EMD法在提取电力系统低频振荡特性中的应用

经验模态分解方法是一种全新的非平稳信号分析方法,根据低频振荡信号的非平稳特性,介绍了经验模态分解方法应在低频振荡特性分析中的应用。仿真结果表明,该方法可以准确提取系统的低频振荡特征。     

基于MEMD和HHT的电力系统低频振荡模式识别方法研究

提出了一种基于多元经验模态分解(Multivariate empirical mode decomposition,MEMD)和希尔伯特黄变换(Hilbert-Huang Transform,HHT)相结合的电力系统低频振荡模式辨识新方法。针对经验模态分解(Empirical Mode Decomposition,EMD)只适用于单通道模式辨识的局限性,以及存在模式混叠和辨识效率低的缺点,引入MEMD方法对多通道量测信号进行分解处理,获取各通道中表征不同频率尺度的固有模态函数(Intrinsic Mode Functions,IMF)分量,实现多通道量测信息的协同分解。在此基础上,引入Teager能量算子筛选出含主导振荡模式的关键IMF。针对主导振荡模式在振荡过程的时变特性,借助HHT追踪各主导振荡模式的瞬时振荡频率和阻尼比。最后,通过16机68节点测试系统仿真数据和辽宁电网PMU实测数据对所提方法进行分析、验证。结果表明了所提方法的准确性和有效性。     

基于EMD和SSI的电力系统低频振荡模态参数识别方法

针对目前引发电力系统低频振荡的多重机理的实际情况,提出基于EMD和随机子空间（Stochastic Subspace Identification,SSI）的识别电力系统低频振荡模态参数的新方法。该方法直接根据端部量测数据识别出系统的低频振荡模态参数。在系统正常运行或者小扰动下可直接用SSI识别系统的弱阻尼模式、频率、阻尼和振型;在系统处于异常运行或者故障状态时,运用EMD对量测数据进行时空滤波和平稳化处理,由SSI辨识出相应的系统状态矩阵,经过模态分析得出低频振荡的上述模态参数。数值仿真及实例分析均表明该方法运行速度快,参数识别精度高,为电力系统低频振荡问题的研究提供了新的思路与方法。     

基于EMD和SSI的电力系统低频振荡模态参数识别方法

针对目前引发电力系统低频振荡的多重机理的实际情况,提出基于 EMD 和随机子空间 (Stochastic SubspaceIdentification,SSI) 的识别电力系统低频振荡模态参数的新方法.该方法直接根据端部量测数据识别出系统的低频振荡模态参数.在系统正常运行或者小扰动下可直接用 SSI 识别系统的弱阻尼模式、频率、阻尼和振型;在系统处于异常运行或者故障状态时,运用 EMD 对量测数据进行时空滤波和平稳化处理,由 SSI 辨识出相应的系统状态矩阵,经过模态分析得出低频振荡的上述模态参数.数值仿真及实例分析均表明该方法运行速度快,参数识别精度高,为电力系统低频振荡问题的研究提供了新的思路与方法.     

基于阻尼转矩分析的电力系统低频振荡源定位

准确定位低频振荡参与机组并采取有效的控制措施以提高系统阻尼、快速平息系统振荡是大电网安全稳定运行的重要保障。为此,提出了一种基于总体最小二乘-旋转不变技术的信号参数估计(TLS-ESPRIT)和阻尼转矩分析(Damping Torque Analysis,DTA)方法进行低频振荡发生源定位的方法。该方法利用TLS-ESPRIT对发电机组的有功出力、角速度、功角信号进行模式分解,提取发电机高度参与的振荡模式,采用最小二乘拟合方法计算发电机高度参与振荡模式的阻尼转矩系数,然后根据阻尼转矩系数判定发电机是否为该振荡模式的振荡源。分别以4机2区和10机39节点系统为例进行仿真验证。仿真结果表明,所提出的振荡监测方法能够准确定位电力系统低频振荡源,且通过振荡源对其自身的控制能够有效地平息系统中的低频振荡现象。     

基于EEMD和矩阵束算法的低频振荡主导模式识别

传统矩阵束算法在低信噪比时,难以准确辨识出信号参数,误差较大。因此,结合集合经验模态分解(EEMD)和矩阵束算法,提出了一种电力系统低频振荡主导模式识别的新方法。该方法利用EEMD进行平稳化处理,通过互相关系数和信号能量权重找出含有主导模式的IMF分量,并利用矩阵束算法分析得到模态参数,从而扩展了传统矩阵束算法的应用范围。算例分析结果表明,该方法可以较好地适应非线性系统,抗噪声能力较强,在低信噪比时仍然可用于低频振荡主导模式的识别,为电力系统低频振荡问题的研究提供了新思路。     

基于改进EEMD滤波原理及TLS-ESPRIT算法的低频振荡模式识别

针对不稳定信号PRONY辨识的噪声敏感和辨识精度低的局陷,提出一种改进的低频振荡模式辨识方法,实现了在复杂噪声于扰情况下的低频振荡模式的准确辨识.该方法基于EEMD算法设计改进了EEMD滤波器,可以有效滤除噪声,保留更多的信号模态特征.对滤波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)算法进行参数辨识,从而获取低频振荡各个模式信息.通过算例仿真验证了该方法的有效性.     

