结果进行对比,验证了此方案的可行性。     

基于ARMA模态辨识的低频振荡性质区分

针对目前尚未完全解决负阻尼低频振荡和强迫功率振荡性质定量区分的现状,通过低频振荡机理分析得出2种振荡在振荡频率和阻尼比方面的区别,提出定量区分低频振荡性质的判据.采用基于加权递推最小二乘算法的ARMA模态辨识对振荡数据进行动态加窗辨识,根据辨识所得振荡模态的频率和阻尼比的变化判别低频振荡类型.算例分析表明该方法是可行和有效的.     

基于已知激励响应的低频振荡信息在线辨识

当前电力系统常采用日常小扰动响应在线辨识获取低频振荡模式信息,这对大电网低频振荡的分析和抑制具有重要价值。针对低频振荡信息在线辨识,给出了两段最小二乘法,与常规递推自回归滑动平均方法相比,其具有较高的迭代收敛速度与辨识准确度。在介绍小扰动下的已知激励响应信号和环境激励响应信号基本原理的基础上,对比得出2种信号在激励与响应、信号成分和数据量大小方面存在的区别,提出低频振荡在线模式信息辨识方案,进一步在10机39节点系统中通过仿真获取已知激励响应信号和环境激励响应信号,对2种信号的功率谱与辨识结果进行对比分析。分析结果表明在确定激励位置、观测点选择和响应模式间对应关系时已知激励响应信号的辨识效果更好,在该情况下可以将已知激励响应辨识作为低频振荡信息在线辨识的主要手段。     

基于NExT-ERA与SSI-DATA环境激励下的低频振荡辨识方法比较

随着广域测量系统的应用,采用环境激励下相量测量单元量测得到的类噪声信号进行低频振荡在线模态辨识具有很好的应用前景。针对NEx T-ERA以及SSI-DATA 2种环境激励下的低频振荡辨识方法进行性能评估。简要回顾2种算法的基本原理;基于算法中关键参数以及仿真条件设置不同的评估标准,通过仿真算例的模态参数辨识对2种算法的性能进行分析比较;对2种算法各自的优点和适用性进行评估与总结。     

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。     

基于模糊聚类的NExT-ERA低频振荡类噪声辨识

低频振荡模态分析为电网的安全稳定运行提供了最基本的信息要素。针对环境激励下PMU量测的类噪声信号,讨论了自然激励技术结合特征系统实现算法(NExT-ERA)进行低频振荡模态识别的适用性,对非同步量测信号采用数据截断预处理后,利用该方法同样可以实现有效辨识。引入模糊C均值聚类算法对辨识结果中真伪模态进行自动拾取,提高了辨识精度。通过对IEEE4机11节点系统和IEEE16机68节点系统的仿真数据分析,表明所提出的方法对低频振荡类噪声信号具有较高的模态辨识能力和计算效率,在低频振荡广域监测中具有很好的应用前景。     

一种低频振荡模式在线辨识的鲁棒递推ARMA算法

低频振荡模式在线辨识具有重要的工程应用价值。采用ARMA模型的常规递推算法（RLS）以及正则化鲁棒递推算法（R3LS）可有效辨识稳态类噪声信号,但对动态信号的辨识效果不太理想。分析了常规RLS算法在出现动态信号时可能发散的原因,通过在算法中引入基于输入信号自相关矩阵和互相关向量的L1范数的自适应权重参数,保证算法在各种条件下的收敛性,实现了一种全新的鲁棒递推ARMA算法（NRRLS）。采用IEEE-39节点系统时域仿真和某电网的PMU实测数据进行了大量的分析测试,并通过与RLS算法和R3LS算法的辨识效果进行比较,验证了NRRLS算法具有更好的鲁棒性和辨识精度,扩展了ARMA模型的应用范围,具有较高的理论和工程实用意义。     

低频振荡模式辨识中信号非线性去趋的平滑先验方法EI北大核心CSCD

基于PMU实测信号的低频振荡模式在线辨识是阻尼控制的基础,有效去除PMU实测信号中的非线性趋势才能保证模式辨识的精度。提出了基于平滑先验法的PMU实测信号非线性去趋方法。在分析平滑先验法基本原理基础上,为适应低频振荡模式辨识中信号非线性去趋要求,对其频率响应特性进行研究,确定平滑先验法的正则化参数。采用IEEE-39节点系统时域仿真信号和某电网的PMU实测信号对所提方法进行测试,并与经验模态分解法和数字滤波法进行了比较,表明该方法能够更有效地去除信号中的非线性趋势,较大幅度地提高计算速度,同时也能提高低频振荡模式辨识精度,具有较高的实际应用价值。     

