CN102222911A - 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 - Google Patents
基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 Download PDFInfo
- Publication number
- CN102222911A CN102222911A CN2011100981901A CN201110098190A CN102222911A CN 102222911 A CN102222911 A CN 102222911A CN 2011100981901 A CN2011100981901 A CN 2011100981901A CN 201110098190 A CN201110098190 A CN 201110098190A CN 102222911 A CN102222911 A CN 102222911A
- Authority
- CN
- China
- Prior art keywords
- model
- power system
- equation
- estimation
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Feedback Control In General (AREA)
Abstract
Description
技术领域
本发明涉及一种电力系统间谐波估计方法,具体涉及一种基于AR模型和卡尔曼滤波的电力系统间谐波估计方法。
背景技术
随着电力系统的迅速发展,大量的电力电子装置、非线性波动负荷以及各种变频调速装置产生的间谐波对电力系统的污染日益严重,并且威胁到电网中各种电气设备的安全经济运行。因此,对电力系统间谐波的分析也成为国内外学者广泛关注的热点,并且具有非常重要的实际意义。
常用的间谐波检测方法有快速傅里叶变换(FFT)、特征分解法、人工神经网络模型、Burg算法等。
快速傅里叶变换(FFT):其计算量较小,实现较为简单而被广泛使用。但是间谐波分量很难确定其波形周期,且其幅值一般小于基波和谐波,传统的FFT算法就难以实现精确的同步采样,从而引起频谱泄露和栅栏效应等误差。加窗插值FFT虽然对传统FFT算法的效果有一定的改善,但是其分析窗的宽度一般要几十个信号周期,当间谐波与谐波频率相近时,要能准确地检测出间谐波分量,分析窗的宽度还需要进一步增加,则其检测实时性就也会大大降低。
特征分解法:包括Pisarenko(皮萨连科)谐波分析法、MUSIC(多信号分类法)和Prony(波朗尼)算法等,用于电网间谐波分析时,虽然结果较为精确,但需要进行自相关矩阵估计,运算量较大,且对噪声比较敏感,算法的实用性不强。
人工神经网络模型:其神经网络的训练可能要花很长时间,有时根本就不会收敛,且其算法复杂度较高,计算量太大,严重制约间谐波检测的实时性。
Burg算法(伯格算法):其分辨率高,数值稳定性好,计算效率也较高,因此经常被应用于电力系统间谐波分析中。但由于Burg算法采用的Levinson(莱文森)递推公式这一强约束条件,使其出现谱峰偏移和频谱分裂现象,
综上,现有的快速傅里叶变换方法存在分析窗的宽度大导致实时性差;现有的Burg算法存在谱峰偏移和频谱分裂现象导致谱分析性能低、抗干扰能力低。
发明内容
本发明的目的是为解决现有的快速傅里叶变换方法实时性差以及现有的Burg算法存在谱分析性能低、抗干扰能力低的问题,进而提供了一种基于AR模型和卡尔曼滤波的电力系统间谐波估计方法。
本发明为解决上述技术问题采取的技术方案是:所述电力系统间谐波估计方法由以下步骤实现的:
步骤A、采集电力系统的信号数据,信号数据如下:
Y(n)=[y(1),y(2),…y(N)]
其中N为信号数据的个数;
步骤B、由采集电力系统信号的数据建立AR模型,然后利用AR模型对电力系统信号进行分析;
步骤B1、采集电力系统信号的输入向量由y(n-1)、…、y(n-p)构成,所述y(n-1)、…、y(n-p)为电力系统信号的采样序列,由这些输入向量与p个参数ak进行加权运算,建立AR模型方程,其方程如下:
其中e(n)为白噪声序列,其方差为σ2;p为AR模型的阶次;ak为AR模型参数,k=1、2、…、p;y(n)为电力系统信号的输出;
由(1)式可以看出,只需要求得AR模型的系数ak,便可以建立起电力系统信号的状态空间模型,由维纳滤波器的基本原理可得,AR模型参数ak的最优估计等价于输入向量为y(n-1)、…、y(n-p),y(n)的维纳滤波器在时刻n的最优解
步骤B2、求得最优估计误差:
令Y(n)为n时刻滤波器的输入向量,
其中ε0(n)为输出y(n)的最优估计误差;
步骤C、建立状态方程和观测方程:
步骤C1、根据AR模型的参数向量建立状态方程,将AR参数估计的过程看作非平稳过程,引入过程噪声v(n),
