[發(fā)明專利]一種基于鯨魚優(yōu)化卡爾曼濾波算法的行波故障測距方法

有效

• 申請?zhí)枺?/td>: 202110501421.2
• 申請日: 2021-05-08
• 公開（公告）號: CN113253050B
• 公開（公告）日: 2022-07-12
• 發(fā)明（設(shè)計）人: 聶曉華;王屹昆;梁樂樂;孫運(yùn)
• 申請（專利權(quán)）人: 南昌大學(xué)
• 主分類號: G01R31/08
• 分類號: G01R31/08;G06F17/11;G06F30/27;G06N3/00;H03H17/02
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246
• 代理人: 許瑩瑩

本發(fā)明公開了一種基于鯨魚優(yōu)化卡爾曼濾波算法的行波故障測距方法，涉及電力技術(shù)領(lǐng)域，針對小波變換需要選取小波基，不具備自適應(yīng)性，引進(jìn)卡爾曼濾波算法，同時用鯨魚優(yōu)化算法來整定卡爾曼濾波初始參數(shù)。鯨魚優(yōu)化算法具有原理簡單、過程易于實(shí)現(xiàn)、尋優(yōu)速度快等優(yōu)點(diǎn)，可以對目標(biāo)函數(shù)在解空間進(jìn)行全局并行隨機(jī)搜索，使得卡爾曼濾波算法能快速精準(zhǔn)跟蹤信號，從而減小測距誤差使行波測距更加準(zhǔn)確。

技術(shù)領(lǐng)域

本發(fā)明涉及電力技術(shù)以及信號處理領(lǐng)域，具體涉及一種基于鯨魚優(yōu)化卡爾曼濾波算法的行波故障測距方法。

背景技術(shù)

行波定位與保護(hù)技術(shù)的關(guān)鍵在于行波信號的準(zhǔn)確檢測。常用的小波變換采用不同小波基和分解尺度將信號分解重構(gòu)，再輔以其他算法，可以得到不同的信號處理效果。但小波變換受小波基的選取和分解尺度等因素影響較大，選取不當(dāng)就難以得到理想的效果，不具有自適應(yīng)性。

Kalman濾波算法可以檢測電網(wǎng)中的基波分量，應(yīng)用于繼電保護(hù)中的故障檢測；且相關(guān)文獻(xiàn)表明，與傅里葉變換相比，在電力系統(tǒng)參數(shù)計算的相關(guān)問題上卡爾曼濾波在精度和速度上要優(yōu)于傅里葉變換。綜合來看，Kalman濾波算法在信號追蹤、狀態(tài)估計和檢測奇異點(diǎn)方面應(yīng)用效果較好，且計算速度很快，能滿足繼電保護(hù)快速性的要求。因此可將Kalman濾波算法應(yīng)用于電網(wǎng)故障的行波檢測，以實(shí)現(xiàn)電網(wǎng)故障行波信號的自適應(yīng)性精確檢測。

應(yīng)用Kalman濾波算法需要解決如下問題：1.系統(tǒng)噪聲協(xié)方差矩陣和測量噪聲協(xié)方差矩陣的選取。前者影響算法的濾波性能及參數(shù)估計精度，增大了系統(tǒng)的不確定性；后者取值不當(dāng)會影響濾波器的修正速度，使濾波過程不穩(wěn)定甚至發(fā)散。測量噪聲矩陣可根據(jù)示波器測量精度進(jìn)行估計。2.系統(tǒng)狀態(tài)初值的選取。系統(tǒng)初始狀態(tài)值過大,那么Kalman濾波算法給出的最優(yōu)估計值的相應(yīng)誤差也會比較大,從而造成預(yù)測點(diǎn)的估計值和真實(shí)值相差也很大,在很多時候,統(tǒng)初始狀態(tài)值過大會使Kalman濾波出現(xiàn)發(fā)散現(xiàn)象,從而影響算法的精度效果。

所以,根據(jù)相應(yīng)的實(shí)際問題精確確定系統(tǒng)的初始值是很重要的,這個值越接近,卡爾曼濾波處理的效果就更好,對解決實(shí)際問題就更加有效。

發(fā)明內(nèi)容

針對為解決上述問題，本文采用鯨魚優(yōu)化算法對Kalman噪聲矩陣以及初始狀態(tài)參數(shù)進(jìn)行優(yōu)化，從而應(yīng)用于行波故障測距使得分析結(jié)果更為精確。鯨魚優(yōu)化算法具有原理簡單、過程易于實(shí)現(xiàn)、尋優(yōu)速度快等優(yōu)點(diǎn)，可以對目標(biāo)函數(shù)在解空間進(jìn)行全局并行隨機(jī)搜索，使得卡爾曼濾波算法能快速精準(zhǔn)跟蹤信號，從而減小測距誤差使行波測距更加準(zhǔn)確。

本發(fā)明采用以下技術(shù)方案：

Step1建立卡爾曼濾波的電網(wǎng)行波空間模型，根據(jù)系統(tǒng)狀態(tài)設(shè)置狀態(tài)轉(zhuǎn)移矩陣和觀測矩陣。行波測距的空間模型為：

式中，X_k為卡爾曼濾波算法第k次迭代的狀態(tài)變量，此狀態(tài)變量以基波電網(wǎng)信號為基底，表示為：X_k＝[x_1,k x_2,k L x_2r-1,k x_2r.k]^T；X_k-1為卡爾曼濾波算法第k-1次迭代的狀態(tài)變量；z_k為k次迭代的觀測值，F(xiàn)為狀態(tài)轉(zhuǎn)移矩陣，由具體的電網(wǎng)電流電壓給出；H為觀測矩陣，表示狀態(tài)變量對觀測變量的增益；w_k、v_k均為均值為0的高斯噪聲，Q_k為過程噪聲矩陣，需要通過算法整定獲取，R_k為觀測噪聲矩陣，可以根據(jù)所用儀器設(shè)置。

Step2設(shè)置鯨魚的種群規(guī)模為N，這樣就會產(chǎn)生N只鯨魚的位置。然后對算法的各種參數(shù)進(jìn)行初始化以及設(shè)置算法的最大迭代次數(shù)t_max；

Step3用初始的鯨魚位置作為系統(tǒng)初始狀態(tài)參數(shù)X和系統(tǒng)噪聲Q的值，帶入到電網(wǎng)空間模型中。