CN116706876A - 一种双高电力系统宽频振荡识别方法、装置及设备 - Google Patents
一种双高电力系统宽频振荡识别方法、装置及设备 Download PDFInfo
- Publication number
- CN116706876A CN116706876A CN202310549875.6A CN202310549875A CN116706876A CN 116706876 A CN116706876 A CN 116706876A CN 202310549875 A CN202310549875 A CN 202310549875A CN 116706876 A CN116706876 A CN 116706876A
- Authority
- CN
- China
- Prior art keywords
- signal
- sampling
- frequency
- power system
- dual
- 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
- 230000010355 oscillation Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 186
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000009977 dual effect Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 235000014121 butter Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种双高电力系统宽频振荡识别方法、装置及设备，方法包括：获取双高电力系统的原始输入信号；对所述原始输入信号进行预处理，得到滤波后的信号；其中，所述滤波后的信号包括：高频信号和低频信号；基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；对所述采样信号进行希尔伯特‑黄变换计算得到所述采样信号的若干瞬时频率；根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。采用本发明实施例能够及时、有效地识别出信号中的低频、基频和高频的成分，提高了宽频振荡信号识别的高效性和有效性。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种双高电力系统宽频振荡识别方法、装置及设备。
背景技术
近年来，随着全球对可再生能源的需求不断增加，新能源的快速发展和普及已经成为全球能源转型的不可逆转趋势。在这个过程中，双高电力系统已经成为电力领域中的一个热门话题。双高电力系统是指电力系统中具有高比例可再生能源和高比例电力电子设备的系统，它能够实现可再生能源的高效利用和智能管理，同时提高电力系统的稳定性和可靠性。
双高电力系统虽然为可再生能源的高效利用和智能管理提供了广阔的空间和发展前景，但与传统电力系统相比，也存在着一些挑战和难点。其中，双高电力系统中电力电子设备与电网之间的相互作用会引起频率在几Hz到数千Hz范围内的宽频振荡，可能会导致电力设备的损坏和系统失稳，成为制约新能源高效消纳的重要因素。此外，电力电子设备的异构型、非线性、时变性、不确定性和复杂性也给双高电力系统的稳定运行和安全保障带来了很大的挑战。因此对宽频振荡的频率测量是一个亟待研究的问题，并对于实时监测双高电力系统的稳定性和安全性至关重要，可以帮助及时发现宽频振荡问题，及时采取措施防止系统失稳和设备损坏。
目前，针对双高电力系统宽频振荡的频率测量方法已经有了一定的研究，包括传统的快速傅里叶变换方法、小波变换方法和Prony方法，这些方法在一定程度上可以对宽频振荡的频率进行测量和分析。然而，双高电力系统中存在多个频率的振荡信号，传统的这些方法无法有效处理双高电力系统中的多频信号。
发明内容
本发明提供一种双高电力系统宽频振荡识别方法、装置及设备，以解决现有技术无法有效处理双高电力系统中的多频信号的问题，本发明通过希尔伯特-黄变换法处理双高电力系统中的多频信号，能够及时、有效地识别出信号中的低频、基频和高频的成分，提高了宽频振荡信号识别的高效性和有效性。
为实现上述目的，本发明实施例提供了一种双高电力系统宽频振荡识别方法，包括：
获取双高电力系统的原始输入信号；
对所述原始输入信号进行预处理，得到滤波后的信号；；其中，所述滤波后的信号包括：高频信号和低频信号；
基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；
对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率；
根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。