状态方程如下:
A(n+1)=A(n)+v(n) (3)
其中,A(n)=[a1(n),a2(n),…,ap(n)]T,状态方程的转移矩阵为单位阵,v(n)是零均值平稳随机过程,v(n)的相关矩阵为Q(n)=E[v(n)vT(n)]=qI,其中q为v(n)的方差,I为单位阵;
步骤C2、由步骤B2中的公式(2)建立观测方程,观测方程如下:
y(n)=Y(n)A(n)+ε(n) (4)
步骤D:利用最终预测误差准则确定AR模型阶数:
步骤D1:建立最终预测误差准则方程(5)和(6),方程如下:
其中Sp(N)为各个估计值的残差平方和,p为AR模型的阶次,y(i)为采样值,Y(i)=[y(i-1),y(i-2),…y(i-p)],为AR参数最优解;
其中N为信号数据的个数,p为AR模型的阶次;
将步骤一中采集的数据Y(n)=[y(1),y(2),…y(N)]依次代入公式(5)中,经过运算得到估计值的残差平方和Sp(N);
步骤D2:将步骤D1得到的估计值的残差平方和Sp(N)代入到公式(6)中,
依次计算PPE(1)、PPE(2)、……PPE(N/3)的值;
步骤E:KF训练AR模型参数:
KF训练是利用自适应卡尔曼滤波方法对AR模型参数在线估计:根据AR模型的参数向量作为卡尔曼滤波的状态向量,将步骤A中的电力系统的信号数据y(1),y(2),…y(N)代入自适应卡尔曼滤波算法进行迭代运算,便可以得出AR模型参数ak的无偏估计值;
步骤E1:设定{Y(i),i=p+1,p+2,…,N}为电力系统信号的输入向量,对应的电力系统信号的输入向量Y(p+1),Y(p+2),……,Y(N)的输出为y(p+1),y(p+2),……,y(N),公式如下:
步骤E2:令AR参数最优解的初始值协方差矩阵的初始值P(1,0)=P(0)=cI,其中C为很小的正数,取c=2,I为单位阵,当n=1,2,…N时,按照以下步骤进行迭代运算:
从而计算出卡尔曼增益矩阵Kn;
步骤E5:对预测协方差矩阵估计P(n,n-1)进行修正,得到协方差矩阵估计P(n):
P(n)=P(n,n-1)-KnYT(n)P(n,n-1) (11)
步骤E6:将协方差矩阵估计P(n)与步骤C2中状态方程的相关矩阵Q(n)相叠加,得到预测协方差矩阵估计P(n,n+1):
P(n,n+1)=P(n)+Q(n)=P(n)+qI (12)
步骤E7:由AR模型进行功率谱估计:
将n=1、n=2、n=3……n=N代入步骤E2~步骤E6的自适应卡尔曼滤波算法进行多次迭代运算,当迭代次数趋于无限大时,由卡尔曼滤波算法得到的AR模型参数将趋于最优解,所求的AR模型参数将会收敛于其最佳估计值
本发明具有以下有益效果:
本发明的电力系统间谐波估计方法与现有快速傅里叶变换方法相比,避免了FFT算法的栅栏效应,并且利用较短的数据即可得到较好的谱估计,大大减少了谱估计运算的数据量,可广泛应用于电力系统间谐波分析中;
本发明的电力系统间谐波估计方法采用迭代运算,适合在微处理器上应用,本发明的电力系统间谐波估计方法具有分辨率高、数值稳定性好和计算效率高优点;
本发明的电力系统间谐波估计方法采用AR模型作为描述电网信号的工具,与现有的Burg算法相比,不会出现谱峰偏移和频谱分裂现象,谱分析性能强、抗干扰能力强。
附图说明
图1是本发明电力系统间谐波估计方法的流程图,图2是采用快速傅里叶变换方法短采样时间情况下谱估计的检测结果走势图,图3是采用Burg算法短采样时间情况下谱估计的检测结果走势图,图4是采用本发明电力系统间谐波估计方法的短采样时间情况下谱估计的检测结果走势图。
具体实施方式
具体实施方式一:本实施方式的基于AR模型和卡尔曼滤波的电力系统间谐波估计方法是由以下步骤实现的:
步骤A、采集电力系统的信号数据,信号数据如下:
Y(n)=[y(1),y(2),…y(N)]
其中N为信号数据的个数;
步骤B、由采集电力系统信号的数据建立AR模型,然后利用AR模型对电力系统信号进行分析;
步骤B1、采集电力系统信号的输入向量由y(n-1)、…、y(n-p)构成,所述y(n-1)、…、y(n-p)为电力系统信号的采样序列,由这些输入向量与p个参数ak进行加权运算,建立AR模型方程,其方程如下:
其中e(n)为白噪声序列,其方差为σ2;p为AR模型的阶次;ak为AR模型参数,k=1、2、…、p;y(n)为电力系统信号的输出;
由(1)式可以看出,只需要求得AR模型的系数ak,便可以建立起电力系统信号的状态空间模型,由维纳滤波器的基本原理可得,AR模型参数ak的最优估计等价于输入向量为y(n-1)、…、y(n-p),y(n)的维纳滤波器在时刻n的最优解
步骤B2、求得最优估计误差:
令Y(n)为n时刻滤波器的输入向量,
其中ε0(n)为输出y(n)的最优估计误差;
步骤C、建立状态方程和观测方程:
