局部均值分解在同步电机参数辨识中的应用

"基于局部均值分解的同步电机参数辨识方法通过利用LMD技术从短路电流中提取关键信息，提高同步电机参数的识别精度。这种方法对比传统的三相突然短路法和经验模态分解（EMD）具有更高的准确性，并且在低信噪比条件下表现更优。LMD能有效地分解信号，避免模态混叠，而且在处理噪声方面优于EMD。文章介绍了如何通过稳健回归最小二乘和Prony算法进行参数辨识，并探讨了滑动平均跨度对LMD循环次数和电流相对均方误差的影响。在不同信噪比环境下，该方法都展现出良好的性能，尤其是在低信噪比下，通过前置滑动平均LMD，能够有效分离短路电流的直流和基波分量。" 基于局部均值分解（LMD）的同步电机参数辨识方法是解决电力系统中同步电机参数测量精度问题的一种创新技术。同步电机作为电力系统的核心设备，其参数的精确度直接影响系统的稳定运行和控制效率。传统的三相突然短路法虽然被广泛使用，但由于涉及的上、下包络线加减运算和最小二乘曲线拟合，可能导致较大的识别误差。 局部均值分解（LMD）是一种非线性信号分析工具，它能根据信号的内在频率特性，将信号分解为多个具有物理意义的乘积函数（PF）分量，每个分量对应不同的瞬时频率。LMD相比经验模态分解（EMD）有更快的分解速度和更好的端点效应，而且在处理噪声信号时，LMD的平滑滤波特性可以避免模态混叠问题，提高辨识精度。 在本方法中，首先采用LMD从短路电流中提取直流电流和基波电流。接着，稳健回归最小二乘方法用于直流电流的辨识，而Prony算法则用于基波电流的辨识。Prony算法特别适用于指数函数的参数识别，能有效地处理同步电机参数的辨识。然而，Prony算法对噪声敏感，因此在低信噪比环境下，可能会导致辨识精度下降。 为了改善噪声影响，文章提出了一种基于前置滑动平均的LMD方法，特别是在低信噪比（如15 dB）的情况下，能有效分离直流电流和基波电流分量。通过对滑动平均跨度的仿真分析，找到了最优的设置，以最小化电流的相对均方误差。 通过与EMD方法的比较，可以看出基于LMD的参数辨识方法在噪声环境中表现出更高的稳定性。在高信噪比（30 dB）时，LMD的性能已经相当出色，而在低信噪比（15 dB）时，LMD结合前置滑动平均的优势更加明显，参数辨识的精度显著高于EMD方法。 这项研究为同步电机参数的精确识别提供了一种新的、有效的工具，对于电力系统监控和控制的提升具有重要意义。LMD的引入不仅改进了现有的辨识技术，也为未来在复杂噪声环境下的信号处理和参数辨识提供了新的思路。