CN106849131A - 一种基于四阶混合平均累积量与改进tls‑esprit算法的低频振荡模态辨识方法 - Google Patents
一种基于四阶混合平均累积量与改进tls‑esprit算法的低频振荡模态辨识方法 Download PDFInfo
- Publication number
- CN106849131A CN106849131A CN201710211635.XA CN201710211635A CN106849131A CN 106849131 A CN106849131 A CN 106849131A CN 201710211635 A CN201710211635 A CN 201710211635A CN 106849131 A CN106849131 A CN 106849131A
- Authority
- CN
- China
- Prior art keywords
- low
- singular value
- frequency oscillation
- oscillation
- lambda
- 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
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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]
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于四阶混合平均累积量与改进TLS‑ESPRIT算法的低频振荡模态辨识方法,利用四阶混合累积量抑制高斯色噪声,并对TLS‑ESPRIT算法进行改进,引入奇异值相对变化率定阶,利用测量数据构造矩阵进行电力系统低频振荡模态辨识,本发明使得检测出电力系统低频振荡信号不同振荡模态的振荡频率、衰减因子、振荡幅值和相位信息更加准确。
Description
技术领域
本发明涉及电力系统安全运行领域,特别是一种基于四阶混合平均累积量与改进TLS-ESPRIT算法的低频振荡模态辨识方法。
背景技术
随着电力技术的不断进步,大电网互联已经逐步实现,加之快速高放大倍数的励磁装置的广泛使用,导致低频振荡现象时有发生。电力系统低频功率振荡是发生在电力系统中的一种有功功率振荡,振荡频率通常为0.2Hz-2.5Hz。低频振荡问题影响电力系统的安全与稳定,因此对低频振荡模态进行有效的快速辨识,并研究相应的低频振荡抑制策略和方法,是保证电力系统安全可靠运行的关键。
目前,在电力系统低频振荡主导模态辨识及其特征提取方面,通常使用TLS-ESPRIT、快速傅立叶变换(FFT)、小波分析、Prony分析、希尔伯特—黄变换(HHT)。FFT方法有较好的准确性和鲁棒性,但该方法不能有效提取振荡的衰减特征;小波分析存在小波基难以选取的问题且难以实现快速在线辨识;Prony方法受噪声影响较大,在低性噪比的噪声条件下,辨识精度会存在很大的误差;HHT分析适合非线性、非平稳的信号特征参数的提取,缺点是是在提取信号过程中会出现端点效应和模态混叠,并且算法的复杂度高,不适用于在线辨识;基于空间旋转不变技术的ESPRIT方法,该方法具有优于Prony的抗干扰能力和运算效率。
电力系统中的谐波污染越来越严重,越来越复杂,从现场抽取的数据中包含着大量的噪声,干扰的存在会影响对信号辨识结果的准确性。目前,电力系统模态辨识一般都是通过自带的奇异值分解进行噪声的消除,这种情况对噪声的估计并不足,尤其对低信噪比情况下的噪声处理能力有限。
发明内容
有鉴于此,本发明的目的是提出一种基于四阶混合平均累积量与改进TLS-ESPRIT算法的低频振荡模态辨识方法,有利于更加准确地对电力系统低频振荡的模态进行辨识。
本发明采用以下方案实现:一种基于四阶混合平均累积量与改进TLS-ESPRIT算法的低频振荡模态辨识方法,具体包括以下步骤:
步骤S1:提取电力系统低频振荡信号Y(t),电力系统低频振荡信号可以表示成如下所示:
式中:2P为信号模态数的两倍;Am为幅值;σm为衰减因子;fm为频率;θm为初相角;v(t)为高斯白噪声;
步骤S2:低频振荡信号Y(t)通过低通滤波器产生一定高度的高斯色噪声Y1(t);
步骤S3:对含高斯色噪声信号Y1(t)去均值得到Y'(t);
步骤S4:利用Y'(t)构造四阶混合平均累积量
式中:S1=max(0,-τ);S2=min(N-1,N-1-τ);τ≤N-1;Y'*为Y'的共轭复数,N为采样点数;