步骤C1、根据AR模型的参数向量建立状态方程,将AR参数估计的过程看作非平稳过程,引入过程噪声v(n),
状态方程如下:
A(n+1)=A(n)+v(n) (3)
其中,A(n)=[a1(n),a2(n),…,ap(n)]T,状态方程的转移矩阵为单位阵,v(n)是零均值平稳随机过程,v(n)的相关矩阵为Q(n)=E[v(n)vT(n)]=qI,其中q为v(n)的方差,I为单位阵;
步骤C2、由步骤B2中的公式(2)建立观测方程,观测方程如下:
y(n)=Y(n)A(n)+ε(n) (4)
步骤D:利用最终预测误差准则确定AR模型阶数:
步骤D1:建立最终预测误差准则方程(5)和(6),方程如下:
其中N为信号数据的个数,p为AR模型的阶次;
将步骤一中采集的数据Y(n)=[y(1),y(2),…y(N)]依次代入公式(5)中,经过运算得到估计值的残差平方和Sp(N);
步骤D2:将步骤D1得到的估计值的残差平方和Sp(N)代入到公式(6)中,
依次计算PPE(1)、PPE(2)、……PPE(N/3)的值;
步骤E:KF训练AR模型参数:
KF训练是利用自适应卡尔曼滤波方法对AR模型参数在线估计:根据AR模型的参数向量作为卡尔曼滤波的状态向量,将步骤A中的电力系统的信号数据y(1),y(2),…y(N)代入自适应卡尔曼滤波算法进行迭代运算,便可以得出AR模型参数ak的无偏估计值;
步骤E1:设定{Y(i),i=p+1,p+2,…,N}为电力系统信号的输入向量,对应的电力系统信号的输入向量Y(p+1),Y(p+2),……,Y(N)的输出为y(p+1),y(p+2),……,y(N),公式如下:
从而计算出卡尔曼增益矩阵Kn;
步骤E3:将第n次的电力系统信号的输出y(n)与第n次电力系统信号的估计值做差,得出卡尔曼新息β(n):
步骤E5:对预测协方差矩阵估计P(n,n-1)进行修正,得到协方差矩阵估计P(n):
P(n)=P(n,n-1)-KnYT(n)P(n,n-1) (11)
步骤E6:将协方差矩阵估计P(n)与步骤C2中状态方程的相关矩阵Q(n)相叠加,得到预测协方差矩阵估计P(n,n+1):
P(n,n+1)=P(n)+Q(n)=P(n)+qI (12)
步骤E7:将n=1、n=2、n=3……n=N代入步骤E2~步骤E6的自适应卡尔曼滤波算法进行多次迭代运算,当迭代次数趋于无限大时,由卡尔曼滤波算法得到的AR模型参数将趋于最优解,所求的AR模型参数将会收敛于其最佳估计值
步骤F:由AR模型进行功率谱估计:
将步骤E7求得的最佳估计值代入到AR模型功率谱密度公式(13)中,公式(13)如下:
其中为白噪声序列e(n)的方差;ω为圆频率;通过公式(13)计算出所需要的信号的功率谱py(ω),得到各次谐波和间谐波的频率信息。
所述AR模型为自回归模型。
本发明方法的实验验证:
应用本发明对电力系统间谐波的功率谱进行估计,结果证明本发明方法的确可行有效,具有分辨率高、数值稳定性好和抗干扰能力低的优点;这里,选取快速傅里叶变换方法和Burg算法与本发明的电力系统间谐波的功率谱方法进行比较,说明本发明方法完全可达到发明目的,如下:
IEC标准(国际电工委员会标准)推荐的采样窗长度为200ms,但是对于实际电网系统的间谐波检测采样时间就过于长,其检测过程的实时性要求较高,间谐波频率出现是随机的,其变化也较快且持续时间短暂,长采样窗会给间谐波的频率估计带来较大的误差。在实际应用中,一般只采样2~3个基频周期,即采样窗长度为40~60ms(50Hz电力系统)。
设信号除50Hz的基波外还加入了五个谐波和间谐波分量,各个分量的频率、幅度和初始相位参数见表1。
表1仿真实验加入的谐波与间谐波信息
为了模拟实际电网环境,加入σ=0.1的零均值白噪声信号,采样频率为1600Hz,采样时间减少到40ms。则快速傅里叶变换方法、Burg算法和本发明的方法(KF-AR)短采样时间情况下的检测结果如图2~4所示(其中Burg算法和本发明的方法的AR模型阶数均为25):
采样时间窗长度减小,直接影响快速傅里叶变换方法的频率分辨率,严重降低了其谱估计性能,除了能勉强检测基频和150Hz、250Hz谐波的谱峰,快速傅里叶变换方法几乎完全漏掉了其他三个间谐波频率分量;Burg算法虽然还能较为清晰地显示出基频、150Hz、250Hz和325Hz的谱峰分量,但是分别与基频和325Hz相邻较近的85Hz和350Hz分量却被完全漏掉;而本发明的方法(KF-AR)依然能够提取出全部的6个频率分量,且谱峰较为尖锐,易于检测;具体结果如表2所示:
表2是快速傅里叶变换方法、Burg算法和本发明的方法短采样时间下三种谱估计结果:
注:表中的X表示此频率分量峰值无法检测。
