CN108830128A - 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法 - Google Patents
基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法 Download PDFInfo
- Publication number
- CN108830128A CN108830128A CN201810265396.0A CN201810265396A CN108830128A CN 108830128 A CN108830128 A CN 108830128A CN 201810265396 A CN201810265396 A CN 201810265396A CN 108830128 A CN108830128 A CN 108830128A
- Authority
- CN
- China
- Prior art keywords
- noise
- signal
- vibration
- vmd
- natural mode
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出一种基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法,涉及电力系统低频振荡技术领域。本发明首先采集电力系统运行时存在的类噪声数据,对其进行快速傅里叶(FFT)变换,获得类噪声信号的频谱图,根据频谱图中的谱峰个数确定VMD分解的固有模态数目;其次采用VMD方法对类噪声信号进行分解获得各固有模态的频率中心及带宽,完成类噪声信号各频率的分离;最后采用模态辨识方法对各固有模态(IMF)进行拟合,获得类噪声信号中潜在振荡模态参数,完成电力系统低频振荡模态的辨识;本发明能够直接处理电力系统正常运行时的类噪声数据,分解出潜在低频振荡模态分量,降低噪声信号对模态识别的影响,通过辨识分解后的IMF实现预警低频振荡的目的。
Description
技术领域
本发明涉及电力系统低频振荡技术领域,尤其涉及一种基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法。
背景技术
随着电力系统规模的不断扩大,低频振荡问题日益突出。广域测量系统(WAMS)的出现为大规模互联电网系统的监测、分析和控制提供了新的手段,为低频振荡的在线识别提供了实现的基础。
在实际电力系统中,明显扰动的发生概率相对较小,且不可人为操控,数据量有限,辨识结果难以及时、准确地反映电网当前运行特性。电力系统正常运行过程中,因持续存在的负荷变化等随机性质的小幅扰动,导致系统响应始终存在小幅波动现象,这种类噪声信号数据量丰富且易于获得。
然而,传统的辨识方法不适用于直接分析类噪声数据。目前常用的低频振荡降噪方法有经验模态分解(EMD)、小波变换等,这些方法运算速度慢、误判率高,很难达到有效地降噪滤波效果。变分模态分解(Variation Mode Decomposition,VMD)是一种新型信号分解方法,且具有较好的鲁棒性,具有良好的降噪效果。将该方法运用于电力系统类噪声数据预处理,为基于类噪声的电力系统低频振荡在线辨识提供了新思路。
发明内容
本发明的主要目的在于提供一种基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法,旨在降低噪声信号对模态识别的影响,通过辨识分解后获得信号中的固有模态,实现预警低频振荡的目的。
为了实现上述目的,本发明提出一种基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法,包括以下步骤:
S10、对电力系统中的量测信号进行采集,获得可供分析的类噪声信号;
S20、对类噪声信号进行快速傅里叶变换,获得类噪声信号的频谱图,并根据频谱图中的谱峰个数确定VMD分解的固有模态数目;
S30、采用VMD方法对类噪声信号进行分解获得各固有模态(IMF)的频率中心及带宽,完成类噪声信号各振荡模态频率的分离;
S40、采用模态辨识方法对各固有模态(IMF)进行拟合,获得类噪声信号中潜在的各振荡模态参数。
优选地,所述的采用VMD方法对类噪声信号进行分解获得各固有模态的频率中心及带宽,完成类噪声信号各振荡模态频率的分离,包括如下步骤:
S301、采用VMD方法通过自适应的准正交变换将类噪声信号非递归地分解为所获数目个限带宽的固有模态;
S302、构建分解的目标函数为:各固有模态估计带宽之和最小;
S303、构建分解的约束条件为:各固有模态之和等于类噪声信号;
S304、引入二次罚函数项和Lagrange乘子的方式,利用交替方向乘子算法求取增广Lagrange函数的鞍点,通过循环迭代获得各固有模态估计带宽之和最小时所对应的一组最优固有模态参数。
优选地,所述的类噪声,其来源为电力系统可量测信号,包括:从电力系统同步相量测量装置(PMU)\远程终端控制系统(RTU)中采集到的有功功率、电压幅值和发电机相角。
优选地,所述的固有模态参数,包括:固有模态(IMF)的数量和各分量的模态(IMF)参数,所述参数包括:频率、幅值、阻尼比、特征根和初相位。
优选地,所述的采用VMD方法通过自适应的准正交变换将类噪声信号非递归地分解为所获数目个限带宽的固有模态,具体公式如下:
其中,uk(t)为分解得到的第k个固有模态,Ak(t)为uk(t)的瞬时幅值;为uk(t)的瞬时相角度。
与现有技术相比,本发明所具有的有益效果为:本发明能够直接处理电力系统正常运行时的类噪声数据,分解出其蕴含的潜在低频振荡模态分量,实现模态数目自适应辨识,降低了噪声信号对模态识别的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明一种实施例中基于VMD分解和类噪声的电力系统低频振荡模态辨识方法整体流程图;
图2为本发明一种实施例中步骤S30具体流程图;
图3为本发明一种实施例中标准IEEE-39节点仿真系统示意图;
图4为本发明一种实施例中IEEE-39节点模型发生扰动后各发电机明显振荡信号示意图;
图5为本发明一种实施例中IEEE-39节点系统类明显扰动信号以及噪声信号拟合效果图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供一种基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法
本发明一种优选实施例中,如图1所示,包括以下步骤:
S10、对电力系统中的量测信号进行采集,获得可供分析的类噪声信号;
本发明一种优选实施例中,所述的类噪声,其来源为电力系统可量测信号,包括:从电力系统同步相量测量装置(PMU)\远程终端控制系统(RTU)中采集到的有功功率、电压幅值和发电机相角;
本发明一种优选实施例中,系统类噪声信号模型的时域形式可表示为:
x(t)=s(t)+n(t) (2)
其中,x(t)为含噪声的信号序列,也就是类噪声信号;s(t)为实际小扰动下的响应信号序列,也就是类噪声中的有效信息;n(t)为噪声信号序列;
S20、对类噪声信号进行快速傅里叶变换,获得类噪声信号的频谱图,并根据频谱图中的谱峰个数确定VMD分解的固有模态数目;
S30、采用VMD方法对类噪声信号进行分解获得各固有模态的频率中心及带宽,完成类噪声信号各振荡模态频率的分离;
本发明一种优选实施例中,如图2所示,步骤S30,包括如下步骤:
S301、采用VMD方法通过自适应的准正交变换将类噪声信号非递归地分解为所获数目个限带宽的固有模态;
本发明一种优选实施例中,所述的采用VMD方法通过自适应的准正交变换将类噪声信号非递归地分解为所获数目个限带宽的固有模态,具体公式如下:
其中,uk(t)为分解得到的第k个固有模态,Ak(t)为uk(t)的瞬时幅值;为uk(t)的瞬时相角度;
S302、构建分解的目标函数为:各固有模态估计带宽之和最小;
本发明一种优选实施例中,目标函数公式为:
其中,{uk}={u1,…,uk}表示分解得到的K个固有模态分量;{ωk}={ω1,…,ωk}表示各分量的频率中心,表示对该函数求关于t的偏导,δ(t)为狄拉克函数;uk(t)为分解得到的第k个固有模态,ωk(t)为的瞬时频率,
S303、构建分解的约束条件为:各固有模态之和等于类噪声信号;
本发明一种优选实施例中,所述的分解的约束条件公式为:
其中,uk(t)为第k个固有模态分量;x(t)为类噪声信号;
S304、引入二次罚函数项和Lagrange乘子的方式,利用交替方向乘子算法求取增广Lagrange函数的鞍点,通过循环迭代获得各固有模态估计带宽之和最小时所对应的一组最优固有模态参数;
本发明一种优选实施例中,所述的固有模态(IMF)参数,包括:固有模态(IMF)的数量和各分量的模态参数,所述参数包括:频率、幅值、阻尼比、特征根和初相位;
最后通过设置合适精度,不断迭代优化过程直到达到目标精度,即可获得所获K个固有模态信息;
S40、采用模态辨识方法对各固有模态进行拟合,获得类噪声信号中潜在的各振荡模态参数;
本发明一种优选实施例中,基于标准IEEE-39节点仿真系统,如图3所示,在DIgSILENT powerfactory软件中搭建10机39节点系统仿真模型,在线路L16-17上制造短路扰动,系统各发电机产生低频振荡信号如图4所示。取10号发电机第5到15秒的功角信号为系统明显振荡信号,取该发电机第10到20秒的相角信号叠加白噪声信号模拟系统类噪声信号。用VMD算法分别对系统明显振荡信号与类噪声数据进行分解,得到明显振荡主要模态以及类噪声信号蕴含的潜在的主要振荡模态图,如图5所示。
运用Prony方法对主要振荡模态进行拟合,辨识得到的振荡参数如下表所示:
表1
从表1中可以看出,对比辨识得到的模态参数,发现通过类噪声数据识别出的潜在振荡的频率、阻尼比与明显扰动时辨识出的频率、阻尼比相似度很高,再次证明本发明所述方法的可行性和准确性,进一步说明本方法可以基本准确地实现互联电网在正常运行状态下的动态稳定性预警。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (5)
1.一种基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法,其特征在于:包括以下步骤:
S10、对电力系统中的量测信号进行采集,获得类噪声信号;
S20、对类噪声信号进行快速傅里叶变换,获得类噪声信号的频谱图,并根据频谱图中的谱峰个数确定VMD分解的固有模态数目;
S30、采用VMD方法对类噪声信号进行分解获得各固有模态的频率中心及带宽,完成类噪声信号各振荡模态频率的分离;
S40、采用模态辨识方法对各固有模态进行拟合,获得类噪声信号中潜在的各振荡模态参数。
2.根据权利要求1所述的基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法,其特征在于,所述的采用VMD方法对类噪声信号进行分解获得各固有模态的频率中心及带宽,完成类噪声信号各振荡模态频率的分离,包括如下步骤:
S301、采用VMD方法通过自适应的准正交变换将类噪声信号非递归地分解为所获数目个限带宽的固有模态;
S302、构建分解的目标函数为:各固有模态估计带宽之和最小;
S303、构建分解的约束条件为:各固有模态之和等于类噪声信号;
