基于EMD的Prony算法在低频振荡模态参数辨识中的应用

Prony算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,提出将EMD和Prony算法有机结合的电力系统低频振荡模式的辨识方法。该方法以广域测量信号作为输入,首先利用EMD对非平稳、非线性信号的能力进行分解,通过能量权重比找出含有主导振荡模式的IMF;最后利用Prony算法对其进行分析后获得电力系统低频振荡模态参数,扩展了Prony法应用范围。通过对PSASP仿真轨迹的算例分析,验证了此方法提取非轴对称振荡信号主导模式的有效性,并通过与特征根分析进行比较,表明了此法能相对精确地进行振荡模式辨识,同时又有很好的复合模式分离能力和良好的抗噪能力。     

基于Prony算法的电力系统低频振荡分析

介绍了电力系统中常见的低频振荡现象,指出了各种常用的信号分析方法在分析低频振荡时存在的不足。然后探讨了Prony算法在实际应用中所需要解决的问题,进而提出各种改进措施来提高算法的精度。最后利用特征分析法找出了仿真系统发生低频振荡的某些原因,并采取有效的控制措施抑制低频振荡,保持系统稳定运行。     

基于FastICA和Prony算法的低频振荡参数辨识

传统Prony算法进行参数辨识存在对信号噪声非常敏感的缺点,同时对输入信号有较高的要求。因此,本文首先介绍独立分量分析(Independent Component Analysis,即ICA)和FsatICA基本原理,然后提出将FastICA算法和Prony算法相结合的低频振荡参数辨识方法。该方法首先以广域测量信号作为输入信号,然后利用FastICA方法对输入信号进行预处理而达到降噪,最后利用Prony算法对滤波后的信号进行分析得到电力系统低频振荡参数。通过对理想信号和四机两区算例分析,验证了此方法在FastICA去噪之后,能够提高Prony提取低频振荡参数辨识的准确性、快速性和抗噪能力。     

基于Prony算法的低频振荡在线辨识与分析

提出了基于Prony算法的低频振荡在线辨识与分析算法,不仅给出主导振荡模式特征量（振幅、频率、阻尼比、相位）,而且提供与主导振荡模式强相关的发电机组,通过仿真和实际电网应用验证了算法的有效性。该算法已成功应用于云南电网低频振荡安全预警及辅助决策系统。     

基于Prony算法的电力系统低频振荡分析

简要介绍了电力系统低频振荡的概念和产生原因,指出随着电网互联,低频振荡的危害也将更加严重。而后根据振荡特征提出了一种可用于分析电力系统低频振荡的方法———Prony算法,并介绍了算法的原理和计算步骤。通过对理想振荡波形进行分析,论证Prony算法在理想情况下的精确性。接着指出传统Prony算法在分析中所存在的缺陷,特别是噪声干扰对算法精确度的影响。在此基础上提出了一个较为简便的解决方法,利用仿真振荡波形分析说明改进后的Prony分析的精确度,针对其误差变化情况,讨论了分段Prony分析法,最后说明Pro-ny算法在电力系统低频振荡分析中的有效性。     

基于改进多信号Prony算法的低频振荡在线辨识

提出了适合低频振荡在线辨识的改进多信号Prony算法。首先通过小波变换消除各信号的噪声，然后消去直流分量，建立多信号的样本函数矩阵，通过奇异值–总体最小二乘法对Prony算法进行改进，分离信号空间和噪声子空间，确定信号的阶数，最后利用最小二乘法进行辨识。利用传统Prony算法、改进单信号Prony算法和改进多信号Prony算法对理想信号、仿真信号以及实际录波信号进行了分析，分析结果表明利用改进多信号Prony算法同时对多信号进行分析能够提高辨识的精度，缩短运算时间，辨识阶数及辨识结果均优于传统算法，适合于低频振荡的在线辨识。     

Prony算法在低频振荡分析中的应用探讨

针对Prony算法在低频振荡分析应用中的现场实测数据的非平稳性和样本矩阵计算的病态问题进行了探讨.对非平稳信号采用离散傅立叶变换作为Prony分析的数据预处理,对于样本矩阵计算的病态问题采用了一种数学处理方法.应用试验和现场录波数据作为算例验证了方法的有效性.     

