CN110579638B - 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法 - Google Patents

基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法 Download PDF

Info

Publication number
CN110579638B
CN110579638B CN201910970843.7A CN201910970843A CN110579638B CN 110579638 B CN110579638 B CN 110579638B CN 201910970843 A CN201910970843 A CN 201910970843A CN 110579638 B CN110579638 B CN 110579638B
Authority
CN
China
Prior art keywords
voltage
state
power supply
kalman filtering
supply system
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
Application number
CN201910970843.7A
Other languages
English (en)
Other versions
CN110579638A (zh
Inventor
沈兴来
姜华
白金花
郭胤
李磊
周利
孙书芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Xuzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Xuzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Xuzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910970843.7A priority Critical patent/CN110579638B/zh
Publication of CN110579638A publication Critical patent/CN110579638A/zh
Application granted granted Critical
Publication of CN110579638B publication Critical patent/CN110579638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations

Abstract

本发明公开了一种基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法，该检测方法为：采用卡尔曼滤波算法检测电压扰动信号，将电压有效值作为状态变量，利用卡尔曼状态变量的实时更新来确定电压有效值信息，确定电压扰动的时刻，获取电压上升或跌落的幅度信息，以便实时检测交叉供电系统的电压扰动情况。本发明考虑到电压跌落时电网往往畸变大、谐波含量，因而在建立复合电压模型时加入谐波分量；考虑到电压暂降检测中会产生角频率跟踪的偏差，将多重渐消因子引入到检测算法中，使电压信号的每一维状态通过不同的渐消因子渐消，提高检测方法的精度。

