动态电力系统的理论和分析_电力系统低频振荡分析—HHT应用介绍

本篇介绍HHT在电气工程领域中的一类简单应用——电力系统低频振荡信号分析，包括两部分：低频振荡模态时频分析，低频振荡模态参数估计

• 低频振荡场景

电力系统低频振荡问题属于电力系统分析的经典问题之一了，在基于传统的同步机并网系统模型的低频振荡研究中，低频振荡信号有明确的数学形式：对于某一特定的振荡模态而言，可以将其表示为

由上式可以看出，振荡幅值、振荡衰减系数、振荡频率这三个常量决定了低频振荡模态的所有特征。而随着新能源如风电、光伏并网量不断加大，非线性负载逐渐增多，不同区域电网互联程度不断加深，电力系统的动态特性越来越复杂。即使依旧从振荡幅值、振荡衰减系数、振荡频率这三个变量的视角看，在实际的低频振荡中，这三个变量可能都具有时变的特征。当然，在这种电力电子化的电力系统中，传统的“低频振荡”这一概念未必能够很好的适用于系统稳定性分析。

本篇重点在于介绍HHT在电力系统振荡信号时频分析中的应用，为简化分析过程，以传统的低频振荡模型为研究对象。

• 低频振荡模态时频分析

设电力系统某低频振荡信号表达式[1]:

由信号表达式可以看出，该低频振荡信号包含两个频率分别为1.5Hz和0.5Hz的低频振荡模态，它们的模态最大值分别是1.5和1.48，振荡模态衰减系数分别是0.2和0.7。

应用EMD对该信号进行分解，可得：

低频振荡信号振荡模态分解结果

其中，红色曲线（data）表示振荡信号，IMF1，IMF2分别为由EMD过程得到的两个振荡模态。采样频率为10kHz，采样时间段为0~10s。可以看出，经过EMD过程，得到了原振荡信号的两个低频振荡模态（IMF1，IMF2）。

正如我们在上一篇文章中介绍的，由于Python实现HT是基于FFT的（FFT具有算法复杂度低的显著优势，MATLAB中实现HT也是基于FFT），在非整周期采样时得到的信号瞬时幅值与瞬时频率结果中，不可避免的会存在端点效应问题，即在信号端点附近的瞬时幅值与瞬时频率与真实值偏差较大。需要说明的是，HHT中的端点效应问题包括这种HT过程的端点效应问题，另一类端点效应问题指的是端点处是否存在极值点引起的时频分析误差的问题。对于子信号为非平稳信号的信号分析而言，非整周期采样是不可避免的。虽然本篇所用到的振荡模型中振荡频率为常数，但这只是出于简化问题的目的进行的设定，在一般性的信号分析中必须考虑非整周期采样时存在的端点效应问题。

提出HHT理论的Huang与其他研究者提出的经验AM-FM分解方法可以避免信号瞬时幅值存在的端点效应问题，也可将该方法称作归一化的希尔伯特变换法（Normalized Hilbert Transform, NHT），本篇将用它来获取经EMD得到的两个低频振荡模态的瞬时幅值、频率和相位。

IMF1瞬时幅值、频率与相位

IMF2瞬时幅值、频率与相位

经验AM-FM分解方法（NHT方法）是通过求取IMF极值点包络实现对调幅部分AM的拟合，进而得到调频部分FM，然后对FM应用Hilbert变换得到信号瞬时频率。由以上图像可知，IMF1，IMF2的瞬时频率存在一定的端点效应，其数值在真实值附近波动。需要指出的是，这种图像上的波动即受到时频分析方法的影响，也受到EMD过程的影响。

• 低频振荡模态参数估计

在得到特定振荡模态（即上节中的IMF）瞬时幅值与瞬时频率之后，我们使用以下方法对模态最大值与振荡模态衰减系数进行估计：

对IMF瞬时幅值取对数，可得：

经过对数处理，可以看到，对于关于时间的一次函数

而言，其斜率（绝对值）为振荡模态的衰减系数，其截距为振荡模态的最大值的对数，结合最小二乘法，便能由EMD所得IMF的瞬时幅值数据得到对振荡模态最大值与振荡模态衰减系数的估计值。这种“化曲为直”的数学处理方法有助于减少离散形式下存在的拟合估值误差。

对振荡模态瞬时频率的估计值而言，由EMD所得IMF的瞬时频率数据结合最小二乘法即可得到。

需要指出的是，在EMD过程中，不论是根据极值求取包络这种经验的方法，还是对端点数据的处理和估值，都会造成特定IMF与真实值之间的偏差，且这种偏差会进一步传递至下一个IMF分量，这种偏差往往是累积性的，即对于EMD所得IMF而言，随着IMF数量的增加，其与真实值之间的偏差往往会增大。

---

由以上分析可知，在通过经验模态分解（EMD）得到低频振荡模态后，对振荡模态时频分析的结果决定了对振荡模态相关参数估计的准确度。事实上，无论是希尔伯特变换（HT）方法，还是经验AM-FM方法（NHT方法），它们对振荡模态进行时频分析所得结果与真实值之间都存在一定的误差，提出具有更小时频分析误差的时频分析新方法具有较大的理论与应用价值，专栏文章《HHT方法探讨—2》也提到了这一点。

• 相关文献

[1] 基于希尔伯特-黄变换的时频分析算法研究_百度学术