[发明专利]基于MM和ARMA算法的次同步振荡模态辨识方法

说明书

技术领域

本发明涉及电力系统的安全稳定运行，特别涉及一种基于MM和ARMA算法的次同步振荡模态辨识方法。

背景技术

随着电网规模的扩大化和结构的复杂化，电力系统中的次同步振荡问题亟待解决。快速准确地辨识次同步振荡模态参数，对于次同步振荡的监测、预警以及控制措施的制定都起着至关重要的作用。随着广域测量系统(WAMS)相关技术的快速发展，基于实测数据提取振荡模态的方法由于其无需详细的系统模型和大规模特征值计算而逐渐得到广泛应用。目前，基于实测数据的次同步振荡模态辨识的典型方法有：普罗尼（Prony）分析法、小波分析法、快速傅里叶（FFT）法、希尔伯特-黄变化法（HHT）等。传统的Prony分析法抗噪能力差；小波分析法难区分信号中的相近频率，不利于扭振模态参数的提取；FFT法无法提取振荡的瞬时频率和衰减因子；HHT法对信号的采样率要求较高。上述方法都难以满足复杂系统强噪声背景下的次同步振荡模态辨识的要求。

数学形态学(mathematical morphology，MM)是基于积分几何和随机集论发展而来，具有计算快速、简便、去噪和重构信号能力强的特点，被广泛应用于图像处理、形状分析、模式识别等领域。董超等^[1]采用数学形态学设计出一种多结构元素的并行复合形态滤波器，可有效滤除多种噪声，保留更多的有用信息。对消噪后的信号采用基于总体最小二乘法-旋转不变技术的信号参数估计(TLS—ESPRIT)算法进行辨识，从而获取低频振荡各个模式参数。

自回归滑动平均模型（ARMA）是建立在线性模型基础上，是以参数化模型处理动态随机数据的一种实用方法，也是系统辨识和预测的经典方法。ARMA模型以白噪声为输入，解决了系统识别中输入未知时不可识别的问题，拓宽了系统识别的应用领域。吴超等^[2]基于类噪声信号，采用自回归滑动平均(ARMA)法进行低频振荡模式辨识，从而实现电网正常运行状态下的动态稳定性预警。

文中涉及如下参考文献：

[1]董超等.基于数学形态学滤波技术和TLS-ESPRIT算法的低频振荡模式辨识研究[J].电力系统保护与控制,2012,40(3):114-118,123.

[2]吴超等.计及模型定阶的低频振荡模式类噪声信号辨识[J].电力系统自动化,2009,33(21):1-6.

发明内容

针对现有技术存在的问题，本发明将数学形态滤波技术与自回归滑动平均模型结合，提出了一种基于数学形态学（MM）和自回归滑动平均模型（ARMA）的次同步振荡模态辨识方法。

为解决上述技术问题，本发明采用如下技术方案：

一种基于MM和ARMA算法的次同步振荡模态辨识方法，包括步骤：

步骤1、采用数学形态滤波器对次同步振荡信号进行消噪；

步骤2、对消噪后的次同步振荡信号构建自回归滑动平均模型，并对信号进行预处理；

步骤3，对构建的自回归滑动平均模型进行定阶，并对定阶后的自回归滑动平均模型进行模型参数估计；

步骤4，基于步骤3所获取的自回归滑动平均模型参数估计值进行次同步振荡信号模态辨识。

步骤1中的数学形态滤波器为形态开-闭滤波器和形态闭-开滤波器的组合，具体为：其中，Y(x)为数学形态滤波器的输出信号，OC[f(x)]表示形态开-闭滤波器，CO[f(x)]表示形态闭-开滤波器。

步骤1中的数学形态滤波器的结构元素为半圆结构元素和三角结构元素。

可采用相似度指标S评估步骤1的滤波效果，所述的相似度指标其中，f₀(x)是未叠加噪声的输入信号的离散采样点；f1(x)是经数学形态滤波器滤波后的输出信号的离散采样点；x为采样点序号；Ns为总的采样点数。

步骤3中采用BIC准则对构建的自回归滑动平均模型进行定阶，并采用加权递推最小二乘法对定阶后的自回归滑动平均模型进行模型参数估计。

采用加权递推最小二乘法对定阶后的自回归滑动平均模型进行模型参数估计，具体为：

采用加权递推最小二乘法对定阶后的自回归滑动平均模型进行模型参数估计，根据所得模型参数估计值计算加权准则函数，判断加权准则函数是否满足控制精度要求，若满足，则执行步骤4；否则，基于当前模型参数估计值对自回归滑动平均模型继续进行模型参数估计。

步骤4进一步包括子步骤：

4-1基于自回归滑动平均模型参数估计值构建次同步振荡离散信号的特征方程，并获取特征方程的共轭特征根；