CN106338651A - 应用于电力系统低频振荡模式识别的粒子滤波分析方法 - Google Patents
应用于电力系统低频振荡模式识别的粒子滤波分析方法 Download PDFInfo
- Publication number
- CN106338651A CN106338651A CN201610773422.1A CN201610773422A CN106338651A CN 106338651 A CN106338651 A CN 106338651A CN 201610773422 A CN201610773422 A CN 201610773422A CN 106338651 A CN106338651 A CN 106338651A
- Authority
- CN
- China
- Prior art keywords
- particle
- frequency oscillation
- signal
- low
- sampling
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/165—Spectrum analysis; Fourier analysis using filters
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种应用于电力系统低频振荡模式识别的粒子滤波分析方法,是通过获取电力系统低频振荡时的信号,建立状态方程和观测方程,选定对象(包含频率、幅值、相位、衰减系数等参数)作为粒子,对粒子集进行初始化,通过先验概率密度函数生成采样粒子,对采样粒子进行重要性采样和重采样,迭代结束后得到粒子的最优状态估计,再对最优状态进行参数估计,并将参数最优估计值与原始信号进行拟合,以确定低频振荡模式的各个参数是否正确,从而辨识出低频振荡模式。本发明的粒子滤波不需要对系统作任何先验性假设,在处理复杂的非线性、非高斯的电力系统问题上,精度和可靠度都有了很大的提升,能够更好的估计出低频振荡的各个参数。
Description
技术领域
本发明涉及电力系统中的系统稳定分析领域,具体涉及一种应用于电力系统低频振荡模式识别的粒子滤波分析方法。
背景技术
随着我国电力工业的不断发展,电力系统规模不断扩大,已经发展成了大区域互联电网。互联电网有利于提高发输电的运行经济性和可靠性,但区域之间电网的互联有可能引发低频振荡现象。在采用励磁控制器的条件下,低频振荡发生的机率不断提高,如果无法很好地对低频振荡进行抑制,电力系统的稳定性将遭到破坏。而对低频振荡的模式识别,有助于了解系统的动态性能,为安全预警提供较好的分析结果,故研究低频振荡模式参数识别分析方法具有重要的现实意义。
现有的低频振荡模式分析方法大部分对线性系统有良好的分析效果,但对于非高斯非线性的复杂系统的状态和参数估计方面处理效果较差,而电力系统大部分都是非高斯非线性的复杂系统,因此现有的分析方法无法完全满足需要。
发明内容
本发明所要解决的技术问题是,针对上述现有技术的不足,提供一种应用于电力系统低频振荡模式识别的粒子滤波分析方法,该方法适用于线性及非高斯非线性的电力系统低频振荡信号的分析,能提高分析的可靠性以及精确度。
为解决上述问题,本发明采用的技术方案是:一种应用于电力系统低频振荡模式识别的粒子滤波分析方法,该方法步骤如下:
步骤1、获取电力系统发生低频振荡时的信号,该信号为低频振荡时电网的频率、电压或电流值,再依信号计算得到幅值、相位和衰减系数;
步骤2、根据所得信号建立状态方程和观测方程,选取步骤1中的幅值A、频率f、相位和衰减系数α作为粒子,并将该些粒子构成粒子集;
上述提及的状态方程(xk=Fxk-1+uk-1)和观测方程(yk=Gxk+vk)可根据微分方程、传递函数、方框图等来建立,为现有技术,具体建立过程可参考文献:《大系统状态方程标准型的建立》,张福恩,信息与控制;或《卫星跟踪卫星重力观测方程的建立》,罗佳,武汉大学学报。其中,F、G分别为状态转移矩阵和观测矩阵,xk为系统状态,yk为观测值,uk为过程噪声,vk为观测噪声。
步骤3、对粒子集进行初始化,将粒子集初始权值均设定为1/N,再从初始化后的粒子集中根据先验概率密度函数p(x)生成采样粒子(采样粒子的生成为现有技术);然后选取状态变量的转移概率密度函数作为重要性概率密度函数q(x);
步骤4、将采样粒子根据重要性概率密度函数q(x)进行重要性采样:
(1)先从采样粒子中依据重要性概率密度函数q(x)随机抽取N个粒子,计算该些粒子的未归一化权值计算公式为(表示k时刻的粒子的先验概率密度函数与k时刻的重要性概率密度函数的比值),其中,i为1-N的正整数,文中的k皆指低频振荡过程中的某个时刻,用k表示;并根据计算得到的未归一化权值更新随机抽取的粒子权值;
(2)对更新后的粒子权值进行归一化,归一化计算公式为 以得到归一化权值
