【技术实现步骤摘要】
本专利技术属于宽频振荡；尤其涉及一种自适应去噪dmd的宽频振荡模态提取方法。
技术介绍
1、风光新能源发电等电力电子大规模应用使得电网运行形态逐渐宽频化，电网宽频振荡事件愈发频繁。由于宽频现象内部机理尚不明确，基于信号分析的数据驱动方法辨识宽频信号的模态参数至关重要。
2、振荡是威胁互联电网安全稳定运行的关键因素之一。过去几十年，针对低频振荡已有广泛研究，并明晰了低频振荡的产生机制。目前国内外振荡，都呈现出了宽频域、高危害、难模拟的特征。事故分析结果表明，由大量电力电子设备致使的宽频域振荡，其产生和传播机理仍需要进一步研究。为了提高电力系统运行安全水平，基于pmu录波数据对大电网次、超同步振荡的研究势在必行。在早期电力系统pmu配置较少，多采用单通道量测数据(如连接线有功功率、发电机速度或有功功率)来提取频率和阻尼比。然而，发电机通过网络彼此耦合，实际机电振荡过程，尤其是区域间振荡模式，表现出较强的全局特征，而该全局特征通过简单地依赖单个测量信道难以检测和分析。近年来，随着pmu配置数量的增多，国内外专家学者将基于多通道数据源的动态特征提取方法引入来分析动态行为。wams在同一参考时间框架下捕捉到大电网各点的实时动态信息，信息包括有功、无功、电压、相角、频率等关键量，准确反映了电网的运行状态。对wams量测信息进行合理挖掘，开发出适用于大电网次、超同步振荡起振特征识别方法十分重要。模态特征主要是模态频率、模态阻尼和模态振型三种。
3、基于数据驱动振荡模式分析方法主要分为四大类：各种改进的prony算法、最
4、早期电力系统pmu配置较少，多采用单通道量测数据(如连接线有功功率、发电机速度或有功功率)来提取频率和阻尼比。然而，发电机通过网络彼此耦合，实际机电振荡过程，尤其是区域间振荡模式，表现出较强的全局特征，而该全局特征通过简单地依赖单个测量信道难以检测和分析。近年来，随着pmu配置数量的增多，国内外专家学者将基于多通道数据源的动态特征提取方法引入来分析动态行为。wams在同一参考时间框架下捕捉到大电网各点的实时动态信息，信息包括有功、无功、电压、相角、频率等关键量，准确反映了电网的运行状态。对wams量测信息进行合理挖掘，开发出适用于大电网次、超同步振荡起振特征识别方法十分重要。
5、dmd是一种基于数据驱动的模态辨识方法，在无需任何机理建模的情况下，给出模态结果。由于电力系统的非线性和时变特性，模态识别能够通过提供组成振荡频率和阻尼比及其各自振幅的分解来监测大规模电力系统动力学的演化。dmd是一种离线和在线处理大量时间序列测量的有效算法，它可以进行时空分析，提高态势感知能力，且有助于制定控制策略。dmd被认为是一种求解无限维线性库普曼算子模态的数值算法，它定义于任何非线性系统。库普曼模态与系统模态密切相关，因此dmd模态准确地表示系统模态。
6、现有基于dmd方法的电网模态辨识对于宽频信号的模态辨识主要存在两方面的问题：
7、1.单通道信号不能给出宽频信号变化的最佳动力学近似。
8、2.实际信号受噪声污染，dmd算法在获取低维特征矩阵时手动指定低秩数值可能导致结果失准。
技术实现思路
1、本专利技术要解决的技术问题是：提供一种自适应去噪dmd的宽频振荡模态提取方法，以解决现有基于dmd方法的电网模态辨识对于宽频信号的模态辨识主要存在的：单通道信号不能给出宽频信号变化的最佳动力学近似；实际信号受噪声污染，dmd算法在获取低维特征矩阵时手动指定低秩数值可能导致结果失准等技术问题。
2、本专利技术的技术方案是：
3、一种自适应去噪dmd的宽频振荡模态提取方法，所述方法包括：首先通过连接wams数据库接口获取pmu振荡录波数据；其次，判定数据维度，若是多pmu数据录波信号，则直接构建离散状态矩阵a,否则对单维度信号进行汉克化处理得到离散状态矩阵a；然后，基于软阈值定阶方法获取阶数r，进而得到离散状态矩阵a的pod投影低秩矩阵最后，通过dmd分解获取宽频振荡模式参数。
4、通过识别处理单维度pmu振荡录波数据，并自适应定阶低阶状态矩阵得到离散状态矩阵a。
5、判定数据维度的方法包括：假定采样时间间隔为δt，存在m个时间快照和n个测量通道，若n＝1则是单维度pmu振荡录波数据。
6、对单维度信号进行汉克化处理的方法包括：假定单维信号signal由p个测量点组成，则进行汉克化处理：在p-q+1处截断信号，并逐步时移得到汉克化的矩阵x；此时原始矩阵的维度为：m＝p-q+1，n＝p-q+1；
7、signal＝[x1,x2,x3,…,xp] (1)
8、
9、离散状态矩阵a的建立方法包括：无论单维度还是多维度信号，定义汉克化矩阵x和x'如式(3)、式(4)：
10、
11、
12、dmd涉及到将时刻tj的状态测量向量xj与下一个时刻tj+1的状态测量向量xj+1联系起来的离散状态矩阵a的特征分解近似，两测量状态矩阵之间的关系描述如下：
13、x'≈ax (5)
14、
15、对x矩阵进行奇异值分解，
16、x≈uσv* (7)
17、式中，*表示共轭转置，r代表x矩阵svd分解的阶数；左右奇异向量是正交的pod模态，u*u＝i，v*v＝i；
18、由此推导离散状态矩阵a表示为
19、a＝x'vσ-1u* (8)。
20、pod投影低秩矩阵的获取方法包括：
21、首先对降维的阶数r进行选择，由于实际信号中包含噪声，假定信号测量矩阵y是由宽频振荡信号矩阵x和未知大小的噪声矩阵ηxn叠加组成；定义噪声阈值threshold如式(11)所示，y中大于最大噪声阈值的奇异值被保留，低于噪声阈值的奇异值被丢弃：
22、y＝x+ηxn (9)
23、
24、
25、式中，β＝m/n为信号测量矩阵y的纵横比；μβ是marchenko-pastur分布的中位数；δmedian用来估计噪声矩阵ηxn的奇异值，δmedian＝diag(σ)median；
26、优化的σop如式(12)，进而离散状态矩阵a的低秩矩阵写为式(13)：
27、σop＝{σ|diag(σ)＞threshold}本文档来自技高网...