Prony算法的若干改进及其在低频振荡监测中的应用

在广域测量系统(WAMS)下,从多角度改进Prony算法对电力系统低频振荡的监测.提出对采集信号进行分类,利用同类、非同类等多信号分析法对低频振荡进行分析;通过数据预处理和算法样本矩阵阶数控制减少噪声对算法精度的影响;提出模式能量测度分析结果中的主导振荡模式.在EPRI-36系统下进行仿真,结果表明所提方法的有效性.     

Prony算法的若干改进及其在低频振荡监测中的应用

在广域测量系统（WAMS）下,从多角度改进Prony算法对电力系统低频振荡的监测。提出对采集信号进行分类,利用同类、非同类等多信号分析法对低频振荡进行分析;通过数据预处理和算法样本矩阵阶数控制减少噪声对算法精度的影响;提出模式能量测度分析结果中的主导振荡模式。在EPRI-36系统下进行仿真,结果表明所提方法的有效性。     

结合经验模态分解的信号能量法及其在低频振荡研究中的应用

结合经验模态分解(empirical mode decomposition,EMD)算法和信号能量法,提出一种处理非平稳信号的改进方法--基于EMD的信号能量法,并将其应用于电力系统低频振荡阻尼特性研究中。该方法将信号能量作为误差判据引进EMD环节,克服了EMD过程难以消除虚假成分的弱点;同时,借助EMD处理非平稳的振荡信号,扩展了信号能量法应用范围。通过与普罗尼(Prony)算法、特征根分析进行比较,相量测量单元(phasor measurement unit,PMU)设备量测轨迹和PSASP软件仿真曲线的算例分析证明,此方法能有效提取非轴对称振荡信号主导模式,且具有很好的复合模式分离能力。     

基于EMD的次同步扭振模态参数的普罗尼分析

次同步扭振是发电机主轴因为受到电网小干扰的影响而产生的扭转振动,是影响电网稳定性的主要问题之一.基于EMD优化小扰动模态参数的普罗尼辨识法,把EMD的时空滤波特征与小扰动测试信号的频率特征相结合提取小干扰分量,通过普罗尼算法辨识其模态参数,利用重采样处理提高参数辨识精度,并做仿真试验进行验证.由EMD的时空滤波特征和扭振信号的频谱特征,合成一个次同步扭振分量可对噪声及其他频率的干扰信号有所抑制.对次同步扭振而言,重采样的采样频率在150～500 Hz、数据窗在8s左右时辨识精度最高.经重采样处理和EMD提取次同步扭振分量,再进行次同步扭振模态参数辨识的方法精准度较高.     

基于EMD的图像信号去噪的改进算法

根据EMD对图像信号进行分解,本文讨论了采用硬阀值去噪声和软阀值去噪的方法的优劣性,并提出了EMD＋SG滤波器组合去噪的方法,对前N／2个IMF采用SG滤波器对每一数据点的一个邻域（长度为n的滑动窗口）进行滤波,用一元P阶多项式根据最小二乘法准则,拟合出邻域内的最佳值作为去噪后的数值,再与后N／2个IMF进行图像重构。实验表明,该算法比其它算法具有较好的去噪效果。     

经验模态分解在超高压输电线路故障定位中的应用

介绍了经验模态分解(Empirical Mode Decomposition,简称为EMD)方法,并将其引入电力系统故障信号处理中,提出一种基于EMD的输电线路故障定位新方法,仿真实验表明该方法能较好地实现超高压输电线路故障定位.     

