CN107103160A - 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法 - Google Patents
基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法 Download PDFInfo
- Publication number
- CN107103160A CN107103160A CN201710376583.1A CN201710376583A CN107103160A CN 107103160 A CN107103160 A CN 107103160A CN 201710376583 A CN201710376583 A CN 201710376583A CN 107103160 A CN107103160 A CN 107103160A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- travelling wave
- wave signal
- mtd
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明属于电力系统领域,涉及基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法。从时域的角度,利用现代信号处理方法和贝叶斯滤波技术对微弱故障行波信号进行分析与建模,在保留原始信号主要特征的同时,有效滤除以时域特征变化为主的各种噪声干扰,实时估计出行波信号的瞬时幅度和建模残差,由此准确提取行波信号的突变点,实现微弱行波信号的可靠准确辨识,以此提高故障行波定位的准确性和可靠性。此研究提出了受扰行波信号的时域建模分析方法,对比分析了各种故障雷电流仿真模型,实现了各类噪声干扰下微弱故障行波信号奇异点的准确辨识。此发明对于行波故障定位精度的提高、行波保护的实用化具有很重要的理论与现实意义。
Description
技术领域
本发明属于电力系统继电保护领域,涉及一种基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法。
背景技术
目前,行波故障定位法在理论上具有很高的定位精度,使其获得了广泛的研究和应用。故障行波信号突变点的时刻及位置都代表了具体的故障信息,因此,准确检测故障行波信号的突变点就成为行波故障定位的关键。基于小波分析、希尔伯特黄变换等时频分析方法,在行波识别中已获得了广泛的应用,并取得了较好的故障定位效果,但这些时频分析方法在实际应用中还存在一定的局限性。
现场获取的故障行波信号通常会受到各种复杂噪声的影响,如:高压输电线路传输距离长,经过的地区气候、地形等复杂多变,以及输电线路中各参数不均匀,这些因素很容易产生各种噪声;现场设备以及硬件监测装置也不可避免地存在对原始信号的噪声干扰;为保证采样精度,采样装置的采样频率往往达到几兆赫,此时采样信号更容易受到各种噪声的干扰。研究结果表明,行波信号中的噪声成分主要是白噪声和各种脉冲噪声,在某些情况下,如故障初相角较小(接近0°)或高阻故障时,故障行波信号减弱,白噪声可能相对较大甚至淹没了行波信号,致使行波突变性并不十分明显,行波波头辨识非常困难。同时,由于脉冲噪声与暂态行波信号的突变特征相似,很容易混淆行波信号的突变点。此外,暂态行波信号是叠加在工频信号上,并且还含有各次谐波信号,这些都会影响行波信号突变点的提取。
因此,如何有效滤除所提取暂态信号中的噪声干扰,保留原始信号所需的主要特征,并把这些不太明显的暂态特征突显出来,准确可靠提取和分辨出行波信号的突变点,是继电保护研究者致力解决的关键问题之一。
发明内容
为克服已有技术的不足,解决现有行波信号识别方法在噪声干扰和微弱故障情况下其准确性和可靠性差等技术问题,提出了一种微弱故障行波信号的去噪和精确识别方法。本发明拟从时域的角度,利用现代信号处理方法和贝叶斯滤波技术对微弱故障行波信号进行分析与建模,在保留原始信号主要特征的同时,有效分辨和滤除以时域特征变化为主的各种噪声干扰,尤其是脉冲噪声干扰。在此基础上,研究雷击故障行波信号的仿真模型以及微弱故障行波信号的自适应滤波算法和特征提取技术,实时估计出行波信号各次频率的瞬时幅度和建模残差,由此准确提取行波信号的突变点,实现微弱故障行波信号的可靠准确辨识,以此提高行波故障定位的准确性和可靠性。此项研究提出了行波信号的时域建模分析方法,实现了在现场各类噪声干扰下微弱故障行波信号的滤波及奇异点的准确辨识。此发明对于行波故障定位精度的提高、以及实现行波保护的实用化具有很重要的理论与现实意义,对于电能质量的进一步优化以及配电网的可靠稳定运行具有很重要的意义。
本发明解决上述技术问题的技术方案包括以下步骤:
1)受扰微弱故障行波信号的时域建模及雷击故障行波信号的仿真建模分析;
2)受扰微弱故障行波信号的状态空间建模;
3)针对已有滤波去噪算法不能适应电网系统复杂多变的噪声环境,提出在线优化噪声统计特性、实时估计出噪声矩阵参数的自适应滤波去噪算法,并用于微弱故障行波信号的去噪和建模分析中;
4)微弱故障行波信号的时域特征量组提取,实现复杂微弱行波信号的可靠准确辨识。
上述步骤1)中,受扰微弱行波信号的时域模型为:
其中,{yk∈R,n=1,2,…,K}(K为采样长度)是采样的行波序列,A1,k,ω,为基波(工频)信号的幅值,频率和初始相角,Ar,k(r=2,…,M),为r次谐波的幅度和初始相角,uk代表行波波头,vk~N(0,Rk)为观测白噪声,M为谐波的最高阶次,Ts=1/fs(fs为采样频率)为采样时间间隔。
上述步骤1)中,为研究行波信号的突变特性,将以雷击故障行波电流信号为例进行仿真分析。在上式中,雷击输电线路时所产生的雷电流波形uk将分别采用双指数函数模型、Heidler函数模型和脉冲函数模型近似模拟,对比各种近似拟合模型与实际雷电流波形的拟合优劣,探索一种最佳的雷电流波模拟模型。其中,三种模拟模型的具体形式如下。
