CN113866676A

CN113866676A - 一种基于卡尔曼滤波的vsc微小故障诊断方法

Info

Publication number: CN113866676A
Application number: CN202111130636.4A
Authority: CN
Inventors: 郭楚佳; 张莹; 刘伟峰
Original assignee: Shaanxi University of Science and Technology
Current assignee: Yunnan Aerospace Automation Technology Co ltd
Priority date: 2021-09-26
Filing date: 2021-09-26
Publication date: 2021-12-31
Anticipated expiration: 2041-09-26
Also published as: CN113866676B

Abstract

本发明公开了一种基于卡尔曼滤波的VSC微小故障诊断方法，首先建立了VSC系统的离散预测模型，其次基于卡尔曼滤波算法建立系统模型的状态方程和量测方程，同时推导系统模型的卡尔曼滤波增益以及状态协方差，再根据对系统电流测量的预测值与系统实际电流的测量值比较，得到电流残差。对n个时间点的残差值进行加权平方和，计算得出故障指示信号，最后设定决策函数，将故障指示信号与所设定阈值进行比较判断系统模型是否故障。相对于常规的故障诊断方法，基于卡尔曼滤波算法对系统的内部结构有深层的认识，同时依赖于系统精确模型，将具有实时性，从而通过微小故障诊断增强系统的安全性与可靠性。

Description

一种基于卡尔曼滤波的VSC微小故障诊断方法

技术领域

本发明属于电力系统技术领域，具体涉及一种基于卡尔曼滤波的VSC微小故障诊断方法。

背景技术

近几年来，随着电力电子技术的成熟和电力电子器件的不断发展，两电平电压源型换流器(Voltage Source Converter，VSC)在电力系统中的应用越来越广泛。随着现代控制系统设备的复杂化和规模的大型化，未被检测出的微小故障可能会逐渐演变为对系统有较大危害的突变故障，一旦系统发生故障且没有及时发现和处理，故障很有可能发酵，造成更大的经济损失甚至人员伤亡。随着系统运行。因此，为了增强系统的安全性和可靠性，微小故障的检测和诊断尤为重要。

故障是指在一个过程中，观测变量或计算参数对可接受范围的偏离。而微小故障是一类更精细的诊断形式，针对故障诊断提出的在线近似法主要是通过在线自适应估计器对故障进行估计，估计结果可用于进行故障分离和故障辨识，但是这种方法故障估计的准确性现在还尚未能够在理论证明；人工智能定量诊断微小故障法是一种依赖于定量分析的智能诊断方法，其中包括的神经网络具有强的非线性拟合能力，自学习能力、自组织能力和容错能力，但其建模对偏差很敏感，任何微小的偏差或扰动都会导致拟合精度下降影响诊断结果，并且神经网络对诊断结果的可解释性相对较差；状态估计法对系统的内部结构有深层的认识，具有很好的实时性，但是其需要依赖于系统准确的数学模型。由于系统模型不可避免的存在不确定性和干扰，直接影响现有的电力电子器件微小故障诊断方法的准确性。

发明内容

为了克服上述现有技术存在的不足，本发明的目的在于提供一种基于卡尔曼滤波的VSC微小故障诊断方法，建立VSC的系统模型，得到系统的状态方程和量测方程，基于卡尔曼滤波算法对VSC系统的方程滤波，得到当前时刻的状态估计值，再与系统测量值进行比较得到残差，取n个时间点残差的加权平方和生成故障指示信号，设计决策函数，利用故障指示信号进行故障诊断。

为了实现上述目的，本发明采用的技术方案是：

一种基于卡尔曼滤波的VSC微小故障诊断方法，包括以下步骤；

Step1：建立主电路模型；

根据VSC的结构、电路结构及KVL定理，可得：

Step2：利用前向欧拉公式，得到电流的预测模型；

式中i是VSC模型交流测滤波电感电流、E是交流侧电压、u是直流侧电压、L是滤波电感，T_s是采样间隔；

Step3：基于卡尔曼滤波算法和模型方程建立VSC的状态方程和量测方程；

v_f(k)和w_f(k)是相互独立的模型噪声矩阵，式中H为单位阵；

Step4：计算系统模型当前时刻的电流残差；

由卡尔曼滤波算法得VSC系统模型电流的状态预测、量测预测方程：

由模型得测量残差：

由卡尔曼滤波算法得卡尔曼增益：

W(k+1)＝P(k+1|k)R^-1(k+1)

式中P(k+1|k)是VSC系统模型协方差：P(k+1|k)＝P(k|k)+Q(k)

