CN108281961B - 一种自适应鲁棒扩展卡尔曼的参数辨识方法 - Google Patents
一种自适应鲁棒扩展卡尔曼的参数辨识方法 Download PDFInfo
- Publication number
- CN108281961B CN108281961B CN201810018243.6A CN201810018243A CN108281961B CN 108281961 B CN108281961 B CN 108281961B CN 201810018243 A CN201810018243 A CN 201810018243A CN 108281961 B CN108281961 B CN 108281961B
- Authority
- CN
- China
- Prior art keywords
- time
- follows
- formula
- parameter
- calculating
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Filters That Use Time-Delay Elements (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种自适应鲁棒扩展卡尔曼的参数辨识方法,不仅可以有效的界定系统参数不确定性所引入的辨识误差上限,并且由于采用了自适应技术对参数进行自适应估计,避免了传统鲁棒扩展卡尔曼滤波误差上限难选取的问题,具有更强的鲁棒性,能够实现更高精度的低频振荡信号参数辨识。
Description
技术领域
本发明涉及一种电力系统,具体涉及一种电力系统参数辨识方法。
背景技术
近年来,随着现代电网互联规模的不断增大,低频振荡已成为限制系统区域间功率传输能力的突出问题,并且严重威胁电力系统的安全稳定运行,对其加强研究具有十分重要的现实意义。
在目前的研究中,利用现场实测数据分析、处理信号,得到振荡特征参数是研究电力系统区间低频振荡的一种有效途径。其常用的方法主要包括实时快速傅里叶变换(fastFourier transform,FFT)、小波算法、Prony算法和扩展卡尔曼滤波算法等。实时FFT的精度受数据窗限制,不能反映振荡的阻尼特性;小波算法可以反映信号的时变特性,但存在小波基难以选取的问题;Prony算法能直接提取幅值、相位、频率和衰减因子,算法简便,因此被广泛用于电力系统低频振荡模式的识别。但是,Prony算法对噪声较敏感,识别含噪低频振荡信号时的误差较大;当振荡模式为多阶且采样率增大时,识别振荡幅值和初相的计算量呈指数增加,矩阵求逆运算困难。基于扩展卡尔曼滤波(extended Kalman filter,EKF)的低频振荡信号参数辨识方法,不仅具有在线辨识功能,而且计算占用内存低,因此应用较广。但是,需要注意的是,EKF方法无法考虑振荡信号建模过程中所引入的不确定性,并且其辨识结果易受噪声初始方差矩阵的影响。
发明内容
发明目的:本发明的目的在于为了提高电力系统区间低频振荡信号参数辨识精度和鲁棒性,实现计及模型参数不确定情形下低频振荡信号辨识,提出了一种基于自适应鲁棒扩展卡尔曼的电力系统区间低频参数辨识方法,该方法不仅可以有效的界定系统参数不确定性所引入的辨识误差上限,并且由于采用了自适应技术对滤波参数进行自适应估计,避免了传统鲁棒扩展卡尔曼滤波误差上限难选取的问题。
技术方案:本发明提供了一种自适应鲁棒扩展卡尔曼的参数辨识方法,包括以下步骤:
(2)获取电力系统区间t时刻的低频振荡信号量测值yt;
(4)计算t时刻的参数预测误差协方差Ptt-1,计算公式如下:
Ptt-1=FtPt-1Ft T+Qt
(6)计算t时刻卡尔曼滤波增益Gt,计算公式如下:
(7)计算t时刻的参数误差协方差Pt,计算公式如下:
(9)计算信息序列,计算公式如下:
式中,st为t时刻的信息序列;
(10)取移动窗口大小为L时,计算窗口内新息序列st的平均值,即信息矩阵Cvt,其计算公式如下:
(11)在上一步的基础上,动态计算t+1时刻系统噪声协方差矩阵Qt+1计算公式如下
(12)按照(2)-(11)步骤依据时间序列进行动态参数辨识,直至t+1>N时迭代停止,输出参数辨识结果。
有益效果:本发明不仅可以有效的界定系统参数不确定性所引入的辨识误差上限,并且由于采用了自适应技术对参数进行自适应估计,避免了传统鲁棒扩展卡尔曼滤波误差上限难选取的问题,具有更强的鲁棒性,能够实现更高精度的低频振荡信号参数辨识。
附图说明
图1为本发明方法流程图;
图2为某区域量测获取的电力系统区间低频振荡信号;
图3为实施例采用本发明方法以及EKF算法的低频振荡信号频率w辨识结果对比;
图4为实施例采用本发明方法以及EKF算法的低频振荡信号阻尼因子δ辨识结果对比;