双指数函数模型:
Heidler函数模型:
脉冲函数模型:
上述三种近似模型中,I0为雷电流幅值(kA),A为雷电流幅值的修正系数,T1为雷电流波尾时间常数,T2为雷电流波头时间常数(T1和T2的值由雷电流波形所确定),n(2≤n≤10)为常数。
上述步骤2)中,为利用滤波方法从含有噪声干扰的行波信号中准确估计出行波信号各次频率的瞬时幅值,选取状态变量Xk=[x1,k x2,k … x2r-1,k x2r,k … x2M-1,k x2M,k]T如下:
根据上述的状态变量,受扰微弱行波信号的状态空间模型为:
其中,F,H为系统矩阵和观测矩阵,ηk和vk分别为过程噪声和观测噪声,其协方差分别为Qk和Rk。而且,Fr,Qk,Rk分别定义为
上述步骤3)中,为提高滤波算法的估计精度,需要在线估计噪声协方差矩阵,本发明将提出结合遗传算法和粒子群算法的全局优化方法来全局搜索噪声协防差矩阵参数以及参数初始分布,同时,提出利用蒙特卡罗粒子滤波算法估计出系统状态以及滤波(去噪)后的行波信号。具体来讲,在步骤2)所述的状态空间模型中,给定噪声方差矩阵参数初始值,用蒙特卡罗粒子滤波进行预测和滤波,将待优化的参数θ=[γ1γ2…γ2r-1γ2r…γ2M-1γ2Mε]作为染色体或粒子按顺序编码,并给定该染色体的取值范围,使用似然函数作为目标函数计算各个体的适应值,选择适应值较低即最优个体保留到下一代,其它个体进行交叉、变异运算,同时产生相应地备选群体,比较备选群体中个体的适应度,选择最优个体放入到优秀群体中,重复上述过程,直到得到最优参数θ*,再利用蒙特卡罗粒子滤波算法进行预测和滤波,得到各个时刻状态变量的预测值和估计值。
上述步骤4)中,根据实时估计出的微弱行波信号(去噪后)各次频率的瞬时幅度,准确提取行波信号幅度的极大值点,即行波信号的突变点。其中,行波信号各次谐波的瞬时幅度可通过下式计算得到:
上式中的x2r-1,k,x2r,k可通过对步骤2)的状态空间模型滤波得到。
上述步骤4)中,利用建模残差序列中最直接的时域信息,通过滤波残差的变化来提取行波信号的突变点位置。其中,建模残差可通过滤波后计算,即
vk=yk-HXk
由此可以根据估计的瞬时幅度和滤波残差突变点的时间位置确定行波到达时间,实现对行波波头的准确检测。
与现有技术相比,本发明所具有的有益效果为:本发明依据行波信号的突变特性,从时域的角度,利用现代信号处理方法和贝叶斯滤波技术对微弱故障行波信号进行分析与建模,在保留原始信号主要特征的同时,有效分辨和滤除以时域特征变化为主的各种噪声干扰,尤其是脉冲噪声干扰。在此基础上,研究行波信号的自适应滤波去噪算法和特征提取技术,实时估计出行波信号各次频率的瞬时幅度和建模残差,由此准确提取行波信号的突变点,实现微弱故障行波信号的可靠准确辨识。此发明提出了行波信号的时域建模分析方法,实现了在现场各类噪声干扰下微弱故障行波信号奇异点的准确辨识,对于行波故障定位精度的提高、以及实现行波保护的实用化具有很重要的理论与现实意义,对于电能质量的进一步优化以及配电网的可靠稳定运行具有很重要的意义。
下面结合附图对本发明做出进一步的说明。
附图说明
图1为本发明微弱故障行波信号的去噪和精确识别流程图。
具体实施方式
图1为本发明微弱故障行波信号的去噪和识别流程图,基于EMTP仿真平台搭建220kv输配电系统仿真模型,研究非故障雷击、故障雷击与短路故障的模拟试验,全面总结与对比不同雷击故障情况下雷电流信号的仿真建模,寻找波形差异规律,进一步改进与完善理论研究结果,为微弱故障行波信号的有效辨识提供完备的理论依据。
采样的微弱故障行波信号是在工频信号上叠加了各次谐波、被白噪声干扰、具有突变特性的非平稳时间序列。因此,微弱行波信号的时域模型可表示为:
其中,{yk∈R,n=1,2,…,K}(K为采样长度)是采样的行波序列,A1,k,ω,为基波(工频)信号的幅值,频率和初始相角,Ar,k(r=2,…,M),为r次谐波的幅度和初始相角,uk代表行波波头,vk~N(0,Rk)为观测白噪声,M为谐波的最高阶次,Ts=1/fs(fs为采样频率)为采样时间间隔。
为研究行波信号的突变特性,将以雷击故障行波电流信号为例进行仿真分析。在上式中,雷击输电线路所产生的雷电流波形uk将分别采用双指数函数模型、Heidler函数模型和脉冲函数模型近似模拟,对比各种近似拟合模型与实际雷电流波形的拟合优劣,探索一种最佳的雷电流波模拟模型。
为利用滤波方法从含有噪声干扰的行波信号中准确估计出行波信号各次频率的瞬时幅值,需建立如下的状态空间模型:
其中,状态变量Xk=[x1,k x2,k … x2r-1,k x2r,k … x2M-1,k x2M,k]T如下:
F,H为系统矩阵和观测矩阵,ηk和vk分别为过程噪声和观测噪声,其协方差分别为Qk和Rk。而且,Fr,Qk,Rk分别定义为:
基于上述状态空间模型,本发明将提出结合遗传算法和粒子群算法的全局优化方法来全局搜索噪声协防差矩阵参数以及参数初始分布,同时,提出利用蒙特卡罗粒子滤波算法估计出系统状态以及滤波(去噪)后的行波信号。根据实时估计出行波信号各次频率的瞬时幅度和建模残差,准确提取行波信号的突变点,并根据估计的瞬时幅度和滤波残差突变点的时间位置确定行波到达时间,实现对行波波头的准确检测。
Claims (5)
1.一种基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法,包括如下步骤:
1)受扰微弱故障行波信号的时域建模及雷击故障行波信号仿真建模分析;
2)受扰微弱故障行波信号的状态空间建模;
3)针对已有去噪滤波算法不能适应电网系统复杂多变的噪声环境,提出在线优化噪声统计特性、实时估计出噪声矩阵参数的自适应蒙特卡罗粒子滤波算法,并用于微弱故障行波信号的去噪和建模中;
4)微弱行波信号的时域特征量组提取,实现复杂微弱行波信号的可靠准确辨识。
2.根据权利要求l所述的微弱故障行波信号的去噪和精确识别方法,其特征在于:所述步骤1)中,受扰微弱行波信号的时域模型为:
其中,{yk∈R,n=1,2,…,K}(K为采样长度)是采样的行波序列,A1,k,ω,为基波(工频)信号的幅值,频率和初始相角,Ar,k(r=2,…,M),为r次谐波的幅度和初始相角,uk代表行波波头,vk~N(0,Rk)为观测白噪声,M为谐波的最高阶次,Ts=1/fs(fs为采样频率)为采样时间间隔。
为研究行波信号的突变特性,本发明将以雷击故障行波电流信号为例进行仿真建模分析。在上式中,雷击输电线路所产生的雷电流波形uk将分别采用双指数函数模型、Heidler函数模型和脉冲函数模型近似模拟,并对比各种近似模型与实际雷电流波形的拟合优劣,探索一种最佳的雷电流波模拟模型。其中,三种模拟模型的具体形式如下。
双指数函数模型:
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mi>A</mi>
</mfrac>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>t</mi>
<mo>/</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
</mrow>
</msup>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>t</mi>
<mo>/</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
Heidler函数模型:
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mi>A</mi>
</mfrac>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>t</mi>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>n</mi>
</msup>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>t</mi>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>n</mi>
</msup>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mi>t</mi>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mfrac>
</mrow>
</msup>
</mrow>
脉冲函数模型:
<mrow>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mi>A</mi>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>t</mi>
<mo>/</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
</mrow>
</msup>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>n</mi>
</msup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>t</mi>
<mo>/</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mrow>
</msup>
</mrow>
上述三种近似模型中,I0为雷电流幅值(kA),A为雷电流幅值的修正系数,T1为雷电流波尾时间常数,T2为雷电流波头时间常数(T1和T2的值由雷电流波形所确定),n(2≤n≤10)为常数。
3.根据权利要求l所述的微弱故障行波信号的去噪和精确识别方法,其特征在于:所述步骤2)中,为利用滤波方法从含有噪声干扰的行波信号中准确估计出行波信号各次频率的瞬时幅值,选取状态变量如下:
根据上述的状态变量,受扰微弱故障行波信号的状态空间模型为:
其中,F,H为系统矩阵和观测矩阵,ηk和vk分别为系统的过程噪声和观测噪声,其协方差分别为Qk和Rk。而且,Fr,Qk,Rk分别定义为
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>r&omega;T</mi>
<mi>s</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>r&omega;T</mi>
<mi>s</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>r&omega;T</mi>
<mi>s</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>r&omega;T</mi>
<mi>s</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mi>M</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&gamma;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&gamma;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>&gamma;</mi>
<mrow>
<mn>2</mn>
<mi>r</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&gamma;</mi>
<mrow>
<mn>2</mn>
<mi>r</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>&gamma;</mi>
<mrow>
<mn>2</mn>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&gamma;</mi>
<mrow>
<mn>2</mn>
<mi>M</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>&epsiv;</mi>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
特别值得一提的是,上式中的系统噪声和观测噪声协防差阵直接决定了滤波方法估计精度和收敛性,可通过优化方法得到最优值。
4.根据权利要求l所述的微弱故障行波信号去噪和精确识别方法,其特征在于:所述步骤3)中,为提高滤波算法的估计精度,需要在线估计噪声协方差矩阵,本发明将提出结合遗传算法和粒子群算法的全局优化方法来全局搜索噪声协防差矩阵参数以及参数初始分布,同时,提出利用蒙特卡罗粒子滤波算法估计出系统状态以及滤波(去噪)后的行波信号。
具体来讲,在步骤2)所述的状态空间模型中,给定噪声方差矩阵参数初始值,用蒙特卡罗粒子滤波进行预测和滤波,将待优化的参数θ=[γ1 γ2 …γ2r-1 γ2r …γ2M-1 γ2M ε]作为染色体或粒子按顺序编码,并给定该染色体的取值范围,使用似然函数作为目标函数计算各个体的适应值,选择适应值较低即最优个体保留到下一代,其它个体进行交叉、变异运算,同时产生相应地备选群体,比较备选群体中个体的适应度,选择最优个体放入到优秀群体中,重复上述过程,直到得到最优参数θ*,再利用蒙特卡罗粒子滤波算法进行预测和滤波,得到各个时刻状态变量的预测值和估计值。
5.根据权利要求l所述的微弱故障行波信号的去噪和精确识别方法,其特征在于:所述步骤4)中根据实时估计出的微弱行波信号(去噪后)各次频率瞬时幅度,准确提取行波信号幅度的极大值点,即行波信号的突变点。其中,行波信号基波和各次谐波的瞬时幅度可通过下式计算得到:
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>r</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>r</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
上式中的x2r-1,k,x2r,k可通过步骤3)估计得到。
同时,充分利用建模残差序列中最直接的时域信息,通过滤波残差的变化来提取行波信号的突变点位置。其中,建模残差可通过滤波后计算,即
vk=yk-HXk
由此根据估计的瞬时幅度和滤波残差突变点的时间位置确定行波到达时间,实现对行波波头的准确检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710376583.1A CN107103160A (zh) | 2017-05-25 | 2017-05-25 | 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710376583.1A CN107103160A (zh) | 2017-05-25 | 2017-05-25 | 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107103160A true CN107103160A (zh) | 2017-08-29 |
Family
ID=59669033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710376583.1A Pending CN107103160A (zh) | 2017-05-25 | 2017-05-25 | 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107103160A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108614536A (zh) * | 2018-06-11 | 2018-10-02 | 云南中烟工业有限责任公司 | 一种卷烟制丝工艺关键因素的复杂网络构建方法 |
CN109444505A (zh) * | 2018-05-03 | 2019-03-08 | 国网江苏省电力公司盐城供电公司 | 一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法 |
CN112434463A (zh) * | 2020-10-27 | 2021-03-02 | 中北大学 | 一种车辆复合电源能量管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893976A (zh) * | 2016-04-20 | 2016-08-24 | 长沙理工大学 | 一种行波信号的参数化识别方法 |
CN106646121A (zh) * | 2016-11-29 | 2017-05-10 | 国网辽宁省电力有限公司沈阳供电公司 | 一种配电网故障行波波头的辨识方法 |
-
2017