步骤S5:利用构造Hankel矩阵Y:
式中,L>2P;M>2P;P为低频振荡的模态数,N为采样点数。
步骤S6:对Y进行奇异值分解,得到由奇异值矩阵所组成的对角矩阵,如下:
Y=USVT;
式中,UHU=I;VHV=I;U为L×L阶方阵;V为M×M阶方阵;H表示共轭转置;奇异值S为L×M阶对角阵,其中的奇异值为s,按照降序排列;V按照奇异值大小划分为信号子空间VS和噪声子空间VN;其中具体根据信号的强弱来划分。本发明提出利用奇异值相对变化率来进行定阶,取最大的奇异值相对变化率的下角标为系统模型的阶数,即信号子空间VS。详细见步骤S71,S72,S73。
步骤S7:根据奇异值相对变化率法确定系统的阶数2P,VS的列向量对应于矩阵Y的幅值最大的2P个奇异值的特征向量;
步骤S8:VS删除第一行和第二行剩下矩阵分别为V1、V2,构造矩阵|V1V2|并对矩阵|V1V2|进行奇异值分解得到得到右特征向量向量对矩阵进行分块将分为四个2P×2P的矩阵:
步骤S9:计算的特征值λk(k=1,2,…2P),根据下列式子计算各分量的振荡频率fk和衰减系数σk:
其中,Ts为采样周期;
步骤S10:通过最小二乘法求得信号的振荡幅值和初相角:
步骤S11:判断步骤S10得出的振荡幅值与初相角是否满足预设的拟合条件,若是,则输出低频振荡信息,得出电力系统低频振荡各模态的完整参数;否则,返回步骤S7。
进一步地,所述步骤S7具体包括以下步骤;
步骤S71:将得到的奇异值从大到小排列:
s1≥s2≥s2P≥s2P+1≈…≈sL≈0;
步骤S72:定义奇异值相对变化率如下所示:
步骤S73:取RCRSV的最大值所对应的下标对应为系统模态的阶数2P。
进一步地,所述步骤S10具体包括以下步骤:
步骤S101:列出下列方程:
Y=λc;
c=|c1,c2,…,c2P|;
步骤S102:用最小二乘法得到方程的解为c=(λTλ)-1λTY,可得各个分量的幅值Ak和相位θk分别为:
与现有技术相比,本发明有以下有益效果:
1、本发明通过构造四阶混合平均累积量对电力系统高斯色噪声进行抑制,从而使辨识结果更加准确。
2、本发明提出的定阶方法在电力系统低频振荡辨识的过程中定阶计算量较小、速度快,受主观因素影响较小。
3、本发明方法可以快速、准确地辨识出电力系统低频振荡各模态参数,具有抗噪能力强、辨识精度高等优点。
附图说明
图1为本发明实施例中的方法流程示意图。
图2为本发明实施例中测试信号、含噪信号及辨识后拟合信号。
图3为本发明实施例中奇异值分布与奇异值相对变化率分布图。
图4为本发明实施例中对构建的测试信号进行辨识得到的参数表。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本实施例对Y(t)=e-0.3tcos(2π×0.5t)+e-0.6tcos(2π×1.1t)测试信号进行分析,对本发明的技术方案进行具体说明。
如图1所示,本实施例提供了一种基于四阶混合平均累积量与改进TLS-ESPRIT的低频振荡模态辨识方法,具体包括以下步骤:
步骤S1:提取电力系统低频振荡信号,电力系统低频振荡信号可以表示成如下所示:
式中:2P为假设的信号模态数的两倍;Am为幅值;σm为衰减因子;fm为频率;θm为初相角;v(t)为高斯白噪声。
步骤S2:低频振荡信号Y(t)通过低通滤波器产生一定高度的高斯色噪声Y1(t)。
步骤S3:对含高斯色噪声信号Y1(t)去均值得到Y'(t)。
步骤S4:利用Y'(t)构造四阶混合平均累积量
式中:S1=max(0,-τ);S2=min(N-1,N-1-τ);τ≤N-1;Y'*为Y'的共轭复数。
步骤S5:利用构造Hankel矩阵Y,式子如下所示:
式中,L>2P;M>2P;P为低频振荡的模态数;N为采样点数。
步骤S6:对Y进行奇异值分解,得到由奇异值矩阵所组成的对角矩阵,如下:Y=USVT。
式中,H表示共轭转置;UHU=I;VHV=I;U为L×L阶方阵;V为M×M阶方阵;奇异值S为L×M阶对角阵,按照降序排列;V按照奇异值大小划分为信号子空间VS和噪声子空间VN。;其中具体根据信号的强弱来划分。本发明提出利用奇异值相对变化率来进行定阶,取最大的奇异值相对变化率的下角标为系统模型的阶数,即信号子空间VS。详细见步骤S71,S72,S73。
步骤S7:根据奇异值相对变化率法确定系统的阶数2P,VS的列向量对应于矩阵Y的幅值最大的2P个奇异值的特征向量。
步骤S8:VS删除第一行和第二行剩下矩阵分别为V1、V2,构造矩阵|V1V2|并对矩阵|V1V2|进行奇异值分解得到得到右特征向量向量对矩阵进行分块将分为四个2P×2P的矩阵为