HHT算法在电力系统低频振荡模态辨识中的应用

针对电力系统低频振荡信号的非线性、非平稳特征,提出了一种新的处理方法——希尔伯特-黄变换(HHT)。该方法能够克服传统分析难以处理非平稳信号的缺点;利用其中的经验模态分解(EMD)对信号模态分量的有效分离,对分量进行Hilbert变换,得到相应的参量。通过计算实现对振荡信号的模态参数的辨识与提取,因此该方法能够应用到阻尼控制器的设计中。仿真结果表明该控制器能有效地抑制电力系统低频振荡,提高了系统的安全稳定性。     

基于HHT的电力系统低频振荡监测器的研究

针对电力系统区域联络线上发生低频功率振荡问题,提出了一种能够快速精确地分解出振荡模态参数的低频振荡监测器。低频振荡监测器的核心是一种改进的希尔伯特-黄变换(Hilbert-Huang transform,HHT)算法,该算法通过给在线录波数据叠加整周期余弦信号,使预处理信号的两端为极值点,解决了EMD分解过程中的"端点效应"问题,通过MATLAB仿真验证了该方法的有效性。     

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。     

基于一维盲源分离的滚动轴承故障诊断

盲源分离较之传统的信号处理方法在处理弱信号问题上更具优势。针对轴承故障诊断中因条件限制仅能进行单通道信号采集的情况,提出了一种基于总体经验模式分解的一维盲源分离算法。算法先通过总体经验模式分解将信号分解为多个本征模态函数,再根据本征模态函数之间的相关系数重组观测矩阵,最后利用近似联合对角化对矩阵进行盲源分离。通过数据仿真将该方法与小波分析和Hilbert-Huang变换作对比,说明该方法更适于处理低信噪比的轴承故障信号。对滚动轴承进行了故障诊断实验,成功找到了表征内圈故障和外圈故障的特征信息。     

基于多元经验模式分解的电力系统低频振荡模式辨识

提出了一种辨识电力系统主导低频振荡模式的新方法。该方法结合了多元经验模式分解(Multivariate Empirical Mode Decomposition, MEMD)、Teager能量算子及预测误差法(Prediction Error Method,PEM),通过多元经验模式分解将含电力系统低频振荡特征信息的信号进行分解,得到多个本征模函数(Intrinsic Mode Function, IMF)分量;借助Teager能量算子的快速响应能力,筛选出含有主导振荡模式的主要IMF分量;最后采用预测误差法辨识出各主导振荡模式的振荡频率和阻尼。分别利用IEEE68节点测试系统和辽宁电网实测PMU数据对所提方法进行分析、验证。结果表明,该方法可有效从电力系统的广域量测信息中辨识出电力系统的主导振荡模式。     

Fixed-point blind source separation algorithm based on ICA

This paper introduces the fixed-point learning algorithm based on independent component analysis (ICA); the model and process of this algorithm and simulation results are presented. Kurtosis was adopted as the estimation rule of independence. The results of the experiment show that compared with the traditional ICA algorithm based on random grads, this algorithm has advantages such as fast convergence and no necessity for any dynamic parameter, etc. The algorithm is a highly efficient and reliable method in blind signal separation. __________ Translated from Journal of Taiyuan University of Technology, 2007, 38(1): 35–37 [译自: 太原理工大学学报]     

一种基于信息最大化的自适应变步长盲源分离算法

现有的盲源分离算法不适合于数据的实时处理,并且算法性能依赖于步长的选择.提出一种基于信息最大化的自适应变步长盲源分离算法,采用基于估计函数的变步长算法,降低了盲源分离算法性能对步长的依赖性,并且采用自适应处理形式,适合数据的实时处理.最后将其应用于声音信号的盲分离,在选择小的步长参数的情况下,原有算法和文中新算法都取得了良好的分离效果;在选择较大的步长参数的情况下,新算法优于传统算法.     

基于变分模态分解的电力系统泛频带振荡辨识方法

振荡问题已成为现代电网面临的重要问题之一,电力系统中多种类型的振荡可能同时出现且频段跨度极大。针对含泛频带振荡模态的信号,首先通过带通滤波器实现不同频段信号的分离,再利用有高噪声鲁棒性的变分模态分解(Variational Mode Decomposition, VMD)方法提取各个振荡模态信号,最后通过Prony算法实现对不同模态参数的辨识。仿真与实际算例分析表明,该方法能够对信号中不同类别振荡模态进行有效区分与提取,精确识别出每个模态的信息。无论针对已发生剧烈振荡的信号或是含有潜在振荡的类噪声信号,该方法均能有效地进行模态辨识。     

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。