基于改进多信号Prony算法的低频振荡在线辨识

提出了适合低频振荡在线辨识的改进多信号Prony算法。首先通过小波变换消除各信号的噪声，然后消去直流分量，建立多信号的样本函数矩阵，通过奇异值–总体最小二乘法对Prony算法进行改进，分离信号空间和噪声子空间，确定信号的阶数，最后利用最小二乘法进行辨识。利用传统Prony算法、改进单信号Prony算法和改进多信号Prony算法对理想信号、仿真信号以及实际录波信号进行了分析，分析结果表明利用改进多信号Prony算法同时对多信号进行分析能够提高辨识的精度，缩短运算时间，辨识阶数及辨识结果均优于传统算法，适合于低频振荡的在线辨识。     

基于模糊滤波和Prony算法的低频振荡模式在线辨识方法

考虑到Prony算法对输入信号要求较高、对分析数据的噪声非常敏感,提出一种模糊滤波和Prony算法相结合的电力系统在线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,通过简单的模糊逻辑推理快速对输入信号进行滤波,利用Prony算法对滤波后的数字信号进行分析后在线获得电力系统低频振荡的模式。以华中电网支路302245上的有功功率振荡分析为例,通过对模糊滤波前后的输入信号进行比较以及对传统Prony算法和考虑模糊滤波的Prony算法分别进行低频振荡模式辨识的比较,表明了前置滤波的重要性以及所提出的方法能相对精确地进行振荡模式辨识,验证了其有效性。     

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HHT的电力系统低频振荡分析

论文将一种新的非线性、非平稳信号的处理方法- HHT(Hilbert-Huang transform)方法,应用于电力系统低频振荡分析之中。该方法克服了傅里叶算法和Prony算法难以处理非平稳信号的缺点,并克服了小波算法中小波基难选取的问题。HHT方法可以从非平稳的低频振荡信号中准确地提取动态振荡特性以及丰富的系统故障暂态信息,从而进一步揭示各振荡模式之间的非线性作用。同时该方法具有分辨率高并能有效地处理样本数少的短数据的优点,因此该方法可以用于在线分析和控制器设计之中。仿真结果表明了该方法的有效性。     

基于高阶累积量的改进Prony低频振荡辨识方法

广域测量系统的不断发展和进步,为基于Prony方法实现电力系统低频振荡的在线辨识提供了可能性。针对传统Prony算法在辨识广域测量系统监测信号过程中抗噪声性能不足的问题,本文提出一种基于高阶累积量的改进Prony算法用于低频振荡的在线辨识。该方法利用高阶累积量技术具备的良好抗噪特性,能够有效抑制广域测量系统在采集和传输过程中产生的白色噪声和有色噪声。最后,利用典型正弦信号、新英格兰10机39节点算例系统的仿真结果和实际电网测量数据验证了所提方法的正确性和有效性。     

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。     

基于形态滤波和Prony算法的低频振荡模式辨识的研究

针对传统Prony方法对噪声敏感导致辨识精度不高的问题,提出了一种基于形态滤波和Prony算法相结合的低频振荡模式辨识的方法,实现了在有混合噪声干扰情况下低频振荡模式的准确辨识。基于数学形态学,设计了一种基于半圆形结构元素的形态滤波器,在选取合适的元素尺寸情况下,可以有效滤除混合噪声。对于去噪声之后的信号采用Prony算法进行辨识,可准确获取低频振荡各个模式参数。通过Matlab进行算例仿真,表明了对电力信号进行预处理的必要性以及所提出的方法能相对精确地进行振荡模式辨识,验证了其有效性。     

