基于小波变换和矩阵束算法的同步电机参数辨识

为了精确检测同步电机参数,提出了一种小波变换和矩阵束相结合的新算法。该方法运用小波变换对短路电流进行消噪处理,提高其信噪比。运用矩阵束算法提取预处理后的短路电流各分量的频率和阻尼,然后对短路电流各分量的幅值和相位使用最小二乘法进行估计,进而实现同电机参数的辨识。针对在不同信噪比下的短路电流采样数据,分别运用TLS-ESPRIT算法和该方法进行同步电机参数辨识,仿真结果表明,与TLS-ESPRIT算法相比,该方法采用的数据样本数较少。在信噪比大于30 dB时,该方法具有更高的计算精度;在信噪比低于30 dB     

基于改进FastICA和Prony算法的同步电机参数辨识

电力系统模型及参数的准确性对系统动态仿真至关重要。针对Prony算法在辨识同步电机参数存在对环境噪声敏感及输入数据要求较高的问题,提出一种结合经验模态分解的快速独立分量分析方法以实现对短路电流噪声信号的提取。首先对理想同步电机短路电流做经验模态分解,获取1组固有模态函数;然后通过计算各函数的互相关系数,找出独立性最强的几个分量,与原含噪短路电流及残余项一起作为快速独立分量分析方法的输入,输出1组独立分量,其中1个分量作为噪声估计量,进而得到去噪后的短路电流;最后利用Prony算法对去噪后的短路电流分析,辨识出同步电机瞬态及超瞬态参数。数字仿真结果验证了所提方法的可行性与有效性。     

基于 EMD 和 Prony 算法的同步电机参数辨识

Prony 算法是一种线性系统时域模态参数识别方法,对分析数据的噪声非常敏感,对输入信号要求较高.鉴于此,将经验模式分解(empirical mode decomposition,EMD)与Prony 算法相结合的方法应用到同步电机参数辨识中.利用EMD 的分解能力,对采集到的同步电机三相突然短路电流进行时空滤波和平稳化处理,除去高频噪声 IMF 分量,然后用 Prony 准确辨识出同步电机的瞬态和超瞬态参数.仿真试验结果表明该方法具有精度高、抗噪性强等特点.     

基于局部均值分解的同步电机参数辨识方法

提出了基于局部均值分解(LMD)的同步电机参数辨识方法。采用LMD从短路电流中提取直流电流和基波电流,然后分别采用稳健回归最小二乘和Prony算法对直流电流和基波电流进行辨识,进而获得同步电机参数。以理想突然短路电流信号为例,通过仿真分析了滑动平均跨度与LMD循环次数和电流相对均方误差的关系,确定了滑动平均跨度。高信噪比(30 d B)时,由于LMD具有平滑滤波功能而无模态混叠现象发生。低信噪比(15 d B)时,提出了基于前置滑动平均LMD的短路电流分离方法,可有效获取直流电流和基波电流分量。较之经验模态分解(EMD),基于LMD的理想突然短路电流分解效果更好。仿真结果表明,与EMD方法相比,所提方法受噪声影响较小,参数辨识精度更高。     

矩阵束算法在同步电机参数辨识中的应用

同步电机参数的准确性对于电力系统运行和控制具有重要的意义。文中基于矩阵束算法提出一种同步电机参数辨识的新方法,并给出了辨识的基本原理和基本过程。该方法将采集到的三相短路电流构造为2个Hankel矩阵,通过奇异值分解和矩阵的低秩近似等方法抑制了噪声的干扰,同时减少了计算量,从而利用矩阵间的特定关系提取出直流分量和基波分量,实现了同步电机参数的准确辨识。仿真结果表明,该方法具有精度好、运算效率高、抗噪性强等特点。     

