胡昊明,江葉峰,葛亞明,尤 偉,張寧宇
(1.江蘇省電力公司電力科學研究院,江蘇 南京 211103;2.江蘇省電力調度控制中心,江蘇 南京 210024)
近年來,在建設智能電網新形勢的要求下,電網狀態(tài)估計技術得到了長足的發(fā)展:不僅建立了更完整、更詳細的電網模型,而且可為高級應用程序提供更靈活的擴展接口,從而為電力系統(tǒng)分析的在線化提供了有力的數據支撐[1]。在此基礎上,江蘇省電力調度控制中心于2012年12 月部署了在線安全穩(wěn)定分析(DSA)系統(tǒng)。DSA 系統(tǒng)基于狀態(tài)估計提供的實時電網運行方式與量測數據,對電網進行不間斷的在線穩(wěn)定分析,內容包括靜態(tài)安全分析、暫態(tài)安全分析等六大類計算。同時,江蘇電網已經全面部署了廣域測量(WAMS)系統(tǒng),全網各節(jié)點裝設的向量測量單元(PMU)以每秒100 幀的采樣率采集節(jié)點功率、電壓、發(fā)電機相角等信息,通過高速網絡傳輸至位于調度中心的控制主站,并存儲于大型數據服務器[2]。DSA 與WAMS 系統(tǒng)的建立,為電網事故的在線監(jiān)測、輔助決策、回溯分析提供了極大便利[3,4],是建設智能電網的重要基礎。
在應用DSA 進行事故反演計算的過程中,可能出現仿真曲線與實際PMU 錄波曲線在形態(tài)上極為相似,但Prony 分析結果差異較大的狀況。原因在于Prony 算法對于噪聲較為敏感[5],PMU 測量信號在測量、轉換、傳輸過程中引入噪聲干擾導致Prony 分析結果明顯偏離實際。經驗模態(tài)分解(EMD)是一種濾波算法,通過選擇合適的本征模式函數(IMF)階數,可構成自適應的高通、低通、帶通或帶阻濾波器[6]。然而,EMD 算法存在固有的不確定性及模態(tài)混疊問題,對于信噪比較低的信號,處理能力有限。
電力系統(tǒng)測量量在采集、轉換、傳輸過程中,往往存在各類隨機擾動。因此,研究隨機噪聲的數學特性,尋找隨機噪聲的抑制措施是十分必要的。
隨機噪聲是由多種復雜因素造成的,包含著隨機性與不可測性,在數學上可以近似用高斯白噪聲模型表示,其定義如下:
(1)信號的幅值滿足高斯分布,即其概率分布為正態(tài)函數;
(2)信號的平均期望為0;
(3)信號的二階矩不相關,一階矩為常數,即前后信號無關聯。
理論上高斯白噪聲為一無限長序列。但在工程應用中,在隨機噪聲信號序列足夠長的情況下,也認為其近似滿足以上性質。
信號的強度可以用其功率來描述。對于長度為N的離散信號序列n0(i),其功率定義:
將序列n0(i)進行隨機排序得到序列(i),由于(i)與n0(i)相比僅僅是各元素位置改變而幅值并未改變,故序列(i)的功率與原序列相同:
與原信號平均得到一次重構后的新信號n1(i):
考察重構信號的功率變化情況,則:
即:
式(5)中等號成立的條件為:
對于一般的隨機噪聲信號,上式成立的可能性是極小的。可見,通過隨機排序—累加—取平均操作,可以降低噪聲信號能功率。
如果重復以上隨機重排—累加平均操作,得到新信號n2(i),n3(i),…nL(i),則重構信號的功率不斷降低。當循環(huán)次數L 趨近于無窮大時,信號nL(i)趨近于一常數序列。對于白噪聲信號而言,由于E[nL(i)]=0,故信號nL(i)的功率趨近于0。
構造隨機噪聲信號序列n0(i)如圖1 所示。信號采樣頻率為100 Hz,共1001個采樣點。
圖1 隨機噪聲信號
對噪聲信號進行隨機重排—累加平均操作,迭代次數為10 次,計算每次迭代得到新信號的功率,信號功率P 隨迭代次數n的變化趨勢如圖2 所示。
