已阅读5页,还剩33页未读, 继续免费阅读
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
电力系统及其自动化专业毕业论文精品论文电力系统低频振荡分析方法研究关键词电力系统低频振荡神经网络特征值分析摘要我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。正文内容我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波形中所存在的缺陷,特别是噪声干扰和非平稳信号对算法精确度的影响。采用了一种新的改进PRONY算法,该算法将待求振荡幅值作为权值,基于神经网络进行训练,实现对电力系统低频振荡模式的识别。该算法克服了传统PRONY算法抗干扰较差的问题。仿真结果表明,该改进PRONY算法能有效去除干扰,能可靠、准确地识别主导模式,适用于含有噪声的振荡信号的识别。为对复杂波形进行精确采样,实际上一般采用变步长采样方法。本文针对变步长采样的复杂振荡波,采用三次样条插值函数来调整虚拟采样步长,以适应PRONY算法的等步长分析要求。在基于系统模型的特征值分析中,高阶特征方程求解不易。QR方法采用全特征值求解,从全部特征根中鉴定出机电模式,不会漏掉任何振荡模式。但如果系统较大时,容易出现计算的极限,发生“维数灾”。如采用非全特征值求解分析时,又容易产生“丢根”。本文采用基于神经网络的高阶非线性方程求解法,对高阶特征方程求解。将具体算例的分析表明该方法能对高阶方程可靠求解;基于该方法的6机22节点和10机39节点系统的振荡模式识别分析,证明该方法分析有效准确。我国电网正处于高速发展时期,随着跨区电网越来越多,系统低频振荡问题也更加突出。振荡模式分析是低频振荡研究的基础,目前一般采用两种途径进行分析,即实测数据分析和基于系统模型的特征值分析。本文对这两种途径的分析方法进行了研究,针对前一种途径,采用了基于神经网络的改进PRONY算法进行振荡主导模式识别;针对后一种途径,采用了基于神经网络的特征值求取,以识别基于模型的系统低频振荡模式。文中分析比较了基于现场实测数据进行分析的信号处理方法。比较了FFT、小波分析算法以及PRONY分析算法提取振荡信号特征参数方面的优缺点,分析了PRONY算法的优势。阐述了PRONY算法的原理和计算步骤,分析了传统的PRONY算法在理想情况下的精确性。针对传统的PRONY算法在分析振荡波
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 三年级下册英语教案-Module 4 Fruits Unit 7 May I have some grapes 课时2 教科版(广州三起)
- 工程质量整改的函(联系单)
- 2024公共基础知识题库与答案
- 护患沟通技巧讲课课件
- 太阳李苗木培育技术规程
- 预防一氧化碳中毒主题宣传
- 缺血性脑血管病二级预防新进展
- 班级卫生主题班会活动总结
- 沙石承包合同范本
- 飞机、发动机结构重大加改装项目效益评估报告
- 规培体表肿物切除术
- 《艺术经典著作课外阅读》课程教学大纲
- 《改革开放史》课后测试及答案1
- 北京广播电视大学学前儿童语言教育-学前儿童语言教育活动指导形成性考核三 (第六单元-第八单元)0答案
- 电机调试方案
- 完整版土地整理工程施工质量评定表
- SH3501研讨课件(147页PPT)
- 《现代汉语修辞》PPT课件(完整版)
- Spss统计分析论文
- 重庆市七年级初一英语下学期期末试卷含答案解析
- 常用黑色金属材料及处理方法介绍SC
评论
0/150
提交评论