[发明专利]一种基于四阶混合平均累积量与改进TLS-ESPRIT算法的低频振荡模态辨识方法

摘要

本发明涉及一种基于四阶混合平均累积量与改进TLS‑ESPRIT算法的低频振荡模态辨识方法，利用四阶混合累积量抑制高斯色噪声，并对TLS‑ESPRIT算法进行改进，引入奇异值相对变化率定阶，利用测量数据构造矩阵进行电力系统低频振荡模态辨识，本发明使得检测出电力系统低频振荡信号不同振荡模态的振荡频率、衰减因子、振荡幅值和相位信息更加准确。

主权项

一种基于四阶混合平均累积量与改进TLS‑ESPRIT算法的低频振荡模态辨识方法，其特征在于：包括以下步骤：步骤S1：提取电力系统低频振荡信号Y(t)，电力系统低频振荡信号可以表示成如下所示：Y(t)=x(t)+v(t)=Σm=12PAmeσmtcos(2πfmt+θm)+v(t)]]>式中：2P为信号模态数的两倍；Am为幅值；σm为衰减因子；fm为频率；θm为初相角；v(t)为高斯白噪声；步骤S2：低频振荡信号Y(t)通过低通滤波器产生一定高度的高斯色噪声Y1(t)；步骤S3：对含高斯色噪声信号Y1(t)去均值得到Y'(t)；步骤S4：利用Y'(t)构造四阶混合平均累积量C‾4Y(τ)=-2NΣt=S1S2Y′(t)Y′(t+τ)(Y′*(t+τ))2;]]>式中：S1＝max(0,‑τ)；S2＝min(N‑1,N‑1‑τ)；τ≤N‑1；Y'*为Y'的共轭复数，N为采样点数；步骤S5：利用构造Hankel矩阵Y：式中，L＞2P；M＞2P；P为低频振荡的模态数，N为采样点数。步骤S6：对Y进行奇异值分解，得到由奇异值矩阵所组成的对角矩阵，如下：Y＝USVT；式中，UHU＝I；VHV＝I；U为L×L阶方阵；V为M×M阶方阵；H表示共轭转置；奇异值S为L×M阶对角阵，其中的奇异值为s，按照降序排列；V按照奇异值大小划分为信号子空间VS和噪声子空间VN；步骤S7：根据奇异值相对变化率法确定系统的阶数2P，VS的列向量对应于矩阵Y的幅值最大的2P个奇异值的特征向量；步骤S8：VS删除第一行和第二行剩下矩阵分别为V1、V2，构造矩阵|V1V2|并对矩阵|V1V2|进行奇异值分解得到得到右特征向量向量对矩阵进行分块将分为四个2P×2P的矩阵：R‾=R11R12R21R22;]]>步骤S9：计算的特征值λk(k＝1,2,…2P)，根据下列式子计算各分量的振荡频率fk和衰减系数σk：fk=argλk2πTsσk=-ln|λk|Ts;]]>其中，Ts为采样周期；步骤S10：通过最小二乘法求得信号的振荡幅值和初相角：步骤S11：判断步骤S10得出的振荡幅值与初相角是否满足预设的拟合条件，若是，则输出低频振荡信息，得出电力系统低频振荡各模态的完整参数；否则，返回步骤S7。