• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩红中计划群: 一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法.pdf

    关 键 词:
    一种 基于 自适应 卡尔 滤波 低频 振荡 参数 辨识 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201710091562.5

    申请日:

    2017.02.20

    公开号:

    CN106786561A

    公开日:

    2017.05.31

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):H02J 3/00申请日:20170220|||公开
    IPC分类号: H02J3/00; H02J3/24; G06F17/50 主分类号: H02J3/00
    申请人: 河海大学
    发明人: 王义; 孙永辉; 王加强; 卫志农; 孙国强; 汪婧; 翟苏巍
    地址: 211100 江苏省南京市江宁区佛城西路8号
    优先权:
    专利代理机构: 南京苏高专利商标事务所(普通合伙) 32204 代理人: 李玉平
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201710091562.5

    授权公告号:

    |||

    法律状态公告日:

    2017.06.23|||2017.05.31

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法,用于解决电力系统低频振荡模态参数识别问题。本发明的具体实施步骤如下:首先,通过对低频振荡信号的分析,结合其自身的特点,建立了状态分量包含待辨识参数的状态空间模型;在此基础上,考虑到系统噪声和量测噪声协方差的时变性,通过运用自适应技术实现了对噪声协方差的动态估计;最后,结合卡尔曼滤波方法实现了对低频振荡模态参数的有效辨识。算例分析表明了本发明的有效性和实用性。

    权利要求书

    1.一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法,其特征在于,包括如下
    步骤:
    (1)设定滤波相关的初始值,如设定k=0时刻的状态估计初始值状态估计误差协方
    差系统噪声和量测噪声协方差矩阵的初始值Q0,R0,动态估计窗口值L,以及最大迭代次
    数N;
    (2)计算k时刻的状态预测值计算公式如下
    <mrow> <msub> <mover> <mi>x</mi> <mo>~</mo> </mover> <mi>k</mi> </msub> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow>
    式中f(·)对应于式(3)所描述的非线性函数,为k-1时刻的状态估计值;
    (3)计算k时刻的状态预测误差协方差计算公式如下
    <mrow> <msub> <mover> <mi>P</mi> <mo>~</mo> </mover> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>F</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msub> <mover> <mi>P</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msubsup> <mi>F</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <mo>+</mo> <msub> <mi>Q</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow>
    式中表示非线性函数f(·)在处的雅克比矩阵;
    (4)计算k时刻的自适应卡尔曼滤波增益Gk,计算公式如下
    <mrow> <msub> <mi>G</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mover> <mi>P</mi> <mo>~</mo> </mover> <mi>k</mi> </msub> <msubsup> <mi>H</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>H</mi> <mi>k</mi> </msub> <msub> <mover> <mi>P</mi> <mo>~</mo> </mover> <mi>k</mi> </msub> <msubsup> <mi>H</mi> <mi>k</mi> <mi>T</mi> </msubsup> <mo>+</mo> <msub> <mi>R</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> </mrow>
    式中(·)-1为求矩阵的逆运算,Hk对应于式(4)中的输出函数在处的雅克比矩阵。
    (5)计算k时刻的估计误差协方差计算公式如下
    <mrow> <msub> <mover> <mi>P</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mi>I</mi> <mo>-</mo> <msub> <mi>G</mi> <mi>k</mi> </msub> <msub> <mi>H</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <msub> <mover> <mi>P</mi> <mo>~</mo> </mover> <mi>k</mi> </msub> </mrow>
    式中I为对应维度的单位矩阵,
    (6)计算k时刻的状态估计值计算公式如下
    <mrow> <msub> <mover> <mi>x</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mo>=</mo> <msub> <mover> <mi>x</mi> <mo>~</mo> </mover> <mi>k</mi> </msub> <mo>+</mo> <msub> <mi>G</mi> <mi>k</mi> </msub> <mo>&lsqb;</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>-</mo> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mover> <mi>x</mi> <mo>~</mo> </mover> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow>
    式中yk为k时刻的量测值,h(·)是输出方程(4)中的输出函数;
    (7)计算新息序列,计算公式如下
    <mrow> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>-</mo> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mover> <mi>x</mi> <mo>~</mo> </mover> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow>
    式中yk为k时刻的量测值,是k时刻的状态预测值;
    (8)取移动窗口大小为L时,计算窗口内新息序列sk的平均值,即新息矩阵Cvk,其计算公
    式如下
    <mrow> <msub> <mi>C</mi> <mrow> <mi>v</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>L</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mi>k</mi> <mo>-</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msub> <mi>s</mi> <mi>i</mi> </msub> <msubsup> <mi>s</mi> <mi>i</mi> <mi>T</mi> </msubsup> </mrow>
    式中,(·)T为求矩阵的转置运算;
    (9)在上一步的基础上,计算k+1时刻迭代辨识所需的系统噪声协方差矩阵Qk,量测噪声
    协方差矩Rk+1,计算公式如下
    <mrow> <msub> <mi>Q</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>G</mi> <mi>k</mi> </msub> <msub> <mi>C</mi> <mrow> <mi>v</mi> <mi>k</mi> </mrow> </msub> <msubsup> <mi>G</mi> <mi>k</mi> <mi>T</mi> </msubsup> </mrow>
    <mrow> <msub> <mi>R</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>C</mi> <mrow> <mi>v</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>H</mi> <mi>k</mi> </msub> <mo>&CenterDot;</mo> <msub> <mover> <mi>P</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mo>&CenterDot;</mo> <msubsup> <mi>H</mi> <mi>k</mi> <mi>T</mi> </msubsup> </mrow>
    式中Gk为k时刻滤波增益值,Hk是输出函数在处的雅克比函数值,为k时刻的状态估
    计误差协方差;
    (10)按照(2)-(9)进行多次迭代辨识,直至k+1>N时迭代停止,输出辨识结果。

