主权项 |
基于互相关函数滤噪算法的低频振荡在线辨识方法,其特征在于该方法包括以下步骤:1)去除实测信号的均值,保留振荡分量,电力系统低频振荡信号模型为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>X</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>m</mi><mo>=</mo><mi>Q</mi></mrow></munderover><msub><mi>B</mi><mi>m</mi></msub><msup><mi>e</mi><mrow><msub><mi>α</mi><mi>m</mi></msub><mi>t</mi></mrow></msup><mi>cos</mi><mrow><mo>(</mo><mn>2</mn><mi>π</mi><msub><mi>f</mi><mi>m</mi></msub><mi>t</mi><mo>+</mo><msub><mi>φ</mi><mi>m</mi></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000011.GIF" wi="1319" he="125" /></maths>式中,Q为假设的信号模式数,B<sub>m</sub>为振幅,α<sub>m</sub>为阻尼因子,f<sub>m</sub>为频率,<img file="FDA0000497299510000012.GIF" wi="66" he="59" />为初始相位;进一步表示为指数模型:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>X</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>m</mi><mo>=</mo><mn>2</mn><mi>Q</mi></mrow></munderover><msub><mi>R</mi><mi>m</mi></msub><msup><mi>e</mi><mrow><msub><mi>p</mi><mi>m</mi></msub><mi>t</mi></mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000013.GIF" wi="1183" he="142" /></maths>式中,<img file="FDA0000497299510000014.GIF" wi="718" he="126" />由此得两个不同时刻的有限长信号指数模型为:<maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mi>x</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>a</mi><mi>i</mi></msub><msup><mi>e</mi><mrow><msub><mi>p</mi><mi>i</mi></msub><mi>n</mi></mrow></msup><mo>,</mo><mrow><mo>(</mo><mi>n</mi><mo>=</mo><mn>0,1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><msub><mi>N</mi><mn>1</mn></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000015.GIF" wi="1315" he="134" /></maths><maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><mi>y</mi><mrow><mo>(</mo><mi>m</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>b</mi><mi>j</mi></msub><msup><mi>e</mi><mrow><msub><mi>p</mi><mi>j</mi></msub><mi>m</mi></mrow></msup><mo>,</mo><mrow><mo>(</mo><mi>m</mi><mo>=</mo><mn>0,1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><msub><mi>N</mi><mn>2</mn></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000016.GIF" wi="1325" he="141" /></maths>对信号的不同采样序列,求取其互相关函数R<sub>xy</sub>(τ);平稳采样序列{x(n)}和{y(m)}受噪声污染后的非平稳混合过程表示为:<maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><mover><mi>x</mi><mo>~</mo></mover><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><mi>x</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>+</mo><mi>w</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>a</mi><mi>i</mi></msub><msup><mi>e</mi><mrow><msub><mi>p</mi><mi>i</mi></msub><mi>n</mi></mrow></msup><mo>+</mo><mi>w</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000017.GIF" wi="1321" he="136" /></maths><maths num="0006" id="cmaths0006"><math><![CDATA[<mrow><mover><mi>y</mi><mo>~</mo></mover><mrow><mo>(</mo><mi>m</mi><mo>)</mo></mrow><mo>=</mo><mi>y</mi><mrow><mo>(</mo><mi>m</mi><mo>)</mo></mrow><mo>+</mo><mi>v</mi><mrow><mo>(</mo><mi>m</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>b</mi><mi>j</mi></msub><msup><mi>e</mi><mrow><msub><mi>p</mi><mi>j</mi></msub><mi>m</mi></mrow></msup><mo>+</mo><mi>v</mi><mrow><mo>(</mo><mi>m</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000018.GIF" wi="1337" he="136" /></maths>其中,w(n)和v(m)是相互独立的噪声,高斯白噪声或者高斯有色噪声;2)针对有限长序列{x(n)}和{y(n)},得其互相关函数表达式为:<maths num="0007" id="cmaths0007"><math><![CDATA[<mrow><msubsup><mi>R</mi><mi>xy</mi><mo>′</mo></msubsup><mrow><mo>(</mo><mi>τ</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>n</mi><mo>=</mo><msub><mi>S</mi><mn>1</mn></msub></mrow><msub><mi>S</mi><mn>2</mn></msub></munderover><mi>x</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><msup><mi>y</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mi>τ</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000019.GIF" wi="1365" he="146" /></maths>类似于四阶自相关函数的协方差估计子,取S<sub>1</sub>=max(0,‑τ),S<sub>2</sub>=min(N‑1‑τ<sub>max</sub>,N‑1+τ<sub>max</sub>‑τ),N=min(N<sub>1</sub>,N<sub>2</sub>),0<τ≤τ<sub>max</sub>;将式(5)(6)带入式(7),得:<maths