[发明专利]一种行波信号的参数化识别方法

摘要

本发明属于电力系统领域，涉及一种行波信号的参数化识别方法。该方法根据行波信号的统计特性建立行波信号的参数化模型；利用自适应粒子滤波算法和优化方法估计出表示不同故障情况下行波特征的参数信息和时频信息,提取能够全面反映行波信号特点的时域和时频域关联特征量组；联合分析上述关联特征量组，提取行波故障特征，突显故障信息，准确可靠地感知强电磁干扰下微弱故障行波信号和复杂折反射行波信号。本发明方法利用参数化时频分析的方法来识别电网故障行波，提出行波信号的新型识别参数,可有效提高受扰行波信号识别的可靠性和准确性,为构建新型故障行波保护与定位原理提供参数支持。

主权项

1.一种行波信号的参数化识别方法，包括如下步骤：1)根据行波信号的脉冲特性和非平稳特性,构建由α稳定分布驱动的时变自回归模型，即α稳定分布‑TVAR模型；2)针对模型的非高斯性以及时变参数突变的延迟性，提出以参数噪声统计特性估计为核心、带时变遗忘因子的自适应粒子滤波算法，用于行波信号建模的参数估计中；3)根据估计出的模型系数计算分数低阶时变功率谱，提取以参数幅值特征的时域特征量和以分数低阶时变功率谱表征的时频域特征量；4)根据估计出的α稳定分布参数值提取行波信号的时域特征量；5)根据时域和时频域的多种关联特征量组，准确提取能够全面反映行波故障信号的特征量，实现复杂行波信号和微弱行波信号的可靠准确辨识；所述步骤1)中，行波信号的α稳定分布‑TVAR模型为：x_n＝a_1,nx_n‑1+a_2,nx_n‑2+…+a_p,nx_n‑p+v_n其中，a_i,n(i＝1,2,…,p)是时变的自回归系数，p代表模型的阶次，v_n～S_α(γ,β,μ)是服从α稳定分布的随机噪声，且α、γ、β、μ分别指特征指数、分散系数、对称参数、位置参数，它们的取值能完全控制α稳定分布特性；TVAR模型自回归系数a_i,n的动态变化情况能很好地反映信号的动态特性，即自回归系数a_i,n的突变或缓慢变化分别对应行波信号的突变或缓慢变化，所述行波信号的突变包括雷击冲击或故障冲击；由此可提取以模型自回归系数奇异值表示的时域特征量；而且，根据时变自回归系数a_i,n的值可以计算出信号的瞬时频率，由此可提取由瞬时频率所组成的时频特征量；在α稳定分布中，与行波信号特征相关的两参数α和γ分别表征信号的脉冲水平和故障程度；即，α值越小，信号的整体脉冲特性越强；γ越大，信号的整体幅值变化越大；这两个参数都与故障程度和故障信息密切相关，因此，将它们作为衡量信号脉冲特性和故障程度的参数特征量；所述步骤2)中，模型参数估计方法如下：θ_n＝θ_n‑1+v_θ,n其中，θ_n＝(a_1,n,a_2,n,…,a_p,n,α,γ,β,μ)^T表示α稳定分布‑TVAR模型所有待估计的参数；为了准确估计出模型中自回归系数以及纯净行波信号，选取状态变量且X_n＝[x_n,x_n‑1,…,x_n‑p+1]^T为系统真实的状态变量,θ_n＝(a_1,n,a_2,n,…,a_p,n,α,γ,β,μ)^T为系统扩展的状态变量,以及观测变量Y_n＝[x_n]，建立如下的自组织状态空间模型：其中，系统矩阵观测矩阵H＝[1,0,…,0],是参数扰动量即人工噪声,是高斯噪声；基于上述状态空间模型,利用自适应滤波算法即可估计出模型状态和参数；所述步骤3)中提取以参数幅值特征的时域特征量包括：提取以模型自回归系数a_i,n奇异值表示的时域特征量，即：自回归系数的奇异值点对应行波信号的突变，所述行波信号的突变包括雷击冲击或故障冲击；所述步骤3)中计算分数低阶时变功率谱包括：计算分数低阶瞬时功率谱密度函数：由上式瞬时频率所组成的时频图中，行波波头会在该时频图中表现为高频突变，由此可以通过频率突变点的时间位置确定行波到达时间，实现对行波波头的准确检测；所述步骤4)包括：根据估计的特征指数α来判断线路故障程度，即其值越小，说明行波信号的脉冲性越强，在无噪声或弱噪声情况下，线路故障越严重，反之亦然；所述步骤4)包括：根据估计的分散系数γ来区分雷击干扰和雷击故障，即：若其值变化不大，保持在某一稳定水平，则雷击未造成故障；若其值变化大，则雷击造成故障。