    说明书

    一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法

    技术领域

    本发明涉及一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法,属于电力
    系统分析与控制技术领域。

    背景技术

    电力系统低频振荡严重影响了电网的安全稳定运行,世界范围内已发生了多次与
    低频振荡相关的事故。电网发生低频振荡时,发电机转子之间会发生相对摇摆,发电机、联
    络线上的功率产生振荡。一般来说,低频振荡可分为局部模式和区间模式,局部模式是指电
    气距离较近的一组发电机相对于系统的其他部分的振荡模式,振荡频率通常在1~2Hz;由
    于此种振荡模式所涉及的范围较小,所以易于控制和消除,区间模式是指系统中某部分机
    组相对于另一部分机组的振荡,通常发生在长距离联络线弱连接的电网间,振荡频率0.1~
    1Hz,此种振荡模式由于所涉及的范围较广,因此消除和控制比较困难。

    为了保证电力系统安全稳定的运行,需要有效的识别电力系统低频振荡的形式,
    以便采取适当的控制策略,及时消除系统振荡所带来的影响。现有的研究中,对电力系统低
    频振荡模态参数进行识别时,大多数情况下采用的是基于量测信号的方法,通过对监测数
    据的分析、信号处理、进而提取得到电力系统振荡信号的相关信息。

    这些方法主要包括以下几种方法:

    1)快速傅里叶变换(fast Fourier transform,FFT);2)小波分析方法;3)Prony方
    法;4)基于扩展卡尔曼滤波方法。

    不过值得注意的是快速傅里叶变换的精度受数据窗口的限制,不能反映振荡的阻
    尼特性;小波算法虽然可以反映振荡信号的时变特性,但存在小波基选取难度较大的问题;
    Prony算法利用量测信息能直接提取振荡模态的幅值、相位、频率和衰减因子,该算法较为
    简便,因此被广泛用于低频振荡模态参数的辨识。但是,Prony算法对于噪声较为敏感,在对
    含噪的振荡模态进行识别时误差较大;当振荡模式为多阶且采样率增大时,识别振荡模态
    幅值和初始相位的计算量就会呈指数增加,此时矩阵求逆运算就变得困难,扩展卡尔曼滤
    波方法虽然可以实现对电力系统低频振荡模态参数的识别,但是其参数辨识结果的精度很
    大程度依赖于初始噪声协方差的选取是否合适,且并未计及系统噪声和量测噪声所满足协
    方差矩阵的时变性。

    为了克服扩展卡尔曼滤波方法存在的不足,提高电力系统低频振荡模态参数的辨
    识精度,本发明设计了一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法,该方法
    可以依据新息序列对系统噪声和量测噪声所满足的协防差矩阵进行动态估计,从而避免了
    因协防差矩阵初始值选取不当所带来的影响,有效提高了低频振荡模态参数辨识的精度。