从表中可以看出快速傅里叶变换方法和Burg算法仅能提取部分频谱分量信息,且其检测精度较低,误差分别高达1.67Hz和1.26Hz;而本发明的电力系统间谐波估计方法可以提取出全部的频谱分量,而且精度较高,平均误差仍然保持在0.34Hz的较低水平;本发明的电力系统间谐波估计方法的谱分辨率所受影响远小于其对FFT算法和Burg算法,更适合实际间谐波检测,在满足实时性的同时,还保持着较高的检测精度。
Claims (1)
1.一种基于AR模型和卡尔曼滤波的电力系统间谐波估计方法,其特征在于所述间谐波估计方法由以下步骤实现的:
步骤A、采集电力系统的信号数据,信号数据如下:
Y(n)=[y(1),y(2),…y(N)]
其中N为信号数据的个数;
步骤B、由采集电力系统信号的数据建立AR模型,然后利用AR模型对电力系统信号进行分析;
步骤B1、采集电力系统信号的输入向量由y(n-1)、…、y(n-p)构成,所述y(n-1)、…、y(n-p)为电力系统信号的采样序列,由这些输入向量与p个参数ak进行加权运算,建立AR模型方程,其方程如下:
其中e(n)为白噪声序列,其方差为σ2;p为AR模型的阶次;ak为AR模型参数,k=1、2、…、p;y(n)为电力系统信号的输出;
由(1)式可以看出,只需要求得AR模型的系数ak,便可以建立起电力系统信号的状态空间模型,由维纳滤波器的基本原理可得,AR模型参数ak的最优估计等价于输入向量为y(n-1)、…、y(n-p),y(n)的维纳滤波器在时刻n的最优解
步骤B2、求得最优估计误差:
令Y(n)为n时刻滤波器的输入向量,
其中ε0(n)为输出y(n)的最优估计误差;
步骤C、建立状态方程和观测方程:
步骤C1、根据AR模型的参数向量建立状态方程,将AR参数估计的过程看作非平稳过程,引入过程噪声v(n),
状态方程如下:
A(n+1)=A(n)+v(n) (3)
其中,A(n)=[a1(n),a2(n),…,ap(n)]T,状态方程的转移矩阵为单位阵,v(n)是零均值平稳随机过程,v(n)的相关矩阵为Q(n)=E[v(n)vT(n)]=qI,其中q为v(n)的方差,I为单位阵;
步骤C2、由步骤B2中的公式(2)建立观测方程,观测方程如下:
y(n)=Y(n)A(n)+ε(n) (4)
步骤D:利用最终预测误差准则确定AR模型阶数:
步骤D1:建立最终预测误差准则方程(5)和(6),方程如下:
其中N为信号数据的个数,p为AR模型的阶次;
将步骤一中采集的数据Y(n)=[y(1),y(2),…y(N)]依次代入公式(5)中,经过运算得到估计值的残差平方和Sp(N);
步骤D2:将步骤D1得到的估计值的残差平方和Sp(N)代入到公式(6)中,
依次计算PPE(1)、PPE(2)、……PPE(N/3)的值;
步骤E:KF训练AR模型参数:
KF训练是利用自适应卡尔曼滤波方法对AR模型参数在线估计:根据AR模型的参数向量作为卡尔曼滤波的状态向量,将步骤A中的电力系统的信号数据y(1),y(2),…y(N)代入自适应卡尔曼滤波算法进行迭代运算,便可以得出AR模型参数ak的无偏估计值;
步骤E1:设定{Y(i),i=p+1,p+2,…,N}为电力系统信号的输入向量,对应的电力系统信号的输入向量Y(p+1),Y(p+2),……,Y(N)的输出为y(p+1),y(p+2),……,y(N),公式如下:
从而计算出卡尔曼增益矩阵Kn;
步骤E5:对预测协方差矩阵估计P(n,n-1)进行修正,得到协方差矩阵估计P(n):
P(n)=P(n,n-1)-KnYT(n)P(n,n-1) (11)
步骤E6:将协方差矩阵估计P(n)与步骤C2中状态方程的相关矩阵Q(n)相叠加,得到预测协方差矩阵估计P(n,n+1):
P(n,n+1)=P(n)+Q(n)=P(n)+qI (12)
步骤E7:将n=1、n=2、n=3……n=N代入步骤E2~步骤E6的自适应卡尔曼滤波算法进行多次迭代运算,当迭代次数趋于无限大时,由卡尔曼滤波算法得到的AR模型参数将趋于最优解,所求的AR模型参数将会收敛于其最佳估计值
步骤F:由AR模型进行功率谱估计:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100981901A CN102222911A (zh) | 2011-04-19 | 2011-04-19 | 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100981901A CN102222911A (zh) | 2011-04-19 | 2011-04-19 | 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102222911A true CN102222911A (zh) | 2011-10-19 |
Family