作为上述方案的改进，所述对所述原始输入信号进行预处理，得到滤波后的信号，包括：
将所述原始输入信号输入预设的巴特沃斯带通滤波器进行滤波，并从滤波后的信号中提取高频信号和低频信号；
其中，所述巴特沃斯带通滤波器为：
式中，G(z)表示离散化后的巴特沃斯带通滤波器，a、b表示滤波器模型分子和分母的系数，z是离散时间的复频率，n表示阶数。
作为上述方案的改进，所述基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号，包括：
根据确定采样频率和根据确定采样点数；
根据进行整周期采样判据，对所述滤波后的信号进行整周期采样，得到若干采样信号；
其中，为采样频率，为原始输入信号的最高频率，为采样分辨率，N为采样点数，f为滤波后的信号；在进行整周期采样判据时，若K是整数，则为整周期采样。
作为上述方案的改进，所述对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率，包括：
对所述采样信号进行经验模态分解，得到每次采样周期得到的IMF分量；
对每一IMF分量进行希尔伯特变换，得到解析信号；
计算所述解析信号的若干瞬时频率。
作为上述方案的改进，所述对所述采样信号进行经验模态分解，得到每次采样周期得到的IMF分量，包括：
从所述采样信号中提取极值点和零交点，得到所述采样信号的上包络线v1(t)和下包络线v2(t)；
计算上包络线v1(t)和下包络线v2(t)之间的平均值m(t)；
将所述采样信号减去平均值m(t)，得到h(t)，剩余信号记作r(t)；
若h(t)满足预设IMF条件，视为一维信号的第一层IMF，并记作c1，将r(t)作为新的信号；
当不满足预设停止条件时，返回步骤从所述采样信号中提取极值点和零交点，得到所述采样信号的上包络线v1(t)和下包络线v2(t)；
当满足预设停止条件时，得到n个IMF分量c1,c2,c3…cn和一个剩余分量；
其中，所述停止条件为r(t)呈单调趋势或|r(t)|小于预设阈值。
作为上述方案的改进，所述对每一IMF分量进行希尔伯特变换，得到解析信号，包括：
通过下式进行希尔伯特变换，得到解析信号：
z(n)＝x(n)+jy(n)＝a(n)eiθ(n)
其中，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)，*表示卷积，h(n)为单位冲击响应，z(n)为x(n)的解析信号，a(n)表示瞬时幅值，θ(n)表示相位，n表示每个采样点的时间点，m表示离散时间序列中的离散时间点，h(n)表示单位冲击响应，j表示虚数单位。
作为上述方案的改进，通过下式计算所述解析信号的若干瞬时频率：
a(n)＝[x(n)2+y(n)2]2
其中，a(n)表示瞬时幅值，θ(n)表示相位，f(n)表示瞬时频率，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)。
作为上述方案的改进，所述根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别，包括：
对于滤波得到的高频信号，若在规定次数的采样周期内得到的每一瞬时频率的大小均在预设高频范围内，则判定存在高频信号；
对于滤波得到的低频信号，若在规定次数的采样周期内得到每一瞬时频率的大小均在预设低频范围内，则判定存在低频信号。
为实现上述目的，本发明实施例提供了一种双高电力系统宽频振荡识别装置，包括：
原始输入信号获取模块，用于获取双高电力系统的原始输入信号；
原始输入信号预处理模块，用于对所述原始输入信号进行预处理，得到滤波后的信号；其中，所述滤波后的信号包括：高频信号和低频信号；
采样信号获取模块，用于基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；
瞬时频率计算模块，用于对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率；
宽频振荡识别模块，用于根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。
为实现上述目的，本发明实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述的双高电力系统宽频振荡识别方法。
与现有技术相比，本发明实施例提供的一种双高电力系统宽频振荡识别方法、装置及设备，通过获取双高电力系统的原始输入信号；对所述原始输入信号进行预处理，得到滤波后的信号；其中，所述滤波后的信号包括：高频信号和低频信号；基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率；根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。由此可见，本发明实施例通过应用希尔伯特-黄算法来处理实时宽频振荡信号，从而实现了对宽频带振荡的实时监测和识别，具有简单的结构，易于实现，而且本发明实施例能够及时、有效地识别出信号中的低频、基频和高频的成分，从而能够及时发现宽频振荡问题并采取措施防止系统失稳和设备损坏。
