基于卡尔曼滤波基波分量提取.docVIP

基于卡尔曼滤波基波分量提取 　　摘要：为保证继电保护准确动作的要求，国内外学者对卡尔曼滤波进行了广泛的研究。文章是在学习卡尔曼滤波原理（KFT）基础上，进行卡尔曼滤波器的研究和设计。文章对卡尔曼滤波原理和短路过程基频电压、电流作了详细的分析，之后建立了电流、电压的数学模型，利用卡尔曼滤波原理（KFT）算法，对电流、电压进行估计。 　　关键词：卡尔曼滤波器；控制输入；电力系统 　　中图分类号：TM466 文献标识码：A 文章编号：1009-2374（2013）12-0082-02 　　电力系统发生故障时，自动地、快速地、有选择性地切除故障设备，保证系统其余部分迅速恢复正常运行，并使故障设备不再继续遭到破坏。当电力系统发生不正常工作情况时，及时准确地发出报警信号，以便运行人员及时处理，防止不正常情况继续持续或发展成为故障。故障信号中含有谐波分量和衰减直流分量，目前，大多数继电保护以故障后的稳态基频分量作为判据，如何从故障暂态信号中快速、准确地对基频电流、电压进行估计是微机继电保护面临的主要问题。常见的微机保护算法有傅立叶算法、采样和导数法、卡尔曼滤波算法和半周积分法等。 　　卡尔曼滤波器在1960年由R.E.Kalman发现，由于在数字计算发展中的进步，卡尔曼滤波器是有广阔研究应用前景的科目。卡尔曼滤波提供了一种从间接测量中分析缺少的信息的方法。当动态系统是线性的并且当各种噪声因素特性的统计已知，卡尔曼滤波提供了最佳状态估计方法。近些年来，一些基于卡尔曼滤波理论的新机算法已引入微机继电保护领域中，卡尔曼滤波算法适用于平稳过程也适用于非平稳过程，对噪声有很好的抑制作用，且能成功滤除非整数倍谐波，被广泛应用于频率跟踪、谐波分析等场合，卡尔曼滤波算法在数据窗暂态条件下能够给出基波分量的最优估计，随着微机的快速发展，卡尔曼滤波算法得到了越来越广泛的应用。 　　1 离散卡尔曼滤波原理 　　在实际的动态系统中，除了非随机的控制输入U外，还有随机扰动输入w（k），例如外界干扰或系统建模误差等都可列为w（k）。这种扰动又称为动态噪声。作用于动态系统上的随机干扰除了动态噪声???，还有系统产生的量测噪声v（k），它一般作用在系统的出口。离散线性系统模型如下： 　　离散卡尔曼滤波器回归的产生能由5个等式表达，能用下面的方法实现： 　　（1）状态估计外推法： 　　（10） 　　（2）协方差估计外推法： 　　（11） 　　（3）卡尔曼滤波器增益： 　　（12） 　　（4）状态估计校正： 　　（13） 　　（5）协方差估计校正： 　　（14） 　　表示状态估计，由增值方程式单独产生。是有相互关系的状态的估计，说明测量和PK/K-1及PK都同样被定义了。 　　卡尔曼滤波算法需要给出系统的初始状态、 　　R（0）以及常数矩阵Q、R。初始状态对卡尔曼滤波算法性能好坏几乎没有影响。因此，在参数选取过程中，协方差矩阵 、Q、R参数的选取是关键，其合理与否直接影响着系统的运行性能和收敛程度。卡尔曼滤波计算流程图及滤波框图如图1、图2所示。 　　噪声对系统状态及测量造成一定的影响，使信号波形产生一定的变化，所以要想办法抑制噪声对信号的影响，将公式（2）代入公式（1），且设非随机的控制输入U为零，则有： 　　可以看出，若消除或减弱噪声信号的影响，再现系统的理想状态，可令-CKwK-1=vK，这在matlab等仿真软件中是不难实现的。但在实际的控制系统中，由于测量噪声及系统噪声具有不确定性，实际消除噪声的影响是很难实 　　现的。 　　2 数学模型 　　系统故障信号中含有基频分量、高频分量、随指数衰减的暂态分量及服从高斯分布的噪声信号，基频分量在继电保护中起着举足轻重的作用，为了从故障信号中提出基频分量，即短路后的稳态分量，必须建立相应的状态空间模型和观测模型。本文采用带有未知幅值和相角的向量表示基频分量，并假定向量是静止的，参考坐标轴以频率旋转，这样，分量的瞬时值线性方程为： 　　X（t）=X0+A·sin（ωt+φ）=X0+A·cosφsinωt+Asinφcosωt 　　=X0+X1sinωt+X2cosωt 　　在上述假定条件下，X0为随指数衰减的暂态分量，X1和X2是恒定的，当采样周期为Ts时，且考虑噪声信号，则系统状态方程为： 　　X（K+1）=A（K）·X（K）+W（K）， 　　观测方程为： 　　式中：V（K）用来表示暂态分量以及测量误差。 　　动态系统数学模型确定之后，进一步要建立噪声信号模型及确定它们的协方差矩阵Q、R，卡尔曼滤波算法是一套递推关系式，要求给出初始估计值X（0）、K（0）来启动递推过程。滤波参数的选取是决定卡尔曼滤波性能好坏的关键，在使用过程中，大多数是用试凑的方法来实现的，