基于改进卡尔曼滤波器的电力系统谐波估计研究

摘要

随着电力系统中非线性负载和电力电子装置数量的日益增长，电网的谐波污染也愈发严重。由非线性负载所产生的谐波分量使电能质量下降，甚至可能影响控制和通信设备的正常工作。此外，滤波器工作时的谐波检测时间是非常关键的，因为检测的延时将直接影响通信和控制系统的实时性。
　　因此，本研究工作旨在提出快速的非线性状态估计方法，该方法基于改进的卡尔曼滤波器来测量电力系统中的失真信号的谐波。与许多传统算法一样，无超调的状态预测可以顺利地执行，但是执行时的其响应速度过慢。因此卡尔曼滤波器需要在瞬态期间改善速度和高超调之间保持平衡。无论是否将卡尔曼滤波器与其他智能算法结合与否，前述卡尔曼滤波器的缺点可以通过适当地调节其相关参数进行克服。为了保证电力系统的稳定操作，可控和良好的电能质量，流来改善电力系统的操作，当谐波含量超过预设值时，谐波检测环节应当快速响应，以使得补偿装置能够采取适当措施。因此在存在谐波污染的系统中需要有一个合适的方法对谐波进行准确量化。必须注意的是，所选择的方法应当是精确的，同时在计算上是有效的。
　　本课题分析了谐波产生原理及其危害，进行了谐波检波器的数学建模，通过对谐波估计领域传统智能算法的对比，分析了Fast Fourier Transform(FFT)，Recursive LeastMean Square(RLMS) and Kalman Filter(KF)算法在速度、收敛性等方面的优缺点，谐波信号存在人为噪声和衰减直流分量时的性能，并对比了采样频率和频率跟踪效应的算法性能。针对以上问题，通过改进估计算法并适当调节卡尔曼滤波器的参数实现了估计特性的快速检测，同时保证了较高的检测精度。最后利用MATLAB/Simulink工具箱对所提出的检波器进行了谐波估计的仿真验证。所提方法对于时变失真电源的实时估计呈现出优良的性能，与其他常规方法相比，该方法更为简单，鲁棒性更强，且对硬件的要求更低，从而进一步降低了装置的成本。

目录

声明

Abstract

摘要

Table of Contents

1 Introduction

1．4 Organization

2 Fundamental Theory of Harmonic and Estimation Techniques

2．1 Harmonic as a Power Quality Problem

2．1．1 Harmonic Theory

2．1．2 Sources of Harmonics

2．1．3 Harmonic Effects

2．1．4 Characteristic of Harmonic in Power Distribution Systems

2．1．5 Mitigation Techniques of Harmonic

2．2 Review on Harmonic Estimation Technique

2．2．1 Harmonic Estimation using Discrete Fourier Transform

2．2．2 Artificial Neural Networks for Harmonic Estimation

3 Kalman Filter，Modeling and Improvement

3．1．1 Significance of Kalman Filter Application in State Estimation of Electrical Power System Dynamics

3．1．2 IEEE Standardization of Voltage Supply to Critical Electrical Loads

3．2 Kalman Filtering Indices

3．2．1 Random Linear Continuous System Mathematical Models and its Discretization

3．2．2 Kalman Filtering Fundamental Equation of Nonlinear Discrete System

3．3 Modelling of Time-Varying Quantity into State Variable Form

3．3．1 Case 1：Ideal Situation

3．3．2 Case 2：A Signal without Decaying DC Component

3．3．3 Case 3：A Signal with Decaying DC Component and Artificial Noise

3．4 Improvement of Kalman Gain

3．5 Filter Response

3．6 Dependency of SRF-KF Algorithm on the Sampling Frequency

4 Simulation Results and Comparison

4．1 Experimental Parametric Design

4．1．2 Case(2)

4．1．3 Case(3)

4．1．4 Application in the Power Field of Electrical Engineering

Conclusion

Future Work

Acknowledgements

References

Appendix

List of Publications