Description

基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法
技术领域
本发明涉及电网动态电压补偿装置(DVR)技术领域，具体的说是涉及一种基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法。
背景技术
电能是一种清洁、经济实用、易于传输并且方便与其它形式能量相互转换的能源，在日常经济生活中有着不可替代的作用。电能是一种由供电部口向电力用户提供、并由双方共同保证质量的特殊商品。与其它商品一样，用户对电能的质量也有要求。随着国民经济的发展，电能质量越来越受到供用电双方的普遍重视一方面，随着电气化程度的提高，更多的用户采用了对电能特性变化敏感的高科技设备，电能质量的下降会影响这些设备的正常工作。另一方面，电弧炉、轴钢机等非线性、冲击性负荷的大量使用对电网安全稳定运行造成了危害，电能质量问题越来越突出。近年来，由电能质量问题造成的经济损失和化会影响越来越严重。因此，控制和改善电能质量对电力系统安全可靠运行有着重要的意义。
为保证供电可靠性，可通过配置交叉供电DVR方式对电压暂降进行治理。准确地检测出电压暂降特征量是对暂降电压进行动态补偿的前提和先决条件。卡尔曼滤波作为一种重要的信号处理方法，可有效地动态跟踪系统的状态，在电能质量分析中，卡尔曼滤波主要用于频率跟踪、电压闪变、电压暂降等场合。
发明内容
本发明的目的是提出一种基于卡尔曼滤波的交叉供电系统电压跌落检测方法，采用卡尔曼滤波算法检测电压扰动信号，将电压有效值作为状态变量，利卡尔曼状态变量的实时更新来确定电压有效值信息，确定电压扰动的时刻，获取电压上升或跌落的幅度信息，以便实时检测电网的扰动情况。
为了实现本目的，本文提供了一种基于卡尔曼滤波的交叉供电系统电压跌落检测方法，具体包括以下步骤：
建立一个复合电压信号模型，其中，理想化无噪声离散化单一频率的单相电压信号可表达为：
Figure BDA0002231263580000011
式中：k＝1,2,3...,N为采样点数；Ak为电压幅值；ωk为角频率；
Figure BDA0002231263580000012
为相位角；Δt为采样间隔。
建立一个三维电压信号状态向量，定义为
Figure BDA0002231263580000021
这样，电压信号的状态方程和量测方程分别描述为：
Xk+1＝f(Xk)+Wk (3)
Zk+1＝h(Xk+1)+Vk+1 (4)
式中：f(Xk)和h(Xk+1)分别为系统的状态函数和量测函数；Xk+1和Zk+1分别为3维系统状态向量和1维量测向量；Wk和Vk+1分别为系统过程噪声和量测噪声。其中
Figure BDA0002231263580000022
h(Xk)＝x1k (6)
系统过程噪声Wk和量测噪声Vk+1两者为不相关的零均值高斯白噪声，对应的协方差矩阵分别Qk和Rk。统计特性满足：
Figure BDA0002231263580000023
式中：Qk为系统过程噪声Wk听的对称非负定方差矩阵；Rk为系统量测噪声Vk的对称正定方差矩阵；δkj为Kronecker-δ函数。
在建立的复合电压模型基础上，利用卡尔曼滤波算法递推地估计出电压信号的状态向量，过程如下：
步骤1：初始化，选择状态估计的初值
Figure BDA0002231263580000031
和P0。
对k+1＝1,2,3,...，向下执行
步骤2：计算状态一步预测值
Figure BDA0002231263580000032
和预测协方差矩阵
Figure BDA0002231263580000033
Figure BDA0002231263580000034
Figure BDA0002231263580000035
式中：系统状态的Jacobi矩阵
Figure BDA0002231263580000036
步骤3：计算残差值γk+1
Figure BDA0002231263580000037
步骤4：根据残差值γk+1求出渐消因子λk+1，并计算引入渐消因子λk+1后的预测协方差矩阵
Figure BDA0002231263580000038
Figure BDA0002231263580000039
步骤5：计算增益矩阵Kk+1
Figure BDA00022312635800000310
式中：系统状态的Jacobi矩阵
Figure BDA00022312635800000311
步骤6：量测更新，计算状态估计值
Figure BDA00022312635800000312
和估计误差协方差矩阵Pk+1，完成一个周期的状态估计过程
Figure BDA00022312635800000313
Figure BDA0002231263580000041
步骤7：根据状态估计值
Figure BDA0002231263580000042
提取出时变的电压信号幅值和相位
Figure BDA0002231263580000043
Figure BDA0002231263580000044
与以往的技术相比，本发明内容具有如下有益效果：
考虑到电压跌落时电网往往畸变大、谐波含量，因而在建立复合电压模型时加入谐波分量；考虑到电压暂降检测中会产生角频率跟踪的偏差，将多重渐消因子引入到检测算法中，使电压信号的每一维状态通过不同的渐消因子渐消，提高检测方法的精度。
附图说明
为了更加清晰地描述本发明的具体实施例，下面将对本发明实施方案所需使用的附图作简单介绍。
图1为基于卡尔曼的交叉供电系统电压跌落检测流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的零部件或具有相同或类似功能的零部件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。下面结合附图对本发明的实施例进行详细说明。
如图1所示，基于卡尔曼滤波的交叉供电系统电压电压跌落检测算法流程，在建立的复合电压模型基础上，利用卡尔曼滤波算法递推地估计出电压信号的状态向量，过程如下：
步骤1：初始化，选择状态估计的初值
Figure BDA0002231263580000045
和P0。
对k+1＝1,2,3,...，向下执行
步骤2：计算状态一步预测值
Figure BDA0002231263580000046
和预测协方差矩阵
Figure BDA0002231263580000047
Figure BDA0002231263580000051
Figure BDA0002231263580000052
式中：系统状态的Jacobi矩阵
Figure BDA0002231263580000053
步骤3：计算残差值γk+1
Figure BDA0002231263580000054
步骤4：根据残差值γk+1求出渐消因子λk+1，并计算引入渐消因子λk+1后的预测协方差矩阵
Figure BDA0002231263580000055
Figure BDA0002231263580000056
步骤5：计算增益矩阵Kk+1
Figure BDA0002231263580000057
式中：系统状态的Jacobi矩阵
Figure BDA0002231263580000058
步骤6：量测更新，计算状态估计值
Figure BDA0002231263580000059
和估计误差协方差矩阵Pk+1，完成一个周期的状态估计过程
Figure BDA00022312635800000510
Figure BDA00022312635800000511
步骤7：根据状态估计值
Figure BDA00022312635800000512
提取出时变的电压信号幅值和相位
Figure BDA00022312635800000513
Figure BDA0002231263580000061
建立电压模型方法为：
一个理想化无噪声离散化单一频率的单相电压信号表达为：
Figure BDA0002231263580000062
式中：k＝1,2,3...,N为采样点数；Ak为电压幅值；ωk为角频率；
Figure BDA0002231263580000063
为相位角；Δt为采样间隔；
建立一个三维电压信号状态向量，定义为
Figure BDA0002231263580000064
这样，电压信号的状态方程和量测方程分别描述为：
Xk+1＝f(Xk)+Wk
Zk+1＝h(Xk+1)+Vk+1
式中：f(Xk)和h(Xk+1)分别为系统的状态函数和量测函数；Xk+1和Zk+1分别为3维系统状态向量和1维量测向量；Wk和Vk+1分别为系统过程噪声和量测噪声；其中
Figure BDA0002231263580000065
h(Xk)＝x1k
系统过程噪声Wk和量测噪声Vk+1两者为不相关的零均值高斯白噪声，对应的协方差矩阵分别Qk和Rk；统计特性满足：
Figure BDA0002231263580000071
式中：Qk为系统过程噪声Wk听的对称非负定方差矩阵；Rk为系统量测噪声Vk的对称正定方差矩阵；δkj为Kronecker-δ函数。
综上，本发明提出一种基于卡尔曼滤波的交叉供电系统电压跌落检测方法，采用卡尔曼滤波算法检测电压扰动信号，将电压有效值作为状态变量，利卡尔曼状态变量的实时更新来确定电压有效值信息，确定电压扰动的时刻，获取电压上升或跌落的幅度信息，以便实时检测电网的扰动情况。本发明考虑到电压跌落时电网往往畸变大、谐波含量，因而在建立复合电压模型时加入谐波分量；考虑到电压暂降检测中会产生角频率跟踪的偏差，将多重渐消因子引入到检测算法中，使电压信号的每一维状态通过不同的渐消因子渐消，提高检测方法的精度。
虽然已参照典型实施例描述了本申请，但应当理解，所用的术语是说明和示例性、而非限制性的术语。由于本申请能够以多种形式具体实施而不脱离发明的精神或实质，所以应当理解，上述实施例不限于任何前述的细节，而应在随附权利要求所限定的精神和范围内广泛地解释，因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。