基于ICA和WVD的电力系统低频振荡参数辨识

为了提高电力系统中的低频振荡参数辨识的精度,提出一种基于独立分量分析ICA(independent compo?nent analysis)和Wigner-Ville分布WVD(Wigner-Ville distribution)相结合的在线辨识方法。以广域测量系统WAMS(wide area measurement system)监测到的数据为原始输入信号,采用ICA算法对信号进行降噪处理,再应用Wigner-Ville分布研究信号的频率、幅值及能量分布特点。仿真分析和应用实例研究表明,该方法相较于传统Prony辨识算法而言,具有较强的抗噪能力和较好的辨识结果,可以更好地反映电力系统中非平稳信号的局部特性,提高了电力系统低频振荡参数在线辨识的准确性。     

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。     

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。     

基于带宽自适应滤波的低频振荡Prony分析

针对传统Prony法在分析低频振荡时对噪声非常敏感的缺点,提出了一种基于带宽分析的余弦基神经网络滤波方法。首先,利用余弦基神经网络逼近低频振荡信号,通过对权值的分析,确定信号有效带宽;然后根据信号带宽进行带通滤波,再将输出信号导入Prony模块分析。其中,针对有效带宽范围的确定,提出了固定带宽与动态带宽的分析方法。分别在脉冲噪声、高频谐波噪声、随机白噪声背景下进行了算例分析,表明了该方法对舍噪低频振荡信号具有较好的滤波效果,有效地提高Prony算法的振荡主导模式识别精度。能满足电力系统低频振荡特征分析的需要。     

基于Prony滑动平均窗算法的电力系统低频振荡特征分析

Prony算法能根据实测数据辨识系统的相关特性参数,有助于分析系统低频振荡。针对传统Prony算法只能分析部分数据且对噪声敏感的问题,提出一种Prony滑动平均窗算法,分窗口对数据进行分析,不仅能充分利用数据,而且采用求和取平均的方法在一定程度上能削弱噪声,即使在信噪比非常小的情况下仍能得到准确的辨识结果。基于PSASP软件的仿真分析验证了Prony滑动平均窗算法所得结果的准确性。     

电网低频振荡在线可视化监视的理论和实现

随着电网的互联,其引发的低频振荡成为危及电网安全运行的重要因素。论述了低频振荡的Prony算法和filter算法,提出一种有效的在线低频振荡算法和低频振荡可视化监视方法,即通过filter算法进行低频振荡起振筛选后,运用Prony算法进行详细数据分析;对分析出的低频振荡信息通过可视化的形式展示给运行人员。低频振荡可视化监视的广域相量测量系统主站向可视化监视系统提供实时数据,采用TCP协议,应用层采用命令帧、配置帧、数据帧和可扩展帧4种类型报文。现场测试结果表明所提出的算法和方法是有效的。     

基于粒子滤波与EEMD的低频振荡模式识别方法研究

为克服传统方法对非线性非高斯系统信号中噪声处理的缺点,提出一种基于粒子滤波算法与改进的EMD分解—EEMD分解法相结合的新方法。所提方法首先利用粒子滤波将非线性非高斯系统的初始信号的噪声去除,减少了噪声对后续操作的影响,再采用EEMD分解对去噪后的信号进行分解得到此征模态分量IMF,进而对此征模态分量IMF计算出瞬时频率,从而得出低频振荡的模式。通过算例仿真分析表明文中方法的可行性及有效性,并通过与Prony分析算法得到的结果进行了对比,验证了文中方法的正确性。为电力系统低频振荡处理非线性非高斯系统信号提供了一种新的途径和方法。     

基于机组相关性的低频振荡多信号分类Prony分析

电力系统广域量测信号可分为同类信号(如所有机组的功角)和非同类信号(同一机组的功角、角速度、有功功率等)。分析低频振荡时,为避免数值淹没现象及样本函数矩阵的累积误差问题,提出了多信号分类Prony算法。对于大规模电力系统,根据机组相关因子建立相关矩阵,并依据相关矩阵通过图论中的α分解法进行机组分群,在机群中应用Prony算法对同类和非同类信号进行分析,获取振荡模式信息。算例结果验证了该方法的有效性。