CN114626410B - 基于形态学滤波与vmd的电力系统振荡辨识方法 - Google Patents
基于形态学滤波与vmd的电力系统振荡辨识方法 Download PDFInfo
- Publication number
- CN114626410B CN114626410B CN202210186457.0A CN202210186457A CN114626410B CN 114626410 B CN114626410 B CN 114626410B CN 202210186457 A CN202210186457 A CN 202210186457A CN 114626410 B CN114626410 B CN 114626410B
- Authority
- CN
- China
- Prior art keywords
- power system
- scale
- lambda
- vmd
- signal
- 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.)
- Active
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 title claims abstract description 31
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000013016 damping Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
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
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in,n=1,2,…,据此定义多尺度结构元素的长度序列λL={λmin,λmin+1,…,λmax-1,λmax},其中尺度j下结构元素的长度为序列λL中的第j个值,而最小长度λmin和最大长度λmax为:
λmin=(min(in)-1)/2,n=1,2,…
λmax=(max(in)-1)/2,n=1,2,…
1.2)提取极值序列对应的最大时间pnmax与最小时间pnmin,据此确定尺度j下结构元素的高度λHj:
λHj=β·[pnmin+j·(pnmax-pnmin)/(λmax-λmin)]
式中,β是一个常数;将高度λHj,j=1,2,…由小到大排列,即得到多尺度结构元素的高度序列λH;
1.3)构建多尺度结构元素λB:
式中,λLB表示对原始结构元素B进行(λL-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hocco(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hWMMF(f):
式中,ωj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/fs,fs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fsk、振幅Ak以及衰减因子αsk:
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in,n=1,2,...,据此定义多尺度结构元素的长度序列λL={λmin,λmin+1,...,λmax-1,λmax},其中尺度j下结构元素的长度为序列λL中的第j个值,而最小长度λmin和最大长度λmax为:
λmin=(min(in)-1)/2,n=1,2,…
λmax=(max(in)-1)/2,n=1,2,…
1.2)提取极值序列对应的最大时间pnmax与最小时间pnmin,据此确定尺度j下结构元素的高度λHj:
λHj=β·[pnmin+j·(pnmax-pnmin)/(λmax-λmin)]
式中,β取将高度λHj,j=1,2,…由小到大排列,即得到多尺度结构元素的高度序列λH。
1.3)构建多尺度结构元素λB:
式中,λLB表示对原始结构元素B进行(λL-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hocco(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hWMMF(f):
式中,ωj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/fs,fs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fsk、振幅Ak以及衰减因子αsk:
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in,n=1,2,…,据此定义多尺度结构元素的长度序列λL={λmin,λmin+1,…,λmax-1,λmax},其中尺度j下结构元素的长度为序列λL中的第j个值,而最小长度λmin和最大长度λmax为:
λmin=(min(in)-1)/2,n=1,2,…
λmax=(max(in)-1)/2,n=1,2,…
1.2)提取极值序列对应的最大时间pnmax与最小时间pnmin,据此确定尺度j下结构元素的高度λHj:
λHj=β·[pnmin+j·(pnmax-pnmin)/(λmax-λmin)]
式中,β是一个常数;将高度λHj,j=1,2,…由小到大排列,即得到多尺度结构元素的高度序列λH;
1.3)构建多尺度结构元素λB:
式中,λLB表示对原始结构元素B进行(λL-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hocco(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hWMMF(f):
式中,ωj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/fs,fs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fsk、振幅Ak以及衰减因子αsk:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186457.0A CN114626410B (zh) | 2022-02-28 | 2022-02-28 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186457.0A CN114626410B (zh) | 2022-02-28 | 2022-02-28 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114626410A CN114626410A (zh) | 2022-06-14 |
CN114626410B true CN114626410B (zh) | 2024-03-15 |
Family
ID=81900522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210186457.0A Active CN114626410B (zh) | 2022-02-28 | 2022-02-28 | 基于形态学滤波与vmd的电力系统振荡辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626410B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010001035A2 (fr) * | 2008-06-11 | 2010-01-07 | Centre National D'etudes Spatiales | Procédé et dispositif d'estimation d'au moins une composante de vitesse d'une cible mobile. |
CN108830128A (zh) * | 2018-03-28 | 2018-11-16 | 中南大学 | 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 |
CN110135293A (zh) * | 2019-04-29 | 2019-08-16 | 莆田学院 | 一种风力发电机电振动信号消噪方法及存储介质 |
-
2022
- 2022-02-28 CN CN202210186457.0A patent/CN114626410B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010001035A2 (fr) * | 2008-06-11 | 2010-01-07 | Centre National D'etudes Spatiales | Procédé et dispositif d'estimation d'au moins une composante de vitesse d'une cible mobile. |
CN108830128A (zh) * | 2018-03-28 | 2018-11-16 | 中南大学 | 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 |
CN110135293A (zh) * | 2019-04-29 | 2019-08-16 | 莆田学院 | 一种风力发电机电振动信号消噪方法及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于VMD的自适应形态学在轴承故障诊断中的应用;钱林等;《振动与冲击》;20170215(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114626410A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178318B (zh) | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 | |
CN107782443B (zh) | 一种风力发电机叶片固有频率自动提取方法 | |
CN106980044B (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
CN102426416B (zh) | 控制对象频域幅值特性辩识方法和装置 | |
CN112649196B (zh) | 基于频域信息的信号变分模态分解预设尺度参数选取方法 | |
CN110221116B (zh) | 基于加窗插值和解析模式分解的电压闪变包络检测方法 | |
CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 | |
CN109446552B (zh) | 多轴相关随机激励下结构疲劳寿命时域计算方法 | |
CN104833852A (zh) | 一种基于人工神经网络的电力系统谐波信号估计测量方法 | |
CN110716534B (zh) | 一种基于自整定变分模态分解的工业过程振荡检测方法 | |
CN114626410B (zh) | 基于形态学滤波与vmd的电力系统振荡辨识方法 | |
CN108090270B (zh) | 一种基于形态学滤波和盲源分离的暂态振荡参数识别方法 | |
CN113987831A (zh) | 一种多虚拟同步发电机低频振荡特征的辨识方法 | |
CN110287853B (zh) | 一种基于小波分解的暂态信号去噪方法 | |
CN108334822B (zh) | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 | |
CN109617051B (zh) | 一种新能源电力系统低频振荡参数辨识方法 | |
CN115902396B (zh) | 大型风电并网系统的谐振检测方法和装置 | |
CN116559584A (zh) | 一种自适应电压暂降波形分解方法及系统 | |
CN108020761B (zh) | 一种局部放电去噪方法 | |
CN115932389A (zh) | 一种基于hht变换的电压质量扰动检测方法 | |
CN107947149B (zh) | 基于Wirtinger不等式的电力系统时滞依赖鲁棒稳定判定方法 | |
CN114994405B (zh) | 一种基于数学形态学的电力信号频率测量方法 | |
CN114996641A (zh) | 一种基于时频相关系数联合因子的变分模态分解优化方法 | |
US20240088657A1 (en) | Fractional domain noise reduction method for power signal | |
Guruprakash et al. | Optimally weighted recursive median filters for denoising vibration signals used in health monitoring of rotating systems |
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 |