[发明专利]一种应用于多通道电力系统信号中的低频振荡模式识别的分析方法

摘要

一种应用于多通道电力系统信号中的低频振荡模式识别的分析方法，该方法是先获取多通道电力系统低频振荡时的振荡源信号，再将振荡源信号用独立分量分析算法(ICA)进行分离，使多通道的时变信号分离成相互独立的统计独立分量，消除非周期噪声，然后通过粒子滤波算法对其进行参数估计，得到系统的最优参数估计值，最后与最初获取的振荡源信号进行拟合，通过拟合误差的大小确定低频振荡模式的各个参数是否正确，从而辨识出各通道低频振荡信号的模式。本方法将独立分量分析算法与粒子滤波算法相结合地进行分析，能提高多通道系统分析的可靠性以及精确度。

主权项

1.一种应用于多通道电力系统信号中的低频振荡模式识别的分析方法，其特征在于，该方法步骤如下：步骤1、获取多通道电力系统低频振荡时的振荡源信号，该振荡源信号为低频振荡时电网的频率、电压或电流值，该振荡源信号S(t)＝[S1(t),S2(t),…,SN(t)]T由N维相互独立的分量振荡源信号组成，且各分量振荡源信号中最多只有一个高斯分布，表示为X(t)＝BS(t)+n(t)，其中，t为离散时间变量，X(t)为M维传感器接收到的观测信号集合，即X(t)＝[X1(t),X2(t),…,XN(t)]T，B为M×N阶未知混合矩阵，n(t)为M维观测噪声向量；步骤2、将振荡源信号用独立分量分析算法进行分离，得到能量相互独立的统计独立分量Yj，j＝1,……，m，该m为需要估计的独立分量的个数；步骤3、对各个统计独立分量进行自相关分析，消除非周期噪声即消除观测噪声n(t)的影响；步骤4、采用粒子滤波算法对消除非周期噪声的统计独立分量进行分解，得到各统计独立分量的低频振荡参数幅值A、频率f、相位φ、衰减系数α，从而得到各通道的低频振荡模式，具体过程如下：a、根据已消除非周期噪声的统计独立分量进行计算，得到幅值、相位和衰减系数，并根据该统计独立分量建立状态方程和观测方程，选取幅值A、频率f、相位和衰减系数α作为粒子，由该些粒子构成粒子集；b、对粒子集进行初始化，将粒子集初始权值均设定为1/N，再从初始化后的粒子集中根据先验概率密度函数p(x)生成采样粒子；然后选取状态变量的转移概率密度函数作为重要性概率密度函数q(x)；c、将采样粒子根据重要性概率密度函数q(x)进行重要性采样：(1)先从采样粒子中依据重要性概率密度函数q(x)随机抽取N个粒子，计算该些粒子的未归一化权值计算公式为其中，i为1‑N的正整数；并根据计算得到的未归一化权值更新随机抽取的粒子权值；(2)对更新后的粒子权值进行归一化，归一化计算公式为以得到归一化权值d、根据归一化权值采用下式计算有效粒子数Neff，有效粒子数的值必须大于设定的阈值Nthres，否则重采样；然后根据有效粒子数对应的归一化权值更新粒子集；其中，有效粒子数的计算公式如下：e、重复步骤c～d，直至迭代结束，迭代次数设定为H，H初始值为50次；f、根据公式x为系统的状态，y表示观测信号，及公式δ(·)表示狄拉克delta函数，以估计出系统状态，得出滤波后的状态概率分布，并根据该状态概率分布得到最优估计粒子，从而得到系统各个通道的最优估计值即最优估计粒子的低频振荡参数幅值A、频率f、相位和衰减系数α的值；g、将得到的各个通道的最优估计值的集合与步骤1中获取的振荡源信号进行拟合，确定各个通道的低频振荡模式的各个参数，同时根据最优估计值计算信噪比，若信噪比＞20％，则将步骤e的迭代次数设置为H+10，重复步骤c～步骤g，直至信噪比≤20％，迭代终止；若信噪比≤20％，则辨识出各通道的低频振荡模式。