基于广域信号的区域间低频振荡监视

随着电网互联程度的提高,低频振荡问题很难避免。广域测量系统的出现为更好的监视低频振荡、辨识振荡模态提供了技术基础。从计算速度、定阶判据、计算精度角度分析了现有模态辨识方法,着重比较了Prony方法和ESPRIT方法的适用性,提出了基于广域测量系统辨识电力系统低频振荡监视系统的思路。     

基于Prony方法的电力系统振荡模式分析及PSS参数设计

Prony分析是获取系统振荡模式的一种非常有效的分析方法,它可以通过给定输入信号下的响应直接估计系统的振荡频率、阻尼、幅值和相对相位。文章介绍了基于Prony分析的电力系统等值线性模型的辨识方法,对传统的Prony方法进一步扩充,考虑了输入信号对输出信号的影响,得到了系统的传递函数,并根据其相应留数,采用留数方法对电力系统稳定器(PSS)进行了参数的协调配置。两个算例的仿真结果证明了该方法在系统振荡模式分析和PSS参数设计中的有效性。     

基于改进Prony算法的电力系统低频振荡模式识别

提出了一种新的改进Prony算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法避免了Prony算法在实际计算中矩阵呈病态以及通过矩阵求逆计算幅值和相位时精度不高的问题,克服了传统Prony算法抗干扰较差的问题。仿真结果表明,该改进Prony算法能有效去除干扰,能可靠、准确地识别主导模式,计算量少,适用于识别含有噪声且采样点数多的振荡信号。     

Prony和HHT算法在低频振荡在线辨识中的适用性比较

Prony算法和Hilbert-Huang变换（HHT）算法是目前实际应用于低频振荡信号辨识的两种算法。Prony算法对于无噪声干扰的平稳信号的分辨率和准确性较高。HHT算法具有时频分析和滤除高频分量的能力,抗噪声性能好,计算速度快,并可以分析主导模式随时间改变的非平稳信号。从准确性、稳定性、完备性、快速性四个方面比较了两种算法在低频振荡在线辨识中的适用性,指出增加前置滤波环节的Prony算法可以满足低频振荡在线监测的要求,而实现强迫振荡扰动源定位则必须采用可进行时频分析的HHT算法。通过实际算例验证了两     

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。     

基于改进变分模态分解的低频振荡模式辨别

针对现有信号处理方法无法有效解决电力系统低频振荡信号中的非线性及混叠问题的现状,将一种变分模态分解(VMD)方法引入到低频振荡的模式辨识中,并利用样本熵与快速傅里叶变换(FFT)对VMD无法自适应分解的情况进行了改进。原始信号由改进变分模态分解(IVMD)方法分解为若干模态分量,然后利用Teager-Kaiser能量算子(TKEO)对各分量分别拟合即可获得幅值、频率和阻尼等参数。在构造的测试信号下,令提出方法与VMD、经验模态分解(EMD)、总体最小二乘旋转矢量不变技术(TLS-ESPRIT)和Prony等方法进行模式参数辨识性能对比,结果表明,IVMD方法有效克服了EMD、TLS-ESPRIT和Prony在处理模态混叠、含噪声序列和非平稳信号等方面的不足。最后,通过对IEEE 4机2区域系统和新英格兰39节点系统仿真信号的辨识,验证了该方法在提取电力系统低频振荡模式参数中的有效性。     

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。     

大干扰下主导低频振荡模式的鉴别

Prony方法是获取系统振荡模式特征的一种非常有效的方法,它可通过给定输入信号下的响应直接估计系统的振荡频率、衰减、幅值和初相位。基于Prony算法,作者提出了振荡模式能量级的概念,用于鉴别电力系统大干扰下的主导低频振荡模式,在8机36节点系统中应用本文所提方法准确识别出了主导低频振荡模式,验证了该方法的正确性,并与正则形理论研究低频振荡模式间的非线性相关作用的结果进行了比较,再次验证了大干扰中主导低频振荡模式对系统动态特性和稳定性有重要影响这一观点的正确性。     

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。