ID=44779372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100981901A Pending CN102222911A (zh) | 2011-04-19 | 2011-04-19 | 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102222911A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245831A (zh) * | 2013-04-08 | 2013-08-14 | 哈尔滨工程大学 | 一种基于广义卡尔曼滤波的谐波辨识方法 |
CN103245830A (zh) * | 2013-04-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种结合ar谱估计与非线性优化的间谐波检测方法 |
CN103514368A (zh) * | 2013-09-18 | 2014-01-15 | 燕山大学 | 一种采用聚类技术的实时与阶段理论线损快速估算方法 |
CN103630742A (zh) * | 2013-12-16 | 2014-03-12 | 国家电网公司 | 一种动态信号参数的获取方法 |
CN103811015A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于Burg法的冲床噪声功率谱估计改进方法 |
CN104283528A (zh) * | 2014-09-18 | 2015-01-14 | 河海大学 | 一种变步长lms自适应滤波方法 |
CN104459315A (zh) * | 2014-11-06 | 2015-03-25 | 电子科技大学 | 基于非基2fft变换的间谐波检测方法 |
CN104833851A (zh) * | 2015-04-24 | 2015-08-12 | 合肥工业大学 | 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 |
CN105489225A (zh) * | 2015-11-27 | 2016-04-13 | 哈尔滨工业大学 | 一种含次级通道在线辨识的前馈型窄带主动噪声控制系统 |
CN105785124A (zh) * | 2016-03-07 | 2016-07-20 | 国网技术学院 | 一种采用谱估计和互相关的电力系统谐波和间谐波测量方法 |
CN106021948A (zh) * | 2016-05-30 | 2016-10-12 | 清华大学 | 一种面向肠鸣音信号监护系统的信号处理方法 |
CN106100610A (zh) * | 2016-06-16 | 2016-11-09 | 郑州联睿电子科技有限公司 | 一种基于消息传递的模式识别滤波方法 |
CN106124858A (zh) * | 2016-07-12 | 2016-11-16 | 大连理工大学 | 一种基于粒子滤波的电力系统谐波检测方法 |
CN107167306A (zh) * | 2017-05-27 | 2017-09-15 | 南京航空航天大学 | 基于阶次提取的旋转机械转子运行状态模态分析方法 |
CN107832259A (zh) * | 2017-11-02 | 2018-03-23 | 国网四川雅安电力(集团)股份有限公司 | 一种基于时间序列和卡尔曼滤波的负荷预测方法 |
CN108445517A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 一种定位信号滤波方法、装置及设备 |
CN110161311A (zh) * | 2019-05-17 | 2019-08-23 | 华中科技大学 | 一种谐波与间谐波的检测方法 |
CN110988470A (zh) * | 2019-12-17 | 2020-04-10 | 国网江苏省电力有限公司检修分公司 | 一种基于自适应电网次谐波提取与控制方法 |
CN111431626A (zh) * | 2020-03-03 | 2020-07-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于训练的自适应水声信道跟踪方法 |
CN111443241A (zh) * | 2020-04-27 | 2020-07-24 | 南京工程学院 | 一种高压岸电电力系统谐波检测方法 |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
-
2011
- 2011-04-19 CN CN2011100981901A patent/CN102222911A/zh active Pending