    发明内容

    发明目的:针对现有技术中存在的问题,本发明提供了一种基于自适应卡尔曼滤
    波的低频振荡模态参数辨识方法。

    技术方案:一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法,包括如下
    部分:

    1)低频振荡模态参数辨识建模

    一般情况下电力系统低频振荡信号可以表示为多个指数衰减的振荡波信号的之
    和,可以描述为如下形式:


    式中,Ai,δi,wi,φi分别为幅值,衰减因子,频率,相位;n(t)是一个零均值的白噪
    声。

    考虑由N个指数衰减的振荡波信号组成的电力系统低频振荡信号,定义4N个状态
    变量为如下形式:



    x4i-1,k=wi

    x4i,k=δi

    式中下标i表示构成低频振荡信号的第i个衰减的振荡波信号。k代表时刻,fs代表
    采样频率,根据上式,进一步推导则可得到k+1时刻的状态分量:



    x4i-1,k+1=x4i-1,k+ω4i-1,k

    x4i,k+1=x4i,k+ω4i,k

    式中ω4i-j,k(i=1…N,j=0…3)为k时刻均值为零的白噪声,其满足的协方差矩阵
    一般假设为Qk。

    输出方程为:


    式中,k2i-1=cos(φi),k2i=-sin(φi),nk为均值为零的白噪声,其满足的噪声协
    方差矩阵一般假设为Rk。

    2)自适应卡尔曼滤波参数辨识技术

    在建立状态空间模型的基础上,本发明采用了自适应卡尔曼滤波方法对电力系统
    低频振荡模态参数进行识别,其具体的实施步骤在计算机中是依次按照如下步骤实现的:

    (1)设定滤波相关的初始值,如设定k=0时刻的状态估计初始值状态估计误差
    协方差系统噪声和量测噪声协方差矩阵的初始值Q0,R0,动态估计窗口值L,以及最大迭
    代次数N;

    (2)计算k时刻的状态预测值计算公式如下


    式中f(·)对应于式(3)所描述的非线性函数,为k-1时刻的状态估计值。

    (3)计算k时刻的状态预测误差协方差计算公式如下


    式中表示非线性函数f(·)在处的雅克比矩阵。

    (4)计算k时刻的自适应卡尔曼滤波增益Gk,计算公式如下


    式中(·)-1为求矩阵的逆运算,Hk对应于式(4)中的输出函数在处的雅克比矩
    阵。

    (5)计算k时刻的估计误差协方差计算公式如下


    式中I为对应维度的单位矩阵,

    (6)计算k时刻的状态估计值计算公式如下


    式中yk为k时刻的量测值,h(·)是输出方程(4)中的输出函数。

    (7)计算新息序列,计算公式如下


    式中yk为k时刻的量测值,是k时刻的状态预测值。

    (8)取移动窗口大小为L时,计算窗口内新息序列sk的平均值,即新息矩阵Cvk,其计
    算公式如下


    式中,(·)T为求矩阵的转置运算。

    (9)在上一步的基础上,计算k+1时刻迭代辨识所需的系统噪声协方差矩阵Qk,量
    测噪声协方差矩Rk+1,计算公式如下



    式中Gk为k时刻滤波增益值,Hk是输出函数在处的雅克比函数值,为k时刻的状
    态估计误差协方差。

    (10)按照(2)-(9)进行多次迭代辨识,直至k+1>N时迭代停止,输出辨识结果。

    附图说明

    图1为本发明实施例的方法流程图;

    图2为实施例低频振荡测试信号的量测值;

    图3为采用扩展卡尔曼滤波方法和本发明方法对实施例低频振荡信号频率的辨识
    结果;

    图4为采用扩展卡尔曼滤波方法和本发明方法对实施例低频振荡信号阻尼因子的
    辨识结果;

    图5为采用本发明方法对低频振荡信号参数辨识的绝对误差分析,(a)位本发明方
    法振荡频率辨识绝对误差值,(b)为本发明方法阻尼因子辨识绝对误差值。

    具体实施方式

    下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明
    而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价
    形式的修改均落于本申请所附权利要求所限定的范围。

    如图1所示,基于自适应卡尔曼滤波的低频振荡模态参数辨识方法,其包含如下步
    骤:

    (1)设定滤波相关的初始值,如设定k=0时刻的状态估计初始值状态估计误差
    协方差系统噪声和量测噪声协方差矩阵的初始值Q0,R0,动态估计窗口值L,以及最大迭
    代次数N;

