一种基于自适应滤波的风电变流器故障诊断制造技术

本发明专利技术属于风电变流器故障诊断领域。针对永磁直驱风力发电系统变流器，设计基于电流归一化以及电流平均值的故障诊断框架。为了提高电流观测的准确率，引入自适应卡尔曼滤波器算法。选取Sage‑Husa噪声估计器自适应的实时调整Q,R的值，增强算法在统计特征未知的噪声背景下的鲁棒性。并通过重置误差协方差矩阵的方法增强算法对于参数突变的跟踪估计能力。

Fault diagnosis of wind power converter based on adaptive filtering

The invention belongs to the field of wind power converter fault diagnosis. For the converter of permanent magnet direct drive wind power generation system, a fault diagnosis framework based on current normalization and current average is designed. In order to improve the accuracy of current observation, an adaptive Calman filter algorithm is introduced. Sage Husa noise estimator is selected to adjust the values of Q and R adaptively in real time to enhance the robustness of the algorithm in noisy background with unknown statistical characteristics. The algorithm can reset the error covariance matrix to enhance the tracking estimation ability of parameter mutation.

【技术实现步骤摘要】
一种基于自适应滤波的风电变流器故障诊断
技术介绍
本专利技术属于风电变流器故障诊断领域，涉及一种风电变流器故障诊断方法。
技术实现思路
精准地预报和预测三相电流不仅可准确地了解变流器的工作状态，而且还能及时发现变流器存在的安全隐患，以便能够及时采取相应措施。但变流器的工作环境复杂，在实际观测过程中，由于各种未知或非确定因素的存在，不可避免地使观测结果含有多种随机扰动误差，从而影响预测结果的精度。但是基于观测器的故障诊断并没有考虑噪声的影响，与实际系统有所差距。它只适用于其中可用测量结果受噪声污染不太严重的情况，并且产生阶数比被观测系统的阶数低的一个动态系统。因此，观测器的抗干扰能力较弱，当电流观测量值中夹杂的测量噪声与干扰信号幅值较大，导致观测器的观测值与实际值误差较大，从而影响变流器故障诊断的效果。由于风的随机性、负荷变化以及系统配置和系统状态的影响，风电系统中的电流、电压信号时变的，而且还会受到噪声(有色噪声和白噪声)与谐波的影响。从永磁同步发电机定子采集到的电流数据往往也夹杂着噪声，主要是因为观测数据误差值的不确定以及风电变流器运行环境的内部干扰等。噪声的存在势必会对算法精度或稳定性产生一定程度的影响。要想获得准确的信号估计值，必须考虑信号中噪声的处理问题。为了衰减相电流中出现的高频噪声和由微分算子引入的噪声，有必要实施低通滤波器(LPF)。关于低通滤波器的设计，主要在于截止频率的选取。截止频率的值必须高于额定电流的基本频率，一般选取发电机额定频率的三到六倍的值以获得良好的性能。卡尔曼滤波算法利用噪声统计来影响作用于测量值与估计值之间误差的卡尔曼增益，而增益将误差投影到过程信息以便获得最佳估计。因此，噪声特性对KF性能具有重要意义，这激励了卡尔曼算法的开发和改进研究，使其能够适应自己噪声统计参数的不确定性，从而减少噪声对系统的影响。这种类型的卡尔滤波器称为自适应卡尔曼滤波器(AKF)。AKF主要体现在自动处理上。在滤波迭代过程中，当发现系统模型发生动态变化时，以适应系统变化后的状态为目标，自动决定此动态变化视为随机干扰而归到模型噪声中去，或是直接修正原动态模型。此外，当噪声协方差矩阵Q或R未知或近似已知的情况下，在测量值的基础上，自动迭代估计和修正噪声统计特性或滤波器增益阵，从而使得估计误差降低，提高滤波精度。AKF算法主要包括两种策略，大多数AKF算法都集中在如何改善过程噪声协方差矩阵Q或测量噪声协方差矩阵R，或Q和R两者同时改善。另一种策略旨在寻找时间更新和测量更新之间的平衡点。在KF算法中，Q和R决定滤波器的理论收敛性和稳定性。为了抑制由Q、R的不确定而引起的滤波发散问题，在AKF算法迭代过程中，不仅需要基于测量值修正状态预测值，而且也需要实时估计并修正未知的或不确切的噪声协方差矩阵。离散系统卡尔曼滤波器的状态方程和观测方程为：其中，k为离散时间变量；xk、yk为k时刻的状态向量和观测向量；Fk+1|k是k时刻到k+1时刻的状态转移矩阵；Hk为测量方程系数矩阵；Γk为摄动噪声转移矩阵；wk、vk+1假定为高斯白噪声的过程噪声和测量噪声。而且过程噪声和测量噪声满足以下的统计特性：上式中，Qk,Rk分别为过程噪声和测量噪声的协方差矩阵。δkj为克罗尼克(Kronecker)函数，当k＝j时，δkj＝1；否则δkj＝0。卡尔曼滤波算法的迭代过程包括时间更新和量测更新两个过程，时间更新利用初始值，根据前一时刻k推导当前时刻k+1的预测值，而量测更新则是利用了实际测量值对预测值的进行校正[48]。设定状态矩阵及误差协方差矩阵初始值分别为：算法的具体过程如下：时间更新：(1)状态预测值：(2)一步预测协方差矩阵，即对状态的不确定性的更新：如果系统是稳定的，会收敛，也就是说估计的不确定性会减小。量测更新：(3)卡尔曼增益矩阵：一步预测协方差矩阵对增益矩阵起正作用，即：系统稳定时，减小，进而使得Kk+1减小，导致状态更新幅度较小，反之亦然。(4)利用测量数据进行状态更新(5)协方差矩阵更新需要说明的是，在实际应用中，状态矩阵和误差协方差矩阵的初始值可能难以确定，但是因为KF是一致渐进稳定的，如果系统的系数矩阵保持不变，则KF算法的量测更新过程不会受到影响。通过改善修正Q和R的实现自适应的滤波算法较多，主要包括基于极大后验估计的自适应滤波、基于极大似然估计的自适应滤波以及各种渐消自适应滤波。下面总结几种常用的修正方法：Sage-Husa自适应卡尔曼滤波算法：是一种协方差匹配的方法。基于极大后验估计的原则，根据测量值实现滤波过程的同时，实时更新调整过程噪声协方差矩阵以及测量噪声协方差矩阵，从而获得系统的最优估计值[59]。该方法主要应用于线性离散时变系统，其修正方法如下：其中，由于上述Sage-Husa自适应滤波方法的精度对噪声模型参数值的敏感度较大，不适用于含有噪声且其协方差值较大的系统。因此，通过引入遗忘因子改进原滤波算法的性能，提高算法实时估测未知时变噪声的能力。噪声协方差矩阵Qk和Rk的估计由如下方法获取：上式中，diag()是获取对角矩阵的函数，是测量值与估计值的残差。dk由公式(10)计算而得。dk＝(1-b)/(1-bk+1)(10)其中，b(b∈[0.95,0.995])为遗忘因子。针对公式(9)采用算术平均作为每一迭代过程中Qk和Rk的加权系数，难以体现新近测量数据的作用。而对于时变噪声而言，理应更强调新近测量值的作用。因此，公式(10)采用指数加权方法，通过遗忘因子b限制滤波器的记忆长度，增强新近测量值对当前估计值的权重，并逐渐遗忘陈旧数据。噪声统计变化较快时，b应取值偏大；反之，b应取值偏小。在本文中，设定b为0.96。由于次优Sage-Husa噪声估计器具有了实时估测未知时变噪声的能力，对实时检测变流器故障具有实际意义。因此本文将次优Sage-Husa噪声估计器(9)(10)引入卡尔曼滤波算法中。此外，由于KF算法在迭代过程中，当系统达到稳态时，一步预测协方差矩阵将收敛，使得协方差矩阵以及增益矩阵为限定在一个极小的数值上。但是，由于复杂的系统内部结构，恶劣的环境条件以及不确定性因素的干扰，使得电流、电压等参数发生突变。参数的突变伴随着新息残差的增大，然而KF算法因其自身的限制，其增益矩阵仍然保持为极小值，导致KF算法滞后，出现估计值跟踪不上测量值的现象，影响KF的性能。因此，为了防止这种情况对滤波算法产生严重不良后果，在利用滞环比较上下限阈值判定突变的基础上，实时调整误差协方差矩阵。即：当估计值与测量值的误差超过阈值时，重置误差协方差矩阵；否则，误差协方差矩阵维持在当前更新值，并用于下一次的迭代计算。误差协方差重置KF算法是根据KF算法的思想上进一步优化获得的一种改进算法，其大部分的迭代滤波公式与KF算法是没有差别的，主要是在估计值与测量值的误差过大(突变)，算法的误差协方差矩阵能够被重置，以实现新的一次跟踪收敛。具体的判断准则如下所示：式子中，C为根据经验设定的阈值。利用自适应卡尔曼滤波算法IGBT故障进行预报，其实质是通过自适应卡尔曼滤波算法对定子三相电流进行跟踪估计。设定状态向量xk＝[isd(k)，isq(k)]T，观测向量yk＝xk，建立离散系统的状态空间方程为：附图说明图1本文档来自技高网...

