基于改进STD法的电力系统低频振荡辨识

介绍稀疏时域(STD)法的基本理论并对其进行改进,给出基于该方法进行低频振荡模式参数辨识的具体实施步骤。16机系统时域仿真数据和某实际电网相量测量单元(PMU)实测数据验证了改进STD法的有效性和实用性。改进STD法与总体最小二乘-旋转不变技术(TLS-ESPRIT)及Ibrahim时域(ITD)算法辨识结果的对比表明,改进STD法在准确性和抗噪性方面均表现较好;与含低通滤波器的多通道ITD算法相对比,改进STD法无需对输入信号进行低通滤波即可实现准确辨识。     

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。     

随机子空间法在低频振荡分析中的应用

电网规模的日益扩大使得低频振荡成为电力系统稳定运行中备受关注的问题之一,文中将随机子空间法应用于电力系统低频振荡模式辨识.以状态空间模型为基础,通过随机子空间辨识得到系统的状态矩阵,由其特征值可求得信号的频率和阻尼比,再由最小二乘法可得到各分量的幅值和相角.通过一合成信号验证了算法的正确性,再利用四机两区系统的仿真数据...     

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。     

低频振荡模态参数辨识的共振稀疏分解SSI分析方法

提出在色噪声背景下,采用共振稀疏分解的随机子空间法进行低频振荡模态参数的辨识,根据信号预知的共振属性实现复杂信号的分离。首先,对含高斯色噪声的低频振荡信号进行分解,得到高共振分量、低共振分量和余项三部分。低频振荡信号具有高共振属性,高共振分量即为提取的持续振荡的低频振荡信号,而高斯色噪声大部分存在于余项中。然后对高共振分量利用SSI进行参数辨识,得到较高参数的辨识准确度。仿真算例和实例说明了所提方法的有效性。     

低频振荡模态参数辨识新算法

TLS-ESPRIT算法的实质是通过对信号子空间进行奇异值分解(SVD),辨识出信号的频率和阻尼比。SVD虽然可以抑制部分噪声影响,但噪声过强时就会影响TLS-ESPRIT算法的辨识精度;而且SVD易把较弱信号滤除,丢失真实模态而引入虚假模态。针对此结合数学形态学能够在时域内对信号进行滤波,且滤波后信号的几何特征保持不变的特点,将实测信号先经数学形态学滤波再通过TLS-ESPRIT进行模态辨识,可以最大限度地降低噪声的影响,使辨识精度更加精确。仿真结果验证了所提算法的可行性、有效性和强抗噪性。     

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。     

基于改进小波变换方法的电力系统低频振荡参数辨识

基于多点量测数据的低频振荡模态参数辨识方法具有辨识精度高,覆盖模态信息全的特点,但是该方法存在数据量增大,计算时间冗长的问题。针对上述问题,将基于数据缩减技术的改进小波变换参数识别方法应用于电力系统低频振荡参数辨识中。该方法通过对发电机出口有功功率信号的正功率谱密度矩阵进行奇异值分解,有效识别系统的模态阶数。利用奇异值分解将待辨识信号的协方差信号进行数据缩减,充分保留信号的信息量,从而在保证计算合理及精度的前提有效地减少待辨识的数据量,进而利用连续Morlet小波变换识别电力系统低频振荡参数。通过对4机2区域系统和EPRI-36节点系统进行算例对分分析,结果表明改进的小波变换方法能够有在准确提取电力系统低频振荡模态参数的前提下,有效减少计算所用数据量,提高计算效率。     

基于改进的Prony算法在线辨识电力系统低频振荡模式

基于传统的Prony算法对输入信号要求较高,同时对分析数据的噪声非常敏感,提出了一种改进的Prony算法,对在线获取的信号进行快速拟合,从而分析出信号的振幅、阻尼比、频率和相角等信息。改进的Prony算法的拟和精度在36节点的多机系统中进行验证,该算法输入信号是基于广域测量系统提供的各机组功角变量。仿真计算结果表明,该改进算法可实现低频振荡主导模式的在线辨识。     

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。     

基于改进的Prony算法在线辨识电力系统低频排振荡模式

基于传统的Prony算法对输入信号要求较高,同时对分析数据的噪声非常敏感,提出了一种改进的Prony算法,对在线获取的信号进行快速拟合,从而分析出信号的振幅、阻尼比、频率和相角等信息.改进的Prony算法的拟和精度在36节点的多机系统中进行验证,该算法输入信号是基于广域测量系统提供的各机组功角变量.仿真计算结果表明,该改进算法可实现低频振荡主导模式的在线辨识.     

基于改进频移经验模态分解的低频振荡参数提取

对于规模越来越大的复杂电力系统来说,采用基于量测数据的低频振荡研究方法日益受到重视。经验模态分解(EMD)方法的分解过程具有自适应且适于分析非平稳信号,在低频振荡参数提取方面应用较多,但EMD方法存在模态混叠等现象。当信号中2个单频分量的频率在2倍频内时,频移经验模态分解(FS-EMD)可将2个分量分解开。但当信号中有多个单频分量的频率在2倍频内时,FS-EMD就无法分解。为了提高EMD的频率分辨率并使分解方法具有通用性,文中提出了改进的频移经验模态分解(RFS-EMD)算法。此方法增大了信号中组成分量的频率比,且保证频率不翻转,使之可循环使用RFS-EMD算法分解复杂信号。该方法在应用于电力系统低频振荡模态参数的提取时,能较好地提取多个2倍频范围内的低频振荡模态分量的频率、幅值、相位及阻尼比等参数。数值仿真和实例分析均表明了该方法的有效性。     

基于递推随机子空间的电力系统低频振荡辨识

为实时提取低频振荡模式信息,采用基于随机子空间的低频振荡递推辨识方法。引入基于双边迭代的子空间递推方法实现随机子空间递推辨识,以提高辨识快速性和灵活性。利用递推误差并结合低频振荡数据的特点,提出一种能够保证快速平稳递推的遗忘因子和加权因子选择策略。对理想数据、仿真数据和WAMS数据分别采用所提方法进行分析,验证了该方法的可行性。     

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。     

低频振荡模式辨识的改进衰减正弦原子分解法

为克服传统衰减正弦原子分解法的估计偏差,提出一种改进的衰减正弦原子分解法用于低频振荡模式辨识。该方法在匹配追踪中引入松弛算法的思想,通过迭代的策略分离各个振荡模式,并采用改进萤火虫算法和伪牛顿法相结合的优化方法,在衰减正弦原子库中进行参数寻优。通过数值信号仿真、IEEE4机2区系统仿真和相量测量单元PMU(phasor measurement unit)实测信号仿真,验证了本文所提方法可获得振荡参数的无偏估计,提高了辨识精度,且具有良好的抗噪能力,能够满足低频振荡模式辨识的要求。     

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。     

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FCM聚类的随机子空间低频振荡模态识别算法

振荡模态的精准捕捉对有效抑制低频振荡有重要意义,基于量测的低频振荡模态辨识方法在在线监测识别领域具有广阔应用前景。本文针对模态识别算法定阶困难、易存在虚假模态等问题,提出了基于模糊C均值聚类的多阶随机子空间算法。通过多阶子空间计算可捕捉所有可能的系统模态,并通过模糊C均值算法确定实际最低阶数,经虚假模态筛除确定最终振荡主导模态,并且能降低干扰,提升辨识抗噪性能。本文算法与Prony算法进行了性能对比,并通过四机两区系统和实际电网相量测量单元量测数据验证了算法的适用性和鲁棒性。