步骤S9:计算的特征值λk(k=1,2,…2P),根据下列式子计算各分量的振荡频率和衰减系数,Ts为采样周期。
步骤S10:进一步通过最小二乘法求得振荡幅值和初相角,过程如下所示:
Y=λc
c=|c1,c2,…,c2P|
用最小二乘法得到方程的解为c=(λTλ)-1λTY,可得各个分量的幅值和相位分别为:
步骤S11:得出电力系统低频振荡各模态的完整参数。
较佳的,辨识后的模态参数如图4所示,测试信号、含噪信号及辨识后的拟合信号如图2所示。
在本实施例中,所述步骤S7具体包括以下步骤:
步骤S71:将得到的奇异值从大到小排列:
s1≥s2≥s2P≥s2P+1≈…≈sL≈0;
步骤S72:定义奇异值相对变化率如下所示:
步骤S73:取RCRSV的最大值所对应的下标对应为系统模态的阶数2P。
其中,奇异值分布与奇异值相对变化率分布图如图3所示。从图中可以看出系统的模态阶数为4。
综上所述,本实施例可以有效的抑制高斯色噪声对振荡模态辨识过程的影响;定阶计算量较小、速度快,受主观因素影响较小;可以快速、准确地辨识出电力系统低频振荡各模态参数。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种基于四阶混合平均累积量与改进TLS-ESPRIT算法的低频振荡模态辨识方法,其特征在于:包括以下步骤:
步骤S1:提取电力系统低频振荡信号Y(t),电力系统低频振荡信号可以表示成如下所示:
式中:2P为信号模态数的两倍;Am为幅值;σm为衰减因子;fm为频率;θm为初相角;v(t)为高斯白噪声;
步骤S2:低频振荡信号Y(t)通过低通滤波器产生一定高度的高斯色噪声Y1(t);
步骤S3:对含高斯色噪声信号Y1(t)去均值得到Y'(t);
步骤S4:利用Y'(t)构造四阶混合平均累积量
式中:S1=max(0,-τ);S2=min(N-1,N-1-τ);τ≤N-1;Y'*为Y'的共轭复数,N为采样点数;
步骤S5:利用构造Hankel矩阵Y:
式中,L>2P;M>2P;P为低频振荡的模态数,N为采样点数。
步骤S6:对Y进行奇异值分解,得到由奇异值矩阵所组成的对角矩阵,如下:
Y=USVT;
式中,UHU=I;VHV=I;U为L×L阶方阵;V为M×M阶方阵;H表示共轭转置;奇异值S为L×M阶对角阵,其中的奇异值为s,按照降序排列;V按照奇异值大小划分为信号子空间VS和噪声子空间VN;
步骤S7:根据奇异值相对变化率法确定系统的阶数2P,VS的列向量对应于矩阵Y的幅值最大的2P个奇异值的特征向量;
步骤S8:VS删除第一行和第二行剩下矩阵分别为V1、V2,构造矩阵|V1V2|并对矩阵|V1V2|进行奇异值分解得到得到右特征向量向量对矩阵进行分块将分为四个2P×2P的矩阵:
步骤S9:计算的特征值λk(k=1,2,…2P),根据下列式子计算各分量的振荡频率fk和衰减系数σk:
其中,Ts为采样周期;
步骤S10:通过最小二乘法求得信号的振荡幅值和初相角:
步骤S11:判断步骤S10得出的振荡幅值与初相角是否满足预设的拟合条件,若是,则输出低频振荡信息,得出电力系统低频振荡各模态的完整参数;否则,返回步骤S7。
2.根据权利要求1所述的一种基于四阶混合平均累积量与改进TLS-ESPRIT算法的低频振荡模态辨识方法,其特征在于:所述步骤S7具体包括以下步骤;
步骤S71:将得到的奇异值从大到小排列:
s1≥s2≥s2P≥s2P+1≈…≈sL≈0;
步骤S72:定义奇异值相对变化率如下所示:
步骤S73:取RCRSV的最大值所对应的下标对应为系统模态的阶数2P。
3.根据权利要求1所述的一种基于四阶混合平均累积量与改进TLS-ESPRIT算法的低频振荡模态辨识方法,其特征在于:所述步骤S10具体包括以下步骤:
步骤S101:列出下列方程:
Y=λc;
c=|c1,c2,…,c2P|;
步骤S102:用最小二乘法得到方程的解为c=(λTλ)-1λTY,可得各个分量的幅值Ak和相位θk分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211635.XA CN106849131B (zh) | 2017-04-01 | 2017-04-01 | 一种基于四阶混合平均累积量与改进tls-esprit算法的低频振荡模态辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710211635.XA CN106849131B (zh) | 2017-04-01 | 2017-04-01 | 一种基于四阶混合平均累积量与改进tls-esprit算法的低频振荡模态辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106849131A true CN106849131A (zh) | 2017-06-13 |