步骤5、根据归一化权值采用下式计算有效粒子数Neff,有效粒子数的值必须大于设定的阈值Nthres,否则得进行重采样;然后根据有效粒子数对应的归一化权值更新粒子集;其中,有效粒子数的计算公式如下:
上述提及的重要性采样是在有限的采样次数内,尽量让采样点覆盖对积分贡献很大的点。而重采样是为了克服重要性采样中存在的权值退化问题,其计算过程为现有技术。根据以上重要性采样得到的粒子权值,剔除权重较小的粒子,复制权重较大的粒子,从而得到新的粒子集。
步骤6、重复步骤4~5,直至迭代结束,迭代次数设定为H,H初始值为50次;
步骤7、根据公式x为系统的状态,y表示观测信号,及公式δ(·)表示狄拉克delta函数,以估计出系统状态,得出滤波后的状态概率分布,并根据该状态概率分布得到最优估计粒子,从而得到系统的最优估计值即最优估计粒子的低频振荡参数幅值A、频率f、相位和衰减系数α的值;
低频振荡模式的阻尼比(原始信号的阻尼比及阻尼比的最优估计值)可根据上述低频振荡参数幅值A、频率f、相位和衰减系数α通过下式计算得到,以参与低频振荡模式进行分析:
步骤8、将得到的系统的最优估计值与步骤1中的原始信号进行拟合,确定低频振荡模式的各个参数(通过拟合误差大小来确定出各个参数的过程为现有技术),同时根据最优估计值计算信噪比,若信噪比>20%,则将步骤6的迭代次数设置为H+10,重复步骤4~步骤8,直至信噪比≤20%,迭代终止;若信噪比≤20%,则辨识出低频振荡模式。
与现有的分析方法相比,本发明的优点在于:粒子滤波不需要对系统作任何先验性假设,在处理复杂的非线性、非高斯的电力系统问题上,精度和可靠度都有了很大的提升,能够更好的估计出低频振荡的各个参数。
具体实施方式
本发明为一种应用于电力系统低频振荡模式识别的粒子滤波分析方法,其步骤如下:
步骤1、获取电力系统发生低频振荡时的信号,该信号为低频振荡时电网的频率、电压或电流值,再依信号计算得到幅值、相位和衰减系数;
步骤2、根据所得信号建立状态方程和观测方程,选取步骤1中的幅值A、频率f、相位和衰减系数α作为粒子,并由该些粒子构成粒子集;
步骤3、对粒子集进行初始化,将粒子集初始权值均设定为1/N,再从初始化后的粒子集中根据先验概率密度函数p(x)生成采样粒子;然后选取状态变量的转移概率密度函数作为重要性概率密度函数q(x);
步骤4、将采样粒子根据重要性概率密度函数q(x)进行重要性采样:
(1)先从采样粒子中依据重要性概率密度函数q(x)随机抽取N个粒子,计算该些粒子的未归一化权值计算公式为其中,i为1-N的正整数;并根据计算得到的未归一化权值更新随机抽取的粒子权值;
(2)对更新后的粒子权值进行归一化,归一化计算公式为 以得到归一化权值
步骤5、根据归一化权值采用下式计算有效粒子数Neff,有效粒子数的值必须大于设定的阈值Nthres,否则重采样;然后根据有效粒子数对应的归一化权值更新粒子集;其中,有效粒子数的计算公式如下:
步骤6、重复步骤4~5,直至迭代结束,迭代次数设定为H,H初始值为50次;
步骤7、根据公式x为系统的状态,y表示观测信号,及公式δ(·)表示狄拉克delta函数,以估计出系统状态,得出滤波后的状态概率分布,并根据该状态概率分布得到最优估计粒子,从而得到系统的最优估计值即最优估计粒子的低频振荡参数幅值A、频率f、相位和衰减系数α的值;原始信号中的阻尼比和最优估计阻尼比值可根据下列公式计算得到。
步骤8、将得到的系统的最优估计值与步骤1中的原始信号(即步骤1中最初获取的信号)进行拟合,确定低频振荡模式的各个参数,同时根据最优估计值计算信噪比SNR,若信噪比>20%,则将步骤6的迭代次数设置为H+10,重复步骤4~步骤8,直至信噪比≤20%,迭代终止;若信噪比≤20%,则辨识出低频振荡模式。
实施例1
获取电力系统低频振荡信号,该信号包括三个振荡模式,模式1、模式2以及模式3的频率分别为2Hz(0~10s)、1.5Hz(10~25s)和0.75Hz(25~40s),幅值分别为6、3和2.5,衰减系数分别为-0.1、-0.1和-0.05,具体参数如表1所示。经过本发明方法以后,得到各参数的最优估计值,并与原始信号进行了拟合。由表2可得出,由本发明方法得出的参数与原始参数非常接近,计算得出的信噪比SNR为12.2%,故本发明方法可以有效的辨识低频振荡模式的各个参数。
表1电力系统低频振荡模式的原始参数示意表
模式 | 时间 | 频率/Hz | 衰减系数 | 幅值/pu | 阻尼比 | 相位/rad |
模式1 | 0~10s | 2 | -0.1 | 6 | -0.0500 | -0.0580 |
模式2 | 10~25s | 1.5 | -0.1 | 3 | -0.0665 | -0.0580 |
模式3 | 25~40s | 0.75 | -0.05 | 2.5 | -0.0665 | -0.0380 |