基于HHT的同步电机参数辨识

将一种新的非平稳信号的处理方法—Hilbert-Huang变换(HHT)应用于同步电机的参数辨识中。提出了基于HHT方法的短路电流处理新方法,该方法以经验模态分解(empiricalmodedecomposition,EMD)为基础,构成一种新型的时空滤波方法,从强噪声背景下的短路电流数据中有效地提取出了基波分量和直流分量。克服了传统处理方法精度低的缺点,并且不存在小波基选取问题,具有处理精度高、自适应性强的特点。还提出了基于稳健回归算法的直流分量辨识算法,以及基于Hilbert变换和非线性变量优化(NLO)的基波分量辨识算法,实现了同步电机瞬态和超瞬态参数的精确辨识。用加入滤波环节的F-EMD,降低了电流分量分离过程中的计算量。仿真分析和试验数据分析验证了该方法的有效性。     

基于小波变换和Prony算法的同步电机参数辨识

将小波变换应用于同步电机瞬态参数测量，通过对采集到的同步电机三相突然短路电流进行小波变换，降低了信号的采集噪声，分离出了短路电流中的直流分量和基波电流分量,辨识出电机的瞬态参数和非周期分量时间常数，并提出利用扩展的Prony算法辨识电机的超瞬态参数。仿真分析和实机试验表明了所提出的方法是有效的。     

基于小波变换和Prony算法的同步电机参数辨识

将小波变换应用于同步电机瞬态参数测量，通过对采集到的同步电机三相突然短路电流进行小波变换，降低了信号的采集噪声，分离出了短路电流中的直流分量和基波电流分量，辨识出电机的瞬态参数和非周期分量时间常数，并提出利用扩展的Prony算法辨识电机的超瞬态参数。仿真分析和实机试验表明了所提出的方法是有效的。     

基于随机子空间的同步电机参数高精度辨识新方法

将随机子空间辨识方法应用于同步电机的参数辨识中,提出基于随机子空间辨识的三相短路电流处理新方法。随机子空间辨识是一种线性系统时域模态参数识别方法,利用系统输出的数据构造汉克矩阵,进而分离出系统状态方程的系统矩阵和输出矩阵,从而识别系统的模态参数:固有频率、阻尼比、振型。应用该法分析同步电机短路电流,首先识别时间常数,进而依次消去时间常数识别各电抗参数。分别针对无阻尼、噪声和有阻尼背景下的仿真信号和同步电机三相短路电流进行仿真分析,计算中基于振型实现系统自动定阶,同时与普罗尼法作对比,结果表明该法抗噪性强、检测精度高。     

基于EEMD和矩阵束算法的低频振荡主导模式识别

传统矩阵束算法在低信噪比时,难以准确辨识出信号参数,误差较大。因此,结合集合经验模态分解(EEMD)和矩阵束算法,提出了一种电力系统低频振荡主导模式识别的新方法。该方法利用EEMD进行平稳化处理,通过互相关系数和信号能量权重找出含有主导模式的IMF分量,并利用矩阵束算法分析得到模态参数,从而扩展了传统矩阵束算法的应用范围。算例分析结果表明,该方法可以较好地适应非线性系统,抗噪声能力较强,在低信噪比时仍然可用于低频振荡主导模式的识别,为电力系统低频振荡问题的研究提供了新思路。     

基于MEEMD与MP的电网低频振荡模态识别

针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法。首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡模式信息。数值信号和EPRI-36节点系统的仿真验证了所提方法的有效性。     

采用原子分解法的同步电机参数辨识

为了准确辨识出同步电机参数,提出一种基于原子分解的新算法。首先构建相关原子库并将原子离散化参数连续化,运用进化匹配追踪算法,快速从同步电机突然短路电流中提取基波电流、直流电流、倍频电流;然后从分解的各原子信号特征参数中推算出同步电机参数。通过截取稳态短路电流的采样信号,辨识出同步电机的同步电抗和短路初相角值。以理想突然短路电流和含噪声的短路电流为例,仿真进行了对信号的原子分解,获得了相似度较好的重构信号。较之经验模态分解(EMD)和Prony算法,所提出的方法对含噪声信号短路电流的分解效果更佳。实测算例表明,应用原子分解方法可准确地提取同步电机参数,且有较好的抗噪性能。     

