基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107103160A(43)申请公布日2017.08.29(21)申请号201710376583.1(22)申请日2017.05.25(71)申请人长沙理工大学地址410114湖南省长沙市万家丽南路二段960号(72)发明人席燕辉李泽文曾祥君赵廷张小东肖辉(51)Int.Cl.G06F17/50(2006.01)权利要求书3页说明书5页附图1页(54)发明名称基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法(57)摘要本发明属于电力系统领域，涉及基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法。从时域的角度，利用现代信号处理方法和贝叶斯滤波技术对微弱故障行波信号进行分析与建模，在保留原始信号主要特征的同时，有效滤除以时域特征变化为主的各种噪声干扰，实时估计出行波信号的瞬时幅度和建模残差，由此准确提取行波信号的突变点，实现微弱行波信号的可靠准确辨识，以此提高故障行波定位的准确性和可靠性。此研究提出了受扰行波信号的时域建模分析方法，对比分析了各种故障雷电流仿真模型，实现了各类噪声干扰下微弱故障行波信号奇异点的准确辨识。此发明对于行波故障定位精度的提高、行波保护的实用化具有很重要的理论与现实意义。CN107103160ACN107103160A权利要求书1/3页1.一种基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法，包括如下步骤：1)受扰微弱故障行波信号的时域建模及雷击故障行波信号仿真建模分析；2)受扰微弱故障行波信号的状态空间建模；3)针对已有去噪滤波算法不能适应电网系统复杂多变的噪声环境，提出在线优化噪声统计特性、实时估计出噪声矩阵参数的自适应蒙特卡罗粒子滤波算法，并用于微弱故障行波信号的去噪和建模中；4)微弱行波信号的时域特征量组提取，实现复杂微弱行波信号的可靠准确辨识。2.根据权利要求l所述的微弱故障行波信号的去噪和精确识别方法，其特征在于：所述步骤1)中，受扰微弱行波信号的时域模型为：其中，{yk∈R,n＝1,2,…,K}(K为采样长度)是采样的行波序列，A1,k,ω，为基波(工频)信号的幅值，频率和初始相角，Ar,k(r＝2,…,M),为r次谐波的幅度和初始相角，uk代表行波波头，vk～N(0,Rk)为观测白噪声，M为谐波的最高阶次，Ts＝1/fs(fs为采样频率)为采样时间间隔。为研究行波信号的突变特性，本发明将以雷击故障行波电流信号为例进行仿真建模分析。在上式中，雷击输电线路所产生的雷电流波形uk将分别采用双指数函数模型、Heidler函数模型和脉冲函数模型近似模拟，并对比各种近似模型与实际雷电流波形的拟合优劣，探索一种最佳的雷电流波模拟模型。其中，三种模拟模型的具体形式如下。双指数函数模型：Heidler函数模型：脉冲函数模型：上述三种近似模型中，I0为雷电流幅值(kA)，A为雷电流幅值的修正系数，T1为雷电流波尾时间常数，T2为雷电流波头时间常数(T1和T2的值由雷电流波形所确定)，n(2≤n≤10)为常数。3.根据权利要求l所述的微弱故障行波信号的去噪和精确识别方法，其特征在于：所述步骤2)中，为利用滤波方法从含有噪声干扰的行波信号中准确估计出行波信号各次频率的瞬时幅值，选取状态变量如下：2CN107103160A权利要求书2/3页根据上述的状态变量，受扰微弱故障行波信号的状态空间模型为：其中，F，H为系统矩阵和观测矩阵，ηk和vk分别为系统的过程噪声和观测噪声，其协方差分别为Qk和Rk。而且，Fr,Qk,Rk分别定义为特别值得一提的是，上式中的系统噪声和观测噪声协防差阵直接决定了滤波方法估计精度和收敛性，可通过优化方法得到最优值。4.根据权利要求l所述的微弱故障行波信号去噪和精确识别方法，其特征在于：所述步骤3)中，为提高滤波算法的估计精度，需要在线估计噪声协方差矩阵，本发明将提出结合遗传算法和粒子群算法的全局优化方法来全局搜索噪声协防差矩阵参数以及参数初始分布，同时，提出利用蒙特卡罗粒子滤波算法估计出系统状态以及滤波(去噪)后的行波信号。具体来讲，在步骤2)所述的状态空间模型中，给定噪声方差矩阵参数初始值，用蒙特卡罗粒子滤波进行预测和滤波，将待优化的参数θ＝[γ1γ2…γ2r-1γ2r…γ2M-1γ2Mε]作为染色体或粒子按顺序编码，并给定该染色体的取值范围，使用似然函数作为目标函数计算各个体的适应值，选择适应值较低即最优个体保留到下一代，其它个体进行交叉、变异运算，同时产生相应地备选群体，比较备选群体中个体的适应度，选择最优个体放入到优秀群体中，重复上述过程，直到得到最优参数θ*，再利用蒙特卡罗粒子滤波算法进行预测和滤波，得到各个时刻状态变量的预测值和估计值。5.根据权利要求l所述的微弱故障行波信号的去噪和精确识别方法，