附图说明
图1是本发明实施例提供的一种双高电力系统宽频振荡识别方法的流程图；
图2是本发明实施例提供的一种双高电力系统宽频振荡识别方法的有一流程图；
图3是本发明实施例提供的监测到的高频信号、低频信号进行计数的流程图；
图4是本发明实施例提供的一种双高电力系统宽频振荡识别装置的结构框图；
图5是本发明实施例提供的一种终端设备的结构框图。
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。
参见图1，图1是本发明实施例提供的一种双高电力系统宽频振荡识别方法的流程图，所述双高电力系统宽频振荡识别方法包括：
S1、获取双高电力系统的原始输入信号；
S2、对所述原始输入信号进行预处理，得到滤波后的信号；其中，所述滤波后的信号包括：高频信号和低频信号；
S3、基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；
S4、对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率；
S5、根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。
本发明实施例提供的一种双高电力系统宽频振荡识别方法，通过获取双高电力系统的原始输入信号；对所述原始输入信号进行预处理，得到滤波后的信号；其中，所述滤波后的信号包括：高频信号和低频信号；基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率；根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。由此可见，本发明实施例通过应用希尔伯特-黄算法来处理实时宽频振荡信号，从而实现了对宽频带振荡的实时监测和识别，具有简单的结构，易于实现，而且本发明实施例能够及时、有效地识别出信号中的低频、基频和高频的成分，从而能够及时发现宽频振荡问题并采取措施防止系统失稳和设备损坏。
在一可选实施例中，所述对所述原始输入信号进行预处理，得到滤波后的信号，包括：
将所述原始输入信号输入预设的巴特沃斯带通滤波器进行滤波，并从滤波后的信号中提取高频信号和低频信号；
其中，所述巴特沃斯带通滤波器为：
式中，G(z)表示离散化后的巴特沃斯带通滤波器，a、b表示滤波器模型分子和分母的系数，z是离散时间的复频率，称为z变换算子，n表示阶数。
在本发明实施例中，对原始输入信号进行预处理，设计巴特沃斯带通滤波器，并对原始输入信号进行滤波，去除原信号的噪声并且提取信号中的高频部分和低频部分。带通滤波器的传输函数H(s)可以用拉普拉斯变换表示，其中s是频率的复变量。滤波器的输出可以通过输入信号与传输函数的卷积得到。公式(1)为二阶的巴特沃斯带通滤波器。由于实际系统为数字化系统，因此在构建了连续域滤波器后，进行离散化处理，公式(2)表示离散化后的滤波器：
其中，ξ表示阻尼比，ωn表示截止频率。
其中，a、b表示滤波器模型分子和分母的系数。
[b，a]＝butter(n，[ωp2，ωp1]，′bandpass′)
y＝filter(b，a，x)
其中，a、b表示滤波器的系数，n表示带通滤波器的阶数，ωp1、ωp2表示截止频率范围。y表示经过带通滤波器处理后的信号，x表示采集到的原始输入信号。
在一可选实施例中，所述基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号，包括：
根据fs≥8fmax确定采样频率和根据确定采样点数；
根据进行整周期采样判据，对所述滤波后的信号进行整周期采样，得到若干采样信号；
其中，fs为采样频率，fmax为原始输入信号的最高频率，Δf为采样分辨率，N为采样点数，f为滤波后的信号；在进行整周期采样判据时，若K是整数，则为整周期采样。
在本发明实施例中，对预处理的信号分为高频信号x1(t)和低频信号x2(t)，根据奈奎斯特采样定律以及频率分辨率选择合适的采样频率和采样点数。在作经验模态分解(EMD)时，每个IMF的频率范围较小，为了提高检测精度，在实际中应将采样频率提高到信号最高频率的8倍以上，以保证EMD在拟合上、下包络线时的精度。
fs≥8fmax
其中，fs为采样频率，fmax为输入信号的最高频率。
同样的，采样点数对Hilbert变换也有很大影响，采样点数不高和非整周期采样都会响应瞬时参数的计算精度和稳定性。采样点数不足，可能会导致Hilbert变换的计算精度不足，从而影响瞬时参数的计算结果。采用非整周期采样，也可能导致Hilbert变换计算不稳定，从而产生误差。
其中，为采样分辨率，N为采样点数，fs为采样频率。
整周期采样判据为：
其中，f为给定信号的频率，当采样频率fs确定时，K只与采样点数N相关。若K是整数，则称为整周期采样，否则，称为非整周期采样。
