CN104753075A - 互联电力系统的主导振荡模态的辨识方法及装置 - Google Patents
互联电力系统的主导振荡模态的辨识方法及装置 Download PDFInfo
- Publication number
- CN104753075A CN104753075A CN201510122322.8A CN201510122322A CN104753075A CN 104753075 A CN104753075 A CN 104753075A CN 201510122322 A CN201510122322 A CN 201510122322A CN 104753075 A CN104753075 A CN 104753075A
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- measuring
- singular value
- measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种互联电力系统的主导振荡模态的辨识方法及装置,该方法包括:根据广域测量系统中向量测量单元的测量信号生成同类型测量信号的信号测量矩阵,对信号测量矩阵中的每一个测量信号进行经验模态分解,得到每个测量信号的所有固有模态分量,并从中提取每一个测量信号的主导固有模态分量,根据每一个测量信号的主导固有模态分量,构建主导振荡模态矩阵,对主导振荡模态矩阵中的每一个列向量进行希尔伯特变换,得到复测量矩阵,对复测量矩阵进行分解,得到复测量矩阵的奇异值向量,根据复测量矩阵的奇异值向量,计算主导振荡模态的时变参数和空间分布。本发明有效的辨识主导振荡模态的时变参数和空间分布,提高互联电力系统的稳定性。
Description
技术领域
本发明涉及电气工程技术领域,尤其涉及一种互联电力系统的主导振荡模态的辨识方法及装置。
背景技术
随着互联电网规模的不断扩大,区域间的低频振荡已成为威胁电力系统安全的重要因素之一,其严重性甚至超过了暂态稳定性,成为影响电力系统安全稳定的主要障碍,国内外大规模的停电事故基本都与互联电力系统的低频振荡有关。一般而言,低频振荡分为局部振荡和区间振荡,其中区域间低频振荡涉及的机组数量多、影响范围广,是互联电力系统重点分析的对象,而区间振荡模态最主要的表现形式就是主导振荡模态,电力系统的振荡模态往往是由主导振荡模态决定的,因此实时的辨识互联电力系统的主导振荡模态,对于提高互联电力系统的稳定运行具有重要意义。
目前,互联电网低频振荡分析方法主要分为两类:基于电网模型法和基于测量数据法,前者需要建立电网的数学模型,通过求解特征值来计算振荡模态的参数,当电网规模较大时,存在严重的“维灾数”问题,并且该方法不能跟踪电网运行的动态变化;后者根据电网中的测量数据来分析电网中存在的振荡模态,能够有效识别各振荡模态的相关参数,但是由于其对噪声的抑制能力较差,使得分析结果的精确程度受到了置疑。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决或者减缓上述问题的互联电力系统的主导振荡模态的辨识方法及装置,有效的辨识主导振荡模态的时变参数和空间分布,从而提高互联电力系统的稳定性。
根据本发明的一个方面,提供了一种互联电力系统的主导振荡模态的辨识方法,该方法包括:
根据向量测量单元传输到广域测量系统中的测量信号生成同类型测量信号的信号测量矩阵,所述信号测量矩阵的行数为时间窗的长度,所述信号测量矩阵的列数为测量信号的数量;
对所述信号测量矩阵中的每一个测量信号进行经验模态分解,得到每一个测量信号的所有固有模态分量,并从所述所有固有模态分量中提取每一个测量信号的主导固有模态分量;
根据所述每一个测量信号的主导固有模态分量,构建主导振荡模态矩阵,并对所述主导振荡模态矩阵中的每一个列向量进行希尔伯特Hilbert变换,得到复测量矩阵;
利用复奇异值分解法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量;
根据所述复测量矩阵的奇异值向量,计算主导振荡模态的时变参数和空间分布。
可选的,所述根据向量测量单元传输到广域测量系统中的测量信号生成同类型测量信号的信号测量矩阵,具体包括:
对向量测量单元传输到广域测量系统中的测量信号进行分类;
根据分类结果,将同类型的测量信号进行滤波和去噪处理;
将滤波和去噪处理后的同类型测量信号生成具有统一时标的信号测量矩阵。
可选的,采用上下包络线和B样条插值的方法对所述信号测量矩阵中的每一个测量信号进行经验模态分解。
可选的,所述利用复奇异值分解的方法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量,具体包括:
利用复奇异值分解的方法对所述复测量矩阵进行分解,获取所述复测量矩阵的奇异值和奇异值向量。
