[发明专利]一种基于自适应滤波的风电变流器故障诊断

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

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；x_k、y_k为k时刻的状态向量和观测向量；F_k+1|k是k时刻到k+1时刻的状态转移矩阵；H_k为测量方程系数矩阵；Γ_k为摄动噪声转移矩阵；w_k、v_k+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：