CN114626410B - 基于形态学滤波与vmd的电力系统振荡辨识方法 - Google Patents

Abstract

本发明公开了一种基于形态学滤波与VMD的电力系统振荡辨识方法，包括步骤：1)采用形态学滤波方法，构建多尺度结构元素，对电力系统振荡信号进行多尺度形态学分解，通过设置阈值滤除噪声，得到降噪后的重构信号；2)对重构信号进行VMD分解，对得到的本征模函数应用Teager‑Kaiser能量算子计算其频率以及阻尼比，即得到了电力系统振荡信号的参数辨识结果。本发明将形态学滤波与VMD相结合，避免了噪声模态的干扰，克服了无法兼顾频率与时间分辨率精度的问题，同时引入Teager‑Kaiser能量算子实现快速精确的电力系统振荡模态参数辨识。

Description

基于形态学滤波与VMD的电力系统振荡辨识方法

技术领域

本发明涉及电力系统振荡信号的模态分解和参数辨识的技术领域，尤其是指一种基于形态学滤波与VMD的电力系统振荡辨识方法。

背景技术

近年来，风电等新能源的并网容量不断增加。由于风能资源分布的限制，大型风电场往往需要依赖长距离输电，为了提升输电容量，也就需要安装串联补偿电容。然而，由于串联补偿电容与风电场间常常存在能量的交互，会对并网系统造成扰动，引起电力电子设备的快速响应，进而对风力发电机的电磁转矩产生负面影响，诱发包括次同步振荡在内的各类电力系统振荡，严重危害电网的安全与稳定。受到风光等环境因素以及电力电子设备的影响，电力系统振荡信号往往呈现出难以辨识的非线性、非平稳特性。

目前，传统的模态分解方法例如傅里叶变换和小波变换，都不能兼顾信号分解中频率与时间分辨率的精度需求，并且需要进行复杂的积分变换，计算复杂难以在硬件上实现。

基于此，提出了一种基于形态学滤波与VMD的电力系统振荡辨识方法。根据信号自身的极值特征，自适应地选择结构元素的长度与高度以及形态分解的层数，进而通过设置阈值，滤除大部分噪声，避免了与振荡模态无关的其他频段的模态干扰。然后，将VMD方法用于振荡信号分解以及主要模态分量的提取，同时利用Teager-Kaiser能量算子实现振荡信号的参数辨识。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于形态学滤波与VMD的电力系统振荡辨识方法，根据信号自身的局部特征构建结构元素，利用形态学方法与VMD进行信号的降噪与分解，并采用Teager-Kaiser能量算子实现电力系统振荡的模态参数辨识。

为实现上述目的，本发明所提供的技术方案为：基于形态学滤波与VMD的电力系统振荡辨识方法，包括以下步骤：

1)采用形态学滤波方法，构建多尺度结构元素，对电力系统振荡信号进行多尺度形态学分解，通过设置阈值滤除噪声，得到降噪后的重构信号；

2)对重构信号进行VMD分解，对得到的本征模函数应用Teager-Kaiser能量算子计算其频率以及阻尼比，即得到了电力系统振荡信号的参数辨识结果。

进一步，所述步骤1)的具体步骤过程如下：

1.1)提取电力系统振荡信号的极值序列，计算相邻极值的间隔时间差i_n，n＝1,2,…，据此定义多尺度结构元素的长度序列λ_L＝{λ_min,λ_min+1,…,λ_max-1,λ_max}，其中尺度j下结构元素的长度为序列λ_L中的第j个值，而最小长度λ_min和最大长度λ_max为：

λ_min＝(min(i_n)-1)/2,n＝1,2,…

λ_max＝(max(i_n)-1)/2,n＝1,2,…

1.2)提取极值序列对应的最大时间p_nmax与最小时间p_nmin，据此确定尺度j下结构元素的高度λ_Hj：

λ_Hj＝β·[p_nmin+j·(p_nmax-p_nmin)/(λ_max-λ_min)]

