基於mm和arma算法的次同步振蕩模態辨識方法
2023-09-18 21:53:55
專利名稱：基於mm和arma算法的次同步振蕩模態辨識方法
技術領域：
本發明涉及電力系統的安全穩定運行，特別涉及一種基於MM和ARMA算法的次同步振蕩模態辨識方法。
背景技術：
隨著電網規模的擴大化和結構的複雜化，電力系統中的次同步振蕩問題亟待解決。快速準確地辨識次同步振蕩模態參數，對於次同步振蕩的監測、預警以及控制措施的制定都起著至關重要的作用。隨著廣域測量系統(WAMS)相關技術的快速發展，基於實測數據提取振蕩模態的方法由於其無需詳細的系統模型和大規模特徵值計算而逐漸得到廣泛應用。目前，基於實測數據的次同步振蕩模態辨識的典型方法有:普羅尼(Prony)分析法、小波分析法、快速傅立葉(FFT)法、希爾伯特-黃變化法(HHT)等。傳統的Prony分析法抗噪能力差；小波分析法難區分信號中的相近頻率，不利於扭振模態參數的提取；FFT法無法提取振蕩的瞬時頻率和衰減因子；HHT法對信號的採樣率要求較高。上述方法都難以滿足複雜系統強噪聲背景下的次同步振蕩模態辨識的要求。數學形態學(mathematical morphology, MM)是基於積分幾何和隨機集論發展而來，具有計算快速、簡便、去噪和重構信號能力強的特點，被廣泛應用於圖像處理、形狀分析、模式識別等領域。董超等[1]採用數學形態學設計出一種多結構元素的並行複合形態濾波器，可有效濾除多種噪聲，保留更多的有用信息。對消噪後的信號採用基於總體最小二乘法-旋轉不變技術的信號參數估計(TLS — ESPRIT)算法進行辨識，從而獲取低頻振蕩各個模式參數。自回歸滑動平均模型(ARMA)是建立在線性模型基礎上，是以參數化模型處理動態隨機數據的一種實用方法，也是系統辨識和預測的經典方法。ARMA模型以白噪聲為輸入，解決了系統識別中輸入未知時不可識別的問題，拓寬了系統識別的應用領域。吳超等[2]基於類噪聲信號，採用自回歸滑動平均(ARMA)法進行低頻振蕩模式辨識，從而實現電網正常運行狀態下的動態穩定性預警。文中涉及如下參考文獻:[I]董超等.基於數學形態學濾波技術和TLS-ESPRIT算法的低頻振蕩模式辨識研究[J].電力系統保護與控制，2012，40 (3):114-118, 123.
[2]吳超等.計及模型定階的低頻振蕩模式類噪聲信號辨識[J].電力系統自動化，2009，33(21):1-6.
發明內容
針對現有技術存在的問題，本發明將數學形態濾波技術與自回歸滑動平均模型結合，提出了一種基於數學形態學(MM)和自回歸滑動平均模型(ARMA)的次同步振蕩模態辨識方法。為解決上述技術問題，本發明採用如下技術方案:
一種基於麗和ARMA算法的次同步振蕩模態辨識方法，包括步驟:步驟1、採用數學形態濾波器對次同步振蕩信號進行消噪；步驟2、對消噪後的次同步振蕩信號構建自回歸滑動平均模型，並對信號進行預處理；步驟3，對構建的自回歸滑動平均模型進行定階，並對定階後的自回歸滑動平均模型進行模型參數估計；步驟4，基於步驟3所獲取的自回歸滑動平均模型參數估計值進行次同步振蕩信號模態辨識。步驟I中的數學形態濾波器為形態開-閉濾波器和形態閉-開濾波器的組合，具
體為
權利要求
1.一種基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於，包括步驟: 步驟1、採用數學形態濾波器對次同步振蕩信號進行消噪； 步驟2、對消噪後的次同步振蕩信號構建自回歸滑動平均模型，並對信號進行預處理；步驟3，對構建的自回歸滑動平均模型進行定階，並對定階後的自回歸滑動平均模型進行模型參數估計； 步驟4，基於步驟3所獲取的ARMA模型參數估計值進行次同步振蕩信號模態辨識。
2.如權利要求1所述的基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於: 步驟I中所述的數學形態濾波器為形態開-閉濾波器和形態閉-開濾波器的組合。
3.如權利要求2所述的基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於: 所述的數學形態濾波器為
4.如權利要求1所述的基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於: 步驟I中所述的數學形態濾波器的結構元素為半圓結構元素和三角結構元素。
5.如權利要求1所述的基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於: 採用相似度指標S評估步驟I的濾波效果，所述的相似度指標
6.如權利要求1所述的基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於: 步驟3中採用BIC準則對構建的自回歸滑動平均模型進行定階。
7.如權利要求1所述的基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於: 步驟3中採用加權遞推最小二乘法對定階後的自回歸滑動平均模型進行模型參數估計。
8.如權利要求7所述的基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於: 所述的採用加權遞推最小二乘法對定階後的自回歸滑動平均模型進行模型參數估計，具體為: 採用加權遞推最小二乘法對定階後的自回歸滑動平均模型進行模型參數估計，根據所得模型參數估計值計算加權準則函數，判斷加權準則函數是否滿足控制精度要求，若滿足，則執行步驟4 ;否則，基於當前模型參數估計值對自回歸滑動平均模型繼續進行模型參數估計。
9.如權利要求1所述的基於MM和ARMA算法的次同步振蕩模態辨識方法，其特徵在於: 步驟4進一步包括子步驟: 4-1基於自回歸滑動平均模型參數估計值構建次同步振蕩離散信號的特徵方程，並獲取特徵方程的共軛特徵根； 4-2基於共軛特徵根分析自回歸滑動平均模型參數，並對分析所得自回歸滑動平均模型參數進行z域到s域的變換，從而獲得次同步振蕩模型參數。
全文摘要
本發明公開了一種基於MM和ARMA算法的次同步振蕩模態辨識方法，該方法實現了噪聲幹擾下的次同步振蕩模態準確辨識。本發明方法包括步驟採用數學形態濾波器對次同步振蕩信號進行消噪處理，保留信號的主要特徵信息；對消噪後的信號建立ARMA模型，並經數據預處理、模型定階、模型參數估計後獲得次同步振蕩模態參數。本發明方法能快速、準確地辨識出次同步振蕩的模態參數，具有抗噪能力強、辨識精度高等優點，在基於實測數據的次同步振蕩分析、監測、預警及阻尼控制器設計等方面具有較好的應用前景。
文檔編號G06F17/50GK103207931SQ201310076469
公開日2013年7月17日 申請日期2013年3月11日 優先權日2013年3月11日
發明者廖清芬, 董飛飛, 唐飛, 查曉明, 陳恩澤, 魏大千, 塗煉, 朱振山 申請人:武漢大學