【技术保护点】
1.一种自适应去噪DMD的宽频振荡模态提取方法，其特征在于：所述方法包括：首先通过连接WAMS数据库接口获取PMU振荡录波数据；其次，判定数据维度，若是多PMU数据录波信号，则直接构建离散状态矩阵A,否则对单维度信号进行汉克化处理得到离散状态矩阵A；然后，基于软阈值定阶方法获取阶数r，进而得到离散状态矩阵A的POD投影低秩矩阵最后，通过DMD分解获取宽频振荡模式参数。
2.根据权利要求1所述的一种自适应去噪DMD的宽频振荡模态提取方法，其特征在于：通过识别处理单维度PMU振荡录波数据，并自适应定阶低阶状态矩阵得到离散状态矩阵A。
3.根据权利要求1所述的一种自适应去噪DMD的宽频振荡模态提取方法，其特征在于：判定数据维度的方法包括：假定采样时间间隔为Δt，存在m个时间快照和n个测量通道，若n＝1则是单维度PMU振荡录波数据。
4.根据权利要求1所述的一种自适应去噪DMD的宽频振荡模态提取方法，其特征在于：对单维度信号进行汉克化处理的方法包括：假定单维信号signal由p个测量点组成，则进行汉克化处理：在p-q+1处截断信号，并逐步时移得到汉克化
5.根据权利要求4所述的一种自适应去噪DMD的宽频振荡模态提取方法，其特征在于：离散状态矩阵A的建立方法包括：无论单维度还是多维度信号，定义汉克化矩阵X和X'如式(3)、式(4)：
6.根据权利要求5所述的一种自适应去噪DMD的宽频振荡模态提取方法，其特征在于：POD投影低秩矩阵的获取方法包括：
7.根据权利要求6所述的一种自适应去噪DMD的宽频振荡模态提取方法，其特征在于：通过DMD分解获取宽频振荡模式参数的方法包括：取一定时间长度的多维度信号进行DMD分解，得到该信号的DMD分解，σi为特征向量对应的特征值；右特征向量Vi对应Ui的第i模态；为对应连续系统的特征值；基于此分解能得到振荡的模态参数如式(15)，即宽频振荡的频率f、阻尼比ξ和模态ψ：
8.根据权利要求3所述的一种自适应去噪DMD的宽频振荡模态提取方法，其特征在于：采样率为100Hz；截取165～210s的振荡信号进行系统输入。
...【技术特征摘要】
1.一种自适应去噪dmd的宽频振荡模态提取方法，其特征在于：所述方法包括：首先通过连接wams数据库接口获取pmu振荡录波数据；其次，判定数据维度，若是多pmu数据录波信号，则直接构建离散状态矩阵a,否则对单维度信号进行汉克化处理得到离散状态矩阵a；然后，基于软阈值定阶方法获取阶数r，进而得到离散状态矩阵a的pod投影低秩矩阵最后，通过dmd分解获取宽频振荡模式参数。
2.根据权利要求1所述的一种自适应去噪dmd的宽频振荡模态提取方法，其特征在于：通过识别处理单维度pmu振荡录波数据，并自适应定阶低阶状态矩阵得到离散状态矩阵a。
3.根据权利要求1所述的一种自适应去噪dmd的宽频振荡模态提取方法，其特征在于：判定数据维度的方法包括：假定采样时间间隔为δt，存在m个时间快照和n个测量通道，若n＝1则是单维度pmu振荡录波数据。
4.根据权利要求1所述的一种自适应去噪dmd的宽频振荡模态提取方法，其特征在于：对单维度信号进行汉克化处理的方法包括：假定单维信号signal由p个测量点组成，则进行汉克化处理：在p-...
【专利技术属性】
技术研发人员：安甦，蒲清昕，刘明顺，贺先强，马覃峰，朱灵子，王寅，张青青，范翔，王国松，陈俊全，陈锐，张丹，曹杰，吴应双，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。