    (2)计算k时刻的状态预测值计算公式如下


    式中f(·)对应于式(3)所描述的非线性函数,为k-1时刻的状态估计值。

    (3)计算k时刻的状态预测误差协方差计算公式如下


    式中表示非线性函数f(·)在处的雅克比矩阵。

    (4)计算k时刻的自适应卡尔曼滤波增益Gk,计算公式如下


    式中(·)-1为求矩阵的逆运算,Hk对应于式(4)中的输出函数在处的雅克比矩
    阵。

    (5)计算k时刻的估计误差协方差计算公式如下


    式中I为对应维度的单位矩阵,

    (6)计算k时刻的状态估计值计算公式如下


    式中yk为k时刻的量测值,h(·)是输出方程(4)中的输出函数。

    (7)计算新息序列,计算公式如下


    式中yk为k时刻的量测值,是k时刻的状态预测值。

    (8)取移动窗口大小为L时,计算窗口内新息序列sk的平均值,即新息矩阵Cvk,其计
    算公式如下


    式中,(·)T为求矩阵的转置运算。

    (9)在上一步的基础上,计算k+1时刻迭代辨识所需的系统噪声协方差矩阵Qk,量
    测噪声协方差矩Rk+1,计算公式如下



    式中Gk为k时刻滤波增益值,Hk是输出函数在处的雅克比函数值,为k时刻的状
    态估计误差协方差。

    (10)按照(2)-(9)进行多次迭代辨识,直至k+1>N时迭代停止,输出辨识结果。

    为了验证本发明基于自适应卡尔曼滤波的低频振荡模态参数辨识方法的有效性
    和实用性,下面介绍在电力系统低频振荡研究中常用的一个测试算例,其量测信号(见图2)
    的表达式为:

    y(t)=e-0.005tsin(0.5t)+nt 0≤t≤400

    该低频振荡信号的频率w=0.5,阻尼因子为δ=0.005,在测试中采样时刻t=k(k
    =1,2…400),nt是高斯白噪声,其所满足的协方差矩阵Qk=10-5,在运用本发明方法进行低
    频振荡模态参数辨识时,计算噪声协方差矩阵的窗口值L=100,最大迭代时刻N=400,状态
    估计初始值为状态估计协方差矩阵、系统噪声和量测噪声满足的协防
    差矩阵初始值分别为:


    对上述实施例的低频振荡测试信号,分别运用传统的卡尔曼滤波算法(其所需的
    相关参数值和本发明方法的参数初值相同),以及本发明基于自适应卡尔曼滤波方法进行
    模态参数辨识。两种不同方法对低频振荡信号频率的辨识结果如图3所示,两种不同方法对
    低频振荡信号阻尼因子的辨识结果如图4所示。图5给出了本发明方法参数辨识结果与参数
    真实值之间的绝对误差值。

    对实施例低频振荡测试信号频率辨识结果图3分析可知,本发明方法较传统的卡
    尔曼滤波方法可以更加精确的对振荡信号频率参数进行识别。

    对实施例低频振荡测试信号阻尼因子辨识结果图4分析可知,本发明方法较传统
    的卡尔曼滤波方法可以更加精确的对振荡信号阻尼因子参数进行识别。

    最后,综合图3、图4和图5所示的测试结果,可以得出如下结论:在对电力系统低频
    振荡信号参数识别时,通过在传统卡尔曼滤波方法中引入自适应技术,实现对系统噪声和
    量测噪声所满足的协方差矩阵动态精确估计,可以消除因系统噪声和量测噪声协方差矩阵
    初始值选取不当所带来的影响,提高电力系统低频振荡信号参数辨识精度。

    关于本文
    本文标题:一种基于自适应卡尔曼滤波的低频振荡模态参数辨识方法.pdf
    链接地址://www.4mum.com.cn/p-6004610.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 山东时时开奖结果查询结果 重庆时时开奖单双单双跳 双色球胆拖金额 梦幻西游高级押镖能赚钱吗 河北11选5遗漏 最准大乐透预测 网上动画接任务赚钱吗 中顺qka棋牌游戏大厅 精选36码期期中资料 大乐透开奖 北京pk10的走势图 偷渡到巴西好赚钱吗 兼新闻赚钱 贵州快3预测推荐 出口国外什么产品赚钱 17175捕达人