基于MEEMD-KF-散布熵的油气管道工况识别

针对油气管道泄漏检测过程中,泄漏信号包含大量噪音、特征提取困难等问题,提出一种改进的总体平均经验模态分解联合卡尔曼滤波算法的管道信号去噪方法。首先采用改进的总体平均经验模态算法对采集到的管道负压波信号进行分解,其中利用排列熵和卡尔曼滤波算法对分解后的固有模态分量进行筛选和处理,最后得到重构后的削噪信号。并且提出基于散布熵和峭度的特征提取法,将提取的特征参数作为支持向量机的输入来对输油管道的工况进行分类识别。经采集到的数据验证,改进的总体平均经验模态分解、卡尔曼滤波、散布熵与峭度结合的组合识别方法可以较准确的对管道信号进行分类识别,结果显示其总平均识别准确率达到98.89%,为管道的工况识别研究提供了一种新的途径。     

（20期已排）基于聚类经验模态分解和差分熵的输电线路故障测距研究

为提高输电线路的故障测距精度,本文提出了一种基于聚类经验模态分解(EEMD)和差分熵(DE)的输电线路故障行波测距方法。首先利用改进的差分熵信号处理方法对输电线路电流进行熵值计算,通过与正常电流熵值的对比,判断电流是否发生突变。然后采用EEMD分解对发生突变的故障电流进行处理,有效去除故障信号中的噪声,避免模态混叠,获取准确反映故障信息的IMF分量。随后对分量实行差分熵方法中的差分分析,将电流的变化幅度进行有效量化,并建立每个信号点的变化程度与时间的对应关系,从而解决波头位置难以确定的问题,获得故障初始行波到达每个监测点的准确时间。最后利用行波双端法,实现输电线路的故障测距。仿真结果表明,该方法能够较好地解决故障测距时存在的信号噪声和波头测量时间不准确的问题,有效提高故障测距的精度。     

基于模糊熵和离散Fréchet距离的小电流接地系统故障选线方法

根据故障线路与非故障线路的故障特征,提出一种基于模糊熵和离散Fréchet距离的小电流接地系统故障选线方法。首先,利用完备集合经验模态分解(CEEMDAN)对各线路暂态零序电流进行分解,并根据峰度和连续均方误差选取特征IMF分量,然后对各线路特征IMF分量求取相关系数,构造相似特征矩阵,判断其是线路故障或是母线故障。若为线路故障,对各线路特征IMF分量进行模糊信息粒化,然后将各线路粒化后的三组Low,R,Up分别混合叠加,并求取离散Fréchet距离,结合隶属函数,求取加入复杂影响因子的模糊熵,构造复杂特征矩阵,最后利用双重特征矩阵进行故障选线,经过大量的仿真分析证明该选线方法的准确性,不受过渡电阻和故障合闸角的影响,且抗噪能力强。     

基于改进EEMD与GA-BP的谐振接地故障选线方法

针对谐振接地系统发生接地故障,存在暂态信号特征辨识度低,且单一特征作为选线判据易受故障条件影响等问题,提出一种基于改进EEMD与GA-BP神经网络的故障选线方法。首先使用边界局部特征尺度延拓法加集合经验模态分解和多尺度排列熵算法的混合算法（MEEMD）分解暂态电流信号,各项分解指标说明MEEMD能准确区分高频特征分量和基频分量并有效改进端点效应和抑制模态混淆。然后提取重构的高频分量能量、方向以及裕度因子等特征并将其用来训练、测试GA-BP神经网络。结果表明所提出的选线方法有较高的准确率且不受线路类型、接地电阻影响,有较强的鲁棒性和容错性。     

基于矩阵束和奇异值分解的间谐波检测算法

目前,电力系统中频率邻近的间谐波和含有暂态扰动的信号中的间谐波难以准确检测.针对上述两类间谐波成分,首先,采用矩阵束算法在噪声情况下对含有邻近间谐波的稳态信号进行检测.其次,对于含有暂态扰动的信号中的间谐波,提出了奇异值分解(SVD)和矩阵束算法相结合的检测方法.该方法运用SVD精准定位信号发生突变的时刻,将含暂态扰动...