[发明专利]一种自适应强跟踪无迹卡尔曼滤波同步相量参数估计方法

说明书

本发明提出了一种自适应强跟踪无迹卡尔曼滤波同步相量参数估计方法，通过分析残差序列在状态变量保持不变和突变两种状态下的特征构建判定变量，利用判定变量判定状态变量是否发生突变，进而自适应改变弱化因子的值，从而在保证屏蔽残差序列协方差的估计误差的基础上尽可能地减小弱化因子的值，从而加快强跟踪无迹卡尔曼滤波算法跟踪状态变量突变的速度，提高相量测量的准确性。

技术领域

本发明属于广域同步相量测量领域，特别涉及一种自适应强跟踪无迹卡尔曼滤波同步相量参数估计方法。

背景技术

由于实时性和测量精度上的优势，近年来卡尔曼滤波方法逐渐被国内外学者关注，使用该方法的同步相量测量方法，首先要建立电力信号的状态空间模型，然后利用依次得到的采样点对电力信号状态变量及量测量进行状态预测与滤波更新，从而达到对电力信号状态变量依次估计进而逐渐接近真实值的目的。由于电力信号与其频率的函数一定存在着非线性，致使只能解决线性问题的经典卡尔曼滤波方法无法解决电力信号参数测量问题，必须对电力信号状态空间模型进行线性化。由于无迹卡尔曼滤波方法能以二阶及以上的精度逼近非线性函数且能快速跟踪状态变量突变，近年来其在同步相量测量方法中应用越来越广。

无迹卡尔曼滤波方法采用前一时刻的状态变量误差协方差矩阵和UT变换预测新时刻的状态变量误差协方差，因此当状态变量发生突变时无迹卡尔曼方法无法检测出突变，致使预测的状态变量误差协方差仍然较小，进而导致方法对突变跟踪缓慢。强跟踪无迹卡尔曼方法根据正交性原理引入渐消因子来保证残差序列实时弱相关，增大突变时刻的预测状态变量误差协方差，进而达到跟踪状态变量突变的目的。计算渐消因子需要已知残差序列的协方差信息，但这种信息实际是未知的，目前存在的强跟踪无迹卡尔曼滤波方法采用对残差序列协方差进行估计的方法来解决这一问题，并引入弱化因子来屏蔽由残差序列协方差估计不准带来的方法发散影响。高噪声环境下，残差序列协方差估计精度急剧降低，这就需要设置较大的弱化因子来对更大的估计误差进行屏蔽，但过大的弱化因子会造成方法跟踪突变缓慢或无法跟踪突变，过小的弱化因子会由于无法屏蔽残差序列的估计误差造成方法发散。

发明内容

针对上述问题，本发明提出一种自适应强跟踪无迹卡尔曼滤波同步相量参数估计方法，包括如下步骤：

步骤1：按下式计算判定变量，判断判定变量是否在下分位点和上分为点之间，

式中：F_k为判定变量，ξ_i为i次迭代时的残差，N为时间窗长度；

步骤2：若所述判定变量在下分位点和上分为点之间，则按下式计算弱化因子的值，按无迹卡尔曼滤波方法的步骤更新状态变量误差协方差矩阵，而后进行量测更新和滤波更新，

式中：β_k为第k次迭代时弱化因子的取值，k₀为最近一次发生突变的迭代次数，k为目前迭代次数，V_i为第i次迭代时的残差序列协方差矩阵估计值，为第i次迭代时量测量的后验协方差矩阵，R_i为第i次迭代时的噪声协方差矩阵；

步骤3：若所述判定变量不在下分位点和上分为点之间，则沿用上一时刻的弱化因子的值带入计算渐消因子，按强跟踪无迹卡尔曼方法的步骤更新状态变量误差协方差矩阵，而后进行量测更新和滤波更新。

进一步，若成立，判定为稳定状态；反之，则判定为突变状态。

进一步，稳定状态时，系统与实际相匹配，渐消因子λ₀的值为1；当实际输出残差序列的协方差矩阵V_k预测不准时，稳定状态会出现渐消因子大于1的情况，此时应调节弱化因子的值将渐消因子强制为1，并在突变状态时延用此弱化因子。

进一步，上、下分位点依时间窗长度选择。

附图说明