表2应用本发明的低频振荡模式识别的粒子滤波分析方法得到的参数表
序号 | 频率/Hz | 衰减系数 | 振幅/pu | 阻尼比 | 相位/rad |
模式1 | 2.0019 | -0.1025 | 6.001 | -0.0511 | -0.0488 |
模式2 | 1.5018 | -0.0975 | 3.0045 | -0.0647 | -0.0586 |
模式3 | 0.7509 | -0.0502 | 2.5002 | -0.0667 | -0.0381 |
Claims (1)
1.一种应用于电力系统低频振荡模式识别的粒子滤波分析方法,其特征在于,该方法步骤如下:
步骤1、获取电力系统发生低频振荡时的信号,该信号为低频振荡时电网的频率、电压或电流值,再依信号计算得到幅值、相位和衰减系数;
步骤2、根据所得信号建立状态方程和观测方程,选取步骤1中的幅值A、频率f、相位和衰减系数α作为粒子,并由该些粒子构成粒子集;
步骤3、对粒子集进行初始化,将粒子集初始权值均设定为1/N,再从初始化后的粒子集中根据先验概率密度函数p(x)生成采样粒子;然后选取状态变量的转移概率密度函数作为重要性概率密度函数q(x);
步骤4、将采样粒子根据重要性概率密度函数q(x)进行重要性采样:
(1)先从采样粒子中依据重要性概率密度函数q(x)随机抽取N个粒子,计算该些粒子的未归一化权值计算公式为其中,i为1-N的正整数;并根据计算得到的未归一化权值更新随机抽取的粒子权值;
(2)对更新后的粒子权值进行归一化,归一化计算公式为 以得到归一化权值
步骤5、根据归一化权值采用下式计算有效粒子数Neff,有效粒子数的值必须大于设定的阈值Nthres,否则重采样;然后根据有效粒子数对应的归一化权值更新粒子集;其中,有效粒子数的计算公式如下:
步骤6、重复步骤4~5,直至迭代结束,迭代次数设定为H,H初始值为50次;
步骤7、根据公式x为系统的状态,y表示观测信号,及公式δ(·)表示狄拉克delta函数,以估计出系统状态,得出滤波后的状态概率分布,并根据该状态概率分布得到最优估计粒子,从而得到系统的最优估计值即最优估计粒子的低频振荡参数幅值A、频率f、相位和衰减系数α的值;
步骤8、将得到的系统的最优估计值与步骤1中的原始信号进行拟合,确定低频振荡模式的各个参数,同时根据最优估计值计算信噪比,若信噪比>20%,则将步骤6的迭代次数设置为H+10,重复步骤4~步骤8,直至信噪比≤20%,迭代终止;若信噪比≤20%,则辨识出低频振荡模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610773422.1A CN106338651B (zh) | 2016-08-31 | 2016-08-31 | 应用于电力系统低频振荡模式识别的粒子滤波分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610773422.1A CN106338651B (zh) | 2016-08-31 | 2016-08-31 | 应用于电力系统低频振荡模式识别的粒子滤波分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106338651A true CN106338651A (zh) | 2017-01-18 |
CN106338651B CN106338651B (zh) | 2018-09-14 |
Family
ID=57822868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610773422.1A Expired - Fee Related CN106338651B (zh) | 2016-08-31 | 2016-08-31 | 应用于电力系统低频振荡模式识别的粒子滤波分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106338651B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102818A (zh) * | 2018-08-29 | 2018-12-28 | 昆明理工大学 | 一种基于信号频率概率密度函数分布的去噪音频采样算法 |
CN110661257A (zh) * | 2019-09-27 | 2020-01-07 | 长沙国智电力科技有限公司 | 基于天牛群算法的水火联合电力系统最优经济运行策略分析方法 |
CN110955865A (zh) * | 2019-10-18 | 2020-04-03 | 浙江工业大学 | 一种基于粒子滤波的数据包络分析dea方法 |