S304、引入二次罚函数项和Lagrange乘子的方式,利用交替方向乘子算法求取增广Lagrange函数的鞍点,通过循环迭代获得各固有模态估计带宽之和最小时所对应的一组最优固有模态参数。
3.根据权利要求1所述的基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法,其特征在于,所述的类噪声,其来源为电力系统可量测信号,包括:从电力系统同步相量测量装置或远程终端控制系统中采集到的有功功率、电压幅值和发电机相角。
4.根据权利要求2所述的基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法,其特征在于,所述的固有模态参数,包括:固有模态的数量和各分量的模态参数,所述参数包括:频率、幅值、阻尼比、特征根和初相位。
5.根据权利要求2所述的基于类噪声信号VMD分解的电力系统低频振荡模态辨识方法,其特征在于,所述的采用VMD方法通过自适应的准正交变换将类噪声信号非递归地分解为所获数目个限带宽的固有模态,具体公式如下:
其中,uk(t)为分解得到的第k个固有模态,Ak(t)为uk(t)的瞬时幅值;为uk(t)的瞬时相角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265396.0A CN108830128A (zh) | 2018-03-28 | 2018-03-28 | 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810265396.0A CN108830128A (zh) | 2018-03-28 | 2018-03-28 | 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830128A true CN108830128A (zh) | 2018-11-16 |
Family
ID=64155089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810265396.0A Pending CN108830128A (zh) | 2018-03-28 | 2018-03-28 | 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830128A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109542089A (zh) * | 2018-12-21 | 2019-03-29 | 浙江大学 | 一种基于改进变分模态分解的工业过程非线性振荡检测方法 |
CN110082436A (zh) * | 2019-04-25 | 2019-08-02 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
CN110716534A (zh) * | 2019-10-31 | 2020-01-21 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
CN111507221A (zh) * | 2020-04-09 | 2020-08-07 | 北华大学 | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 |
CN111583496A (zh) * | 2020-04-30 | 2020-08-25 | 厦门快商通科技股份有限公司 | 基于语音识别的远程门禁系统及其控制方法 |
CN111781434A (zh) * | 2019-04-03 | 2020-10-16 | 国网湖南省电力有限公司 | 一种电力系统泛频带振荡统一辨识方法 |
CN112232381A (zh) * | 2020-09-25 | 2021-01-15 | 国网上海市电力公司 | 主导负荷参数类噪声辨识的模型参数后处理方法和装置 |
CN114626410A (zh) * | 2022-02-28 | 2022-06-14 | 华南理工大学 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
CN114659620A (zh) * | 2022-03-28 | 2022-06-24 | 广东电网有限责任公司 | 一种断路器的声信号提取方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090140852A1 (en) * | 2007-11-29 | 2009-06-04 | Stolarczyk Larry G | Underground radio communications and personnel tracking system |
CN103198184A (zh) * | 2013-03-27 | 2013-07-10 | 深圳大学 | 一种电力系统低频振荡特征类噪声辨识方法 |
US20150226603A1 (en) * | 2012-09-11 | 2015-08-13 | S.P.M. Instrument Ab | Apparatus for monitoring the condition of a machine |
CN105098803A (zh) * | 2015-10-08 | 2015-11-25 | 中南大学 | 基于statcom的风电场次同步与低频振荡抑制方法 |