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245830B (zh) * | 2013-04-03 | 2015-08-19 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种结合ar谱估计与非线性优化的间谐波检测方法 |
CN103245830A (zh) * | 2013-04-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种结合ar谱估计与非线性优化的间谐波检测方法 |
CN103245831A (zh) * | 2013-04-08 | 2013-08-14 | 哈尔滨工程大学 | 一种基于广义卡尔曼滤波的谐波辨识方法 |
CN103245831B (zh) * | 2013-04-08 | 2015-05-06 | 哈尔滨工程大学 | 一种基于广义卡尔曼滤波的谐波辨识方法 |
CN103514368A (zh) * | 2013-09-18 | 2014-01-15 | 燕山大学 | 一种采用聚类技术的实时与阶段理论线损快速估算方法 |
CN103514368B (zh) * | 2013-09-18 | 2017-04-26 | 燕山大学 | 一种采用聚类技术的实时与阶段理论线损快速估算方法 |
CN103630742A (zh) * | 2013-12-16 | 2014-03-12 | 国家电网公司 | 一种动态信号参数的获取方法 |
CN103630742B (zh) * | 2013-12-16 | 2015-09-30 | 国家电网公司 | 一种动态信号参数的获取方法 |
WO2015089943A1 (zh) * | 2013-12-16 | 2015-06-25 | 国家电网公司 | 一种动态信号参数的获取方法 |
CN103811015A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于Burg法的冲床噪声功率谱估计改进方法 |
CN103811015B (zh) * | 2014-01-16 | 2016-07-06 | 浙江工业大学 | 一种基于Burg法的冲床噪声功率谱估计改进方法 |
CN104283528A (zh) * | 2014-09-18 | 2015-01-14 | 河海大学 | 一种变步长lms自适应滤波方法 |
CN104459315A (zh) * | 2014-11-06 | 2015-03-25 | 电子科技大学 | 基于非基2fft变换的间谐波检测方法 |
CN104833851A (zh) * | 2015-04-24 | 2015-08-12 | 合肥工业大学 | 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 |
CN104833851B (zh) * | 2015-04-24 | 2017-11-17 | 合肥工业大学 | 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 |
CN105489225A (zh) * | 2015-11-27 | 2016-04-13 | 哈尔滨工业大学 | 一种含次级通道在线辨识的前馈型窄带主动噪声控制系统 |
CN105489225B (zh) * | 2015-11-27 | 2019-07-16 | 哈尔滨工业大学 | 一种含次级通道在线辨识的前馈型窄带主动噪声控制系统 |
CN105785124A (zh) * | 2016-03-07 | 2016-07-20 | 国网技术学院 | 一种采用谱估计和互相关的电力系统谐波和间谐波测量方法 |
CN106021948B (zh) * | 2016-05-30 | 2018-10-23 | 清华大学 | 一种面向肠鸣音信号监护系统的信号处理方法 |
CN106021948A (zh) * | 2016-05-30 | 2016-10-12 | 清华大学 | 一种面向肠鸣音信号监护系统的信号处理方法 |
CN106100610A (zh) * | 2016-06-16 | 2016-11-09 | 郑州联睿电子科技有限公司 | 一种基于消息传递的模式识别滤波方法 |
CN106124858A (zh) * | 2016-07-12 | 2016-11-16 | 大连理工大学 | 一种基于粒子滤波的电力系统谐波检测方法 |
CN107167306A (zh) * | 2017-05-27 | 2017-09-15 | 南京航空航天大学 | 基于阶次提取的旋转机械转子运行状态模态分析方法 |
CN107832259A (zh) * | 2017-11-02 | 2018-03-23 | 国网四川雅安电力(集团)股份有限公司 | 一种基于时间序列和卡尔曼滤波的负荷预测方法 |
