基于WAMS的电力系统低频振荡模态参数在线辨识

论文摘要

研究在线的振荡模态参数辨识算法是实现电力系统低频振荡在线监测以及广域阻尼控制的重要理论基础。在众多的低频振荡在线分析方法中,普罗尼(Prony)方法具有独特的优势。但传统Prony法对输入信号的要求很高,对数据噪声非常敏感,本文在分析Prony算法基本原理的基础上,针对传统Prony方法对噪声敏感的缺点,主要研究了如下内容:(1)在分析与总结现有滤波算法优缺点的基础上,提出一种基于改进的整体平均经验模式分解(ensemble empirical mode decomposition,EEMD)方法的数字滤波算法。算法针对经验模式分解(empirical mode decomposition,EMD)滤波方法的不足,采用对含噪信号先用中值滤波法平滑处理,再对处理后的信号EEMD分解的方法。改进后的方法结合了平滑处理滤除脉冲噪声以及EEMD方法滤除随机噪声和高频连续噪声的优点,且不存在模态混叠。该方法没有固定的基函数,是一种自适应的分析方法,非常适于处理非线性、非平稳信号。(2)通过数字仿真,研究了改进算法的滤波性能并与小波滤波方法进行了比较,仿真结果表明:该方法可以有效抑制电力系统采样信号中的各种噪声,具有比小波滤波方法更好的滤波特性,且避免了小波滤波方法难于选择小波基的困难。(3)提出一种基于改进的整体平均经验模式分解方法滤波和Prony方法相结合的低频振荡分析方法。该方法先用改进的EEMD对低频振荡信号进行自适应滤波,再用Prony法对滤波后的信号进行分析。仿真结果表明:在较大噪声环境下,该方法仍能准确的辨识出低频振荡模态参数。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 低频振荡定义
• 1.3 低频振荡机理
• 1.4 低频振荡的研究方法
• 1.4.1 线性理论方法
• 1.4.2 非线性理论方法
• 1.4.3 信号分析法
• 1.5 本文主要研究内容
• 第2章 Prony 方法及其改进算法
• 2.1 Prony 方法原理
• 2.2 现有求解方法综述
• 2.2.1 最小二乘法
• 2.2.2 SVD 算法
• 2.2.3 SVD-TLS 算法
• 2.3 Prony 算法的参数选择
• 2.3.1 采样频率的选择
• 2.3.2 数据时间窗的选择
• 2.3.3 模型有效阶数的确定
• 2.3.4 噪声与非线性对故障信号拟合精度的影响
• 2.4 改进算法
• 2.5 本章小结
• 第3章 基于改进EEMD 方法的数字滤波器
• 3.1 经验模态分解的基本原理
• 3.2 经验模态分解算法
• 3.2.1 瞬时频率与单分量信号
• 3.2.2 本征模态函数及筛分过程
• 3.3 EMD 滤波特性
• 3.4 EMD 降噪方法存在的问题
• 3.4.1 筛选停止准则
• 3.4.2 模态混叠
• 3.5 改进EEMD 算法简介
• 3.5.1 EEMD 基本原理
• 3.5.2 EEMD 步骤及其参数设置原则
• 3.5.3 改进EEMD 方法滤波步骤
• 3.6 本章小结
• 第4章 小波滤波方法
• 4.1 引言
• 4.2 小波阈值去噪原理
• 4.3 小波阈值算法的改进
• 4.4 小波函数的选择原则
• 4.5 小波与EEMD 对比图
• 4.5.1 高频连续噪声滤波
• 4.5.2 随机噪声滤波
• 4.5.3 突发性脉冲噪声滤波和直流分量
• 4.5.4 混合噪声
• 4.5.5 总结
• 4.6 本章小结
• 第5章 基于改进EEMD 滤波的低频振荡Prony 分析
• 5.1 低频振荡模态分量阻尼比
• 5.2 提取低频振荡模态参数的步骤
• 5.3 数值仿真
• 5.4 实例分析
• 5.5 本章小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 攻读硕士学位期间发表的论文及其它成果
• 致谢
• 详细摘要