一种基于改进强跟踪滤波器的电力信号突变参数测量方法
【专利说明】一种基于改进强跟踪滤波器的电力信号突变参数测量方法
[0001] 本发明属于电力系统领域，涉及一种基于改进实数型强跟踪滤波器的电力系统失 真信号突变参数估计测量方法。
【背景技术】
[0002] 参数估计对于现代电力系统的运行有着重要意义。本发明所述的参数估计主要包 括幅值、频率和相位的估计，三者的估计结果分别反映了电力系统信号的变化的范围、变化 的快慢以及信号开始时的情况，因此幅值、频率和相位的估计对于确定电力系统信号内部 信息具有决定性作用。通常而言，在电力系统的参数估计中，频率估计是目前要解决的核心 和难点。电力系统数字化保护中，继电器采用基于频率的信号处理算法，从采样得到的电压 信号或电流信号中，可估计系统状态信息。在电能质量监控领域，电力信号的电压幅值和相 位检测皆是基于频率测量而进行的。在分布式发电系统并网过程中，根据频率测量值可分 析供电设备与电网之间的动态能量平衡关系。但是电力系统中电力电子装置的广泛使用， 可控硅转换装置和高频逆变器注入非正弦电流信号，导致电力信号受到谐波和噪声信号的 破坏而失真。因此快速并准确测量失真电压（电流）信号频率成为当前电力系统研宄热点。
[0003] 目前，国内外比较常用的方法有快速傅里叶变换，最小二乘法、牛顿递归法、自适 应陷波滤波法、最小均方误差法、正交分量滤波法等方法。这些方法各具特点，只能针对某 一特定的工程问题，在强噪声和谐波干扰条件下，大多表现不尽如人意。而卡尔曼滤波法能 够克服噪声和谐波的影响，准确地估计信号的频率、相位和幅值。因此针对非线性系统正弦 波频率估计，提出扩展复数卡尔曼滤波器应用于畸变电压信号的频率和幅值跟踪。然而由 于扩展卡尔曼滤波在系统达到工况时，失去了对幅值和频率等电气参数突变工况的跟踪能 力。为此提出了采用滞环比较的方法重置误差协方差阵，然而滞环比较的上下限阈值仅根 据噪声的强度取经验值，自适应能力差。随着强跟踪滤波器思想的提出，采用强跟踪滤波器 对电力系统失真信号参数估计，综合解决了滤波发散和跟踪突变能力不强等问题，但是在 数值计算过程中，次优渐消因子的计算和分析比较需在复数域中完成，计算过程复杂，特别 是针对高维过程。然而还需要注意的是，强跟踪滤波器的参数选择对跟踪结果有着极大地 影响，而许多时候这些参数的设计均采用的是经验值，具有一定的盲目性。
[0004] 因此，目前需要一种能够既降低运算复杂程度，又满足在线应用的实时性和有效 性，并能提供快速准确跟踪的方法。
【发明内容】
[0005] 有鉴于此，本发明的目的在于提供一种基于改进实数型强跟踪滤波器的电力系统 失真信号突变参数估计测量方法，此算法利用三次采样正弦波关系模型对信号的平滑能 力，以及强跟踪滤波器的自适应能力，改进了对信号突变跟踪的鲁棒性。并通过引入遗传算 法对强跟踪滤波器进行改进，提高了整个算法的跟踪能力。另外，由于此算法考虑了实数型 强跟踪滤波器，避免了复数型强跟踪滤波器的复杂运算过程。从而避免了复杂的方差重置 规则设计，保证了此方法在线应用的实时性和有效性。
[0006] 为达到上述目的，本发明提供如下技术方案：
[0007] -种基于改进实数型强跟踪滤波器的电力系统失真信号的频率、幅值、相位等参 数估计方法，属于电力系统领域。该方法包括以下步骤：步骤一：获取滤波目标信号；步骤 二：确定滤波目标信号特征；步骤三：针对滤波目标信号，建立滤波模型，此模型为连续三 次采样正弦波电压的等式关系模型，从而得到相应的状态方程、观测方程，以及离散滤波目 标信号；步骤四：根据实数型强跟踪滤波器递推规则，得到实数型强跟踪滤波器的离散算 法公式；步骤五：采用遗传算法对实数型强跟着滤波器的参数设置进行在线优化求解，之 后对离散滤波目标信号进行滤波和参数估计，得到相应的电力信号参数。
