基于SURE小波消噪和归一化奇异熵TLS-ESPRIT法的低频振荡辨识

在对低频振荡信号特征参数的提取过程中往往会存在噪声干扰和辨识算法定阶不准确的问题。针对此问题,提出了Stein的无偏似然估计(SURE)小波阈值消噪和总体最小二乘-旋转不变技术(TLS-ESPRIT)相结合的方法,用于提取振荡模态的参数。首先利用SURE小波阈值消噪技术实现对振荡信号的预处理,提升信号的信噪比,而后将处理后的信号作为新的主导信号利用TLS-ESPRIT算法进行振荡参数的辨识。在辨识算法的关键定阶问题上,提出的归一化奇异熵的定阶方法能使信号模态阶数的估计值更加接近真实值。通过对数值信号算例和PSASP中EPRI8机36节点系统算例进行仿真,并与传统算法进行对比,验证了该改进方法的可行性和精确性。

基于SURE小波与ITD法的电力系统模态辨识

针对因互联系统稳定性的下降引起的低频振荡事故,提出了基于无偏似然估计(stein unbiased risk estimate,SURE)的自适应小波阈值与固有时间尺度分解(intrinsic time-scale decomposition,ITD)的联合辨识算法,以解决在低频振荡的关键模态辨识中提取出的参数精度不够准确的问题。对含有噪声干扰的信号进行小波变换得到其小波系数,根据信号特点按照最小均方误差算法估计其最优阈值,从而进行小波系数的筛选和信号的重构,得到去除噪声后的信号。对处理后的信号进行固有时间尺度分解,构建相应的信号测点矩阵并求解矩阵的特征值,获取系统的关键振荡参数。采用数学测试信号、PSASP软件中的8机36节点仿真系统信号以及实测信号,验证了所提方法对实际电网是有效可行的。

基于SURE小波阈值消噪和MCEEMD-HHT的低频振荡分析

为解决低频振荡分析中广域量测系统存在量测噪声影响和应用希尔伯特黄变换(Hilbert-Huang transform,HHT)进行模态辨识中的模态混叠和伪分量问题,提出基于Stein的无偏似然估计(Stein unbiased risk estimate,SURE)小波阈值消噪和改进的补充集合经验模态分解希尔伯特黄变换(modified complementary ensemble empirical mode decomposition and Hilbert-Huang transform,MCEEMD-HHT)的低频振荡分析方法。首先,对含较强噪声的电网量测低频振荡信号,采用SURE小波阈值消噪实现信号预处理。其次,引入排列熵算法改进CEEMD形成MCEEMD,有效抑制经验模态分解中的模态混叠和伪分量现象。最后,对MCEEMD分解得到的低频振荡真实模态进行HHT分析。通过复合信号测试、IEEE四机两区域系统仿真以及实测北美电网数据分析,验证了所提方法在电力系统低频振荡分析中的有效性。此外,与快速傅里叶变换(fast Fourier transform,FFT)、Prony算法分析进行对比可知,所提方法在模态参数的提取方面表现得更为准确,且无需人为定价。