图5为实施例采用本发明方法和EKF算法的低频振荡信号参数辨识均方根偏差结果对比。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
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正弦信号的之和,可以描述为如下形式:
式中,Ai,δi,wi,φi是实数的未知参数,n(t)是一个零均值白噪声。其中,δi称为低频振荡信号的阻尼因子,wi表示低频振荡信号的频率,其中wi,δi为待估参数。经过推理可以得到低频振荡信号的状态变量分量中包含待估参数的离散状态空间模型。考虑由N个指数衰减的正弦信号总和组成的电力系统低频振荡信号,其4N个状态变量形式可以表达如下:
x4i-1,k=wi
x4i,k=δi
式中i代表这些变量和参数是属于电力系统低频振荡信号的第i个衰减正弦信号。k代表时刻,fs代表采样频率。根据推理可得到k+1时刻的状态分量:
x4i-1,k+1=x4i-1,k+w4i-1,k
x4i,k+1=x4i,k+w4i,k
则其输出方程为:
式中,k2i-1=cos(φi),k2i=-sin(φi),nk为均值为零的白噪声,所以,电力系统低频振荡信号的状态空间模型一般可以表示为:
式中,f(·)和h(·)代表可以根据泰勒级数展开进行线性化的非线性函数,wk和vk是均值为零的高斯白噪声序列,分别满足协方差矩阵Qk和Rk。具体而言,电力系统低频振荡信号中:
而函数h(xk)可以表示为如下形式:
H=(k1k200…,k2i-1k2i00…,k2N-1k2N00)
h(xk)=Hxk
至此,状态变量分量中包含电力系统低频振荡信号模型待估参数的状态空间模型已经建立。在此基础之上,则可以运用本发明方法,对电力系统低频振荡信号参数辨识。
为了验证本发明方法的有效性和实用性,本实施例选取某大区域电网中真实量测获取的区间低频振荡信号进行测试分析,该区间低频振荡信号由单个信道的相量量测单元获取,包含一个模态,低频振荡信号的阻尼因子δ=0.315,频率w=2.42rad/s,设其量测噪声所满足的协方差矩阵为r=10-3,本实施例在进行仿真实验时取前400采样时刻量测值进行算法验证,即N为400。
在运用本发明所提出的方法对实施例区间低频振荡信号进行参数辨识时,所取滤波初始估计误差协方差和系统噪声协方差矩阵初始值为(EKF算法相关参数取值和其相同):
如图1所示,运用本发明一种自适应鲁棒扩展卡尔曼(adaptive robust extendedKalman filter,AREKF)的参数辨识方法对实施例区间低频振荡信号参数辨识,其包含如下步骤:
1.预测步
(2)获取电力系统区间t时刻的低频振荡信号量测值yt;
(4)计算t时刻的参数预测误差协方差Ptt-1,计算公式如下
Ptt-1=FtPt-1Ft T+Qt
2.预测误差协方差自适应更新
式中对应于实际系统输出函数h(·)在t-1时刻雅克比矩阵,Rt-1为t-1时刻的量测噪声协方差矩阵,ρ=0.98为遗忘因子,I为对应维度的单位矩阵,εmax是根据实际系统的物理信息进行设定的值,(·)1/2为矩阵的平方根。
3.滤波步
(6)计算t时刻卡尔曼滤波增益Gt,计算公式如下
(7)计算t时刻的参数误差协方差Pt,计算公式如下
式中yt为t时刻的量测值。
4.过程噪声协方差自适应更新
(9)计算信息序列,计算公式如下
式中st为t时刻的信息序列,yt为t时刻的量测值,
(10)取移动窗口大小为L时,计算窗口内新息序列st的平均值,即信息矩阵Cvt,其计算公式如下
(11)在上一步的基础上,动态计算t+1时刻系统噪声协方差矩阵Qt+1计算公式如下
式中Gt为t时刻滤波增益值。
(12)按照(2)-(11)步骤依据时间序列进行动态参数辨识,直至t+1>N时迭代停止,输出参数辨识结果。
为了对本发明方法和EKF方法的参数结果作进一步对比分析,本发明采用均方根偏差对参数辨识精度进行衡量分析,其定义如下:
对上述实施例某大区域电网区间低频振荡信号(如图2所示)进行参数辨识分析,其中不同方法低频振荡信号频率w的辨识结果对比如图3所示,图4给出了不同方法低频振荡信号阻尼因子δ的辨识结果对比,图5为实施例采用不同方法对低频振荡信号频率和阻尼因子辨识结果的均方根偏差对比。从图3和图4的辨识结果对比可以看出,即使在量测噪声协方差矩阵和参数辨识初始值存在不确定性和偏差的情况下,本发明方法依然能够有效的实现区间低频振荡信号参数的准确辨识,而EKF方法则无法准确辨识低频振荡参数,显示出本发明方法具有较强的鲁棒性。从图5结果对比,则可以进一步看出,本发明方法的参数辨识均方根偏差趋于0,远小于EKF方法,显示出本发明方法具有较高的辨识精度和收敛性能。