[0008] 进一步，步骤一具体包括，通过电压互感器获取电力系统中的失真信号，并将该失 真信号调制为弱电信号制，从而得到滤波目标信号y。
[0009] 进一步，步骤二中，所述的滤波目标信号特征为，该信号为电力系统的所有正弦失 真信号，包括三相或单相、电流或电压。
[0010] 进一步，步骤三具体包括如下步骤：首先，将连续非线性的电力系统失真信号转换 为离散时间信号yk。之后，根据滤波目标信号的特征，采用连续三个采样时刻的电压等式关 系构建滤波模型，包括状态方程毛和观测方程Λ。需要注意的是，当谐波和衰减直流分量导 致信号失真时，建模所采用的等式关系以及构建得到的模型都需改变。
[0011] 进一步，步骤四具体包括，在经典扩展卡尔曼滤波器算法公式的基础上，在递推状 态预报误差协方差為_时引入次优渐消因子λ,+1，保证每一步递推过程中，保持了不同时 刻的残差序列处处正交。其工程意义在于，当存在模型不确定性或者电力信号参数突变 时，在线调整增益矩阵1+1可使残差ε k+1始终保持高斯白噪声的性质。该滤波器充分利用 了残差序列中的有效信息，对电力信号参数变动具有较强的鲁棒性，而且在整个递推过程 中所有的数据的数据类型均为实数型，从而得到实数型强跟踪滤波器的具体算法公式。
[0012] 进一步，步骤五中利用改进的实数型强跟踪滤波器进行滤波和参数估计采用以下 步骤：
[0013] (1)输入离散滤波目标信号yk，设定遗忘因子p等各项相关参数值，其中通过遗 传算法对弱化因子β进行优化求解。并根据该信号各项参数得到状态预报七〇以及给定初 始的预报误差协方差(此时设定离散时间k为1);
[0014] (2)计算得到输出残差ek+1;
[0015] (3)通过此时的预报误差协方差&η进一步计算得到该时刻卡尔曼增益Kk，以及 通过将此时的输出残差e k+1和遗忘因子P相结合运算得到该时刻的实际输出残差序列的 协方差Vk+1。并进一步根据获得的卡尔曼增益K k计算得出该时刻观测噪声协方差以及 利用实际输出残差序列的协方差Vk+1和弱化因子β等数据，运算得到该时刻的次优渐消因 子 Ak+1;
[0016] (4)根据当前的卡尔曼增益Kk和状态预报以及输入信号yk等数据，计算得 出该时刻的状态估计值：^。接着利用前面几步得到的观测噪声协方差片#和次优渐消因子 λ k+1等数据运算得出当前的估计误差协方差為#;
[0017] (5)时间参数k增加一个单位，之后重复⑵~⑷的步骤，直到滤波时间结束。
[0018] 进一步，所述方法还包括以下步骤：为了甄别该方法的精准性，采用标准偏差STD 和差异系数COV对其精准性进行评判；另外，为了确定该方法满足实时应用，通过获得该方 法的计算时间来间接知道该方法的复杂程度，从而确定其是否满足实时应用要求。
[0019] 本发明的有益效果在于：本发明所述的方法，利用三次采样正弦波等式关系对信 号的平滑能力，以及强跟踪滤波器的自适应能力，改进了对信号突变跟踪的鲁棒性。并通过 引入遗传算法对强跟踪滤波器进行改进，提高了整个算法的跟踪能力。另外，由于此算法考 虑了实数型强跟踪滤波器，避免了复数型强跟踪滤波器的复杂运算过程。从而避免了复杂 的方差重置规则设计，保证了此方法在线应用的实时性和有效性。
【附图说明】
[0020] 为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行 说明：
[0021] 图1