CN106849131B CN106849131B (zh) | 2020-03-10 |
Family
ID=59142273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710211635.XA Active CN106849131B (zh) | 2017-04-01 | 2017-04-01 | 一种基于四阶混合平均累积量与改进tls-esprit算法的低频振荡模态辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106849131B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545253A (zh) * | 2017-09-11 | 2018-01-05 | 国网江西省电力公司电力科学研究院 | 一种电力系统低频振荡监测方法 |
CN108089095A (zh) * | 2017-12-05 | 2018-05-29 | 广东电网有限责任公司电力科学研究院 | 一种电网低频振荡参数预测方法及装置 |
CN109541306A (zh) * | 2018-12-06 | 2019-03-29 | 华北电力大学 | 一种基于tls-esprit的谐波间谐波检测方法 |
CN109617051A (zh) * | 2018-12-05 | 2019-04-12 | 国网黑龙江省电力有限公司电力科学研究院 | 一种新能源电力系统低频振荡参数辨识方法 |
CN111913034A (zh) * | 2020-06-18 | 2020-11-10 | 江苏方天电力技术有限公司 | 一种基于高阶累积量与esprit算法的功率振荡检测方法 |
CN115964619A (zh) * | 2023-02-15 | 2023-04-14 | 霖鼎光学(江苏)有限公司 | 一种去除切削力信号噪声的方法、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944174A (zh) * | 2014-04-28 | 2014-07-23 | 四川大学 | 基于互相关函数滤噪算法的低频振荡在线辨识方法 |
-
2017
- 2017-04-01 CN CN201710211635.XA patent/CN106849131B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103944174A (zh) * | 2014-04-28 | 2014-07-23 | 四川大学 | 基于互相关函数滤噪算法的低频振荡在线辨识方法 |
Non-Patent Citations (5)
Title |
---|
包兴先等: "基于低秩Hankel 矩阵逼近的模态参数识别方法", 《振动与冲击》 * |
张静等: "TLS-ESPRIT 算法在低频振荡分析中的应用", 《电力系统自动化》 * |
王树青等: "一种基于奇异值分解技术的模型定阶方法", 《振动与冲击》 * |
胡楠等: "基于四阶混合平均累计量的矩阵束算法在低频振荡在线辨识中的应用", 《中国电机工程学报》 * |
钱征文等: "利用奇异值分解的信号降噪方法", 《振动、测试与诊断》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545253A (zh) * | 2017-09-11 | 2018-01-05 | 国网江西省电力公司电力科学研究院 | 一种电力系统低频振荡监测方法 |
CN107545253B (zh) * | 2017-09-11 | 2020-10-20 | 国网江西省电力公司电力科学研究院 | 一种电力系统低频振荡监测方法 |
CN108089095A (zh) * | 2017-12-05 | 2018-05-29 | 广东电网有限责任公司电力科学研究院 | 一种电网低频振荡参数预测方法及装置 |
CN108089095B (zh) * | 2017-12-05 | 2020-02-04 | 广东电网有限责任公司电力科学研究院 | 一种电网低频振荡参数预测方法及装置 |