在一可选实施例中，所述对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率，包括：
对所述采样信号进行经验模态分解，得到每次采样周期得到的IMF分量；
对每一IMF分量进行希尔伯特变换，得到解析信号；
计算所述解析信号的若干瞬时频率。
具体的，所述对所述采样信号进行经验模态分解，得到每次采样周期得到的IMF分量，包括：
从所述采样信号中提取极值点和零交点，得到所述采样信号的上包络线v1(t)和下包络线v2(t)；
计算上包络线v1(t)和下包络线v2(t)之间的平均值m(t)；
将所述采样信号减去平均值m(t)，得到h(t)，剩余信号记作r(t)；
若h(t)满足预设IMF条件，视为一维信号的第一层IMF，并记作c1，将r(t)作为新的信号；
当不满足预设停止条件时，返回步骤从所述采样信号中提取极值点和零交点，得到所述采样信号的上包络线v1(t)和下包络线v2(t)；
当满足预设停止条件时，得到n个IMF分量c1,c2,c3…cn和一个剩余分量；
其中，所述停止条件为r(t)呈单调趋势或|r(t)|小于预设阈值。
在本发明实施例中，针对处理好的信号，按照高频部分和低频部分分别进行经验模态分解分解，提取出信号中的IMF分量。从信号y(t)中提取极值点和零交点，得到信号的上包络线v1(t)和下包络线v2(t)，并计算它们的平均值m(t)。用信号y(t)减去局部均值，得到h(t)，剩余信号记作r(t)。若h(t)满足IMF条件，视为一维信号的第一层IMF，记作c1。视r(t)为新的信号，重复以上过程，依次得到c2，c3...cn，直到r(t)基本呈单调趋势或|r(t)|很小可视为测量误差时即可停止。于是即把原信号分解成n个IMF分量c1，c2，c3...cn和一个剩余分量r(t)，以上过程用下式表示：
y(t)-m(t)＝h(t)
y(t)-c1＝r(t)
具体的，所述对每一IMF分量进行希尔伯特变换，得到解析信号，包括：
通过下式进行希尔伯特变换，得到解析信号：
z(n)＝x(n)+jy(n)＝a(n)eiθ(n)
其中，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)，*表示卷积，h(n)为单位冲击响应，z(n)为x(n)的解析信号，a(n)表示瞬时幅值，θ(n)表示相位，n表示每个采样点的时间点，m表示离散时间序列中的离散时间点，h(n)表示单位冲击响应，j表示虚数单位。
具体的，通过下式计算所述解析信号的若干瞬时频率：
a(n)＝[x(n)2+y(n)2]2
其中，a(n)表示瞬时幅值，θ(n)表示相位，f(n)表示瞬时频率，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)。
在本发明实施例中，将每个IMF转换为实信号，然后对其应用希尔伯特变换，以获得与该信号对应的复信号。这些复信号包含了与原始输入信号相同的振幅信息，以及一个额外的相位信息。同样的，在实际工程中，处理的信号都是离散化的，因此需要使用离散信号的希尔伯特变换来获得瞬时幅值和瞬时频率信息：
z(n)＝x(n)+jy(n)＝a(n)eiθ(n)
其中，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)，*表示卷积，h(n)为单位冲击响应，z(n)为x(n)的解析信号。
根据希尔伯特变换得到的解析信号，可求出信号的瞬时参数(瞬时幅值、瞬时频率)：
a(n)＝[x(n)2+y(n)2]2
其中，a(n)表示瞬时幅值，θ(n)表示相位，表示瞬时频率。
在一可选实施例中，所述根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别，包括：
对于滤波得到的高频信号，若在规定次数的采样周期内得到的每一瞬时频率的大小均在预设高频范围内，则判定存在高频信号；
对于滤波得到的低频信号，若在规定次数的采样周期内得到每一瞬时频率的大小均在预设低频范围内，则判定存在低频信号。
在本发明实施例中，在每次记录信号后，需要立即进行判断，以便尽快发现低频或高频信号。如果记录到的信号在低频或高频信号的范围内，则需要将其记录下来并进行计数。如果在规定次数采样周期中都得到相似的频率，则可以判断出是否存在低频或高频信号，并需要立即报警告诉技术人员。以上过程通过下式表示：
其中，y(n)初值为0，表示第n次运行后计数器的值，u(n)表示第n个输入值，p和q表示频率的相对误差范围。若u(n)在p和q之间，则为1，否则为0。M表示监测到高频或低频信号的次数。
为方便理解，如图2所示，本发明实施例主要分为：输入信号部分、滤波部分、信号检测部分和输出识别部分。输入信号部分是整个实施例的起点，负责读取原始输入信号并将其送入下一个部分。滤波部分是对信号进行预处理的关键部分，主要负责对原始输入信号进行滤波处理，将信号中的高频和低频部分分别提取出来。信号检测部分是整个实施例的核心部分，主要负责对滤波后的信号进行采样后，进行经验模态分解和希尔伯特变换，提取出信号中的IMF分量以及它们的瞬时频率。输出识别部分是整个实施例的最终部分，负责将结果保存下来以便于处理和分析。
对于第一部分，为了获取所需的原始输入信号，以一定的采样频率读取信号，对实时监测的信号进行采样并存储，以确保获取足够的数据来进行分析和处理。
对于第二部分，对信号进行预处理，并且设计巴特沃斯带通滤波器。相较于其他类型的滤波器，巴特沃斯滤波器一个显著特点是，它可以通过较低阶数的滤波来实现其他滤波器所需要的高阶滤波效果，从而节省了系统资源和算法的复杂度，并提高了实时滤波的效率。
对于第三部分，根据奈奎斯特采样定律以及频率分辨率选择合适的采样频率和采样点数，并采用整周期采样进行采样，确保对Hilbert变换的影响最小。
对于第四部分，需要将所得到的高频和低频瞬时频率进行记录，并对每次采样周期所得到的数据进行存储和实时计数。每次记录信号后，需要立即判断其是否在低频或高频信号的范围内，如果是，应记录下来并计数。如果在每五个采样周期内都记录到相似的频率，则可以判断出是否存在低频或高频信号，并及时报警告诉技术人员。该存储器可以存储最近五次的频率值，并且会实时刷新。
其中表示第n次运行后计数器的值，表示第n个输入值，a和b表示频率的相对误差范围。若的在a和b之间，则为1，否则为0。可选的，这里监测到高频或低频信号的次数为5次，如图3所示，图3为监测到的高频信号、低频信号进行计数的流程图，对于一段时间内的信号，可以根据每次的采样时间进行希尔伯特-黄变换，并得到相应的低频和高频分量。如果进行五次希尔伯特-黄变换并且得到五个相似的低频分量，就可以判断这个信号中存在低频成分。同样地，如果进行五次希尔伯特-黄变换并且得到五个相似的高频分量，就可以判断这个信号中存在高频成分。由于低频信号和高频信号采样的时间不同，因此低频信号和高频信号的分析是独立的需要分别进行。
用一个仿真实例来进行验证宽频振荡在线识别方法的有效性，表1给出原始输入信号参数。
设原始输入信号为：
表1原始输入信号参数
设计巴特沃斯滤波器和，将信号x(t)分为x1(t)和x2(t)。
确定x1(t)信号采样频率为12800Hz，采样点数为1280个，x2(t)信号采样频率为12800Hz，采样点数为6400个。采样时间为2.5秒，对每次检测到的频率进行计数分析。为了更好地分析每个IMF分量的频率特征，对每次采样得到的IMF分量进行了Hilbert变换，得到了对应的瞬时频率。表2展示了每个IMF分量的瞬时频率。
表2瞬时频率
通过将所得到的频率数据与实际频率进行对比，验证了该宽频振荡在线识别模型在处理信号时，能够有效地识别出信号中的低频、基频和高频的成分。从分析结果可以看出，随着采样次数的增加，低频和高频的误差逐渐减小，且逐渐收敛到一定范围，对于信号的特征能够更为精确地提取。
参见图4，图4是本发明实施例提供的一种双高电力系统宽频振荡识别装置10的结构框图，所述双高电力系统宽频振荡识别装置10包括：
原始输入信号获取模块11，用于获取双高电力系统的原始输入信号；
原始输入信号预处理模块12，用于对所述原始输入信号进行预处理，得到滤波后的信号；其中，所述滤波后的信号包括：高频信号和低频信号；
采样信号获取模块13，用于基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；
瞬时频率计算模块14，用于对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率；
宽频振荡识别模块15，用于根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。
可选的，所述对所述原始输入信号进行预处理，得到滤波后的信号，包括：
将所述原始输入信号输入预设的巴特沃斯带通滤波器进行滤波，并从滤波后的信号中提取高频信号和低频信号；
其中，所述巴特沃斯带通滤波器为：
式中，G(z)表示离散化后的巴特沃斯带通滤波器，a、b表示滤波器模型分子和分母的系数，z是离散时间的复频率，n表示阶数。
可选的，所述基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号，包括：
根据fs≥8fmax确定采样频率和根据确定采样点数；
根据进行整周期采样判据，对所述滤波后的信号进行整周期采样，得到若干采样信号；
其中，fs为采样频率，fmax为原始输入信号的最高频率，Δf为采样分辨率，N为采样点数，f为滤波后的信号；在进行整周期采样判据时，若K是整数，则为整周期采样。
可选的，所述对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率，包括：
对所述采样信号进行经验模态分解，得到每次采样周期得到的IMF分量；
对每一IMF分量进行希尔伯特变换，得到解析信号；
计算所述解析信号的若干瞬时频率。
可选的，所述对所述采样信号进行经验模态分解，得到每次采样周期得到的IMF分量，包括：