圖2 噪聲功率與迭代次數關系
信號功率隨迭代次數增加而減小。迭代4 次之后,信號的功率已經降至原始信號的10%以下,隨著迭代次數增大,隨機噪聲信號的功率趨近于0。
Prony 算法與EMD 算法是2 種常用的信號辨識算法。Prony 分析通過對信號進行擬合,得到信號中包含模式的頻率、阻尼比等參數。EMD 具有時變、自適應等特性[7,8],在各領域得到了廣泛的應用。本節(jié)基于測試信號,對Prony 算法與EMD 算法對于含噪信號的辨識能力進行對比分析。
為了考察2 種算法對于實際含噪信號的處理能力,構造以下測試信號:
其中:
測試信號的波形如圖3 所示。信號的各分量參數如表1 所示。
圖3 測試信號的波形
表1 信號的各分量參數
在原始信號上疊加6.9 dB 白噪聲干擾(信號信噪比為2),如圖4 所示。
圖4 含隨機噪聲的信號波形
Prony 算法要求輸入信號y為等間距采樣的時間序列,假設該數據序列由一組具有任意振幅、頻率、初相位和衰減因子的指數函數線性組合而成:
式(8)中:A為幅值;α為衰減因子;f為振蕩頻率;θ為初始相角。
測量輸入x(0),…,x(N-1)的估計值可以表示為:
Prony 算法的計算步驟如下。
(1)構造二階矩樣本矩陣。定義二階矩樣本函數如下:
式(10)中:N為數據采樣點數;P為樣本矩陣階數;采樣數據為實數序列。
則二階矩的樣本矩陣形式:
為了使樣本矩陣全面反映系統(tǒng)信息,維數L 取其最大值N/2。
(2)確定計算階數。通過一定的規(guī)則確定模型階數p,通常采用奇異值分解方法(SVD)進行。
(3)求解回歸參數。求解以下方程組得回歸(AR)參數,其中εp為最小誤差能量:
(4)求解特征方程。特征方程形式為:
求解得到了特征根zi(i=1,2,…,P),稱為Prony極點。
(5)求解b 向量。式(10)可以寫成矩陣形式:
(6)求解各分量參數。通過求解線性方程組得到系數bm和Zm之后,可以根據如下公式得到各振蕩分量的參數:
對無噪聲擾動的原始信號進行Prony 分析,結果如表2 所示。
表2 原始信號的Prony 分析
在無噪聲干擾時,Prony 算法可精確提取信號各分量的頻率、幅值、阻尼比等參數,計算值與真值差異極小。對含噪聲信號進行Prony 分析,結果如表3 所示。
表3 含噪信號Prony 分析
由表3 可見,隨機噪聲對Prony 分析影響較大,分析結果中出現幅值較大,而阻尼較弱的虛假模式,如模式1、模式2 等,真實分量淹沒在噪聲中。因此在對電力系統(tǒng)量測信號進行Prony 分析之前,需加入前置濾波環(huán)節(jié),以削弱或消除噪聲的影響。
EMD 算法將復雜信號分解為一系列簡單基本的固有模態(tài)函數分量,以便于提取各個分量的幅值、相位等信息,具體過程為:
(1)對于信號序列s(t),找到其極大值點和極小值點;
(2)對極大值點序列和極小值點序列利用三次樣條插值進行擬合,得到極大值點包絡線v1(t)和極小值點包絡線v2(t),??;
(3)將m 從s(t)中減去,h=s(t)-m;
(4)將h 作為新的s(t),重復操作(1)至(3),直到極值點的包絡線平均值m 趨于0,令c1=h,則c1為第一個IMF 信號;
(5)求余量r=s(t)-c1;
(6)將r 視為新的s(t)重復以上過程,求取第二個IMF 信號c2,第三個信號c3,直到余量r 因極值點過少而不能再進行分解。此時r為一個趨于平穩(wěn)的量。
傳統(tǒng)EMD 濾波算法的過程為:
(1)對原始信號進行EMD 分解,得到若干個IMF 分量與一個趨勢分量;
(2)在噪聲分量集中在信號的高頻段,且真實信號功率遠大于噪聲功率的前提下,直接拋棄前n個IMF 分量;
