高斯有色噪聲背景下電力系統(tǒng)低頻振蕩在線模式識別的研究.pdf

1、電力系統(tǒng)低頻振蕩問題作為互聯(lián)電力系統(tǒng)固有現(xiàn)象，嚴(yán)重地制約了聯(lián)絡(luò)線功率傳輸，同時也嚴(yán)重地威脅電網(wǎng)的安全穩(wěn)定運行。實測PMU信號實時反映系統(tǒng)運行狀態(tài)，且不需要對復(fù)雜系統(tǒng)進行數(shù)學(xué)建模，有效彌補了傳統(tǒng)基于模型的特征值分析方法固有不足。目前大部分基于廣域測量PMU數(shù)據(jù)進行低頻振蕩的辨識算法往往只考慮高斯白色噪聲，忽略了高斯有色噪聲對辨識的影響。本文主要研究了高斯色噪聲背景下電力系統(tǒng)低頻振蕩的在線檢測算法。
　　本文首先研究了在不同程度的高斯

2、白噪聲下Prony、HTLS（Hankel Total Least Squares）、MP（Matrix Pencil）、SVD-Prony算法的辨識性能。借鑒HTLS算法、MP算法良好的抗噪能力，對采樣數(shù)據(jù)直接建立的Hankel矩陣進行SVD濾波并與Prony相結(jié)合，提出了具有較好抗噪能力SVD-Prony算法。通過理想測試信號算例、四機兩區(qū)仿真系統(tǒng)算例、HZ電網(wǎng)一組實測PMU數(shù)據(jù)驗證了Prony、HTLS、MP、SVD-Prony算

3、法的檢測性能。其次，研究了高斯有色噪聲背景下基于高階混合累積量相關(guān)低頻振蕩檢測算法。詳細(xì)推導(dǎo)了無限長數(shù)據(jù)和單記錄有限長數(shù)據(jù)背景下的四階混合累積量（FOMC），利用高階混合累積量的盲高斯性，提出可抑制高斯噪聲（包括高斯有色噪聲）的FOMC-Prony、FOMC-HTLS、FOMC-MP三種算法。通過理想測試信號算例和以及HZ電網(wǎng)實測PMU信號兩組數(shù)據(jù)算例進行檢測分析，表明所提的FOM相關(guān)算法可抑制高斯色噪聲、提高檢測精度的能力、同時在四階

4、混合累積量算法下原始信號模態(tài)信息的求解更好實現(xiàn)算法的定量評價。然后，研究了高斯有色噪聲背景下基于互相關(guān)函數(shù)濾波（CCF）的低頻振蕩檢測算法。詳細(xì)推導(dǎo)了無限長數(shù)據(jù)和有限長數(shù)據(jù)背景下互相關(guān)函數(shù)對高斯噪聲（包括高斯色噪聲）的處理。利用互相關(guān)函數(shù)序列和原始信號具有相同的頻率和衰減因子，同時可以抑制高斯噪聲這一性質(zhì)，提出可抑制高斯有色噪聲并可獲得原始模態(tài)信息的CCF-Prony、CCF-HTLS、CCF-MP這三種算法。最后，同樣通過理想測試信號

5、算例和以及HZ電網(wǎng)實測PMU信號兩組數(shù)據(jù)算例進行檢測分析，表明所提的CCF相關(guān)算法實現(xiàn)了抑制高斯色噪聲、提高檢測精度的能力和對算法重構(gòu)信號的定量評價。最后，針對FOMC序列CCF序列模態(tài)信息與原始振蕩模式不同，模態(tài)求取不易，而總體最小二乘法求取模態(tài)精度不足、容易在多維矩陣求逆過程中出現(xiàn)病態(tài)等不足，提出了利用Adaline神經(jīng)網(wǎng)絡(luò)求取低頻振蕩模態(tài)信息的方法。給出了高斯色噪聲背景下，已知頻率和衰減因子的情況下，利用Adaline神經(jīng)網(wǎng)絡(luò)求取

6、原始信號模態(tài)參數(shù)的詳細(xì)步驟，并提出了FOMC-HTLS-Adaline、FOMC-MP-Adaline、CCF-HTLS-Adaline、CCF-MP-Adaline這四種算法。同樣通過理想測試信號算例和以及HZ電網(wǎng)實測PMU信號兩組數(shù)據(jù)算例進行檢測分析，并探究了Adaline神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率的取值大小與權(quán)向量的調(diào)節(jié)精度和收斂速度的關(guān)系。最后，從運算效率和擬合精度的角度分析并比較上述所提的FOMC相關(guān)算法、CCF相關(guān)算法、以及Adal