可选的,所述根据所述复测量矩阵的奇异值向量,获取主导振荡模态的时变参数和空间分布,具体包括:
构建所述复测量矩阵的协方差矩阵,并计算所述协方差矩阵的特征值和特征向量;
分析所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系;
根据所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系,计算所述主导振荡模态的时变参数和空间分布。
根据本发明的另一个方面,提供了一种互联电力系统的主导振荡模态的辨识装置,该装置包括:
信号测量矩阵生成单元,用于根据向量测量单元传输到广域测量系统中的测量信号生成同类型测量信号的信号测量矩阵,所述信号测量矩阵的行数为时间窗的长度,所述信号测量矩阵的列数为测量信号的数量;
主导固有模态分量提取单元,用于对所述信号测量矩阵生成单元生成的信号测量矩阵中的每一个测量信号进行经验模态分解,得到每一个测量信号的所有固有模态分量,并从所述所有固有模态分量中提取每一个测量信号的主导固有模态分量;
希尔伯特变换单元,用于根据所述每一个测量信号的主导固有模态分量,构建主导振荡模态矩阵,并对所述主导振荡模态矩阵中的每一个列向量进行希尔伯特Hilbert变换,得到复测量矩阵;
复奇异值分解单元,用于利用复奇异值分解法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量;
计算单元,用于根据所述复测量矩阵的奇异值向量,计算主导振荡模态的时变参数和空间分布。
可选的,所述信号测量矩阵生成单元具体包括:
分类模块,用于对向量测量单元传输到广域测量系统中的测量信号进行分类;
处理模块,用于根据分类结果,将同类型的测量信号进行滤波和去噪处理;
矩阵生成模块,用于将滤波和去噪处理后的同类型测量信号生成具有统一时标的信号测量矩阵。
可选的,所述主导固有模态分量提取单元采用上下包络线和B样条插值的方法对所述信号测量矩阵中的每一个测量信号进行经验模态分解。
可选的,所述复奇异值分解单元具体用于:利用复奇异值分解的方法对所述复测量矩阵进行分解,获取所述复测量矩阵的奇异值和奇异值向量。
可选的,所述计算单元,具体包括:
第一计算模块,用于构建所述复测量矩阵的协方差矩阵,并计算所述协方差矩阵的特征值和特征向量;
关系分析模块,用于分析所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系;
第二计算模块,用于根据所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系,计算所述主导振荡模态的时变参数和空间分布。
本发明的有益效果为:
本发明提供的互联电力系统的主导振荡模态的辨识方法,结合WAMS中PMU的测量时窗,进行互联电力系统主导振荡模态的实时辨识,不仅能够计算主导振荡模态在单一测量点中的时变参数,还可以计算在空间中的能量分布,有效提高了互联电力系统的稳定性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提出的一种互联电力系统的主导振荡模态的辨识方法的流程图;
图2为采用本发明实施例提出的互联电力系统的主导振荡模态的辨识方法得到的时变参数计算结果的示意图;
图3为采用本发明实施例提出的互联电力系统的主导振荡模态的辨识方法得到的空间分布计算结果的示意图;
图4为本发明实施例提出的一种互联电力系统的主导振荡模态的辨识装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
广域测量系统(WAMS)的建立,为实时监控电网的动态特性提供了良好的平台。因此,基于测量数据法渐渐成为低频振荡分析的主流方法。本发明就是基于WAMS提出的互联电力系统的主导振荡模态的辨识方法及装置。
图1示出了本发明实施例的一种互联电力系统的主导振荡模态的辨识方法的流程图。
参照图1,本发明实施例提出的互联电力系统的主导振荡模态的辨识方法包括:
S11、根据向量测量单元传输到广域测量系统中的测量信号生成同类型测量信号的信号测量矩阵,所述信号测量矩阵的行数为时间窗的长度,所述信号测量矩阵的列数为测量信号的数量;
所述步骤S11进一步包括:具体包括:对向量测量单元传输到广域测量系统中的测量信号进行分类;根据分类结果,将同类型的测量信号进行滤波和去噪处理;将滤波和去噪处理后的同类型测量信号生成具有统一时标的信号测量矩阵。
本发明实施例中,对PMU传输到WAMS的信号进行分类,对分类后的同类型测量信号进行低通滤波和去噪处理后,形成同类型的信号测量矩阵。其中,测量矩阵的行数为时窗长度的大小,列数为测量信号的数量。测量矩阵中为具有统一的时标性的同类型测量信号,例如频率测量矩阵、功角测量矩阵和功率测量矩阵。