A hybrid model of EMD and multiple-kernel RVR algorithm for wind speed prediction

In this paper, the hybrid model of empirical mode decomposition and multiple-kernel relevance vector regression algorithm (EMD-MkRVR) is presented for wind speed prediction. The multiple-kernel relevance vector regression (MkRVR) model includes radial basis function (RBF) kernel and polynomial kernel whose proportions are determined by a controlled parameter. Grid method is used to select the kernel parameters and controlled parameter in this study. In addition, wind speed can be regarded as a signal and decomposed into several intrinsic mode functions (IMFs) with different frequency range by empirical mode decomposition (EMD), the prediction models of these decomposed signals can be established by MkRVR with their respective appropriate embedding dimension. The experimental results show that the EMD-MkRVR model has a better prediction ability for wind speed than the RBF kernel RVR (RBFRVR) model and the polynomial kernel RVR (PolyRVR) model.     

基于改进多信号矩阵束算法的电力系统低频振荡识别

提出了适用于电力系统低频振荡模态识别的改进多信号矩阵束算法。利用奇异值分解（Singular value decomposition,SVD）分离信号和噪声子空间,确定阶数并消除信号噪声。通过建立多信号归一化的样本函数矩阵对矩阵束算法进行改进,辨识电力系统模态。利用原始Prony法、谐波恢复的Prony法和改进的多信号矩阵束法,对理想信号和仿真系统进行分析。结果表明多信号矩阵束法的辨识精度较高,具有一定的抗噪能力,并且通过对多信号归一化的处理避免了不同类型信号叠加时较小信号的湮没,适用于低频振荡在线识别。     

基于形态滤波和Prony算法的低频振荡模式辨识的研究

针对传统Prony方法对噪声敏感导致辨识精度不高的问题,提出了一种基于形态滤波和Prony算法相结合的低频振荡模式辨识的方法,实现了在有混合噪声干扰情况下低频振荡模式的准确辨识。基于数学形态学,设计了一种基于半圆形结构元素的形态滤波器,在选取合适的元素尺寸情况下,可以有效滤除混合噪声。对于去噪声之后的信号采用Prony算法进行辨识,可准确获取低频振荡各个模式参数。通过Matlab进行算例仿真,表明了对电力信号进行预处理的必要性以及所提出的方法能相对精确地进行振荡模式辨识,验证了其有效性。     

基于小波包去噪与EMD的故障电弧检测算法研究

经验模态分解(Empirical Mode Decomposition,简称EMD)方法是一种被广泛应用于故障诊断领域的信号处理方法,但是分解的结果容易受到高频噪声的干扰。因此本文提出利用小波包去除噪声,同时利用EMD分解进行故障电弧信号处理的研究方法。首先根据国标GB/T 31143-2014搭建故障电弧实验平台,采集故障电弧信号,利用小波包去除信号中的噪声,然后利用EMD方法对正常电弧和故障电弧进行分解得到一系列本征模态分量,通过计算求出这些分量的能量熵并进行归一化处理得到特征向量,最后进行支持向量机(SVM)训练,进而诊断得出故障电弧的故障类型。实验结果表明该方法可以有效准确地对故障电弧进行判断。     

基于Prony滑动平均窗算法的电力系统低频振荡特征分析

Prony算法能根据实测数据辨识系统的相关特性参数,有助于分析系统低频振荡。针对传统Prony算法只能分析部分数据且对噪声敏感的问题,提出一种Prony滑动平均窗算法,分窗口对数据进行分析,不仅能充分利用数据,而且采用求和取平均的方法在一定程度上能削弱噪声,即使在信噪比非常小的情况下仍能得到准确的辨识结果。基于PSASP软件的仿真分析验证了Prony滑动平均窗算法所得结果的准确性。     

基于EMD理论的短期负荷预测

提出将经验模态分解法(empirical mode decomposition,EMD)与自回归动平均(autoregressive and moving average,ARMA)时序分析相结合的短期负荷预测方法,利用EMD算法对负荷序列进行分解,再对分解得到的每一个基本模式分量(intrinsic mode function,IMF)分别进行ARMA预测,以改善短期负荷预测的效果。以我国某地区2008年夏季负荷高峰段的用电负荷预测为例,应用提出的预测方法对各负荷分量进行单独预测,得到的仿真结果表明,采用该方法进行短期负荷预测将显著改善预测的精度。