式中，β是一个常数；将高度λ_Hj，j＝1,2,…由小到大排列，即得到多尺度结构元素的高度序列λ_H；

1.3)构建多尺度结构元素λB：

式中，λ_LB表示对原始结构元素B进行(λ_L-1)次膨胀；

1.4)采用开闭-闭开滤波器对电力系统振荡信号进行多尺度形态学分解，分解层数由多尺度结构元素的个数决定，得到电力系统振荡信号的多尺度分量h_occo(f)_j：

式中，f为电力系统振荡信号；为开运算；·为闭运算；

1.5)设置阈值将无效分量剔除，对其余滤波结果进行加权叠加，得到降噪后的重构信号h_WMMF(f)：

式中，ω_j为各尺度分量的权重，取值由各尺度滤波噪声的方差值决定。

进一步，所述步骤2)的具体步骤过程如下：

2.1)对重构信号进行VMD分解得到多个本征模函数，本征模函数是一个离散的序列，表示为x(n),n∈N，n表示第n个采样点；

2.2)选取振幅大的本征模函数作为主导模态，计算其Teager-Kaiser能量算子Ψ[x(n)]：

式中，Δt＝1/f_s，f_s为采样频率；x(n-1)为前一个采样点的本征模函数值，x(n-2)为前两个采样点的本征模函数值；

2.3)计算各振荡分量模态的归一化频率f_sk、振幅A_k以及衰减因子α_sk：

2.4)计算阻尼比ξ为：

即完成了电力系统振荡信号的参数辨识。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明引入了形态学滤波方法，利用多尺度结构元素进行信号分解与降噪，能够保留有效信息的同时在最大程度去除噪声分量，从而避免在后续分解中出现模态混叠现象。

2、本发明针对非线性、非平稳的振荡信号，引入了形态学滤波方法与VMD进行信号处理，无需进行频率变换，从而避免了传统方法处理时频精度不足的问题。

3、本发明利用Teager-Kaiser能量算子直接提取得到振荡信号的模态参数，大大降低了计算难度，易于硬件实现。

4、本发明方法在电力系统振荡信号辨识中具有广阔的应用前景，在当前大规模新能源并网的背景下，对电力系统振荡的定位、抑制以及在线预警具有重要的研究意义。

附图说明

图1为本发明方法逻辑流程示意图。

图2为多尺度形态学滤波效果对比图。

图3为模态分解结果图。

图4为Teager-Kaiser能量算子辨识得到的频谱图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所提供的基于形态学滤波与VMD的电力系统振荡辨识方法，包括以下步骤：

1)采用形态学滤波方法，构建多尺度结构元素，对电力系统次同步振荡信号进行多尺度形态学分解，通过设置阈值滤除噪声，得到降噪后的重构信号，其具体步骤如下：

1.1)提取电力系统次同步振荡信号的极值序列，计算相邻极值的间隔时间差i_n，n＝1,2,...，据此定义多尺度结构元素的长度序列λ_L＝{λ_min,λ_min+1,...,λ_max-1,λ_max}，其中尺度j下结构元素的长度为序列λ_L中的第j个值，而最小长度λ_min和最大长度λ_max为：

λ_min＝(min(i_n)-1)/2,n＝1,2,…

λ_max＝(max(i_n)-1)/2,n＝1,2,…

1.2)提取极值序列对应的最大时间p_nmax与最小时间p_nmin，据此确定尺度j下结构元素的高度λ_Hj：

λ_Hj＝β·[p_nmin+j·(p_nmax-p_nmin)/(λ_max-λ_min)]

式中，β取将高度λ_Hj，j＝1,2,…由小到大排列，即得到多尺度结构元素的高度序列λ_H。

1.3)构建多尺度结构元素λB：

式中，λ_LB表示对原始结构元素B进行(λ_L-1)次膨胀。

1.4)采用开闭-闭开滤波器对电力系统次同步振荡信号进行多尺度形态学分解，分解层数由多尺度结构元素的个数决定，得到电力系统振荡信号的多尺度分量h_occo(f)_j：

式中，f为电力系统次同步振荡信号；为开运算；·为闭运算。

1.5)设置阈值将无效分量剔除，对其余滤波结果进行加权叠加，得到降噪后的重构信号h_WMMF(f)：

式中，ω_j为各尺度分量的权重，取值由各尺度滤波噪声的方差值决定。

2)对重构信号进行VMD分解，对得到的本征模函数应用Teager-Kaiser能量算子计算其频率以及阻尼比，即得到了电力系统次同步振荡信号的参数辨识结果，其具体步骤如下：

