[发明专利]一种继电保护测试装置LPA的ANFIS数字预畸方法

说明书

本发明公开了一种继电保护测试装置LPA的ANFIS数字预畸方法，利用ANFIS通过训练和学习后，去逼近紧致集上的继电保护测试装置LPA的非线性逆数字模型，取代逆数字模型产生与理想输出电压/电流相对应的指令电压/电流，实现数字预畸。本发明从整体上考虑了LPA从数模转换器到各放大级再到负载的所有可能的非线性，对各放大级的精度不再苛求；采用准在线方式，可在大部分原有的微处理器上实现，提高了性价比；借助于ANFIS的自适应能力，能自动适应不同特性和数值的负载。本发明不仅能满足故障波形重现的精度要求，还可使LPA有限的频带宽度和输出容量得到充分利用。

技术领域

本发明属于继电保护技术领域，尤其涉及一种继电保护测试装置线性功率放大器(LPA)的ANFIS数字预畸方法。

背景技术

继电保护测试装置已成为整定校验继电保护及安全自动装置不可或缺的工具。为能全面细致地分析继电保护及安全自动装置在电力系统真实故障下的动作细节，现代测试要求继电保护测试装置应能较精确地输出各种故障电压/电流波形，波形数据可来源于软件仿真或故障录波器。一方面，因继电保护及安全自动装置接于电压和电流互感器的二次侧，故继电保护测试装置须将电压和电流放大到电压互感器的二次电压水平和电流互感器的二次电流水平，才能为被测装置提供“现场”的电压和电流。电压互感器二次额定电压一般为100V(有效值，root mean square value，RMS)；对新建项目，为降低损耗，电流互感器二次额定电流一般选1A(RMS)。在故障暂态下，故障电压的基波周期分量可达额定电压的5倍，故障电流的基波周期分量可达额定电流的30倍，考虑非周期分量和谐波，总电压和总电流还会更高。故继电保护测试装置应能将电压和电流至少放大到500V(RMS)和30A(RMS)，即电压动态范围至少为0～5(标幺值，per unit，pu)，电流动态范围至少为0～30(pu)。另一方面，为满足故障测距装置、谐波源监测定位装置、有源滤波器和静止无功补偿器等的测试，要求输出波形的频带宽度至少为0～10kHz。根据采样定理，要求继电保护测试装置的频带宽度至少为0～20kHz。综上，新一代继电保护测试装置要求在实现宽动态范围的同时实现宽频带，这一直是继电保护测试装置功率放大器设计的技术难点，在故障波形重现时造成波形失真。因现行规程制定于10年前，有待加入故障波形重现内容，故现有产品认为暂不受规程约束，碍于实现困难，常虚称有故障波形重现功能。为克服该技术难点，多数继电保护测试装置倾向于采用LPA，认为LPA的控制较开关型功率放大器简便，开环控制精度甚至可与开关型功率放大器的闭环控制精度媲美。这是LPA的“线性”对设计者造成的误解。实际上LPA的“线性”是一个相对概念，没有LPA能够完全消除非线性。原因在于为获得足够大的放大倍数，LPA需由若干放大级级联组成。每个放大级可视为一个LPA，一般由一个差动放大器实现。一个差动放大器的非线性容易控制，然而，当若干个级联后，各个的非线性会被逐级放大并彼此叠加，最终成为一个不易控制的非线性。理论上，为减小级联后的非线性，每个放大级的硬件均须精密设计和调整，且电源和级间连接电路也须优化，可采用以下方法：①改用动态开关电源与LPA相连，通过特定调制降低传统直流电源波动引起的非线性；②为每个放大级设计模拟前馈电路，提前修正各放大级的非线性；③通过优化调整峰值补偿线、并联电容器和开关偏置实现LPA的线性化，并采用后向失真补偿提高线性度；④采用交叉耦合双差分对和源极退化电阻两项线性化措施实现LPA的高线性响应。这些方法所取得的高线性度是以增加硬件的复杂程度为代价的，而由此可能带来可靠性的降低，且方法的可移植性较差。与以上硬件修正或补偿方法不同，数字预畸方法的特点是不再局限于提高LPA各部件的精度，一般仅需修改软件，而无需改变硬件电路，即可实现精度的提升。当前实现数字预畸的方法主要有：①采用无记忆多项式对LPA建模，多项式的系数由递归最小二乘法确定，由模型实现数字预畸；②采用Wiener滤波器对LPA建模，并采用若干分段线性函数对非线性进行估计，两者结合实现数字预畸；③采用可与迭代消噪技术结合的线性化方法，消除加性噪声的影响，使数字预畸器不依赖LPA的精确模型。这些数字预畸方法有较好的可移植性，但建立在多项式、线性滤波器和分段线性函数等线性数学工具的基础上，用于估计非线性，理论上可行，而实用中会受阶数限制，精度难以提高。此外，在估计或调整参数和系数时，数值稳定性有时难以保证，可能导致系统失稳。考虑到受额定容量限制，LPA的输出被限制在一个有限范围内，从泛函分析的角度看，可将之定义为一个在紧致集上的未知非线性泛函。理论证明，ANFIS经有限次数的训练和学习后，可无限逼近紧致集上的任意非线性函数。故ANFIS较前述线性数学工具更加适合对非线性建模。此外，可证明，当采用梯度下降法与最小二乘法相结合的混合学习算法代替单一的梯度下降法时，将不再存在数值稳定问题。