EEMD-NExT结合：低频振荡主导模式在线辨识与预警新方法

"本文介绍了一种基于集合经验模式分解（EEMD）和自然激励技术（NExT）的低频振荡主导模式在线辨识与预警方法，旨在解决电力系统安全稳定运行的问题。该方法利用WAMS的动态量测信息，通过EEMD对非平稳信号进行分解，筛选出主导模式分量，并通过NExT求互相关函数和应用Teager能量算子识别时变幅值和频率，以此辨识阻尼比，构建预警系统。研究表明，该方法能实时准确辨识主导模式，无需人工激励，抗噪性能强，有助于实现电力系统的全天候监控和预警。" 本文关注的是电力系统低频振荡的在线监测和预警，低频振荡是电网安全的重要威胁。现有的分析方法通常依赖于系统扰动后的响应，但无法提供常态下的模式信息或实现真正意义上的预警。因此，提出了结合EEMD和NExT的新方法。 集合经验模式分解（EEMD）是经验模式分解（EMD）的改进版，能有效处理非线性和非平稳信号。EEMD通过对信号添加白噪声来减少模式混淆，将复杂信号分解为一系列本征模式函数（IMFs）。在本方法中，EEMD用于分解由WAMS获取的动态量测信息，筛选出与低频振荡主导模式相关的分量。 自然激励技术（NExT）则是一种利用系统自身工况进行模式辨识的技术，避免了人为激励可能带来的系统损伤。通过NExT计算互相关函数，可以识别出时变的幅值和频率信息。此外，利用Teager能量算子辨识阻尼比，这对于评估系统稳定性至关重要。将这些信息整合进预警系统，可以实时监控并预测低频振荡事件，提高了电力系统的安全运行水平。 文中提到的前人研究主要集中在傅里叶变换、ARMA算法、Prony分析等传统方法，它们需要外部扰动来触发辨识过程。而EEMD-NExT方法的独特之处在于，它能够在系统正常运行状态下进行模式识别，提供连续的监测能力，对电力系统的稳定运行有着显著的促进作用。虽然NExT在电力领域的应用尚不广泛，但这项研究为其在低频振荡分析中的应用开辟了新的途径。 这种基于EEMD-NExT的低频振荡主导模式辨识与预警方法，不仅提高了模式识别的准确性，还增强了电力系统的预防性维护能力，对于电力自动化设备的优化运行和故障预防具有重要意义。