CN105471110A (zh) * | 2015-12-24 | 2016-04-06 | 国家电网公司 | 一种电力系统类噪声信号的低频振荡模式分层检测方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN106052852A (zh) * | 2016-06-01 | 2016-10-26 | 中国电子科技集团公司第三研究所 | 一种脉冲声信号的检测方法及装置 |
-
2018
- 2018-03-28 CN CN201810265396.0A patent/CN108830128A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090140852A1 (en) * | 2007-11-29 | 2009-06-04 | Stolarczyk Larry G | Underground radio communications and personnel tracking system |
US20150226603A1 (en) * | 2012-09-11 | 2015-08-13 | S.P.M. Instrument Ab | Apparatus for monitoring the condition of a machine |
CN103198184A (zh) * | 2013-03-27 | 2013-07-10 | 深圳大学 | 一种电力系统低频振荡特征类噪声辨识方法 |
CN105098803A (zh) * | 2015-10-08 | 2015-11-25 | 中南大学 | 基于statcom的风电场次同步与低频振荡抑制方法 |
CN105471110A (zh) * | 2015-12-24 | 2016-04-06 | 国家电网公司 | 一种电力系统类噪声信号的低频振荡模式分层检测方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN106052852A (zh) * | 2016-06-01 | 2016-10-26 | 中国电子科技集团公司第三研究所 | 一种脉冲声信号的检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
DRAGOMIRETSKIY K等: "Variational mode decomposition", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING 》 * |
HUAISHUO XIAO等: "Identification method for power system low-frequency oscillations based on improved VMD and Teager–Kaiser energy operator", 《IET GENERATION, TRANSMISSION & DISTRIBUTION》 * |
白堂博等: "基于VMD的旋转机械故障诊断方法研究", 《石油矿场机械》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109542089A (zh) * | 2018-12-21 | 2019-03-29 | 浙江大学 | 一种基于改进变分模态分解的工业过程非线性振荡检测方法 |
CN111781434A (zh) * | 2019-04-03 | 2020-10-16 | 国网湖南省电力有限公司 | 一种电力系统泛频带振荡统一辨识方法 |
CN110082436A (zh) * | 2019-04-25 | 2019-08-02 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
CN110082436B (zh) * | 2019-04-25 | 2022-01-11 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
CN110686899B (zh) * | 2019-09-21 | 2021-01-29 | 天津大学 | 一种内燃机噪声源识别方法 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
CN110716534A (zh) * | 2019-10-31 | 2020-01-21 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
CN110716534B (zh) * | 2019-10-31 | 2021-04-06 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
CN111507221A (zh) * | 2020-04-09 | 2020-08-07 | 北华大学 | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 |
CN111507221B (zh) * | 2020-04-09 | 2022-06-07 | 北华大学 | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 |
CN111583496A (zh) * | 2020-04-30 | 2020-08-25 | 厦门快商通科技股份有限公司 | 基于语音识别的远程门禁系统及其控制方法 |
CN112232381A (zh) * | 2020-09-25 | 2021-01-15 | 国网上海市电力公司 | 主导负荷参数类噪声辨识的模型参数后处理方法和装置 |