S12、对所述信号测量矩阵中的每一个测量信号进行经验模态分解,得到每一个测量信号的所有固有模态分量,并从所述所有固有模态分量中提取每一个测量信号的主导固有模态分量;
本步骤具体为:对步骤S11中形成的信号测量矩阵中的单一测量信号进行经验模态分解,本实施例中所述经验模态分解的级数为3级。经过经验模态分解以后,单一的测量信号表示为固有模态分量IMF和趋势分量的和的形式,具体如下:
得到单一信号的所有固有模态分量以后,进行能量分析,得出每一个单一测量信号的主导振荡模态IMF1。
S13、根据所述每一个测量信号的主导固有模态分量,构建主导振荡模态矩阵,并对所述主导振荡模态矩阵中的每一个列向量进行希尔伯特Hilbert变换,得到复测量矩阵;
本步骤具体为:根据步骤S12中得到的每一个单一测量信号的主导振荡模态IMF1,形成新的矩阵Z,得到主导振荡模态矩阵,其中z1表示第一个测量信号中主导固有模态分量IMF1,M为测量信号的数量,N为时窗的长度,主导振荡模态矩阵Z,如下所示:
对矩阵Z中的每一个列向量进行Hilbert变换,
gj=zj+hilbert(zj)
得到复测量矩阵G,如下:
S14、利用复奇异值分解法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量;
进一步地,本发明实施例利用复奇异值分解的方法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量,具体包括:利用复奇异值分解的方法对所述复测量矩阵进行分解,获取所述复测量矩阵的奇异值和奇异值向量。
S15、根据所述复测量矩阵的奇异值向量,计算主导振荡模态的时变参数和空间分布,实现互联电力系统的主导振荡模态的辨识。
进一步地,所述步骤S15具体包括:构建所述复测量矩阵的协方差矩阵,并计算所述协方差矩阵的特征值和特征向量;分析所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系;根据所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系,计算所述主导振荡模态的时变参数和空间分布。
本发明实施例中,计算得到的所述复测量矩阵G的协方差矩阵为:
其中,GH为G的共轭转置矩阵。
根据步骤S14中奇异值分解的原理,对于复矩阵G可以表示为左右奇异向量和奇异值的形式:
G=UΣVH
接下来分析比较复矩阵G的协方差矩阵左右特征向量与复矩阵奇异值之间的关系,得到:
通过以上分析可以得出,矩阵G奇异值和协方差矩阵C1以及C2的特征值存在的关系:
进一步地,矩阵G的左奇异分量Usk的列向量等于与协方差矩阵C2的特征向量Uck,而其右奇异分量Vsk的列向量等于协方差矩阵C2的特征向量Vck。
假设复总体测量矩阵G可以表示为:
复向量矩阵G的时间变换参数为:
其中Ap(t)为时间向量矩阵,并且满足G≈Ap(t)×VH;Rp(t)是时间本征正交模态,对应着主导振荡模态在时间尺度上的分布;φp(t)为时间相角函数;Amp(t)为时间幅值函数;对应主导振荡模态的幅值,进一步地,可以计算主导振荡模态的阻尼参数;fp(t)为时间振荡函数,对应主导振荡模态的频率,如图2所示。
G的空间模态分布参数可以计算为:
其中Bp(s)为空间向量矩阵,并且满足G≈U×Bp(s)H;Sp(s)为空间分布函数,对应主导振荡模态在空间中的能量分布大小;φp(s)是空间分布角度,对应主导振荡模态的空间分布角度;Bmp(s)为空间分布函数幅值,如图3所示。
进一步地,本发明实施例采用上下包络线和B样条插值的方法对所述信号测量矩阵中的每一个测量信号进行经验模态分解。
本发明实施例提出的互联电力系统的主导振荡模态的辨识方法,可以有效的辨识主导振荡模态的时变参数和空间分布,为低频振荡控制策略的制定提供参考,从而提高互联电力系统的小干扰稳定性。
图4示出了本发明实施例的一种互联电力系统的主导振荡模态的辨识装置的结构框图。
参照图4,本发明实施例提出的互联电力系统的主导振荡模态的辨识装置包括信号测量矩阵生成单元101、主导固有模态分量提取单元102、希尔伯特变换单元103、复奇异值分解单元104以及计算单元105:
所述的信号测量矩阵生成单元101,用于根据向量测量单元传输到广域测量系统中的测量信号生成同类型测量信号的信号测量矩阵,所述信号测量矩阵的行数为时间窗的长度,所述信号测量矩阵的列数为测量信号的数量;
所述的主导固有模态分量提取单元102,用于对所述信号测量矩阵生成单元生成的信号测量矩阵中的每一个测量信号进行经验模态分解,得到每一个测量信号的所有固有模态分量,并从所述所有固有模态分量中提取每一个测量信号的主导固有模态分量;
所述的希尔伯特变换单元103,用于根据所述每一个测量信号的主导固有模态分量,构建主导振荡模态矩阵,并对所述主导振荡模态矩阵中的每一个列向量进行希尔伯特Hilbert变换,得到复测量矩阵;
所述的复奇异值分解单元104,用于利用复奇异值分解法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量;
所述的计算单元105,用于根据所述复测量矩阵的奇异值向量,计算主导振荡模态的时变参数和空间分布。
进一步地,本实施例中的所述信号测量矩阵生成单元101具体包括:
分类模块,用于对向量测量单元传输到广域测量系统中的测量信号进行分类;
处理模块,用于根据分类结果,将同类型的测量信号进行滤波和去噪处理;
矩阵生成模块,用于将滤波和去噪处理后的同类型测量信号生成具有统一时标的信号测量矩阵。
进一步地,本实施例中的所述主导固有模态分量提取单元102采用上下包络线和B样条插值的方法对所述信号测量矩阵中的每一个测量信号进行经验模态分解。
进一步地,本实施例中的所述复奇异值分解单元104具体用于:利用复奇异值分解的方法对所述复测量矩阵进行分解,获取所述复测量矩阵的奇异值和奇异值向量。
进一步地,本实施例中的所述计算单元105,具体包括:
第一计算模块,用于构建所述复测量矩阵的协方差矩阵,并计算所述协方差矩阵的特征值和特征向量;
关系分析模块,用于分析所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系;
第二计算模块,用于根据所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系,计算所述主导振荡模态的时变参数和空间分布。
本发明实施例提出的互联电力系统的主导振荡模态的辨识装置,可以有效的辨识主导振荡模态的时变参数和空间分布,为低频振荡控制策略的制定提供参考,从而提高互联电力系统的小干扰稳定性。
综上所述,分发明实施例提出的互联电力系统的主导振荡模态的辨识方法及装置,结合WAMS中PMU的测量时窗,进行互联电力系统主导振荡模态的实时辨识,不仅能够计算主导振荡模态在单一测量点中的时变参数,还可以计算在空间中的能量分布,有效提高了互联电力系统的稳定性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可以通过硬件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的系统中的模块可以按照实施例描述进行分布于实施例的系统中,也可以进行相应变化位于不同于本实施例的一个或多个系统中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种互联电力系统的主导振荡模态的辨识方法,其特征在于,所述方法包括:
根据向量测量单元传输到广域测量系统中的测量信号生成同类型测量信号的信号测量矩阵,所述信号测量矩阵的行数为时间窗的长度,所述信号测量矩阵的列数为测量信号的数量;
对所述信号测量矩阵中的每一个测量信号进行经验模态分解,得到每一个测量信号的所有固有模态分量,并从所述所有固有模态分量中提取每一个测量信号的主导固有模态分量;
根据所述每一个测量信号的主导固有模态分量,构建主导振荡模态矩阵,并对所述主导振荡模态矩阵中的每一个列向量进行希尔伯特Hilbert变换,得到复测量矩阵;
利用复奇异值分解法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量;
根据所述复测量矩阵的奇异值向量,计算主导振荡模态的时变参数和空间分布。
2.根据权利要求1所述的方法,其特征在于,所述根据向量测量单元传输到广域测量系统中的测量信号生成同类型测量信号的信号测量矩阵,具体包括:
对向量测量单元传输到广域测量系统中的测量信号进行分类;
根据分类结果,将同类型的测量信号进行滤波和去噪处理;
将滤波和去噪处理后的同类型测量信号生成具有统一时标的信号测量矩阵。
3.根据权利要求1或2所述的方法,其特征在于,采用上下包络线和B样条插值的方法对所述信号测量矩阵中的每一个测量信号进行经验模态分解。
4.根据权利要求1所述的方法,其特征在于,所述利用复奇异值分解的方法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量,具体包括:
利用复奇异值分解的方法对所述复测量矩阵进行分解,获取所述复测量矩阵的奇异值和奇异值向量。
5.根据权利要求4所述的方法,其特征在于,所述根据所述复测量矩阵的奇异值向量,获取主导振荡模态的时变参数和空间分布,具体包括:
构建所述复测量矩阵的协方差矩阵,并计算所述协方差矩阵的特征值和特征向量;
分析所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系;
根据所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系,计算所述主导振荡模态的时变参数和空间分布。
6.一种互联电力系统的主导振荡模态的辨识装置,其特征在于,所述装置包括:
信号测量矩阵生成单元,用于根据向量测量单元传输到广域测量系统中的测量信号生成同类型测量信号的信号测量矩阵,所述信号测量矩阵的行数为时间窗的长度,所述信号测量矩阵的列数为测量信号的数量;
主导固有模态分量提取单元,用于对所述信号测量矩阵生成单元生成的信号测量矩阵中的每一个测量信号进行经验模态分解,得到每一个测量信号的所有固有模态分量,并从所述所有固有模态分量中提取每一个测量信号的主导固有模态分量;
希尔伯特变换单元,用于根据所述每一个测量信号的主导固有模态分量,构建主导振荡模态矩阵,并对所述主导振荡模态矩阵中的每一个列向量进行希尔伯特Hilbert变换,得到复测量矩阵;
复奇异值分解单元,用于利用复奇异值分解法,对所述复测量矩阵进行分解,得到复测量矩阵的奇异值向量;
计算单元,用于根据所述复测量矩阵的奇异值向量,计算主导振荡模态的时变参数和空间分布。
7.根据权利要求6所述的装置,其特征在于,所述信号测量矩阵生成单元具体包括:
分类模块,用于对向量测量单元传输到广域测量系统中的测量信号进行分类;
处理模块,用于根据分类结果,将同类型的测量信号进行滤波和去噪处理;
矩阵生成模块,用于将滤波和去噪处理后的同类型测量信号生成具有统一时标的信号测量矩阵。
8.根据权利要求6或7所述的装置,其特征在于,所述主导固有模态分量提取单元采用上下包络线和B样条插值的方法对所述信号测量矩阵中的每一个测量信号进行经验模态分解。
9.根据权利要求6所述的装置,其特征在于,所述复奇异值分解单元具体用于:利用复奇异值分解的方法对所述复测量矩阵进行分解,获取所述复测量矩阵的奇异值和奇异值向量。
10.根据权利要求6所述的装置,其特征在于,所述计算单元,具体包括:
第一计算模块,用于构建所述复测量矩阵的协方差矩阵,并计算所述协方差矩阵的特征值和特征向量;
关系分析模块,用于分析所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系;
第二计算模块,用于根据所述复测量矩阵的奇异值和奇异值向量与对应的所述协方差矩阵的特征值和特征向量之间的关系,计算所述主导振荡模态的时变参数和空间分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510122322.8A CN104753075A (zh) | 2015-03-19 | 2015-03-19 | 互联电力系统的主导振荡模态的辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510122322.8A CN104753075A (zh) | 2015-03-19 | 2015-03-19 | 互联电力系统的主导振荡模态的辨识方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104753075A true CN104753075A (zh) | 2015-07-01 |
Family
ID=53592353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510122322.8A Pending CN104753075A (zh) | 2015-03-19 | 2015-03-19 | 互联电力系统的主导振荡模态的辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104753075A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106712015A (zh) * | 2017-02-28 | 2017-05-24 | 西南交通大学 | 一种提取电力系统频率动态时空分布特性信息的方法 |
CN107749621A (zh) * | 2017-10-25 | 2018-03-02 | 东北电力大学 | 一种电力系统动态稳定协同辨识方法 |
CN109638862A (zh) * | 2018-12-30 | 2019-04-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 |
CN110879356A (zh) * | 2019-12-03 | 2020-03-13 | 国网湖南省电力有限公司 | 适用于发电机控制系统扰动源定位的振荡能量计算方法 |
CN112103939A (zh) * | 2019-06-18 | 2020-12-18 | 上海电机学院 | 一种电力系统稳定性分析方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408586A (zh) * | 2008-11-28 | 2009-04-15 | 北京四方继保自动化股份有限公司 | 基于经验模态分解的在线低频振荡检测和节点同调分群法 |