Claims (2)

1.基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法，其特征在于，该检测方法为：采用卡尔曼滤波算法检测电压扰动信号，将电压有效值作为状态变量，利用卡尔曼状态变量的实时更新来确定电压有效值信息，确定电压扰动的时刻，获取电压上升或跌落的幅度信息，以便实时检测交叉供电系统的电压扰动情况；
检测方法具体如下：
在建立的电压模型基础上，利用卡尔曼滤波算法递推地估计出电压信号的状态向量，过程如下：
步骤1：初始化，选择状态估计的初值
Figure FDA0002689306540000011
和P0，
对k+1＝1,2,3,...，向下执行；
步骤2：计算状态一步预测值
Figure FDA0002689306540000012
和预测协方差矩阵
Figure FDA0002689306540000013
Figure FDA0002689306540000014
Figure FDA0002689306540000015
式中：系统状态的Jacobi矩阵
Figure FDA0002689306540000016
步骤3：计算残差值γk+1
Figure FDA0002689306540000017
步骤4：根据残差值γk+1求出渐消因子λk+1，并计算引入渐消因子λk+1后的预测协方差矩阵
Figure FDA0002689306540000018
Figure FDA0002689306540000019
步骤5：计算增益矩阵Kk+1
Figure FDA00026893065400000110
式中：系统状态的Jacobi矩阵
Figure FDA0002689306540000021
步骤6：量测更新，计算状态估计值
Figure FDA0002689306540000022
和估计误差协方差矩阵Pk+1，完成一个周期的状态估计过程：
Figure FDA0002689306540000023
Figure FDA0002689306540000024
步骤7：根据状态估计值
Figure FDA0002689306540000025
提取出时变的电压信号幅值和相位
Figure FDA0002689306540000026
Figure FDA0002689306540000027
2.根据权利要求1所述的基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法，其特征在于，建立电压模型方法为：
一个理想化无噪声离散化单一频率的单相电压信号表达为：
Figure FDA0002689306540000028
式中：k＝1,2,3...,N为采样点数；Ak为电压幅值；ωk为角频率；
Figure FDA0002689306540000029
为相位角；Δt为采样间隔；
建立一个三维电压信号状态向量，定义为
Figure FDA00026893065400000210
这样，电压信号的状态方程和量测方程分别描述为：
Xk+1＝f(Xk)+Wk
Zk+1＝h(Xk+1)+Vk+1
式中：f(Xk)和h(Xk+1)分别为系统的状态函数和量测函数；Xk+1和Zk+1分别为3维系统状态向量和1维量测向量；Wk和Vk+1分别为系统过程噪声和量测噪声；其中
Figure FDA0002689306540000031
h(Xk)＝x1k
系统过程噪声Wk和量测噪声Vk+1两者为不相关的零均值高斯白噪声，对应的协方差矩阵分别Qk和Rk；统计特性满足：
Figure FDA0002689306540000032
式中：Qk为系统过程噪声Wk听的对称非负定方差矩阵；Rk为系统量测噪声Vk的对称正定方差矩阵；δkj为Kronecker-δ函数。
CN201910970843.7A 2019-10-12 2019-10-12 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法 Active CN110579638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910970843.7A CN110579638B (zh) 2019-10-12 2019-10-12 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910970843.7A CN110579638B (zh) 2019-10-12 2019-10-12 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法

Publications (2)

Publication Number Publication Date
CN110579638A CN110579638A (zh) 2019-12-17
CN110579638B true CN110579638B (zh) 2020-11-06

Family

ID=68814513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910970843.7A Active CN110579638B (zh) 2019-10-12 2019-10-12 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法

Country Status (1)

Country Link
CN (1) CN110579638B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112114186B (zh) * 2020-08-14 2022-09-23 广西电网有限责任公司电力科学研究院 一种基于距离判别分析的电压暂降源识别方法及装置
CN112083299B (zh) * 2020-09-11 2023-05-26 国网重庆市电力公司北碚供电分公司 一种基于卡尔曼滤波的直流系统绝缘故障预测方法
CN113111542A (zh) * 2021-05-12 2021-07-13 南方电网科学研究院有限责任公司 一种基于s函数的卡尔曼滤波的频率跟踪方法及系统
CN114123238B (zh) * 2021-11-12 2023-09-22 国网江苏省电力有限公司营销服务中心 一种电解铝负荷参与电力系统调频的卡尔曼滤波控制方法
CN116154948A (zh) * 2023-04-17 2023-05-23 安徽凯民电力技术有限公司 一种中压系统抗晃电快速切换系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007080802A1 (ja) * 2006-01-12 2007-07-19 The Furukawa Electric Co., Ltd. バッテリ放電能力判定方法、バッテリ放電能力判定装置、及び電源システム
CN102223506A (zh) * 2011-05-25 2011-10-19 深圳创维－Rgb电子有限公司 一种电压跌落处理电路及电视机
CN102288814A (zh) * 2011-08-03 2011-12-21 苏州大学 一种电压跌落的实时检测方法
CN108037350A (zh) * 2017-11-16 2018-05-15 云南电网有限责任公司电力科学研究院 一种电压波形的参数辨识方法、系统
CN109274119A (zh) * 2018-10-23 2019-01-25 中国矿业大学 三相电流型并网逆变器控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007080802A1 (ja) * 2006-01-12 2007-07-19 The Furukawa Electric Co., Ltd. バッテリ放電能力判定方法、バッテリ放電能力判定装置、及び電源システム
CN102223506A (zh) * 2011-05-25 2011-10-19 深圳创维－Rgb电子有限公司 一种电压跌落处理电路及电视机
CN102288814A (zh) * 2011-08-03 2011-12-21 苏州大学 一种电压跌落的实时检测方法
CN108037350A (zh) * 2017-11-16 2018-05-15 云南电网有限责任公司电力科学研究院 一种电压波形的参数辨识方法、系统
CN109274119A (zh) * 2018-10-23 2019-01-25 中国矿业大学 三相电流型并网逆变器控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于卡尔曼滤波误差的电能质量扰动检测》;张静;《电力系统及其自动化学报》;20060531(第5期);25-30 *

Also Published As

Publication number Publication date
CN110579638A (zh) 2019-12-17

Similar Documents

Publication Publication Date Title
CN110579638B (zh) 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法
Hua et al. Simultaneous unknown input and state estimation for the linear system with a rank-deficient distribution matrix
Moschitta et al. Performance comparison of advanced techniques for voltage dip detection
CN101187682B (zh) 一种在线自适应谐波电流检测系统
CN101561314A (zh) 随机共振-混沌微弱信号检测方法
Paris et al. The sinefit spectral envelope preprocessor
CN108709092A (zh) 管道泄漏监测方法、装置及系统
CN101576586B (zh) 一种基于自适应滤波的相位检测方法
CN114460527B (zh) 关联度延拓Hilbert移相电子式互感器校验仪溯源方法和系统
CN111190049A (zh) 主分量分析的混沌系统检测纳伏级微弱正弦信号的方法
CN105021886A (zh) 一种基于特征根估计的谐波源定位装置
WO2021248906A1 (zh) 光纤相位解调中偏振诱导衰落导致相位跳变修正方法
CN112834816A (zh) 一种用于汽车的霍尔传感器芯片温度补偿方法
Cai et al. A noise reduction method for MEMS gyroscope based on direct modeling and kalman filter
CN104076203A (zh) 一种考虑负频率影响的超低频间谐波检测方法
CN109885807A (zh) Hammerstein系统在白噪声干扰下的加权最新估计最小二乘辨识方法
Patil et al. Robust zero-crossing detection of distorted line voltage using line fitting
CN106662463A (zh) 传感器本底噪声的检测方法及其装置
Turunen et al. Recent developments in modal estimation of power system electromechanical oscillations
CN113566852A (zh) 基线更新、相对状态检测方法和系统、电子设备
Quamar et al. Instrumental variable system identification for time-delayed system with non-integer time-delay
CN109918617A (zh) Hammerstein系统在有色噪声下的加权最新估计最小二乘辨识方法
Hasan et al. Identification of noisy AR systems using damped sinusoidal model of autocorrelation function
CN102636341B (zh) 一种基于波形拟合的迟滞检测方法
CN100383537C (zh) 基于自适应神经元在线整定的谐波检测方法

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
GR01 Patent grant
GR01 Patent grant