模态参数

随着中国特高压交直流换流站的大规模投运，有载分接开关(on-load tap changer, OLTC)已成为特高压换流站中发生故障较多的设备之一。针对强背景噪声环境下特高压换流站OLTC故障特征难以提取的问题，提出一种基于自适应粒子群算法优化奇异谱分解和奇异值分解的方法。首先，利用自适应粒子群优化(adaptive particle swarm optimization, APSO)算法对奇异谱分解算法中的模态参数进行优化，选取最优分解模态数。其次，基于最大峭度准则选取最佳奇异谱分量。然后，确定最佳重构阶数，通过奇异值分解重构信号，从而达到信号降噪的目的。将所提方法应用于仿真信号和实验信号，结果表明所提方法的信噪比达到23.302，均方根误差仅为0.004，并且波形相似参数高达0.998，优于其他降噪方法。所提方法能够更有效地实现对特高压换流站OLTC振动信号的降噪，为辅助运维人员诊断OLTC状态提供参考。

从瞬时转速测量数据中有效提取次同步扭振信号，并且准确地辨识模态参数，仍有一定的技术难度。为此，本文提出通过EMD预处理提取次同步扭振信号，并进行重采样处理，再通过Prony算法辨识次同步扭振模态参数。把本文提出方法对某电厂扭振实测数据进行了应用分析，将其与基于传统滤波器以及小波滤波器的Prony分析结果进行比较，表明所提方法能够有效提高次同步扭振模态参数辨识的精度。