本发明涉及电力系统领域，特别涉及一种含噪泛频振荡的辨识方法。
背景技术：
1、为实现低碳排放的发展目标，电力系统的“源-网-荷”均向着电力电子化方向发展，现代电力系统表现出高比例可再生能源和高比例电力电子设备的“双高”特征。然而，大规模的电力电子设备接入给电力系统带来了振荡的困扰，威胁电力系统稳定运行，主要体现在：发电机组损坏、电力设备故障或寿命降低、保护装置误动导致停电事故等等。国内有学者率先提出泛频带振荡的概念，其由低频振荡、次同步振荡、超同步振荡三类电力系统典型振荡形式组成。
2、为了更好地研究振荡的机理以及制定针对性的抑制策略，需要获取振荡的模态参数，这些参数可以反映出系统当前运行状态和稳定问题。获取模态参数的方法主要有基于系统建模和基于量测数据两种，由于设备参数的保密性和数学建模的“维数灾”困扰，依赖系统精确建模的方法难以适应“双高”电力系统的分析。相反，随着基于全球定位系统同步授时的相量测量单元pmu(phasor measurement unit)的扩大应用，通过量测手段获取现代电力系统模态参数逐渐具备充足的条件。
3、然而，考虑到新能源场站出力的随机性、波动性和设备的量测误差，在线获取的量测信号信噪比往往较低，从微弱信号中可靠辨识出模态参数难度大。传统的参数辨识方法有prony算法、矩阵束法、希尔伯特-黄变换、快速傅里叶变换和滤波相结合的方法等对噪声敏感，抗噪性差，往往局限于辨识传统电力系统的大扰动低频振荡，无法处理泛频带内的微弱次、超同步振荡。噪声干扰下的泛频振荡参数的辨识问题成为电力系统亟待研究的问题。
4、针对上述问题，国内外学者展开了一系列研究。郝文波、徐茂达设计了一种新能源电力系统低频振荡参数辨识方法，利用总体最小二乘法旋转不变技术(tls□esprit)辨识低频模态。但该类子空间算法属于线性分析方法，对于单一振荡模式有良好的效果，难以适应多模态耦合的非线性信号特征提取及分析。冯双、崔昊、陈佳宁等提出了一种广域电力系统宽频振荡辨识方法(专利号：202110841669.3)，利用离线训练的编码器模型还原子站收集的宽频振荡信号并采用传统的低频振荡辨识方法辨识振荡信号。但该方法的预处理部分并未考虑降噪，且采用振荡辨识方法抗噪性较弱，故难以用于辨识信噪比较低的量测数据。
技术实现思路
1、针对上述现有技术中存在的问题，本发明提供了一种含噪泛频振荡的辨识方法，该方法克服了传统辨识方法“双高”背景下适用性差的不足，实现了基于量测数据电力系统振荡模式的全面、精确、高效辨识，为泛频带振荡机理和抑制研究提供支持。
2、为实现上述目的，本发明提供了如下方案：
3、一种含噪泛频振荡的辨识方法，包括以下步骤：
4、步骤1：采集故障录波数据，基于排列熵预分析信号含噪量。
5、bandt在2002年提出了排列熵算法，主要用于检测时间序列的随机性，适合非平稳信号的分析，具有很好的鲁棒性。信号的熵值决定了其随机程度：熵越大，信号的随机程度越强；熵越小，信号越规则有序。故使用排列熵算法将数据分为高噪和低噪信号，高噪信号需要进行步骤2去噪处理，低噪信号直接进行步骤3信号分解。步骤1重点在于确定区分高低噪声信号的排列熵阈值。
6、振荡信号可视为种理想正弦信号和噪声信号叠加而成的非平稳非线性信号，仿真生成典型的理想信号和噪声信号进行试验，理想信号包括高幅值高频正弦信号、低幅值低频正弦信号、分段信号等等，噪声信号包括间歇噪声和高斯白噪声。其中，高幅值高频正弦信号的排列熵值最大，约为0.46，间歇噪声的排列熵最小，约为0.63。考虑到vmd具有一定的抗噪性，设定排列熵阈值为0.6，大于0.6的采集信号视为高噪信号，需要进行去噪处理；而低于0.6的采集信号可以直接进行信号分解。
7、步骤2：去噪预处理高噪信号。
8、利用vmd对噪声的敏感特性，提出一种基于mvmd的去噪方法。
9、去噪部分的总流程如下：首先，基于汉宁窗hfft变换(hanning-window fastfourier transform，简称hfft)确定mvmd阶数k；然后，执行优化带宽平衡参数α的步骤；最后，αmax对应的最优有效信号不仅因噪声被剔除信噪比得以提高，而且最大化保留了微弱模态分量，作为去噪部分的最后结果被送入步骤3。
10、比起vmd，mvmd可实现在高噪声干扰下精确提取有效模态，得益于两处改进：一是采纳基于频谱门槛值的确定性分量感知方法确定分解阶数k，基于能量或自相关特征值的定阶方法抗噪性弱，实际场景适用性差；其二是优化带宽平衡参数α而非盲目代入默认值，旨在保证去噪效果的同时保留更多的有效模态分量。优化α的流程如下：