从所述采样信号中提取极值点和零交点，得到所述采样信号的上包络线v1(t)和下包络线v2(t)；
计算上包络线v1(t)和下包络线v2(t)之间的平均值m(t)；
将所述采样信号减去平均值m(t)，得到h(t)，剩余信号记作r(t)；
若h(t)满足预设IMF条件，视为一维信号的第一层IMF，并记作c1，将r(t)作为新的信号；
当不满足预设停止条件时，返回步骤从所述采样信号中提取极值点和零交点，得到所述采样信号的上包络线v1(t)和下包络线v2(t)；
当满足预设停止条件时，得到n个IMF分量c1，c2，c3...cn和一个剩余分量；
其中，所述停止条件为r(t)呈单调趋势或|r(t)|小于预设阈值。
可选的，所述对每一IMF分量进行希尔伯特变换，得到解析信号，包括：
通过下式进行希尔伯特变换，得到解析信号：
z(n)＝x(n)+jy(n)＝a(n)eiθ(n)
其中，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)，*表示卷积，h(n)为单位冲击响应，z(n)为x(n)的解析信号，a(n)表示瞬时幅值，θ(n)表示相位，n表示每个采样点的时间点，m表示离散时间序列中的离散时间点，h(n)表示单位冲击响应，j表示虚数单位。
可选的，通过下式计算所述解析信号的若干瞬时频率：
a(n)＝[x(n)2+y(n)2]2
其中，a(n)表示瞬时幅值，θ(n)表示相位，f(n)表示瞬时频率，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)。
可选的，所述根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别，包括：
对于滤波得到的高频信号，若在规定次数的采样周期内得到的每一瞬时频率的大小均在预设高频范围内，则判定存在高频信号；
对于滤波得到的低频信号，若在规定次数的采样周期内得到每一瞬时频率的大小均在预设低频范围内，则判定存在低频信号。
值得说明的是，本发明实施例所述的双高电力系统宽频振荡识别装置10中各个模块的工作过程可参考上述实施例所述的双高电力系统宽频振荡识别方法的工作过程，在此不再赘述。
参见图5，图5是本发明实施例提供的一种终端设备20的结构框图，所述终端设备20包括：处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述双高电力系统宽频振荡识别方法实施例中的步骤。或者，所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备20中的执行过程。
所述终端设备20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是终端设备20的示例，并不构成对终端设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备20还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器21是所述终端设备20的控制中心，利用各种接口和线路连接整个终端设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述终端设备20的各种功能。所述存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备20集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器21执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种双高电力系统宽频振荡识别方法，其特征在于，，包括：
获取双高电力系统的原始输入信号；
对所述原始输入信号进行预处理，得到滤波后的信号；；其中，所述滤波后的信号包括：高频信号和低频信号；
基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；
对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率；
根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。
2.如权利要求1所述的双高电力系统宽频振荡识别方法，其特征在于，所述对所述原始输入信号进行预处理，得到滤波后的信号，包括：
将所述原始输入信号输入预设的巴特沃斯带通滤波器进行滤波，并从滤波后的信号中提取高频信号和低频信号；
其中，所述巴特沃斯带通滤波器为：
式中，G(z)表示离散化后的巴特沃斯带通滤波器，a、b表示滤波器模型分子和分母的系数，z是离散时间的复频率，n表示阶数。
3.如权利要求1所述的双高电力系统宽频振荡识别方法，其特征在于，所述基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号，包括：
