摘要：电力系统低频振荡已成为危及系统运行安全一个不容忽视的因素，受扰轨迹能够完整地反映模型及参数对系统动态行为的影响，体现系统振荡特性。本文在简单介绍经验模态分解(EMD)的基础之上,将经验模态分解用于消除电力系统受扰轨迹的非平稳趋势项，通过仿真分析结果证明了该方法的有效性，对系统振荡模式的识别具有重要的意义。

　　Abstract: Power system Low frequency oscillation has become a key factor that endanger the safe operation of the system, and the model and parameter influence on the system dynamic behavior can be completely reflected by the disturbed trajectory. The empirical mode decomposition (EMD) is briefly introduced in this paper, and a new method for eliminating non-stationary trend of Perturbed Trajectory based on empirical mode decomposition is proposed. The simulation result proves the validity and superiority.

　　0引言

　　随着电网互联规模的扩大，高放大倍数快速励磁技术的广泛采用等，电网的运行更加接近稳定极限，多地出现低频振荡。因此，低频振荡模式识别方法得到了广泛的关注。

　　在振动测试过程中，采集到的振动信号数据由于放大器零点漂移、传感器范围外低频性能不稳定以及环境干扰往往会偏离基线，甚至偏离大小还会随时间变化(趋势项)。趋势项的存在，会使时域中的相关分析和频率中的功率谱分析产生大的误差，甚至使低频谱完全失去真实性。因此测试信号分析中常要消除趋势项，这也是信号预处理中一个重要步骤。

　　为提高电力系统低频振荡主导模式识别的抗噪性，提出一种基于经验模态分解的消除电力系统受扰轨迹非平稳趋势项方法，为有效辨识系统振荡模态参数提供很好的基础。

　　1经验模态分解(EMD)

　　经验模态分解算法(EMD)可以对一个信号同时将不同尺度(频率)的波动或趋势逐级分解开来，产生一系列具有不同特征尺度的数据序列称为本征模函数(Intrinsic Mode Function, IMF)，是一种全新的处理非平稳数据序列的方法，每个IMF分量具有如下特征：

　　1)从全局特性上看，极值点数必须和过零点数一致或者至多相差一个;

　　2)在某一个局部点，极大值包络和极小值包络在该点的值的算术平均和是零。

       2仿真实例

　　2.1 4机2区域系统

　　以4机2区域为例，其系统结构如图1所示。

　　使用小干扰稳定分析软件SSAT计算得到系统的区域振荡频率为0.7Hz，局部振荡频率为1.3Hz左右。

　　设置扰动：t=0s，线路8-9的首端发生瞬时三相短路，tC=0.55s故障清除，系统恢复至原状态。本例以发电机端的电压幅值，频率信号为研究对象，进行经验模态分解，去除非平稳趋势项，画出频谱图，如图2所示，其中虚线代表原始信号频谱，实线代表去除趋势项后的信号频谱。其中频谱的局部最大处对应的频率如表1所示。

       从图表中可以看出，去除非平稳项后，频谱的低频部分消失，但系统的区域振荡频率和局部振荡频率部分基本重合，有利于辨识系统振荡模式。

　　2.2 10机39节点系统

　　10机39节点为例，其系统结构如图3所示。

　　扰动设置不变，分析记录其39，34,30处的IMF分量模态参数，如表2，表3和表4所示。

　　从表中数据可以验证，EMD算法能够有效提取系统主导振荡模态参数，在参与程度最小的机组的受扰轨线上提取的振荡模式信息，其误差也较大。因此，在提取系统的振荡模式时，有必要选择可观性强的轨线进行模式提取。

　　3小结

　　本文基于经验模态，依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，消除电力系统受扰信号中低频非平稳趋势项，并以4机2区域系统和10机39节点系统为例，其仿真分析说明了该方法的有效性，为有效辨识系统振荡模态参数提供很好的基础。

　　参考文献

　　[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]经验模态分解方法及其实现[J].计算机工程与应用 2006(32):44~47

　　[3] 陈伟,王尚旭,啜晓宇.基于经验模态分解的属性优化方法[J]. 石油地球物理勘探.2013(01):121~127

　　[4]王焱,朱善安.基于经验模态分解的轴承故障诊断[J].机电工程.2007, 24(10):77~78,90

　　[5] 穆钢,史坤鹏,安军.结合经验模态分解的信号能量法及其在低频振荡研究中的作用[J].中国电机工程学

　　报.2008, 28(19):36~41

　　[6]徐千茹,文一宇,张旭航等. 电力系统低频振荡综述[J].电力与能源.2014(01):38~42

　　作者简介

　　林虹 女，(1962-)，主要研究方向为电气设备故障诊断

　　陈琳 女，(1985-)，讲师，研究生，主要研究方向为电力系统自动化