CN108445517A (zh) * | 2018-03-20 | 2018-08-24 | 北京邮电大学 | 一种定位信号滤波方法、装置及设备 |
CN110161311A (zh) * | 2019-05-17 | 2019-08-23 | 华中科技大学 | 一种谐波与间谐波的检测方法 |
CN110988470A (zh) * | 2019-12-17 | 2020-04-10 | 国网江苏省电力有限公司检修分公司 | 一种基于自适应电网次谐波提取与控制方法 |
CN111431626A (zh) * | 2020-03-03 | 2020-07-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于训练的自适应水声信道跟踪方法 |
CN111443241A (zh) * | 2020-04-27 | 2020-07-24 | 南京工程学院 | 一种高压岸电电力系统谐波检测方法 |
CN114469131A (zh) * | 2021-12-13 | 2022-05-13 | 中国科学院深圳先进技术研究院 | 自适应实时心电信号质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102222911A (zh) | 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 | |
CN102680948B (zh) | 一种线性调频信号调频率和起始频率估计方法 | |
CN103245832B (zh) | 基于快速s变换的谐波时频特性参数估计方法及分析仪 | |
CN106845010B (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
CN103308804B (zh) | 基于快速k-s变换电能质量扰动信号时频参数提取方法 | |
CN102135569B (zh) | 基于波动量法的用户侧谐波发射水平实用化的估计方法 | |
CN101701984B (zh) | 基于三项系数Nuttall窗插值FFT的基波与谐波检测方法 | |
Messina et al. | Nonstationary approaches to trend identification and denoising of measured power system oscillations | |
CN108037361A (zh) | 一种基于滑动窗dft的高精度谐波参数估计方法 | |
CN103995178A (zh) | 一种基于时频聚集特性准则s变换的电压暂降检测方法 | |
CN105606900B (zh) | 一种基于方波信号的单相谐波阻抗测量方法 | |
CN107102255A (zh) | 单一adc采集通道动态特性测试方法 | |
CN106680647B (zh) | 一种动车组逆变器igbt单管断路故障诊断方法 | |
CN111693775A (zh) | 一种输电网的谐波检测方法、装置和介质 | |
CN101216512A (zh) | 一种非正弦周期信号实时高精度检测方法 | |
CN103675758A (zh) | 一种双曲调频信号周期斜率和起始频率估计方法 | |
CN104714075A (zh) | 一种电网电压闪变包络参数提取方法 | |
CN106501602A (zh) | 一种基于滑窗频谱分离的基波参数测量方法 | |
CN106154037A (zh) | 一种基于校验的同步相量自适应计算方法 | |
Liu | A wavelet based model for on-line tracking of power system harmonics using Kalman filtering | |
Dash et al. | A hybrid unscented filtering and particle swarm optimization technique for harmonic analysis of nonstationary signals | |
CN103245830B (zh) | 一种结合ar谱估计与非线性优化的间谐波检测方法 | |
Zhang et al. | Power system dynamic frequency measurement based on novel interpolated STFT algorithm | |
CN104407197B (zh) | 一种基于三角函数迭代的信号相量测量的方法 | |
CN101718816A (zh) | 基于四项系数Nuttall窗插值FFT的基波与谐波检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111019 |