【技术保护点】
1.一种基于自适应滤波的风电变流器故障诊断方法，其特征在于：Step1：令k＝1，设置状态估计初始值和误差协方差矩阵的初始值分别为

【技术特征摘要】
1.一种基于自适应滤波的风电变流器故障诊断方法，其特征在于：Step1：令k＝1，设置状态估计初始值和误差协方差矩阵的初始值分别为过程噪声协方差矩阵和测量噪声协方差矩阵Qk,Rk，并设定遗忘因子b和误差协方差矩阵重置阈值C，同时根据离散系统的状态方程和测量方程，计算得出状态转移矩阵Fk和测量方程系数矩阵Hk。需要说明的是，在实际情况中，随着时间的推移，初始状态及其协方差对KF算法的影响逐渐减小，但是噪声协方差矩阵Qk,Rk会阻碍这种影响衰减性，因此，噪声协方差矩阵初始值的选取应尽可能接近实际系统，一般通过实验值确定。Step2：根时间更新，获得状态预测值以及一步预测误差协方差阵Step3：计算增益矩阵Kk+1，并更新状态估计值和误差协方差矩阵便于下一时刻继续迭代。Step4：利用噪声估计器，在前一时刻k的基础上更新k+1时刻的过程噪声协方差矩阵和测量噪声协方差矩阵Qk+1,Rk+1。Step5：比较k+1时刻的估计值与测量值yk+1，若两者的误差超过阈值C，则误差协方差矩阵重置为初始时刻的误差协方差矩阵若两者的误差并没有超过阈值C，则当前时刻的误差协方差矩阵保持不变，继续用于后续迭代...

【专利技术属性】
技术研发人员：魏善碧，柴毅，孙秀玲，刘文宇，刘晓宇，尚敖男，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50