动态模态分解中用于可预测性的格兰杰因果性
系统与控制
2022-10-25 v1 系统与控制
摘要
动态模态分解 (DMD) 技术从测量数据中提取刻画系统内在动态行为的主导模态。为从测量数据中恰当识别主导模态，DMD 算法需要确保输入测量数据序列的质量。为此，为验证数据集对 DMD 算法的可用性，本文提出两个条件：持续激励 (PE) 与格兰杰因果性检验 (GCT)。虚拟数据序列采用汉克尔矩阵表示设计，使得随新状态变量的加入，张成本质系统模态的子空间维数增加。PE 条件给出了轨迹长度的下界，GCT 给出了模型的阶数。满足 PE 条件可估计近似线性模型，但所识别模型的可预测性仅由 GCT 搜寻到的数据间时间因果性保证。所提方法通过在多机电力系统 (MMPS) 中的相干性识别 (CI)（暂态稳定分析中的重要现象）应用得到验证。PE 条件与 GCT 的重要性通过在一个 22 母线六机系统上实施的多种案例研究得以展示。
引用
@article{arxiv.2210.12737,
title = {Granger Causality for Predictability in Dynamic Mode Decomposition},
author = {G. Revati and Syed Shadab and K. Sonam and S. R. Wagh and N. M. Singh},
journal= {arXiv preprint arXiv:2210.12737},
year = {2022}
}