式中Q(k)和R(k)是VSC系统方程定义的误差统计量；

卡尔曼滤波算法得模型预测电流：

上式是在下一刻对下一刻模型电流的测量预测值，即在当前时刻对模型电流测量预测值：

VSC系统模型中已知实际的电流测量值i(k),卡尔曼滤波算法得到系统电流在当前时刻的测量预测值

分析实际测量值和预测测量值，其残差为：

Step5：设计决策函数；

计算一段时间内n个时间点残差的加权平方和：

式中X_m是m时刻的故障指示信号，ω_m是m时刻的权重值，R_m是m时刻噪声矩阵；

设定故障指示信号为：

故障指示信号与决策函数比较，判断VSC系统模型是否出现故障；

所设置决策函数为

其中阈值e的选取需要在具体模型数据下，通过分析诊断电流在故障模式下和健康模式下的特征选取；

Step6：判断系统是否故障；

如故障指示信号大于所设定阈值e则系统出现故障，相反则系统无故障发生。

本发明的有益效果：

本发明针对卡尔曼滤波的VSC微小故障诊断，选用两电平电压源型换流器，得到系统模型状态方程和量测方程，基于卡尔曼滤波算法对模型计算，提高系统稳定性；由于故障元器件参数值突然发生变化，导致电路功能丧失而造成开路或短路等故障，其中有些微小故障不容判断但存在大隐患，采用卡尔曼率滤波算法得VSC模型电流的估计值，与实际值比较后的残差进行加权平方和，得到故障指示信号。将故障指示信号与所设定阈值比较，判断VSC系统微小故障，增强系统的安全性和可靠性。

附图说明

图1两电平电压源换流器原理图。

图2是本发明的算法框图。

图3是本发明的流程框图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明是针对VSC装置基于卡尔曼滤波算法实现微小故障诊断，以图1所示的结构及标号为例，针对三相两电平VSC微小故障诊断研究。详细说明本发明的实施方法。

具体检测步骤如下：

Step1：建立主电路模型；

本发明所涉及的VSC结构，以及接入系统时的原理图如图1所示，根据电路结构及KVL定理，可得：

Step2：利用前向欧拉公式，得到电流的预测模型；

式中v_f(k)和w_f(k)是相互独立的模型的噪声矩阵，H为单位矩阵。

Step4：计算系统模型当前时刻的电流残差；

基于卡尔曼滤波算法，得到VSC系统模型电流的状态预测和量测预测：

由卡尔曼滤波算法得，在当前时刻模型的电流测量预测：

式中W(k)为卡尔曼增益，表示为：

W(k+1)＝P(k+1|k)R^-1(k+1)

式中P(k+1|k)是VSC系统模型的协方差：P(k+1|k)＝P(k|k)+Q(k)

其中Q(k)和R(k)为VSC系统方程定义的误差统计量。

VSC系统模型已知实际的电流测量值i(k),卡尔曼滤波算法得到系统电流的测量预测值

即残差为实际测量值和预测测量值之差：

Step5：设计决策函数；

计算n个时间点残差的加权平方和:

式中X_m是m时刻的故障指示信号，ω_m是m时刻的权重值，Rm是m时刻的噪声矩阵；

故障指示信号为：

设计决策函数为

其中e为所设定阈值。

Step6：判断系统是否故障；

根据Step5中所设计的决策函数，当故障指示信号大于所设定阈值e则系统出现故障，相反则系统无故障发生。

本发明针对电力系统中两电平电压源型换流器，由于元器件导致的开路、短路等情况进行故障诊断，采用卡尔曼滤波算法对VSC模型电流估计值与实际值之间的残差进行加权平方和，得到故障指示信号，并与所设定阈值进行比较，判断VSC系统微小故障，增强系统的安全性与可靠性。对于VSC微小故障面临的小偏差故障诊断效果显著。

如图1所示：两电平电压源型换流器电路图，图中直流侧(右侧)并联一个足够大的电容(C)，保证在持续充/放电和元器件换相过程中保持电压不会发生打的变化。交流侧(左侧)通过电感(L)与电网(E)相连，串联电感(L)是在阻抗较小情况下防止直流侧电容(C)发生短路放电，损坏器件和装置。可关断器件T1-T6的导通或者关断是通过其控制端和一个主电路端子之间施加一定的控制信号控制，防止直流侧电压源短路，同一支路的上、下桥臂不能同时导通。如图2所示为卡尔曼滤波算法框图。如图3所示为微小故障诊断控制框图。