递推最小二乘法计算故障电流参数.docVIP

递推最小二乘法计算故障电流参数 摘要 本文重点利用递推最小二乘法对故障电流参数进行计算，通过Matlab编程实现，并对该算法的误差进行了简单的分析。理论分析和计算结果表明，该算法具有计算简便、收敛速度快等优点。 关键词 递推最小二乘法 故障电流 微机保护算法 1.引言 最小二乘算法是参数估计理论中的一种经典方法，它广泛应用于数据处理和自动控制等领域。该算法是将包含有随机噪声分量的输入信号与一预设的信号模型（拟合函数）按最小二乘原理进行拟合，根据拟合误差最小的原则来确定预设模型中的有关参数。在微机保护中，根据目的的不同，预设模型有不同的选择方法，相应地，最小二乘算法也有不同的表现形式。本文采用线路保护中的模型，并利用递推型的最小二乘法计算故障电流参数，计算简便，易于实现。 2.递推最小二乘算法 在线路保护中，采用最小二乘算法对基频分量参数进行计算时，输入信号的预设模型可选择为： （1） 式中：分别为非周期分量的初值和衰减时间常数；分别为基频分量的幅值和相位。 将（1）式用实、虚部表示有： （2） 式中：分别为基频分量的实部和虚部。 而实际故障信号可视为由预设模型信号与附加的随机信号共同组成： （3） 或 （4） 式中随机信号w(t)包括了故障信号中除基频分量和非周期分量之外的其它所有成分。 对于由(4)式所表示的输入信号来说，待确定的模型参数为非周期分量的初值和衰减时间常数以及基频分量的实部与虚部。在实际应用中，为了简化计算，参数通常可作为一事先给定的常数处理，如在它可能的变化范围内选择一恰当的数值。显然，若实际衰减时间常数偏离给定的数值，这种处理方式对基频参数的计算会带来一定误差。但计算表明，这种误差可控制在允许范围内。这样待确定的参数可简化成只包括和。 将（4）式用离散采样值形式表示有： （5） 其矩阵形式为： （6） 或 （7） 式中：为采样周期；为预设模型 的系数矩阵；为待测估计的参数向量。 假设已得到k个输入信号的采样值，根据最小二乘估计理论的基本原则，其最小二乘估计为 ： （8） 式中：， 新增采样数据后，对原有的估计值进行修正，便构成递推型的最小二乘算法。假设新增采样数据，改进后的参数估计向量为则由（8）式有： （9） 其中：， 令 可通过计算得到具有递推型计算形式的最小二乘估计方程： （10） 其中：。从上式可以看出，新的估计向量可以由原有的估计向量加上一个修正项来得到。修正项正比于,而该项实际上反映的是以原有的估计向量对当前采样时刻的采样值进行预测时产生的预测误差（拟合误差）。向量则决定了在进行修正时，对预测误差的重视程度。在递推计算方程中，矩阵与采样值无关，可离线求出，因此，递推最小二乘算法的实时计算量较小，易于在微机保护中采用。 3.算法仿真 为验证算法的精度，将下列信号作为输入信号，并与计算结果进行比较。 （11） 即： 算法中取,随机信号w(t)用rand()函数生成，取区间[0,0.1]中的随机数,下表为不同样本容量时的参数估计值与实际值的比较： 样本容量n 非周期分量初值I0 基频分量实部IR 基频分量虚部II 4 99.5197 87.0409 49.6771 6 100.1155 86.5745 50.0497 10 100.0522 86.5840 49.9907 25 100.0733 86.6048 50.0076 50 100.0834 86.5981 50.0018 100 100.0800 86.5941 50.0007 （实际值） 100 86.6 50 表1 计算结果与实际值比较 从表1可以看出，递推最小二乘法随采样值的增多，参数估计值精度也随之逐步提高。并且，该算法收敛速度快。 该算法的误差来源主要有以下几个方面： 1.每次递推由随机函数生成的随机信号w(t)无规律； 由表1中的计算结果可以看出，随样本容量n的增加，计算结果呈现逐渐向实际值逼近的趋势，但又不是按照绝对误差变小的规律。 2.采样频率fs的取值； 采样频率的取值对故障参数的初值影响比较大,主要原因是，如果fs取的过大，对系数矩阵H中的第三列元素影响很大，但fs的取值对总体计算结果影响不大。 3.随机信号w(t)的范围； 随机信号的取值如果过大也会对故障参数的初值以及最终计算产生不同程度的影响。 4.非周期分量衰减时间的取值； 通常可作为一事先给定的常数处理，若实际衰减时间常数偏离给定的数值，这种处理方式对基频参数的计算会带来一定误差。 4．结束语 本文采用递推最小二乘法计算故障电流的故障参数，该算法具有计算量小、收敛速度快等优点。计算结果表明，本算法校正精度高，具有实用价值。