11、(1)设定α初值α0、迭代步长δα和终值αe。
12、(2)基于确定的k和迭代变化的α对高噪信号进行vmd，利用排列熵定量确定vmd分解后各模态分量的含噪程度，保留有效分量，剔除高噪分量。
13、(3)重构有效分量为有效信号，对有效信号进行hfft获取有效信号下不同频率的幅值，将有效频率的幅值相加，和定义为某一αk下的幅值lk(k＝0，1，…，n；n＝(αe-α0)/δα)。
14、(4)令αk+1＝αk+δα，重复步骤(2)和(3)，直至αk＞αe时迭代停止，输出n+1个幅值lk并作排序，找出最大值，最大幅值lmax对应的αmax为去噪处理最优带宽平衡参数。
15、步骤3：对信号进行vmd处理。
16、对最优有效信号或低噪信号进行vmd，vmd的分解阶数依然采用基于频谱门槛值的确定性分量感知方法确定，带宽平衡参数取默认值2000，分解后得到k个有效模态分量。
17、步骤4：求取有效模态参数。
18、对分解后的有效模态进行ht处理，求得模态参数幅值、频率、衰减因子和相位。
19、定义连续时间信号x(t)的ht变换如下：
20、
21、进而得到x(t)对应的解析信号为
22、z(t)＝x(t)+jy(t)＝a(t)ejθ(t)
23、式中，a(t)、θ(t)分别为瞬时振幅和瞬时相位函数。
24、电力系统中，某个振荡模态分量可表示为
25、
26、式中，a0为初始幅值，为初始相角，λ为衰减系数，f为振荡频率。
27、综上得
28、
29、对上式引入对数和微分算子，得
30、
31、由于信号幅值的变化会造成瞬时频率在其均值上下波动，即得到的θ(t)和ln a(t)不是理想直线，因此λ、f和ln a0，可通过对θ(t)和ln a(t)的线性最小二乘拟合得到，进而得到信号的模态参数。
32、该技术与现有技术相比，具有如下有益效果：
33、本发明利用vmd对噪声的敏感特性，提出基于mvmd的去噪方法，具有良好的降噪效果，并且将优化带宽平衡参数引入去噪处理，最大化保留微弱模态分量，减少去噪过程中对有效模态的误除，提高有效模态的辨识精度。本发明为泛频振荡机理和抑制研究提供支持。
1.一种含噪泛频振荡的辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种含噪泛频振荡的辨识方法，其特征在于，所述步骤1：采集录波数据，预分析信号含噪量，具体包括：采集待分析时段的振荡信号，使用排列熵将数据分为高噪和低噪信号，高噪信号需要进行步骤2去噪处理，低噪信号直接进行步骤3信号分解。步骤1的关键在于确定区分高低噪声信号的排列熵阈值。振荡信号可视为种理想正弦信号和噪声信号叠加而成的非平稳非线性信号，仿真生成典型的理想信号和噪声信号进行试验，理想信号包括高幅值高频正弦信号、低幅值低频正弦信号、分段信号等等，噪声信号包括间歇噪声和高斯白噪声。其中，高幅值高频正弦信号的排列熵值最大，约为0.46，间歇噪声的排列熵最小，约为0.63。考虑到vmd具有一定的抗噪性，设定排列熵阈值为0.6，大于0.6的采集信号视为高噪信号，需要进行去噪处理；而低于0.6的采集信号可以直接进行信号分解。
3.根据权利要求1所述的一种含噪泛频振荡的辨识方法，其特征在于，所述步骤2：去噪预处理高噪信号，具体包括：利用vmd对噪声的敏感特性，提出一种基于mvmd的去噪方法。比起vmd，mvmd可实现在噪声干扰下精确提取有效模态，得益于两处改进：一是采纳基于频谱门槛值的确定性分量感知方法确定分解阶数k，基于能量或自相关特征值的定阶方法抗噪性弱，实际场景适用性差；其二是优化带宽平衡参数α而非盲目代入默认值，旨在保证去噪效果的同时保留更多的有效模态分量。优化α的流程如下：
4.根据权利要求1所述的一种含噪泛频振荡的辨识方法，其特征在于，所述步骤3中对最优有效信号进行vmd处理，具体包括：对最优有效信号直接进行vmd，vmd的分解阶数依然采用基于频谱门槛值的确定性分量感知方法确定，带宽平衡参数取默认值即可，分解后得到k个有效模态分量。
5.根据权利要求1所述的一种含噪泛频振荡的辨识方法，其特征在于，所述步骤4：求取有效模态参数，具体包括：对分解后的有效模态进行ht处理，求得模态参数幅值、频率、衰减因子和相位。