CN111797974A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种联合粒子滤波和卷积神经网络的电力系统状态估计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007024532A (ja) * | 2005-07-12 | 2007-02-01 | Yaskawa Electric Corp | 振動周波数測定方法および装置 |
EP2302754A1 (en) * | 2008-09-27 | 2011-03-30 | State Grid Corporation of China | A low frequency oscillation integrated analysis method and its system |
CN102122824A (zh) * | 2011-04-11 | 2011-07-13 | 武汉大学 | 一种电力系统低频振荡模态参数辨识方法及其装置 |
CN102122823A (zh) * | 2011-02-23 | 2011-07-13 | 南京南瑞继保电气有限公司 | 电力系统振荡扰动源定位的方法 |
CN102288876A (zh) * | 2011-07-25 | 2011-12-21 | 重庆大学 | 一种电力系统低频振荡在线预警方法 |
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 |
CN102542577A (zh) * | 2011-12-22 | 2012-07-04 | 电子科技大学 | 一种粒子状态估计方法 |
CN102969713A (zh) * | 2012-12-10 | 2013-03-13 | 长沙理工大学 | 一种电力系统低频振荡模式时频分析方法 |
CN103684352A (zh) * | 2013-12-18 | 2014-03-26 | 中国电子科技集团公司第五十四研究所 | 基于差分演化的粒子滤波方法 |
-
2016
- 2016-08-31 CN CN201610773422.1A patent/CN106338651B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007024532A (ja) * | 2005-07-12 | 2007-02-01 | Yaskawa Electric Corp | 振動周波数測定方法および装置 |
EP2302754A1 (en) * | 2008-09-27 | 2011-03-30 | State Grid Corporation of China | A low frequency oscillation integrated analysis method and its system |
CN102122823A (zh) * | 2011-02-23 | 2011-07-13 | 南京南瑞继保电气有限公司 | 电力系统振荡扰动源定位的方法 |
CN102122824A (zh) * | 2011-04-11 | 2011-07-13 | 武汉大学 | 一种电力系统低频振荡模态参数辨识方法及其装置 |
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 |
CN102288876A (zh) * | 2011-07-25 | 2011-12-21 | 重庆大学 | 一种电力系统低频振荡在线预警方法 |
CN102542577A (zh) * | 2011-12-22 | 2012-07-04 | 电子科技大学 | 一种粒子状态估计方法 |
CN102969713A (zh) * | 2012-12-10 | 2013-03-13 | 长沙理工大学 | 一种电力系统低频振荡模式时频分析方法 |
CN103684352A (zh) * | 2013-12-18 | 2014-03-26 | 中国电子科技集团公司第五十四研究所 | 基于差分演化的粒子滤波方法 |
Non-Patent Citations (2)
Title |
---|
张建军 等: "基于改进粒子群算法的匹配追踪分解优化研究", 《西北工业大学学报》 * |
李勋 等: "基于PSO的模态原子法在低频振荡模式时变特性追踪的应用", 《中国电机工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102818A (zh) * | 2018-08-29 | 2018-12-28 | 昆明理工大学 | 一种基于信号频率概率密度函数分布的去噪音频采样算法 |
CN109102818B (zh) * | 2018-08-29 | 2022-10-21 | 昆明理工大学 | 一种基于信号频率概率密度函数分布的去噪音频采样算法 |