CN101944776A (zh) * | 2010-09-28 | 2011-01-12 | 电子科技大学 | 电力网络低频振荡监测系统 |
US20110191048A1 (en) * | 2008-09-27 | 2011-08-04 | Yaozhong Xin | Method and System for a Comprehensive Analysis of Low Frequency Oscillation |
CN102305891A (zh) * | 2011-07-04 | 2012-01-04 | 武汉大学 | 一种电力系统低频振荡在线监测方法 |
CN102937668A (zh) * | 2012-11-08 | 2013-02-20 | 电子科技大学 | 一种电力系统低频振荡检测方法 |
CN103336909A (zh) * | 2013-07-23 | 2013-10-02 | 国家电网公司 | 一种风电接入电网的低频振荡辨识方法 |
-
2015
- 2015-03-19 CN CN201510122322.8A patent/CN104753075A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110191048A1 (en) * | 2008-09-27 | 2011-08-04 | Yaozhong Xin | Method and System for a Comprehensive Analysis of Low Frequency Oscillation |
CN101408586A (zh) * | 2008-11-28 | 2009-04-15 | 北京四方继保自动化股份有限公司 | 基于经验模态分解的在线低频振荡检测和节点同调分群法 |
CN101944776A (zh) * | 2010-09-28 | 2011-01-12 | 电子科技大学 | 电力网络低频振荡监测系统 |
CN102305891A (zh) * | 2011-07-04 | 2012-01-04 | 武汉大学 | 一种电力系统低频振荡在线监测方法 |
CN102937668A (zh) * | 2012-11-08 | 2013-02-20 | 电子科技大学 | 一种电力系统低频振荡检测方法 |
CN103336909A (zh) * | 2013-07-23 | 2013-10-02 | 国家电网公司 | 一种风电接入电网的低频振荡辨识方法 |
Non-Patent Citations (1)
Title |
---|
杨德昌等: "《"点""域"结合法在低频振荡分析中的应用》", 《电工技术学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106712015A (zh) * | 2017-02-28 | 2017-05-24 | 西南交通大学 | 一种提取电力系统频率动态时空分布特性信息的方法 |
CN106712015B (zh) * | 2017-02-28 | 2019-10-01 | 西南交通大学 | 一种提取电力系统频率动态时空分布特性信息的方法 |
CN107749621A (zh) * | 2017-10-25 | 2018-03-02 | 东北电力大学 | 一种电力系统动态稳定协同辨识方法 |
CN107749621B (zh) * | 2017-10-25 | 2020-08-11 | 东北电力大学 | 一种电力系统动态稳定协同辨识方法 |
CN109638862A (zh) * | 2018-12-30 | 2019-04-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 |
CN109638862B (zh) * | 2018-12-30 | 2022-07-05 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 |
CN112103939A (zh) * | 2019-06-18 | 2020-12-18 | 上海电机学院 | 一种电力系统稳定性分析方法及装置 |
CN112103939B (zh) * | 2019-06-18 | 2024-01-26 | 上海电机学院 | 一种电力系统稳定性分析方法及装置 |
CN110879356A (zh) * | 2019-12-03 | 2020-03-13 | 国网湖南省电力有限公司 | 适用于发电机控制系统扰动源定位的振荡能量计算方法 |
CN110879356B (zh) * | 2019-12-03 | 2021-11-16 | 国网湖南省电力有限公司 | 适用于发电机控制系统扰动源定位的振荡能量计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104753075A (zh) | 互联电力系统的主导振荡模态的辨识方法及装置 | |