根据fs≥8fmax确定采样频率和根据确定采样点数；
根据进行整周期采样判据，对所述滤波后的信号进行整周期采样，得到若干采样信号；
其中，fs为采样频率，fmax为滤波后信号的最高频率，Δf为采样分辨率，N为采样点数，f为滤波后的信号；在进行整周期采样判据时，若K是整数，则为整周期采样。
4.如权利要求1所述的双高电力系统宽频振荡识别方法，其特征在于，所述对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率，包括：
对所述采样信号进行经验模态分解，得到每次采样周期得到的IMF分量；
对每一IMF分量进行希尔伯特变换，得到解析信号；
计算所述解析信号的若干瞬时频率。
5.如权利要求4所述的双高电力系统宽频振荡识别方法，其特征在于，所述对所述采样信号进行经验模态分解，得到每次采样周期得到的IMF分量，包括：
从所述采样信号中提取极值点和零交点，得到所述采样信号的上包络线v1(t)和下包络线v2(t)；
计算上包络线v1(t)和下包络线v2(t)之间的平均值m(t)；
将所述采样信号减去平均值m(t)，得到h(t)，剩余信号记作r(t)；
若h(t)满足预设IMF条件，视为一维信号的第一层IMF，并记作c1，将r(t)作为新的信号；
当不满足预设停止条件时，返回步骤从所述采样信号中提取极值点和零交点，得到所述采样信号的上包络线v1(t)和下包络线v2(t)；
当满足预设停止条件时，得到n个IMF分量c1,c2,c3…cn和一个剩余分量；
其中，所述停止条件为r(t)呈单调趋势或|r(t)|小于预设阈值。
6.如权利要求4所述的双高电力系统宽频振荡识别方法，其特征在于，所述对每一IMF分量进行希尔伯特变换，得到解析信号，包括：
通过下式进行希尔伯特变换，得到解析信号：
z(n)＝x(n)+jy(n)＝a(n)eiθ(n)
其中，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)，*表示卷积，h(n)为单位冲击响应，z(n)为x(n)的解析信号，a(n)表示瞬时幅值，θ(n)表示相位，n表示每个采样点的时间点，m表示离散时间序列中的离散时间点，h(n)表示单位冲击响应，j表示虚数单位。
7.如权利要求4所述的双高电力系统宽频振荡识别方法，其特征在于，通过下式计算所述解析信号的若干瞬时频率：
a(n)＝[x(n)2+y(n)2]2
其中，a(n)表示瞬时幅值，θ(n)表示相位，f(n)表示瞬时频率，x(n)为离散时间信号，对其Hilbert变换的结果为y(n)。
8.如权利要求1所述的双高电力系统宽频振荡识别方法，其特征在于，所述根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别，包括：
对于滤波得到的高频信号，若在规定次数的采样周期内得到的每一瞬时频率的大小均在预设高频范围内，则判定存在高频信号；
对于滤波得到的低频信号，若在规定次数的采样周期内得到每一瞬时频率的大小均在预设低频范围内，则判定存在低频信号。
9.一种双高电力系统宽频振荡识别装置，其特征在于，包括：
原始输入信号获取模块，用于获取双高电力系统的原始输入信号；
原始输入信号预处理模块，用于对所述原始输入信号进行预处理，得到滤波后的信号；其中，所述滤波后的信号包括：高频信号和低频信号；
采样信号获取模块，用于基于确定好的采样频率和采样点数，对所述滤波后的信号进行整周期采样，得到采样信号；
瞬时频率计算模块，用于对所述采样信号进行希尔伯特-黄变换计算得到所述采样信号的若干瞬时频率；
宽频振荡识别模块，用于根据若干所述瞬时频率，对所述双高电力系统进行宽频振荡识别。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～8任一项所述的双高电力系统宽频振荡识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310549875.6A CN116706876A (zh) | 2023-05-15 | 2023-05-15 | 一种双高电力系统宽频振荡识别方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310549875.6A CN116706876A (zh) | 2023-05-15 | 2023-05-15 | 一种双高电力系统宽频振荡识别方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116706876A true CN116706876A (zh) | 2023-09-05 |
Family
