黄传金，陈铁军，张国志，宋海军，罗 勇

（1.中州大学 机电与汽车工程学院，河南 郑州 450044；2.郑州大学 电气工程学院，河南 郑州 450001；3.河南送变电工程公司，河南 郑州 450052）

0 引言

同步电机是电力系统中的重要设备，其参数对于电力系统运行和控制至关重要[1-2]。GB/T1029—2005推荐使用的同步电机参数测量方法是三相突然短路法。传统方法是通过短路电流上、下包络线的加减运算提取周期性分量和非周期性分量，再通过最小二乘曲线拟合的方法获取瞬态参数，该方法辨识结果误差较大[3]。一般用指数函数来表示突然短路电流，而Prony算法适合指数函数的参数辨识，应用Prony算法辨识同步电机参数的效果较好[4]，但Prony算法对噪声较敏感。

噪声对同步电机参数辨识的精度影响较大。为提高辨识的精度，常先滤除噪声，然后再结合辨识算法辨识同步电机参数。如小波变换和Prony算法[3]、矩阵束[5]、神经网络[6]等相结合的同步电机参数辨识算法。这种方法预先滤除了噪声信号，在低信噪比（如20 dB）时也能取得较高的参数辨识精度，但小波变换不仅受Heisenberg测不准原理的制约，还存在基函数选取问题，缺乏自适应性[7]。运用经验模态分解EMD（Empirical Mode Decomposition）获取同步电机电流中的直流分量和基波电流，进而辨识同步电机参数，较好地解决了连续高频噪声时参数辨识精度较低的问题[7-8]，但EMD存在模态混叠问题。

局部均值分解LMD（Local Mean Decomposition）是一种新的非线性信号分析方法[9]。和EMD类似，LMD也是根据信号的包络特征自适应地将信号按频率从高到低的顺序依次分离出若干个瞬时频率具有物理意义的乘积函数PF（Product Function）分量，由PF可重构原始信号。……