McGovern et al. | Identifying predictive multi-dimensional time series motifs: an application to severe weather prediction | |
Paladin et al. | Anomalous scaling laws in multifractal objects | |
Lu et al. | Optimal harmonic estimation using a particle swarm optimizer | |
CN108335010A (zh) | 一种风电出力时间序列建模方法及系统 | |
CN104198138A (zh) | 一种风力发电机组异常振动的预警方法及系统 | |
Fu et al. | A state tendency measurement for a hydro-turbine generating unit based on aggregated EEMD and SVR | |
CN109471171A (zh) | 一种混叠地震数据分离的方法、装置及系统 | |
Xu et al. | Direct determination approach for the multifractal detrending moving average analysis | |
CN104598565A (zh) | 一种基于随机梯度下降算法的k均值大规模数据聚类方法 | |
Melatos et al. | Pulsar glitch detection with a hidden Markov model | |
Du et al. | DCGAN based data generation for process monitoring | |
Schirmer et al. | Double Fourier integral analysis based convolutional neural network regression for high-frequency energy disaggregation | |
CN105468676A (zh) | 一种大数据处理方法 | |
CN109617051B (zh) | 一种新能源电力系统低频振荡参数辨识方法 | |
CN102495944B (zh) | 一种时间序列预测方法、设备和系统 | |
CN106156737A (zh) | 基于二维空间的时间序列样本熵的计算方法及系统 | |
CN113806413B (zh) | 一种轨迹筛选分类方法、装置、计算机设备和存储介质 | |
Wang et al. | Change point detection for piecewise envelope current signal based on wavelet transform | |
Peng et al. | Modulated broadband mode decomposition for the feature extraction of double pulse metal inert gas welding | |
Xiong et al. | Application of multi-kernel relevance vector machine and data pre-processing by complementary ensemble empirical mode decomposition and mutual dimensionless in fault diagnosis | |
CN113407495A (zh) | 一种基于simhash的文件相似度判定方法及系统 | |
Xu et al. | Compression algorithm of road traffic spatial data based on LZW encoding | |
Shen et al. | Strange nonchaotic attractors in a quasiperiodically forced articulated mooring tower model | |
CN110636053A (zh) | 一种基于局部均值分解和支持向量机的网络攻击检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150701 |
|
RJ01 | Rejection of invention patent application after publication |