CN112232381B (zh) * | 2020-09-25 | 2024-03-01 | 国网上海市电力公司 | 主导负荷参数类噪声辨识的模型参数后处理方法和装置 |
CN114626410A (zh) * | 2022-02-28 | 2022-06-14 | 华南理工大学 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
CN114626410B (zh) * | 2022-02-28 | 2024-03-15 | 华南理工大学 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
CN114659620A (zh) * | 2022-03-28 | 2022-06-24 | 广东电网有限责任公司 | 一种断路器的声信号提取方法及系统 |
CN114659620B (zh) * | 2022-03-28 | 2024-01-26 | 广东电网有限责任公司 | 一种断路器的声信号提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830128A (zh) | 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法 | |
Alcubierre et al. | Black hole excision for dynamic black holes | |
Peng et al. | Enhancing Kalman filter for tracking ringdown electromechanical oscillations | |
Mai et al. | A dynamic synchrophasor estimation algorithm for online application | |
Gray et al. | On generalized fractional processes | |
CN106353623B (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 | |
Chen et al. | Warped variational mode decomposition with application to vibration signals of varying-speed rotating machineries | |
CN106645919B (zh) | 基于三相瞬时功率的电网全谱功率振荡相量同步测量方法 | |
CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
Barocio et al. | Online coherency identification and stability condition for large interconnected power systems using an unsupervised data mining technique | |
CN106340889B (zh) | 基于起振分析的振荡甄别与扰动源定位方法 | |
Schutgens et al. | Sensitivity tests for an ensemble Kalman filter for aerosol assimilation | |
CN106655931B (zh) | 低励限制参数整定方法和装置 | |
Amsel et al. | Detecting cosmic strings in the CMB with the Canny algorithm | |
Tolkova et al. | Obtaining natural oscillatory modes of bays and harbors via Empirical Orthogonal Function analysis of tsunami wave fields | |
Sun et al. | A phase locked loop-based approach to real-time modal analysis on synchrophasor measurements | |
Ahmed et al. | Simplified second-order generalized integrator–frequency-locked loop | |
CN108303609A (zh) | 一种次同步振荡在线监测及扰动源定位方法及系统 | |
CN110490215A (zh) | 一种风电场-电网相互作用的模态识别方法及系统 | |
CN104778260B (zh) | 一种动态雷达环境知识库建模方法 | |
US20220084538A1 (en) | Fundamental frequency extraction method using dj transform | |
CN103592530B (zh) | 基于包络线拟合的低频振荡机理类型判别方法 | |
Khan et al. | An initial study of ambient noise in synchrophasor measurements | |
CN105158687A (zh) | 一种发电机次同步振荡模态信号的测量设备和方法 | |
CN110098610A (zh) | 故障扰动下电力系统振荡主导模式的实时辨识方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |