A new fast and accurate method for estimating the frequency of a complex sinusoid in complex white Gaussian environments is proposed. The new estimator comprises of applications of low-pass filtering, decimation, and ...A new fast and accurate method for estimating the frequency of a complex sinusoid in complex white Gaussian environments is proposed. The new estimator comprises of applications of low-pass filtering, decimation, and frequency estimation by linear prediction. It is computationally efficient yet obtains the Crazner-Rao bound at moderate signal-to-noise ratios. And it is well suited for real time applications requiring precise frequency estimation. Simulation results are included to demonstrate the performance of the proposed method.展开更多
近年来,随着风电、光伏等电力电子接口电源大规模接入电网,电网整体惯量水平持续降低,节点惯量呈现出空间分布差异,系统频率失稳风险显著增加。因此,亟待快速评估电网惯量分布情况,以便调度运行人员及时制定有效惯量调控措施。提出了一...近年来,随着风电、光伏等电力电子接口电源大规模接入电网,电网整体惯量水平持续降低,节点惯量呈现出空间分布差异,系统频率失稳风险显著增加。因此,亟待快速评估电网惯量分布情况,以便调度运行人员及时制定有效惯量调控措施。提出了一种基于极大似然辨识的电网节点惯量估计方法。先利用频率和有功功率量测数据,构建用于惯量估计的带外部输入的自回归滑动平均模型(autoregressive moving average model with exogenous inputs,ARMAX);再利用极大似然辨识方法,识别ARMAX模型中的未知参数;然后,结合节点有功-频率传递函数和计数器确定惯量估计值和所需最小量测数据长度;最后,基于改进的CEPRI-36点系统进行的仿真测试验证了该方法的有效性。展开更多
作为一种非平稳时频信号,正弦调频(sinusoid frequency modulation,SFM)信号在雷达和无线通信领域得到广泛应用。为了解决常规时频分析方法无法有效估计多分量SFM信号参数的问题,提出离散正弦调频变换(discrete sinusoidal frequency mo...作为一种非平稳时频信号,正弦调频(sinusoid frequency modulation,SFM)信号在雷达和无线通信领域得到广泛应用。为了解决常规时频分析方法无法有效估计多分量SFM信号参数的问题,提出离散正弦调频变换(discrete sinusoidal frequency modulation transform,DSFMT)。利用SFM信号在DSFMT域的聚敛特征,提出基于DSFMT的多分量SFM信号参数估计方法。给出多分量SFM信号和DSFMT变换的数学模型,论证了多分量SFM信号在DSFMT域聚敛特征的差异,仿真分析基于DSFMT的多分量SFM信号参数估计方法的技术性能。理论分析和实验结果表明:多分量SFM信号在DSFMT域有明显的聚敛特征差异,基于DSFMT的多分量SFM信号参数估计方法可有效估计多个SFM信号幅度和调制指数。展开更多
随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优...随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.展开更多
文摘A new fast and accurate method for estimating the frequency of a complex sinusoid in complex white Gaussian environments is proposed. The new estimator comprises of applications of low-pass filtering, decimation, and frequency estimation by linear prediction. It is computationally efficient yet obtains the Crazner-Rao bound at moderate signal-to-noise ratios. And it is well suited for real time applications requiring precise frequency estimation. Simulation results are included to demonstrate the performance of the proposed method.
文摘近年来,随着风电、光伏等电力电子接口电源大规模接入电网,电网整体惯量水平持续降低,节点惯量呈现出空间分布差异,系统频率失稳风险显著增加。因此,亟待快速评估电网惯量分布情况,以便调度运行人员及时制定有效惯量调控措施。提出了一种基于极大似然辨识的电网节点惯量估计方法。先利用频率和有功功率量测数据,构建用于惯量估计的带外部输入的自回归滑动平均模型(autoregressive moving average model with exogenous inputs,ARMAX);再利用极大似然辨识方法,识别ARMAX模型中的未知参数;然后,结合节点有功-频率传递函数和计数器确定惯量估计值和所需最小量测数据长度;最后,基于改进的CEPRI-36点系统进行的仿真测试验证了该方法的有效性。
文摘作为一种非平稳时频信号,正弦调频(sinusoid frequency modulation,SFM)信号在雷达和无线通信领域得到广泛应用。为了解决常规时频分析方法无法有效估计多分量SFM信号参数的问题,提出离散正弦调频变换(discrete sinusoidal frequency modulation transform,DSFMT)。利用SFM信号在DSFMT域的聚敛特征,提出基于DSFMT的多分量SFM信号参数估计方法。给出多分量SFM信号和DSFMT变换的数学模型,论证了多分量SFM信号在DSFMT域聚敛特征的差异,仿真分析基于DSFMT的多分量SFM信号参数估计方法的技术性能。理论分析和实验结果表明:多分量SFM信号在DSFMT域有明显的聚敛特征差异,基于DSFMT的多分量SFM信号参数估计方法可有效估计多个SFM信号幅度和调制指数。
文摘随机最大似然算法(Stochastic Maximum Likelihood,SML)具有优越的波达方位(Direction-of-Arrival,DOA)估计性能,但SML解析过程较高的计算复杂度限制了该算法在实际系统中的应用.针对SML计算复杂度高的问题,提出一种低复杂度的粒子群优化算法(Particle Swarm Optimization,PSO),解决了传统PSO算法中粒子数多和迭代次数多的双重缺点.首先,根据天线获得的信号,将旋转不变子空间法(Estimation of Signal Parameters via Rotational Invariance Techniques,ESPRIT)求得的闭式解作为DOA的预估计值,同时计算系统此时的信噪比以及SML在此信噪比下的克拉-美罗界(Cramer-Rao bound,CRB).然后,根据DOA预估计值和当前CRB值在SML最优解的近邻范围内确定较小的初始化空间,并在该空间初始化少量粒子.最后通过设计合适的惯性因子w,使粒子以合理的速度搜索最优解.实验结果表明,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML的解析复杂度,计算时间是传统PSO算法的1/10,因此在收敛速度上也有显著的优势.
