基于三角自卷积窗的介损角测量算法及应用

非同步采样条件下采用快速傅里叶变换(FFT)进行介损角测量时,频谱泄漏和栅栏效应造成的误差较大。本文提出了一种基于三角自卷积窗频谱相位差校正的介损角测量算法,介绍了其在高压电容型设备绝缘在线监测系统中的应用。三角自卷积窗具有良好的旁瓣性能,采用三角自卷积窗对信号进行加权能有效减少频谱泄漏对介损角测量的影响;基于三角自卷积窗的频谱校正算法不需求解高次方程,计算量小。在非同步采样情况下,通过对基波频率波动、采样频率变化、介损角真值变化、白噪声影响、谐波变化等情况下的介损角仿真测量实验和实际应用验证了本文算法的准确性和有效性。

基于三角自卷积窗的介损角高精度测量算法

采用快速傅里叶变换(FFT)进行介损角测量时,非同步采样所引起的频谱泄漏造成介损角测量误差较大。为减小这类误差,本文提出了一种基于三角自卷积窗的插值FFT介损角测量方法。三角自卷积窗旁瓣下降快,能有效减少频谱泄漏对介损角测量的影响。采用三角自卷积窗对电压、电流信号进行加权,再运用插值FFT算法求解信号相位参数,可得到较高精度的介损角测量值。对基波频率波动、介损真值变化和谐波注入比例变化等情况下的介损角仿真实验验证了本文算法的准确性和有效性。

用加Hanning窗插值高阶正弦拟合法测介损角

电力系统频率偏离50Hz时常规的傅立叶变换用于频谱分析时易产生频谱泄漏和栅栏效应,使介损角计算产生误差。高阶正弦拟合法以信号的基波频率、谐波幅值和相角作为变量对信号进行拟合,该法能有效减轻谐波存在和频率波动的影响,精确测量电气设备的介损角。高阶正弦拟合法的关键是最小二乘的计算,通常使用傅立叶变换结果作为最小二乘法的初始值,当频率偏离50Hz较多时,傅立叶变换结果与谐波分析的真实值相差较大,将其作为初值的最小二乘计算量大,影响了高阶正弦拟合法的实时性。加Hanning窗插值谐波分析法通过加窗和插值能有效减轻频率偏离50Hz时的频谱泄漏和栅栏效应,且有快速算法较之傅立叶变换增加的计算量很少。为提高高阶正弦拟合法计算介损角时的实时性,将加Hanning窗插值谐波分析法的结果作为高阶正弦拟合法的初始值,所得初始值与精确值的差值减少,最小二乘法的迭代次数从2次减到1次,容性设备仿真信号的计算时间从约0.82ms减到约0.45ms,结果表明所提出的方法能有效减少介损角的计算时间,提高介损角测量的实时性。

基于深度学习的电容器介损角在线辨识

当前电容器介质损耗因素的计算方法为正向求解过程,即先对电容器工作电流和电压进行采样,再使用谐波分析等方法计算介损值,实践中算法稳定性不佳。为此提出了一种基于深度学习的电容器介损角辨识方法,采用一段时间的监测值训练深度学习网络,再使用该深度学习网络对新采样的信号进行辨识,判断介损角变化量(分辨率为0.001%)。给出了用于深度学习的介损角表示信号Dδ(t)的计算过程,证明了在讨论域内该信号的幅值即是介损角δ,且其波形形状包含监测装置受到的干扰。仿真实验证明该方法有效,比加汉宁窗的谐波分析法具有更好的抗噪能力。实际在线监测样本的计算结果表明其稳定性优于加汉宁窗的谐波分析法,且辨识结果不受电压互感器角差的影响。

加Blackman-Harris窗插值算法仿真介损角测量

为了更好地将加布莱克曼-哈里斯(Blackman-Harris)窗插值谐波分析法用于介损角测量,仿真分析了该算法及其在信号频率、3次谐波、直流分量、采样频率、A/D量化位数、采样时间长度、介损角真实值、白噪声及脉冲噪声变化时计算所得介损角误差的变化。仿真结果表明,频率波动时算法误差很小且稳定;算法随3次谐波分量的增加误差有很微小的增加;算法随直流分量的增加变化不显著;算法随A/D量化位数的增加误差减少,≥10位的量化位数能满足精度要求;随采样频率的增加误差稍有下降,但趋势不明显;随采样长度增加误差减少,0.1s的采样时间长度足够;介损角误差与真实值的关系不大;随白噪声和脉冲噪声含量的减少误差减少,对白噪声和脉冲噪声信噪比约80 dB能满足要求。

牛顿法与Levenberg-Marquardt算法的比较及在介损角测量中的应用

首先分析了牛顿法和Levenberg-Marquardt算法的原理,给出了它们在介损角测量中的计算公式和计算步骤。仿真信号的计算结果表明,电压和电流信号都能准确获得时这两种算法均能有效计算介损角,但Levenberg-Marquardt算法具有更好的性能。

基于加汉宁窗插值的谐波分析法用于介损角测量的分析

加汉宁窗插值的谐波分析法可减轻非同步采样对介质损耗角(简称介损角)测量的影响,且实现容易、计算速度快,是一种非常有应用前景的介损角计算方法。为更好地将该方法应用于介损角测量,有必要将该方法在信号成分及测量参数变化情况下计算所得介损角的误差变化情况进行分析。文中分析了该算法的原理,通过仿真给出了该算法的计算速度及在频率波动、谐波变化、直流分量变化、采样频率变化、A／D量化位数变化、采样点数变化、介损角真实值变化、白噪声及脉冲噪声变化时计算所得介损角误差的变化情况,并进行了分析。

基于经验模态分解和正弦波参数法的介损角测量算法

将基于经验模态分解(empirical mode decomposition,EMD)的新型时空滤波方法应用于介损角的测量中。利用EMD对强噪声背景下的采样信号进行分解,根据所得到的固有模态分量的频谱特性进行选择性滤波,提取其基波分量,并结合正弦波参数法计算介损角。探讨了系统频率变化和介损角变化对测量真实值的影响。仿真结果表明该方法可明显减小计算误差,对提高数字化测量δ的精确性具有实际意义。

改进基波相位分离法在介损角测量中的应用

为有效减少基波相位分离法在非同步采样时给介损角测量带来的误差,提出了加汉宁窗插值的改进基波相位分离法。介绍了该算法的原理,给出了非同步采样情况下该算法的计算公式。因矩形插值积分公式将小积分区间的被积函数看成常量容易导致算法误差增加,所以采用梯形插值积分公式,给出了相应的计算公式,并分析了原因,它可以提高非同步采样时该算法测量所得介损角的准确性;针对该算法需要获得信号频率、且使用硬件方法获得频率时增加系统硬件环节的问题,使用了加汉宁插值谐波分析法快速、高精度获得基波相位分离法需要的信号频率,该算法在获得较高介损角精确度的同时减少了硬件环节。仿真结果显示结合加汉宁窗插值的改进基波相位分离法使非同步情况下的介损角测量精度有所提高,最大误差从4.04×10-4rad下降到了5.52×10-5rad,算法精度在49.5～50.5Hz频率范围内更加稳定,且无需外部条件获得信号频率,是介损角测量的一种有效算法。

结合频谱校正的修正理想采样频率方法用于介损角测量

提出了结合频谱校正方法和修正理想采样频率的介损角测量方法,该方法使用加Hanning窗插值的谐波分析法获得信号基波频率的准确值,然后根据获得的频率采用线性插值的方法构造符合同步采样的序列并进行DFT,进而获得信号的介损角。仿真信号的计算结果表明,该算法精确度高、实现容易,是介损角测量的一种很有推广价值的方法。

基于总体最小二乘-旋转矢量不变技术的介损角测量算法

研究了一种测量介质损耗角δ的总体最小二乘–旋转矢量不变技术算法,它是一种基于子空间划分的高分辨率信号分析方法,把信号划分为信号子空间和噪声子空间,兼具提取基波和消噪的功能,能达到信号参数的高精度提取。通过准确提取施加在容性设备上的电压和泄漏电流的初相位计算出介损角δ。仿真结果表明,该方法计算介损角时,受电网频率波动、谐波含量、介损角大小变化的影响小,与其它方法相比是一种精度较高的介损角测量算法。

存在脉冲噪声情况下的介损角算法

脉冲干扰是影响介损角测量精确度的重要因素之一,对含有脉冲噪声的电压和泄漏电流信号必须使用滤波方法进行抑制。采用53H算法抑制采样所得电压和电流信号中的脉冲噪声。对滤波前后的信号分别使用了相关函数法、高阶正弦拟合法、加汉宁窗插值算法、谱泄漏对消算法、改进基波相位分离法和改进修正理想采样频率法计算介损角,发现各种算法对滤波后信号的计算结果均要比滤波前信号使用对应算法具有更高的精确度;无论是对滤波前信号还是滤波后信号改进基波相位分离法和改进修正理想采样频率法均具有更高的精确度。同时分析了53H算法的相关参数对算法精确度的影响。对信号使用53H算法滤波后,使用改进基波相位分离法和改进修正理想采样频率法能有效提高在脉冲情况下介损角测量的精确度。

基于改进FFT的介损角计算方法

为了提高在非同步采样情况下电气设备介损角δ测量的准确性,在δ计算中引入了改进FFT算法。该算法通过对信号傅立叶变换后所得序列中3个点的加权运算减轻了频谱泄漏,提高了信号频率偏离理想频率时计算所得δ的精确度,且算法简单、计算量少,与FFT非常接近。在信号取样的采样时间为0.1s,频率为1kHz,量化位数为12,电压信号中3次谐波分量为基波分量的5%,直流分量为基波分量的1%时仿真分析了信号频率、3次谐波、采样频率变化时FFT算法和改进FFT算法计算所得δ:使用改进FFT算法后频率偏离理想频率0.5Hz时误差从约6×10-3减到约7×10-5rad;3次谐波与基波比值在0～1波动时,FFT算法误差在3×10-3～1.3×10-2rad变化,改进FFT算法误差<1.2×10-4rad;采样频率在0.4～2.4kHz变化时,FFT算法误差接近3.5×10-3rad,改进FFT算法误差<4×10-5rad。计算时间FFT算法需240.1μs,改进FFT算法需要241.5μs,二者很接近。故算法具有高精度、快速、稳定的性能。

介损角测量中非同步采样算法的研究

介绍了基波相位分离法测量介质损耗角的原理,指出了目前的软件同步采样措施难以实现真正的同步采样,并通过推导得出非同步采样条件下的基波相位分离法的算法。使用本算法,在测量时可以以固定采样率进行采样,不必根据电网频率调整采样间隔。仿真结果表明,该算法具有很高的精度。

基于三角基函数分解的高精度介损角测量方法

为精确测量介损角,克服数字化测量时存在的非同步采样、基波频率波动、谐波变化等因素影响,提出并建立基于三角基函数分解的介损角测量模型,将电力谐波各参数作为未知量,基于最小二乘原理对采样数据进行最速下降迭代求解,准确提取基波电压、电流相位,进而得出介损角,排除直流和谐波分量干扰。从理论上证明该算法的收敛性,针对基波频率波动、介损角真值改变、谐波含量变化、白噪声影响等影响进行仿真实验,结果表明该测量方法使用极少采样点与较低采样率,即可获得较高的测量准确度,测量速度快。设计的基于数据采集卡与虚拟仪器技术的高压电容型设备绝缘在线监测系统,验证了该方法的可行性与有效性。

BP神经网络和支持向量机相结合的电容器介损角辨识

针对电力电容器介质损耗的计算方法稳定性较差,频率波动对介损角的辨识有较大影响的问题,提出了BP神经网络和支持向量机(support vector machine, SVM)相结合(BP-SVM)的辨识方法,并且首次应用于电容器介损角的辨识。在辨识过程中,首先,对电容器工作一段时间的信号进行采样和预处理,预处理后的信号作为训练集训练BP-SVM模型;然后,使用训练好的BP-SVM模型对预处理后新的采样信号进行辨识,判断介损角的变化量。此外,给出了基于BP-SVM模型的介损角表示信号D_δ(t)的计算过程,同时分析了在讨论域内信号D_δ(t)的幅值即是介损角δ。仿真分析结果表明,提出的BP神经网络和SVM相结合的电容器介损角辨识方法比基于深度学习的辨识方法具有更高的辨识准确率,并且频率变化对BP-SVM方法的辨识性能无明显影响。

基于无线传感网络和GPS的电容器介损角的在线监测

目前变电站电容器的在线监测主要是针对电容器组展开的,只能确定某组发生故障,难以确认故障的具体电容器。研究围绕变电站的各台电容器的故障诊断开展在线监测。鉴于各层电容器存在高电位差无法使用电缆实现信号传输,而使用光纤投资又高的问题,设计并实现了一种基于Zigbee无线传感网络的电容器在线监测系统。在无线监测方案中,电容器电流、电压信号的精确同步采样是技术难点。提供了一个基于GPS授时模块秒脉冲的精确对时机制,实测同步误差小于1μs,这样可使介损角测量误差小于0.34'。针对变电站PT型号不统一问题,还提出了一种PT角差的估算方法。最后通过实验分析,提出的系统达到了在线监测要求,并在晋中某变电站投入应用。

采样时间和采样频率对基于加窗插值算法介损角测量的影响

为减少非同步采样时DFT算法计算介损角的误差，将加汉宁（Hanning）窗插值谐波分析法和加布莱克曼-哈里斯（Blackman-Harris）窗插值谐波分析法用于介损角的测量。介绍了两种算法的原理，比较了两种算法受采样时间和采样频率影响上的差别。结果表明：两种算法误差随采样时间增加呈振荡下降趋势，加汉宁窗插值算法极小误差值点为0．02s的整数倍附近，极大误差值点为0．01s的奇数倍附近，加布莱克曼-哈里斯窗插值算法在0．01s的整数倍附近有极小误差，中间存在极大误差值；两种算法达到基本的精度时要求采样时间至少为3～5个工频周期左右，采样频率不小于500Hz即可；在一定范围内，前者计算所得介损角的精确度对采样时间较敏感，前者的精确度对采样频率不敏感，后者的精确度对采样时间和采样频率都较敏感．

基于3δ滤波的介损角算法

脉冲噪声的干扰、信号频率偏离正常值导致的频谱泄漏和栅栏效应会给介损角测量造成误差。为此,提出了一种能有效抑制脉冲噪声和非整周期采样给介损角测量造成误差的算法:用3δ算法抑制电压和泄漏电流信号中的脉冲噪声;对处理后的信号使用改进的基波相位分离法计算介损角,能高精度获得介损角、且计算量较小。对频率为50.5Hz、含有脉冲干扰的电容型设备的电压和泄漏电流信号的计算结果表明:无论是滤波前后,改进基波相位分离法较之DFT算法均具有更高精度;两者滤波都具有一定的效果,滤波使改进的基波相位分离法400次计算所得误差的绝对值的最大值、绝对值的均值和均值分别从0.01990、0.00412和-0.00026rad减少到0.01464、0.00327和0.00006rad。从而验证了该方法能抑制脉冲噪声和非整周期采样给介损角测量带来的误差。

两种高精度介损角算法的比较和分析

加汉宁窗谐波分析法和高阶正弦拟合法是介损角测量的两种有效算法,对两种算法的分析和比较有利于它们在实际中的应用。本文首先介绍了两种算法的原理,分析了它们的优缺点,通过仿真给出了信号频率变化情况下两种算法计算所得介损角误差受采样时间影响及其计算速度,通过对所得结果的比较和分析得出了以下结论:信号频率在正常范围内波动时两种算法能达到很高的精确度,但前者对采样时间长度要求较高、计算量较小;后者对采样时间长度要求不高,计算量较大。