Instantaneous Frequency Identification in Microgrids Through Adaptive Data Analysis

Abstract

Den økende integreringen av kraftelektroniske komponenter har sammen med mer distribuert generering av energi ført til at kraftsystemet er mer usatt for harmonisk forurensning. Isolerte systemer typisk kategorisert av lavt treghetsmoment er spesielt usatt, og har gjort ikke-lineære harmonisk støy til et økende problem. Dagens monitoreringsutstyr benytter seg i stor grad av metoder som baserer seg på gjennomsnittlige verdier og utregninger, og er dermed ikke egnet for å benyttes ved større grad av ikke-linearitet. Det trengs dermed en alternativ metode med mulighet for å beregne momentant frekvens og amplitude slik at kontrollutstyr skal kunne fungere med nødvendig nøyaktighet og presisjon.

Denne oppgaven utforsker bruken av adaptiv data analyse som en alternativ metode for detektering av harmoniske komponenter i kraftsystemet. Empirical Mode Decomposition (EMD) og sanntids versjonen Online EMD har blitt brukt sammen med Hilbert-Transform (HT) og Fast Fourier Transform (FFT) for å se nærmere på muligheten for momentan frekvens og amplitude beregning. En sammenlikning av dekomposisjon kvaliteten til EMD og Online EMD er gjort for forskjellige stop-kriterier og forstyrrelser. Deretter har metodene blitt brukt for å indentifisere det harmoniske innholdet i en virkelig strøm og spenningsmåling henter fra en vind turbin. EMD ble brukt til å dekomponere målingene, og FFT ble brukt sammen med et grensetilstands-kart for å konstruere maskerings signal for å forhindre frekvens miksing. Bruken av maskerings signal ble så modifisert til bruk sammen med Online EMD, for de samme målingene. Tilfredsstillende IMFer ble deretter fjernet fra det originale signalet og det resulterende signalet ble analysert på nytt. Etter at alle relevante komponenter har blitt fjernet fra signalet blir de videre analysert ved hjelp av HT og FFT, og resultatene fra EMD og Online EMD blir sammenliknet.

Metodene brukt i denne oppgaven viste seg å være gode verktøy for å finne det harmoniske innholdet i et signal, men krever teknikker som kan behandle mode-miksing ved mer komplekse signaler. Maskerings-signal var veldig effektiv seperasjons metode, og den viste seg og også fungere godt sammen med Online EMD.

With the increased integration of power electronic equipment and distributed energy generation, the modern power system has become more prone to harmonic pollution. As isolated systems categorized by low inertia such as microgrids are more common, the presence of non-linear distortion is becoming an increasing problem. The most common methods used for surveillance in the power system are as of now based on average value calculations. They are thus not suited for the rising non-linearity caused by the harmonics in the evolving system. For monitoring and control equipment to keep operating with adequate performance, there is a need for alternative surveillance methods capable of instantaneous frequency and amplitude detection.

This thesis aims to explore the use of adaptive data analysis as an alternative surveillance method for harmonic detection in the power system. Empirical Mode Decomposition (EMD) and its real-time extension, Online EMD, have been used in conjunction with Hilbert-Transform (HT) and Fast Fourier Transform (FFT) for extensive instantaneous frequency and amplitude identification. First, a comparison of the decomposition quality of EMD and Online EMD is made using synthetic signals, looking at different stoppage criteria and their reaction to disturbances. The methods have then been applied for harmonic detection in an actual voltage and current measurement taken from a wind turbine generator. The measurements have been decomposed by EMD, utilizing FFT and a recreated boundary condition map to construct appropriate masking signals to avoid mode mixing. The use of masking signals to avoid mode-mixing has then been adapted and used in the Online EMD for the same measurements. As adequately pure IMFs are extracted, they are removed from the original signal, and the new resulting signal is treated as new input for further decomposition. As all relevant modes are extracted, they are analyzed by HT and FFT, and the results from the EMD and Online EMD are compared.

Essentially, the methods proved to be powerful tools for harmonic detection but require techniques to handle mode mixing when applied to complex signals. The use of masking signals is shown to be a highly effective mode mixing separation technique and is seen to also be effective when adapted for use with the Online EMD.