林 虹 陳 琳

（南京化工職業(yè)技術學院，南京 210048）

隨著電網(wǎng)互聯(lián)規(guī)模的擴大，高放大倍數(shù)快速勵磁技術的廣泛采用等，電網(wǎng)的運行更加接近穩(wěn)定極限，多地出現(xiàn)低頻振蕩。因此，低頻振蕩模式識別方法得到了廣泛地關注。

在振動測試過程中，采集到的振動信號數(shù)據(jù)由于放大器零點漂移、傳感器范圍外低頻性能不穩(wěn)定以及環(huán)境干擾往往會偏離基線，甚至偏離大小還會隨時間變化（趨勢項）。趨勢項的存在，會使時域中的相關分析和頻率中的功率譜分析產(chǎn)生大的誤差，甚至使低頻譜完全失去真實性。因此測試信號分析中常要消除趨勢項，這也是信號預處理中一個重要步驟。

為提高電力系統(tǒng)低頻振蕩主導模式識別的抗噪性，提出一種基于經(jīng)驗模態(tài)分解的消除電力系統(tǒng)受擾軌跡非平穩(wěn)趨勢項方法，為有效辨識系統(tǒng)振蕩模態(tài)參數(shù)提供很好的基礎。

1 經(jīng)驗模態(tài)分解（EMD）

經(jīng)驗模態(tài)分解算法（EMD）可以對一個信號同時將不同尺度（頻率）的波動或趨勢逐級分解開來，產(chǎn)生一系列具有不同特征尺度的數(shù)據(jù)序列稱為本征模函數(shù)（Intrinsic Mode Function，IMF），是一種全新的處理非平穩(wěn)數(shù)據(jù)序列的方法，每個IMF分量具有如下特征：

1）從全局特性上看，極值點數(shù)必須和過零點數(shù)一致或者至多相差一個。

2）在某一個局部點，極大值包絡和極小值包絡在該點的值的算術平均和是零。

EMD分解的本質(zhì)是一個“篩選”的過程，對信號x(t)進行EMD分解的步驟如下：

1）找原始信號序列x(t)的極大值點和極小值點。

2）對極值點運用插值算法進行插值并構(gòu)造上下包絡線emax(t)和emin(t)。

3）求上下包絡曲線的均值em(t)

4）從原始信號序列中減去包絡均值em(t)，得到h(t)

5）判斷h(t)是否滿足IMF的兩個條件，若不滿足則轉(zhuǎn)到步驟 1），并將步驟 4）得到的結(jié)果h(t)作為新的輸入序列，重復操作以上步驟；否則將步驟4）得到的h(t)作為一個IMF，轉(zhuǎn)入步驟6）。

6）從原始信號序列x(t)中減去h(t)得到剩余項rm(t)

判斷是否滿足終止條件：

若滿足,則算法終止，否則，進入步驟7）。

7）把剩余項rm(t)作為新的輸入信號，轉(zhuǎn)入步驟（1），最后得到一維信號序列的 EMD分解表達式：

2 仿真實例

2.1 四機2區(qū)域系統(tǒng)

以四機2區(qū)域為例，其系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 四機2區(qū)域系統(tǒng)結(jié)構(gòu)圖

使用小干擾穩(wěn)定分析軟件 SSAT計算得到系統(tǒng)的區(qū)域振蕩頻率為 0.7Hz，局部振蕩頻率為 1.3Hz左右。

設置擾動：t=0s，線路8-9的首端發(fā)生瞬時三相短路，tC=0.55s故障清除，系統(tǒng)恢復至原狀態(tài)。本例以發(fā)電機端的電壓幅值，頻率信號為研究對象，進行經(jīng)驗模態(tài)分解，去除非平穩(wěn)趨勢項，畫出頻譜圖，如圖2所示，其中虛線代表原始信號頻譜，實線代表去除趨勢項后的信號頻譜。其中頻譜的局部最大處對應的頻率如表1所示。

圖2 去除非平穩(wěn)趨勢項前、后信號頻譜

表1 頻譜局部最大處對應的頻率

從圖表中可以看出，去除非平穩(wěn)項后，頻譜的低頻部分消失，但系統(tǒng)的區(qū)域振蕩頻率和局部振蕩頻率部分基本重合，有利于辨識系統(tǒng)振蕩模式。

2.2 十機39節(jié)點系統(tǒng)

十機39節(jié)點為例，其系統(tǒng)結(jié)構(gòu)如圖3所示。

圖3 十機39節(jié)點系統(tǒng)結(jié)構(gòu)圖

擾動設置不變，分析記錄其39，34,30處的IMF分量模態(tài)參數(shù)，如表2、表3和表4所示。

表2 39信號IMF分量模態(tài)參數(shù)

表3 34信號IMF分量模態(tài)參數(shù)

表4 30信號IMF分量模態(tài)參數(shù)

從表2至表4中數(shù)據(jù)可以驗證，EMD算法能夠有效提取系統(tǒng)主導振蕩模態(tài)參數(shù)，在參與程度最小的機組的受擾軌線上提取的振蕩模式信息，其誤差也較大。因此，在提取系統(tǒng)的振蕩模式時，有必要選擇可觀性強的軌線進行模式提取。

3 結(jié)論

本文基于經(jīng)驗模態(tài)，依據(jù)數(shù)據(jù)自身的時間尺度特征來進行信號分解，無須預先設定任何基函數(shù)，消除電力系統(tǒng)受擾信號中低頻非平穩(wěn)趨勢項，并以4機2區(qū)域系統(tǒng)和10機39節(jié)點系統(tǒng)為例，其仿真分析說明了該方法的有效性，為有效辨識系統(tǒng)振蕩模態(tài)參數(shù)提供很好的基礎。

[1]HUANG N E.The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London Series A, 1998,454(1971):903-995.

[2]經(jīng)驗模態(tài)分解方法及其實現(xiàn)[J].計算機工程與應用,2006(32):44-47.

[3]陳偉,王尚旭,啜曉宇.基于經(jīng)驗模態(tài)分解的屬性優(yōu)化方法[J].石油地球物理勘探,2013(1):121-127.

[4]王焱,朱善安.基于經(jīng)驗模態(tài)分解的軸承故障診斷[J].機電工程,2007,24(10):77-78,90.

[5]穆鋼,史坤鵬,安軍.結(jié)合經(jīng)驗模態(tài)分解的信號能量法及其在低頻振蕩研究中的作用[J].中國電機工程學報,2008,28(19):36-41.

[6]徐千茹,文一宇,張旭航,等.電力系統(tǒng)低頻振蕩綜述[J].電力與能源,2014(01):38-42.