综上,可以得出以下结论:本发明引入了自适应技术对滤波参数和系统噪声统计特性进行自适应估计,不仅实现了对滤波误差上限自适应选取,而且有效的解决了系统噪声统和量测噪声统计特性无法准确获取的难题,较传统方法具有更强的鲁棒性,能够实现区间低频振荡信号参数的精确辨识,较传统EKF方法具有更高的辨识精度和性能。
Claims (1)
1.一种自适应鲁棒扩展卡尔曼的参数辨识方法,其特征在于:包括以下步骤:
(2)获取电力系统区间t时刻的低频振荡信号量测值yt;
(4)计算t时刻的参数预测误差协方差Pt|t-1,计算公式如下:
Pt|t-1=FtPt-1Ft T+Qt
(6)计算t时刻卡尔曼滤波增益Gt,计算公式如下:
(7)计算t时刻的参数误差协方差Pt,计算公式如下:
(9)计算信息序列,计算公式如下:
式中,st为t时刻的信息序列;
(10)取移动窗口大小为L时,计算窗口内信息序列st的平均值,即信息矩阵Cvt,其计算公式如下:
(11)在上一步的基础上,动态计算t+1时刻系统噪声协方差矩阵Qt+1,计算公式如下
Qt+1=GtCvtGt T
(12)按照(2)-(11)步骤依据时间序列进行动态参数辨识,直至t+1>N时迭代停止,输出参数辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018243.6A CN108281961B (zh) | 2018-01-09 | 2018-01-09 | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018243.6A CN108281961B (zh) | 2018-01-09 | 2018-01-09 | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108281961A CN108281961A (zh) | 2018-07-13 |
CN108281961B true CN108281961B (zh) | 2020-11-03 |
Family
ID=62803319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810018243.6A Active CN108281961B (zh) | 2018-01-09 | 2018-01-09 | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108281961B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110112770A (zh) * | 2019-04-17 | 2019-08-09 | 河海大学 | 一种基于自适应h∞容积卡尔曼滤波的发电机动态状态估计方法 |
CN112255545B (zh) * | 2019-07-05 | 2022-04-26 | 西南科技大学 | 基于平方根扩展卡尔曼滤波的锂电池soc估算模型 |
CN111693289B (zh) * | 2020-06-15 | 2022-03-11 | 西安艾科特声学科技有限公司 | 飞机发动机转速辨识方法及系统 |
CN112234601A (zh) * | 2020-09-03 | 2021-01-15 | 国网浙江省电力有限公司电力科学研究院 | 一种在线辨识电力系统低频振荡特征参数的方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258093A (zh) * | 2013-05-10 | 2013-08-21 | 无锡科技职业学院 | 一种基于辨识的双率系统的参数辨识方法 |
CN105044531A (zh) * | 2015-08-20 | 2015-11-11 | 河海大学 | 一种基于ekf和fsa的动态信号参数辨识方法 |
CN105956565A (zh) * | 2016-05-09 | 2016-09-21 | 河海大学 | 一种考虑量测信号丢失的动态振荡信号参数辨识方法 |
-
2018
- 2018-01-09 CN CN201810018243.6A patent/CN108281961B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258093A (zh) * | 2013-05-10 | 2013-08-21 | 无锡科技职业学院 | 一种基于辨识的双率系统的参数辨识方法 |
CN105044531A (zh) * | 2015-08-20 | 2015-11-11 | 河海大学 | 一种基于ekf和fsa的动态信号参数辨识方法 |