(3)取其余IMF 分量與趨勢分量重構,得到濾波后信號。
在實際操作中,如何確定拋棄IMF 分量的階數n是值得研究的問題。通常采用的方式是計算各分量的功率,找到功率發(fā)生突變的分量,用該分量及其后的所有分量重構原信號。該方法的基礎是認為信號中主導模式的功率遠大于噪聲分量的功率。在信號信噪比較高的情況下,這種直接拋棄前面若干個功率較低IMF分量,取余下IMF 作為主導模式分量的方法,可以較為精確地重構原始信號。但在信噪比較低的情況下,噪聲信號功率接近甚至超過主導模式分量,功率判據失效,因而舍棄IMF 分量的個數通常難以確定。同時,由于EMD 算法存在固有的不確定性及模態(tài)混疊效應,不能保證拋棄的IMF 中不包含有用信息。因此,在信噪比較低的情況下,采用傳統(tǒng)EMD 算法往往不能很好地達到去噪目的。例如,對第1 節(jié)中的含噪信號進行EMD 分解,得到7個IMF 分量與1個剩余趨勢分量,如圖5 所示。
從分解結果可以看到,分解得到的前3個分量均為高頻噪聲分量,但IMF 4,IMF 5的2個分量既包含噪聲,也包含原始信號中的信息。如果直接丟棄,重構信號將會失去原始信號中的部分信息,導致重構信號與原始信號之間有較大差異。
圖5 含噪聲信號的EMD 分解結果
由上節(jié)分析可知,對于信噪比較低的信號,使用單一的EMD 算法或Prony 算法均難以達到理想效果,因此,利用EMD 算法的去噪特性,將其作為前置濾波環(huán)節(jié),對降噪后的信號進行Prony 分析,是可以考慮的方法?;趯υ肼暯y(tǒng)計特性的分析,可以考慮首先通過隨機排序—疊加平均手段降低EMD 分解所得噪聲分量的功率,再與其他分量進行重構,達到提高信噪比的目的。算法過程為:
(1)對原始信號y0(i)進行EMD 分解,并認為分解得到的第一個IMF 分量為隨機噪聲信號n0(i);
(2)對n0(i)進行隨機排序,得到信號(i),取2者平均值,;
(3)將n1(i)作為原始信號,重復步驟(2)的操作,得到功率降低的噪聲信號nL(i);
(4)將nL(i)于EMD 分解得到的除第一個IMF外的其余分量重構,得到信噪比改善的信號y1(i);
(5)若需要進一步提高信噪比,則重復步驟(1)至(4),得到新信號y2(i),y3(i),…yM(i)。
應用上述方法,針對含噪信號EMD 分解結果中第一個IMF 分量,采用隨機重排—累加平均抑制其功率(迭代次數為10),與其他7個分量重構,得到信噪比提高的信號序列,如圖6 所示。與原始含噪信號(圖4)相比,信號信噪比有所改善。為了進一步提高信號信噪比,繼續(xù)對信號進行降噪循環(huán),將歷次循環(huán)得到結果與真實信號進行對比,如圖7 所示。
由圖7 可看到,經過3 次降噪得到的信號已經與真實信號較為接近。對降噪后的信號進行Prony 分析,結果如表4 所示。
圖6 第一次降噪結果
圖7 降噪信號與原始信號對比
表4 降噪信號的Prony 分析結果
經過3 次降噪后的信號,Prony 分析結果與真實信號接近,其中分量1,2,3 均為原信號中的主導模式,幅值、頻率等參數計算誤差均在工程可接受范圍內。可見基于噪聲統(tǒng)計特性的EMD 算法可以有效抑制信號中隨機噪聲的功率,作為Prony 算法的前置濾波環(huán)節(jié),可以削弱噪聲對Prony 分析的影響,提高分析的精確程度。
2014年4 月4 日15:33,江蘇電網發(fā)生故障,瀆車5249 線A 相單相短路,重合不成功跳三相。江蘇省電力調度控制中心應用DSA 與WAMS,開展了事故后分析工作。調閱事故時刻PMU 錄波曲線,線路三相跳開后,利港電廠1 號機有功振蕩情況如圖8 所示。