2.1)对重构信号进行VMD分解得到多个本征模函数，本征模函数是一个离散的序列，可表示为x(n),n＝1,2,…，n表示第n个采样点；

2.2)选取振幅较大的本征模函数作为主导模态，计算其Teager-Kaiser能量算子Ψ[x(n)]：

其中，Δt＝1/f_s，f_s为采样频率；x(n-1)为前一个采样点的本征模函数值，x(n-2)为前两个采样点的本征模函数值；

2.3)计算各振荡分量模态的归一化频率f_sk、振幅A_k以及衰减因子α_sk：

2.4)计算阻尼比ξ为：

即完成了电力系统次同步振荡信号的参数辨识。

为说明本实施例上述基于形态学滤波与VMD的电力系统振荡辨识方法的效果。图2为对次同步振荡理想信号进行形态学滤波前后的波形对比图，图3为采用VMD对理想信号进行模态分解的结果，图4为理想信号的Teager-Kaiser能量算子辨识所得的频谱图，其中曲线颜色深度表示振荡幅度。由图2-图4可知，图2所示的形态学滤波结果说明本发明方法对于次同步振荡信号的滤波降噪效果明显，图3所示的模态分解图，说明本发明方法对理想信号的模态分解效果都很良好，图4所示的Teager-Kaiser能量算子辨识结果，说明本发明方法对振荡分量的频率辨识结果准确，并且如表1所示，本发明方法对于振荡分量的频率以及阻尼比的辨识的十分有效，且精度比传统的希尔伯特-黄方法更高。

表1

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (1)

1.基于形态学滤波与VMD的电力系统振荡辨识方法，其特征在于，包括以下步骤：

1)采用形态学滤波方法，构建多尺度结构元素，对电力系统振荡信号进行多尺度形态学分解，通过设置阈值滤除噪声，得到降噪后的重构信号；具体步骤过程如下：

1.1)提取电力系统振荡信号的极值序列，计算相邻极值的间隔时间差i_n，n＝1,2,…，据此定义多尺度结构元素的长度序列λ_L＝{λ_min,λ_min+1,…,λ_max-1,λ_max}，其中尺度j下结构元素的长度为序列λ_L中的第j个值，而最小长度λ_min和最大长度λ_max为：

λ_min＝(min(i_n)-1)/2,n＝1,2,…

λ_max＝(max(i_n)-1)/2,n＝1,2,…

1.2)提取极值序列对应的最大时间p_nmax与最小时间p_nmin，据此确定尺度j下结构元素的高度λ_Hj：

λ_Hj＝β·[p_nmin+j·(p_nmax-p_nmin)/(λ_max-λ_min)]

式中，β是一个常数；将高度λ_Hj，j＝1,2,…由小到大排列，即得到多尺度结构元素的高度序列λ_H；

1.3)构建多尺度结构元素λB：

式中，λ_LB表示对原始结构元素B进行(λ_L-1)次膨胀；

1.4)采用开闭-闭开滤波器对电力系统振荡信号进行多尺度形态学分解，分解层数由多尺度结构元素的个数决定，得到电力系统振荡信号的多尺度分量h_occo(f)_j：

式中，f为电力系统振荡信号；为开运算；·为闭运算；

1.5)设置阈值将无效分量剔除，对其余滤波结果进行加权叠加，得到降噪后的重构信号h_WMMF(f)：

式中，ω_j为各尺度分量的权重，取值由各尺度滤波噪声的方差值决定；

2)对重构信号进行VMD分解，对得到的本征模函数应用Teager-Kaiser能量算子计算其频率以及阻尼比，即得到了电力系统振荡信号的参数辨识结果；具体步骤过程如下：

2.1)对重构信号进行VMD分解得到多个本征模函数，本征模函数是一个离散的序列，表示为x(n),n＝1,2,…，n表示第n个采样点；

2.2)选取振幅大的本征模函数作为主导模态，计算其Teager-Kaiser能量算子Ψ[x(n)]：

式中，Δt＝1/f_s，f_s为采样频率；x(n-1)为前一个采样点的本征模函数值，x(n-2)为前两个采样点的本征模函数值；

2.3)计算各振荡分量模态的归一化频率f_sk、振幅A_k以及衰减因子α_sk：

2.4)计算阻尼比ξ为：

即完成了电力系统振荡信号的参数辨识。