CN105956565A (zh) * | 2016-05-09 | 2016-09-21 | 河海大学 | 一种考虑量测信号丢失的动态振荡信号参数辨识方法 |
Non-Patent Citations (2)
Title |
---|
State estimation of fractional order network system based on modified fractional order Kalman filter;Yi Wang等;《2017 29th Chinese Control And Decision Conference》;20170717;第112-116页 * |
扩展卡尔曼滤波在动态负荷参数辨识中应用;仲卫进 等;《电力自动化设备》;20070228;第27卷(第2期);第47-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108281961A (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108281961B (zh) | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 | |
CN107590317B (zh) | 一种计及模型参数不确定性的发电机动态估计方法 | |
CN108155648B (zh) | 基于自适应h无穷扩展卡尔曼滤波的状态估计方法 | |
CN106845010B (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
Grant et al. | Comparison of matrix pencil and prony methods for power system modal analysis of noisy signals | |
CN107807278A (zh) | 基于h∞扩展卡尔曼滤波的低频振荡信号参数辨识方法 | |
CN107085140B (zh) | 基于改进的SmartDFT算法的非平衡系统频率估计方法 | |
CN104809333A (zh) | 基于Kalman滤波器的容量预测方法和系统 | |
CN104992164B (zh) | 一种动态振荡信号模型参数辨识方法 | |
CN107844627A (zh) | 一种仅输出时变结构模态参数贝叶斯估计方法 | |
O'Shea | A high-resolution spectral analysis algorithm for power-system disturbance monitoring | |
Liu | A wavelet based model for on-line tracking of power system harmonics using Kalman filtering | |
CN113158785B (zh) | 一种振荡信号模态参数的识别方法 | |
CN106772271A (zh) | 一种基于匹配自相关算法的雷达信号toa估计方法 | |
CN105044531A (zh) | 一种基于ekf和fsa的动态信号参数辨识方法 | |
CN115166650B (zh) | 一种雷达信号识别与参数估计方法和系统 | |
CN109117698B (zh) | 一种基于最小均方误差准则的噪声背景估计方法 | |
Najeeb et al. | Review of parameter estimation techniques for time-varying autoregressive models of biomedical signals | |
CN113705335B (zh) | 一种低频稀疏线谱信号时频超分辨率提取方法 | |
Juhlin et al. | Fast gridless estimation of damped modes | |
CN112014811B (zh) | 一种雷达载波频率的精细估计方法 | |
CN103441975B (zh) | 一种基于功率谱的二相编码信号参数估值方法 | |
Ahmad et al. | Power system mode metering in the presence of non-Gaussian noise | |
CN113155384A (zh) | 用于减小结构阻尼比识别的不确定性的传感器布置方法 | |
Cintami et al. | Ridge trace and HKB methods in ridge regression to solve multicollinearity |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |