[发明专利]基于MM和ARMA算法的次同步振荡模态辨识方法

权利要求书

1.一种基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于，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ARMA模型参数估计值进行次同步振荡信号模态辨识。

2.如权利要求1所述的基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于：

步骤1中所述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。

3.如权利要求2所述的基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于：

所述的数学形态滤波器为：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。

4.如权利要求1所述的基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于：

步骤1中所述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。

5.如权利要求1所述的基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于：

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；N_s为总的采样点数。

6.如权利要求1所述的基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于：

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。

7.如权利要求1所述的基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于：

步骤3中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。

8.如权利要求7所述的基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于：

所述的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。

9.如权利要求1所述的基于MM和ARMA算法的次同步振荡模态辨识方法，其特征在于：

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；

4-2基于共轭特征根分析自回归滑动平均模型参数，并对分析所得自回归滑动平均模型参数进行z域到s域的变换，从而获得次同步振荡模型参数。