num="0008" id="cmaths0008"><math><![CDATA[<mrow><msub><mover><mi>R</mi><mo>~</mo></mover><mi>xy</mi></msub><mrow><mo>(</mo><mi>τ</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>R</mi><mi>xy</mi></msub><mrow><mo>(</mo><mi>τ</mi><mo>)</mo></mrow><mo>+</mo><mi>ρ</mi><mrow><mo>(</mo><mi>τ</mi><mo>)</mo></mrow><mo>+</mo><msub><mi>R</mi><mi>wv</mi></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000021.GIF" wi="1387" he="88" /></maths>其中,R<sub>wv</sub>(t)=0,<maths num="0009" id="cmaths0009"><math><![CDATA[<mfenced open='' close=''><mtable><mtr><mtd><mi>ρ</mi><mrow><mo>(</mo><mi>τ</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>n</mi><mo>=</mo><msub><mi>S</mi><mn>1</mn></msub></mrow><msub><mi>S</mi><mn>2</mn></msub></munderover><mi>x</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><msup><mi>w</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>m</mi><mo>+</mo><mi>τ</mi><mo>)</mo></mrow><mo>+</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>n</mi><mo>=</mo><msub><mi>S</mi><mn>1</mn></msub></mrow><msub><mi>S</mi><mn>2</mn></msub></munderover><mi>v</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><msup><mi>y</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>n</mi><mo>+</mo><mi>τ</mi><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>=</mo><mi>E</mi><mo>[</mo><mi>x</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><msup><mi>w</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>m</mi><mo>+</mo><mi>τ</mi><mo>)</mo></mrow><mo>]</mo><mo>+</mo><mi>E</mi><mo>[</mo><mi>v</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><msup><mi>y</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>m</mi><mo>+</mo><mi>τ</mi><mo>)</mo></mrow><mo>]</mo></mtd></mtr><mtr><mtd><mo>≈</mo><mi>E</mi><mo>[</mo><mi>x</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>]</mo><mi>E</mi><mo>[</mo><msup><mi>w</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>m</mi><mo>+</mo><mi>τ</mi><mo>)</mo></mrow><mo>]</mo><mo>+</mo><mi>E</mi><mo>[</mo><mi>v</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>]</mo><mi>E</mi><mo>[</mo><msup><mi>y</mi><mo>*</mo></msup><mrow><mo>(</mo><mi>m</mi><mo>+</mo><mi>τ</mi><mo>)</mo></mrow><mo>]</mo></mtd></mtr><mtr><mtd><mo>=</mo><mn>0</mn></mtd></mtr></mtable></mfenced>]]></math><img file="FDA0000497299510000022.GIF" wi="994" he="439" /></maths>故<maths num="0010" id="cmaths0010"><math><![CDATA[<mrow><msub><mover><mi>R</mi><mo>~</mo></mover><mi>xy</mi></msub><mrow><mo>(</mo><mi>τ</mi><mo>)</mo></mrow><mo>≈</mo><msub><mi>R</mi><mi>xy</mi></msub><mrow><mo>(</mo><mi>τ</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000497299510000023.GIF" wi="1721" he="88" /></maths>振荡信号中的高斯噪声能够被有效抑制,互相关序列保留了原信号的极点信息;3)利用互相关函数R<sub>xy</sub>(τ)形成Hankel矩阵为:<img file="FDA0000497299510000024.GIF" wi="1079" he="300" />τ<sub>max</sub>、N取值为2)中所示,L=N/3~N/2;4)对矩阵Y进行奇异值分解,按照奇异值范数<img file="FDA0000497299510000025.GIF" wi="596" he="183" />得到有效秩,生成信号子空间V<sub>S</sub>和噪声子空间V<sub>N</sub>;5)V<sub>S</sub>删除第一行和第二行剩下的矩阵分别为V<sub>1</sub>、V<sub>2</sub>,由V<sub>2</sub>=V<sub>1</sub>Ψ得到旋转算子Ψ;对[V<sub>1</sub>,V<sub>2</sub>]进行奇异值分解得到右特征向量P,<maths num="0011" id="cmaths0011"><math><![CDATA[<mrow><mi>P</mi><mo>=</mo><mfenced open='[' close=']'><mtable><mtr><mtd><msub><mi>P</mi><mn>11</mn></msub></mtd><mtd><msub><mi>P</mi><mn>12</mn></msub></mtd></mtr><mtr><mtd><msub><mi>P</mi><mn>21</mn></msub></mtd><mtd><msub><mi>P</mi><mn>22</mn></msub></mtd></mtr></mtable></mfenced><mo>;</mo></mrow>]]></math><img file="FDA0000497299510000026.GIF" wi="292" he="159" /></maths>6)计算<img file="FDA0000497299510000027.GIF" wi="130" he="80" />1的特征根得到信号的频率、衰减系数;7)利用总体最小二乘法求出信号的幅值和主导模态,通过ESPRIT算法使实测数据组成的向量经旋转后得到新的向量,保持两种向量对应的信号子空间的不变性,再通过求旋转算子的广义特征值来求取信号极点,应用总体最小二乘法求出信号幅值,得到主导模态。 |