基于经验模态分解的风电场时频域建模方法技术

一种基于经验模态分解的风电场时频域建模方法，所述的方法为：对获取的风电场功率实测数据进行归一化滤波处理后，进行EMD处理为若干本征模态函数IMF，并分别进行希尔伯特变换生成其相应的时频谱，再分别对这些时频谱进行拟合，并将拟合结果分别通过反希尔伯特变换，得到时域表达式，将这些时域表达式进行加和，即得到包含各种波动特征的风电场解析模型。本发明专利技术建模方法通过时频域建模手段，建立出的解析模型包含有风电场的典型波动特征信息，将此模型用于模拟具有非平稳随机性的风电场波动对电网电压、频率的影响分析。

【技术实现步骤摘要】
基于经验模态分解的风电场时频域建模方法
本专利技术涉及风电场并网影响分析
，具体涉及包含波动信息的风电场可靠模型的建立。
技术介绍
经验模态分解(EmpiricalModeDecomposition，即EMD)是HHT(希尔伯特-HuangTransform)的组成部分，是由NordenE.Huang和StevenR.Long等人于1998年发表的“TheEmpiricalModeDecompositionandthe希尔伯特SpectrumforNonlinearandNon-stationaryTimeSeriesAnalysis”中提出的一种用于处理非平稳信号的方法。EMD的作用是将非平稳信号分解为若干满足希尔伯特变换的本征模态函数IMF(intrinsicModeFunction)，对这些IMF进行希尔伯特变换，能够得到信号时频谱的分布情况。EMD具有完全自适应性，能够根据具体信号来自适应产生“基”，即由“筛选”过程产生的IMF，不需要预设基函数，这也正是EMD的优势所在。风电场并网影响分析是未来风电场实现大规模高渗透并网的必要工作。鉴于此并网影响分析主要依托于仿真研究本文档来自技高网...

【技术保护点】
一种基于经验模态分解的风电场时频域建模方法，其特征在于，所述的建模方法具体步骤如下：1）将采集得到的风电场中每台机组的输出功率Pwind_i(t)进行加和，得到风电场总输出功率，对风电场总输出功率进行归一化处理，并进行低通滤波，上述表达式中，t为时间；2）对处理后的数据进行经验模态分解，生成多个本征模态函数分量以及残余分量；3）分别对步骤2）得到的本征模态函数分量进行希尔伯特变换，得到其相应的时频谱；4）分别对步骤3）得到的本征模态函数的时频谱进行拟合，得到相应的拟合函数；对于残余分量则直接在时域中进行拟合；5）分别对步骤4）得到的本征模态函数的时频域拟合函数进行反希尔伯特变换，得到时域中的解...

【技术特征摘要】
1.一种基于经验模态分解的风电场时频域建模方法，其特征在于，所述的建模方法具体步骤如下：1)将采集得到的风电场中每台机组的输出功率pwind_i(t)进行加和，得到风电场总输出功率pwindf(t)，选取风电场总额定输出功率pe(t)作为归一化的基值，对风电场总输出功率pwindf(t)进行归一化处理，对归一化处理后得到的数据进行傅里叶变换生成频谱，估计归一化后的数据的频率分布，并对归一化后的数据进行低通滤波，滤去因测量误差引起的不合理数据点，上述表达式中，t为时间；2)以p(t)表示经归一化滤波后的风电场总输出功率数据，对归一化滤波后的数据进行经验模态分解，生成多个本征模态函数分量以及残余分量：其中cj(t)表示信号的第j个本征模态函数分量IMFj，rn(t)表示信号经过n次分解后的残余函数分量；第j个本征模态函数分量IMFj分布于不同频段且按由高到低的顺序排的，即f1(t)＞f2(t)＞...＞fn(t)，即实现了信号的时频域分离，上述表达式中，t为时间；3)分别对步骤2)得到的本征模态函数c1(t),c2(t),...,cn(t)进行希尔伯特变换，得到其相应的时频谱f1(t),f2(t),...,fn(t)，具体步骤为：

【专利技术属性】
技术研发人员：唐西胜，胡枭，苗福丰，
申请(专利权)人：中国科学院电工研究所，
类型：发明
国别省市：