ID=87834886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310549875.6A Pending CN116706876A (zh) | 2023-05-15 | 2023-05-15 | 一种双高电力系统宽频振荡识别方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116706876A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117169591A (zh) * | 2023-10-25 | 2023-12-05 | 南方电网科学研究院有限责任公司 | 电力系统宽频测量方法、装置和计算机设备 |
-
2023
- 2023-05-15 CN CN202310549875.6A patent/CN116706876A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117169591A (zh) * | 2023-10-25 | 2023-12-05 | 南方电网科学研究院有限责任公司 | 电力系统宽频测量方法、装置和计算机设备 |
| CN117169591B (zh) * | 2023-10-25 | 2024-03-12 | 南方电网科学研究院有限责任公司 | 电力系统宽频测量方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021072887A1 (zh) | 异常流量监测方法、装置、设备及存储介质 | |
| Lin et al. | Reviews of bearing vibration measurement using fast Fourier transform and enhanced fast Fourier transform algorithms | |
| CN107274915B (zh) | 一种基于特征融合的数字音频篡改自动检测方法 | |
| CN110907826B (zh) | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 | |
| CN104251934B (zh) | 谐波分析方法和装置以及确定谐波间杂波的方法和装置 | |
| CN116706876A (zh) | 一种双高电力系统宽频振荡识别方法、装置及设备 | |
| CN111291328B (zh) | 一种基于精细斜率的暂态事件识别方法、系统以及设备 | |
| JP7140426B2 (ja) | 時変構造瞬時周波数決定方法、システム、装置及び記憶媒体 | |
| CN111580654A (zh) | 一种基于emd的脑电信号的短时特征提取方法 | |
| CN117723893A (zh) | 基于rlmd的故障行波识别方法、装置和计算机设备 | |
| CN114564983A (zh) | 一种基于时频转换的水电机组状态监测特征信号处理方法 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| Xie et al. | Soft fault diagnosis of analog circuits via frequency response function measurements | |
| CN108463813B (zh) | 一种进行数据处理的方法和装置 | |
| CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
| CN114519267A (zh) | 地下电缆模型的数据更新方法 | |
| RU2595929C2 (ru) | Способ и устройство для сжатия данных, представляющих зависящий от времени сигнал | |
| CN114152454A (zh) | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 | |
| Sircar et al. | Parametric modeling of speech by complex AM and FM signals | |
| CN117591784B (zh) | 一种基于fpga的旋转因子计算方法及fpga芯片 | |
| CN116297883B (zh) | 一种基于敲击声的结构识别方法、装置、系统及终端设备 | |
| CN103617373A (zh) | 一种时间序列的非线性特性检验方法 | |
| CN110554791A (zh) | 触控面板信号检测方法及装置 | |
| CN115266066A (zh) | 旋转体的故障识别方法、装置、设备及存储介质 | |
| CN117131337B (zh) | 桥梁振动数据分析方法、装置、电子设备及存储介质 |
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 |