圖8 利港1 號機有功PMU 錄波曲線
利港廠1 號機在故障后功率第一擺峰峰值在3.2 MW 左右,5 s 后振蕩趨于平息,顯示系統(tǒng)阻尼特性良好。PMU 錄波曲線中包含明顯的隨機噪聲擾動。應用基于噪聲統(tǒng)計特性的EMD 算法對PMU 錄波信號進行2次濾波去噪,結果如圖9 所示。
圖9 濾波后的有功振蕩曲線
從濾波結果可見,算法對于信號中的隨機噪聲擾動,有較好的抑制效果。對濾波后的信號進行Prony 分析,結果如表5 所示。
表5 PUM 曲線的Prony 分析結果
計算結果中,模式1為直流分量,模式2為振蕩的主導模式,其頻率為0.949 Hz,阻尼比為15.416%。其余模式幅值較小或阻尼比較強?;诋敃r刻數據斷面,應用DSA 進行事故的反演仿真,事故后利港電廠1 號機有功振蕩情況如圖10 所示。
仿真結果曲線與PMU 錄波曲線在形態(tài)上比較接近。對曲線進行Prony 分析,結果如表6 所示。
圖10 利港1 號機有功振蕩仿真曲線
表6 仿真曲線的Prony 分析結果
Prony 分析表明,仿真曲線主導模式頻率為0.965 Hz,與PMU 錄波曲線相符;仿真曲線阻尼比為13.249%,與PMU 錄波曲線接近,但仍存在一定的差異,考慮到江蘇DSA 中,全網所有機組均未建立一次調頻模型,仿真曲線阻尼比較實際略低是可以理解的。同時,曲線比對結果證明,建立電網詳細、完整的模型,尤其是發(fā)電機動態(tài)模型,對于提高DSA的仿真精度是十分重要的。
在電網故障反演計算過程中,時常出現PMU 量測信號中的隨機噪聲嚴重影響信號Prony 分析精度,導致分析結果出現大量虛假模式,淹沒主導模式的情況。噪聲的統(tǒng)計特性研究表明,隨機排序—累加平均操作可以降低隨機噪聲的功率,隨著迭代次數的增加,噪聲功率趨近于零。本文在此基礎上,提出將基于噪聲統(tǒng)計特性的改進EMD 算法作為Prony 算法的前置濾波環(huán)節(jié),對原始PMU 錄波曲線進行降噪,提高了Prony 算法的精度。江蘇電網2014年4 月4 日瀆車5249 線故障后仿真分析算例表明,該算法可以顯著提高PMU 測量信號的信噪比,濾波后信號中的噪聲分量得到了明顯抑制,其Prony 分析結果與DSA 仿真曲線可以取得較好的一致性。
[1]劉輝樂,劉天琪.電力系統(tǒng)動態(tài)狀態(tài)估計的研究現狀和展望[J].電力自動化設備.2005,24(12):73-77.
[2]戴則梅,葛云鵬,張珂珩,等.電網廣域監(jiān)測系統(tǒng)的數據庫集成方案[J].江蘇電機工程,2013,32(1):1-4.
[3]李碧君,許劍冰,徐泰山,等.大電網安全穩(wěn)定綜合協調防御的工程應用[J].電力系統(tǒng)自動化,2009,32(6):25-30.
[4]戴則梅,陸進軍,閃 鑫,等.PMU 數據在控制中心的集成應用[J].江蘇電機工程,2012,31(2):8-11.
[5]王鐵強,賀仁睦,徐東杰,等.Prony 算法分析低頻振蕩的有效性研究[J].中國電力,2001,34(11):38-41.
[6]郭 瑞.微網短期負荷預測中的白噪聲分離[D].天津:天津大學碩士學位論文,2010.
[7]胡昊明,鄭 偉,徐 偉,等.Prony 和HHT 算法在低頻振蕩在線辨識中的適用性比較[J].電力系統(tǒng)保護與控制,2013,41(14):33-40.
[8]王 婷.EMD 算法研究及其在信號去噪中的應用[D].哈爾濱:哈爾濱工業(yè)大學博士學位論文,2010.