CN110661257A (zh) * | 2019-09-27 | 2020-01-07 | 长沙国智电力科技有限公司 | 基于天牛群算法的水火联合电力系统最优经济运行策略分析方法 |
CN110661257B (zh) * | 2019-09-27 | 2023-04-07 | 长沙国智电力科技有限公司 | 基于天牛群算法的水火联合电力系统最优经济运行策略分析方法 |
CN110955865A (zh) * | 2019-10-18 | 2020-04-03 | 浙江工业大学 | 一种基于粒子滤波的数据包络分析dea方法 |
CN110955865B (zh) * | 2019-10-18 | 2023-12-29 | 浙江工业大学 | 一种基于粒子滤波的数据包络分析dea方法 |
CN111797974A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种联合粒子滤波和卷积神经网络的电力系统状态估计方法 |
CN111797974B (zh) * | 2020-06-01 | 2022-10-11 | 武汉大学 | 一种联合粒子滤波和卷积神经网络的电力系统状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106338651B (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106338651A (zh) | 应用于电力系统低频振荡模式识别的粒子滤波分析方法 | |
CN104777442B (zh) | 一种核磁共振测深fid信号噪声抑制方法 | |
CN106683122A (zh) | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 | |
CN110285969A (zh) | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 | |
CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN106451498B (zh) | 一种基于改进广义形态滤波的低频振荡模态辨识方法 | |
CN104299033B (zh) | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 | |
CN105044701B (zh) | 基于稳健性时频特征的地面目标分类方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN106405237B (zh) | 一种应用于多通道电力系统信号中的低频振荡模式识别的分析方法 | |
CN101561314A (zh) | 随机共振-混沌微弱信号检测方法 | |
Kou et al. | Parameters identification of nonlinear state space model of synchronous generator | |
CN104899448A (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
CN111709350B (zh) | 基于fcm聚类的低频振荡模态参数识别方法及系统 | |
CN105425611B (zh) | 一种水轮发电机组励磁系统参数辨识方法 | |
CN104376078A (zh) | 一种基于知识熵的异常数据检测方法 | |
Liu et al. | Feasibility study of the GST-SVD in extracting the fault feature of rolling bearing under variable conditions | |
CN111125613A (zh) | 一种提高Duffing混沌振子检测微弱谐振信号抗噪声能力的方法 | |
CN106767834A (zh) | 一种基于模糊熵值的auv水下地形匹配适配区划分方法 | |
CN114066214A (zh) | 一种基于多融合卷积神经网络的电能质量分析方法 | |
CN104036362A (zh) | 一种台变用电负荷异常数据的快速检测方法 | |
CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 | |
CN112113766A (zh) | 一种滚动轴承早期损伤状态的特征提取方法 | |
CN108020405B (zh) | 一种油膜振荡二维及三维瞬时特征提取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180914 Termination date: 20210831 |