- 2017-05-25 CN CN201710376583.1A patent/CN107103160A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893976A (zh) * | 2016-04-20 | 2016-08-24 | 长沙理工大学 | 一种行波信号的参数化识别方法 |
CN106646121A (zh) * | 2016-11-29 | 2017-05-10 | 国网辽宁省电力有限公司沈阳供电公司 | 一种配电网故障行波波头的辨识方法 |
Non-Patent Citations (3)
Title |
---|
YANHUI XI等: "Detection of Voltage Sag using An Adaptive Extended Kalman Filter Based on Maximum Likelihood", 《JOURNAL OF ELECTRICAL ENGINEERING AND TECHNOLOGY》 * |
郭小红: "高压水电线路雷击综合定位方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
闫红伟: "输电线路雷击故障的仿真与识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444505A (zh) * | 2018-05-03 | 2019-03-08 | 国网江苏省电力公司盐城供电公司 | 一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法 |
CN109444505B (zh) * | 2018-05-03 | 2021-12-10 | 国网江苏省电力公司盐城供电公司 | 一种电动汽车充电站谐波电流检测算法 |
CN108614536A (zh) * | 2018-06-11 | 2018-10-02 | 云南中烟工业有限责任公司 | 一种卷烟制丝工艺关键因素的复杂网络构建方法 |
CN108614536B (zh) * | 2018-06-11 | 2020-10-27 | 云南中烟工业有限责任公司 | 一种卷烟制丝工艺关键因素的复杂网络构建方法 |
CN112434463A (zh) * | 2020-10-27 | 2021-03-02 | 中北大学 | 一种车辆复合电源能量管理系统 |
CN112434463B (zh) * | 2020-10-27 | 2023-04-07 | 中北大学 | 一种车辆复合电源能量管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Optimal harmonic estimation using a particle swarm optimizer | |
CN104155650B (zh) | 一种基于熵权值法点迹质量评估的目标跟踪方法 | |
CN107589341B (zh) | 一种基于配电自动化主站的单相接地在线故障定位方法 | |
CN101718862B (zh) | 基于ar模型和小波变换的核电站松动件定位方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN107103160A (zh) | 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法 | |
CN104297635A (zh) | 基于原子稀疏分解与极限学习机的配电网故障选线方法 | |
CN110068759A (zh) | 一种故障类型获得方法及装置 | |
CN104331583B (zh) | 一种基于实测海杂波数据的多重分形建模方法 | |
CN106019076A (zh) | 一种高压直流输电线路故障测距方法 | |
CN110687395A (zh) | 基于深度置信网络的含分布式电源的配电网故障选线方法 | |
CN105893976B (zh) | 一种行波信号的参数化识别方法 | |
CN104217112A (zh) | 一种基于多类型信号的电力系统低频振荡分析方法 | |
CN108089100B (zh) | 小电流接地系统弧光电阻接地故障的检测方法 | |
CN111541255B (zh) | 基于动力学系统的低频振荡模态识别方法及系统 | |
CN111308260A (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
CN111157843B (zh) | 一种基于时频域行波信息的配电网选线方法 | |
CN115980513A (zh) | 基于粒子群算法的配电网单相接地故障判别方法及装置 | |
CN110824299B (zh) | 基于零序电流曲线簇的二维平面判断的故障选线方法 | |
CN111639583A (zh) | 一种电网电能质量扰动的识别方法及系统 | |
CN110221170B (zh) | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 | |
CN104950215B (zh) | 一种微机保护方法 | |
CN105956760A (zh) | 一种基于多元时空信息建模的智能配电网态势感知方法 | |
CN113376480A (zh) | 配电网接地故障选线方法 | |
CN117420385A (zh) | 一种基于卷积的高压直流输电线路故障识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170829 |
|
WD01 | Invention patent application deemed withdrawn after publication |