CN109617051A (zh) * | 2018-12-05 | 2019-04-12 | 国网黑龙江省电力有限公司电力科学研究院 | 一种新能源电力系统低频振荡参数辨识方法 |
CN109617051B (zh) * | 2018-12-05 | 2022-06-14 | 国网黑龙江省电力有限公司电力科学研究院 | 一种新能源电力系统低频振荡参数辨识方法 |
CN109541306A (zh) * | 2018-12-06 | 2019-03-29 | 华北电力大学 | 一种基于tls-esprit的谐波间谐波检测方法 |
CN111913034A (zh) * | 2020-06-18 | 2020-11-10 | 江苏方天电力技术有限公司 | 一种基于高阶累积量与esprit算法的功率振荡检测方法 |
CN115964619A (zh) * | 2023-02-15 | 2023-04-14 | 霖鼎光学(江苏)有限公司 | 一种去除切削力信号噪声的方法、电子设备及存储介质 |
CN115964619B (zh) * | 2023-02-15 | 2023-09-22 | 霖鼎光学(江苏)有限公司 | 一种去除切削力信号噪声的方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106849131B (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106849131A (zh) | 一种基于四阶混合平均累积量与改进tls‑esprit算法的低频振荡模态辨识方法 | |
CN103969643B (zh) | 一种基于新型海浪色散关系带通滤波器进行x波段导航雷达反演海浪参数方法 | |
CN104268883B (zh) | 一种基于边缘检测的时频谱曲线提取方法 | |
CN107807278A (zh) | 基于h∞扩展卡尔曼滤波的低频振荡信号参数辨识方法 | |
CN105572649B (zh) | 基于稀疏傅里叶变换的雷达目标检测方法 | |
CN102331455B (zh) | 一种基于主动Lamb波损伤指数的工程结构损伤监测方法 | |
CN106786561B (zh) | 一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法 | |
CN101738611B (zh) | 一种水声目标信号检测和识别方法 | |
CN105862935B (zh) | 一种用于挡土墙结构系统的损伤识别方法 | |
CN104574390A (zh) | 基于视频监测技术的输电导线舞动幅值及频率的计算方法 | |
CN106682615A (zh) | 一种水下弱小目标检测方法 | |
CN106353623A (zh) | 基于随机响应信号的电力系统低频振荡模式在线辨识方法 | |
CN109117747A (zh) | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 | |
CN106505587B (zh) | 基于广义形态滤波与改进mp算法的低频振荡模态辨识方法 | |
CN106759538A (zh) | 一种基于频域分析的低应变检测方法 | |
CN106054159A (zh) | 一种多普勒信号的瞬时频率提取方法 | |
CN104408288A (zh) | 基于小波和参数补偿的多稳态随机共振微弱信号检测方法 | |
CN103217248A (zh) | 一种桥梁钢索拉力的检测方法 | |
CN104077480A (zh) | 基于Matrix Pencil的电力系统低频振荡模态辨识方法 | |
CN105929201A (zh) | 一种基于细化谱分析的加速度计动态模型结构参数辨识的方法 | |
CN106548031A (zh) | 一种结构模态参数识别方法 | |
CN110174255A (zh) | 一种基于径向基神经网络的变压器振动信号分离方法 | |
CN106706320A (zh) | 一种基于前馈控制随机共振的轴承早期故障诊断方法 | |
CN106526359A (zh) | 基于Prony算法和病态数据分析的电网低频振荡在线检测算法 | |
CN108281961A (zh) | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |