一种基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术 |
|||||||
申请号 | CN202311700769.X | 申请日 | 2023-12-12 | 公开(公告)号 | CN117579038A | 公开(公告)日 | 2024-02-20 |
申请人 | 桂林电子科技大学; | 发明人 | 范兴明; 吴润玮; 黄少华; 杨帅鑫; 张鑫; | ||||
摘要 | 本 发明 公开一种基于谐波分离的多重二阶广义积分器(HS‑MSOGI)的稳态线性卡尔曼 滤波器 (SSLKF)的 锁 相技术,该锁相技术在SSLKF前增加一种重新设计的HS‑MSOGI,实现锁相整体闭环控制和自适应滤波,通过采集 电网 三相 电压 ,利用Clark变换将 三相电压 转换到αβ坐标,将αβ坐标下的电压分量和SSLKF预测电压估计 频率 输入到HS‑MSOGI中,滤除基波以外的谐波分量,将经过HS‑MSOGI输出的基波经过正负序分量分离(PNSC)由Park变换到dq 坐标系 下,将q轴电压分量输入到SSLKF进而对电网电压的 相位 、频率以及 角 速度 进行预测。本发明由HS‑MSOGI优化SSLKF实现电网电压的自适应滤波锁相,大幅提高了鲁棒性和抗干扰性。 | ||||||
权利要求 | 1.一种基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术,其特征在于利用重新设计的谐波分离的多重二阶广义积分器提高稳态线性卡尔曼滤波器锁相技术的自适应滤波性能和鲁棒性,包括以下步骤: |
||||||
说明书全文 | 一种基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼技术领域背景技术[0002] 在电力系统中,锁相环(PLL)是用于实现频率和相位同步的关键控制技术。随着新能源需求的增加,特别是对变流器的广泛运用,提升功率因数和确保电压电流同相位成为重要研究内容。传统的PLL技术在应对非理想电网环境时存在局限性,如电压不平衡、相位突变、瞬时电压变化、频率变化和谐波污染等。这些因素可能导致传统PLL效果不佳,因此迫切需要一种适应各种非理想电网环境的锁相技术。 [0003] 目前现有的电网同步技术中,卡尔曼锁相技术有很好的自适应性、抗干扰性以及鲁棒性高的优点被广泛应用,能够借助观测数据预测状态量,得到系统的最优状态估计。由文献《Steady‑State Linear Kalman Filter‑Based PLLs for Power Applications:A Second Look》提出的一种基于稳定状态线性卡尔曼滤波器锁相环,其在理想电网情况下表现与SRF‑PLL一样优秀的锁相性能,在含有高次谐波的场景表现出比优于单广义二阶积分器的滤波性能,但这种卡尔曼滤波器锁相环在三相不平衡电网场景、低次谐波场景中锁相精度存在比较明显的误差。因此迫切需要一种适应各种故障场景的改进卡尔曼滤波器锁相技术,保持卡尔曼滤波器鲁棒性高优点,提高抗干扰和自适应能力。 发明内容[0004] 有鉴于此,本发明提供一种鲁棒性高、抗干扰性强的基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术,能够对非理想电网电压进行快速而精确的锁相。 [0005] 为实现上述目的,本发明采用如下技术方案: [0006] 一种基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术,利用重新设计的谐波分离的多重二阶广义积分器提高稳态线性卡尔曼滤波器锁相技术的自适应滤波性能和鲁棒性,包括以下步骤: [0007] 步骤1:采样获取三相并网电压Ua(t)、Ub(t)、Uc(t),据以进行Clark变换操作,得到并网电压α、β轴分量Uα、Uβ; [0008] 步骤2:将所述并网电压α、β轴分量Uα、Uβ和稳态线性卡尔曼滤波器估计电压频率送入到谐波分离的多重二阶广义积分器中,使基波和基波系数倍数谐波进行分离; [0010] 步骤4:将电网电压正序分量 据以进行Park变换操作,得到基波电压d、q轴分量; [0011] 步骤5:构建线性稳态卡尔曼滤波器数学模型,设计卡尔曼滤波器相关参数; [0013] 进一步地,步骤1中,根据三相并网实时电压Ua(n)、Ub(n)、Uc(n),利用下述逻辑表示在三相静止坐标系abc坐标系下的基波电压: [0014] [0015] 其中Ua(n)、Ub(n)、Uc(n)为三相静止坐标系下三相并网基波电压,A为电网电压的三相平衡电压幅值,ω0为基波角频率。 [0016] 进一步地,步骤1中,利用下述关系进行Clark变换: [0017] [0018] 其中,Uα(n)、Uβ(n)为两相静止坐标系αβ坐标系下电网电压α、β分量,Tαβ为Clark变换系数矩阵。 [0019] 进一步地,步骤2中所述的一种基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术,其特征在于:步骤2中所述的谐波分离的多重二阶广义积分器结构用以下逻辑表示传递函数: [0020] [0021] [0022] [0023] 其中,D(s)为二阶广义积分器带通滤波器传递函数,Q(s)为二阶广义积分器低通滤波器传递函数,v'、v为多重二阶广义积分器模块的输入和输出,ω'为多重二阶广义积分器模块的谐振频率,k为品质因数的倒数。 [0024] 进一步地,步骤2中所述的谐波分离作用通过以下逻辑表示: [0025] [0026] [0027] 其中,Di(s)、Dj(s)为谐波分离的多重二阶广义积分器,i、j谐波分离的多重二阶广义积分器的谐波阶数。 [0028] 进一步地,步骤3中所述的正负序分量分离模块用以下逻辑表示: [0029] [0030] [0031] [0032] 其中vαβ为并网电压下α、β分量, 为正序分量, 为负序分量,Tαβ为αβ转移矩阵,T+为正序提取矩阵,T‑为负序提取矩阵。 [0033] 进一步地,步骤4中所述的Park变换用以下逻辑表示: [0034] [0035] 其中,Vd、Vq为并网电压下dq轴分量,Vα、Vβ为并网电压下αβ轴分量, 为稳态线性卡尔曼滤波器预测并网电压的估计相位。 [0036] 进一步地,步骤5中所述的线性卡尔曼滤波器相关参数设置,包括以下步骤: [0037] 步骤S5‑1:构建锁相环数学模型,预置状态变量x,观测量y,观测方程H,以及状态转移方程A; [0038] 步骤S5‑2:初始化线性卡尔曼滤波器,定义初始状态向量,分别为相位、角速度和加速度; [0039] 步骤S5‑3:定义初始状态协方差矩阵P; [0040] 步骤S5‑4:线性卡尔曼滤波器对锁相环数学模型的状态量进行预测,根据系统动态方程,使用上一时刻的状态估计和运动模型预测当前的状态量; [0041] 步骤S5‑5:更新状态协方差矩阵; [0042] 步骤S5‑6:根据预测步骤中计算的状态协方差矩阵,计算卡尔曼增益并更新模型。 [0043] 进一步地,步骤S5‑1所述构建锁相环数学模型,包含以下内容: [0044] 构建锁相环数学模型,对状态变量x、观测量y、观测方程H,以及状态转移方程A进行定义: [0045] x(n)=Ax(n‑1) [0046] y(n)=Cx(n) [0047] [0048] H=[1 0 0] [0049] 其中,ag=dωg/dt,θg、ωg、ag分别为卡尔曼滤波器对并网电压估计加速度、估计角频率和估计相位,Ts为采样周期。 [0050] 进一步地,步骤S5‑1所述构建锁相环数学模型,包含以下内容: [0051] 构建锁相环数学模型,对状态变量x、观测量y、观测方程H,以及状态转移方程A进行定义: [0052] x(n)=Ax(n‑1) [0053] y(n)=Cx(n) [0054] [0055] H=[1 0 0] [0056] 其中,ag=dωg/dt,θg、ωg、ag分别为卡尔曼滤波器对并网电压估计加速度、估计角频率和估计相位,Ts为采样周期。 [0057] 进一步地,步骤S4‑4和步骤S4‑6所述的预测和更新,可以用以下逻辑表示: [0058] [0059] [0060] 其中,k为卡尔曼增益矩阵,kT=[k1 k2 k3],k1为相位增益系数、k2为频率增益系数、k3为角速度增益系数。 [0061] 本发明与现有技术相比,具有以下显著有益效果: [0062] 1.本发明针对文献《Steady‑State Linear Kalman Filter‑Based PLLs for Power Applications:A Second Look》中提出的稳定状态线性卡尔曼滤波器锁相环中在三相故障场景和低次谐波场景存在锁相误差大的问题,引入一种基于谐波分离结构的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术,当发生三相故障时,基于谐波分离结构的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术的锁相性能几乎不受影响,以及当三相电压中含有谐波时,只需在特定的二阶广义积分器设定特定的系数就可以滤除指定的谐波。这种基于谐波分离结构的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术既保持了稳定状态线性卡尔曼滤波器锁相环的鲁棒性高的优点,又大幅提升了锁相性能的自适应性、抗干扰性以及锁相快速性。 [0063] 2.本发明针对传统锁相环应用于非理想电网情况下锁相精度不高、响应速度慢等问题,本发明由线性稳态卡尔曼滤波器(SSLKF)进行电压加速度、频率以及相位的预测,可以自适应对电压参数进行预测,且有很好的抗干扰性和鲁棒性,有效避免以往传统锁相环在故障电网工况下应用中存在无法正常锁相,导致无法保证电力系统正常的工作的问题。 [0064] 3.本发明针对二阶广义积分器的锁相环在非理想电网存在的无法滤除低次谐波和直流分量的问题,本发明引入一种重新设计的谐波分离的多重二阶广义积分器实现对基波和谐波的分离,抑制直流分量的干扰。很大程度上提升锁相环的滤除谐波性能和抗干性。本发明由一种重新设计的谐波分离的多重二阶广义积分器和线性稳态卡尔曼滤波器实现一个闭环控制,由线性稳态卡尔曼滤波器对电压频率进行预测并反馈到谐波分离结构的多重二阶广义积分器中,自适应于频率频繁变化的电网情况,并滤除谐波干扰,保证了在各种非理想电网情况下仍保持优秀的锁相性能。 附图说明 [0065] 图1是基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术流程图; [0066] 图2是重新设计的谐波分离的多重二阶广义积分器的数学模型图; [0067] 图3是稳态线性卡尔曼滤波器的原理图; [0068] 图4是基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术数学模型图。 具体实施方式[0069] 一种基于谐波分离的多重二阶广义积分器的稳态线性卡尔曼滤波器的锁相技术,实施过程如图1,包括以下步骤: [0070] 步骤1:采样获取三相并网电压Ua(t)、Ub(t)、Uc(t),据以进行Clark变换操作,得到并网电压α、β轴分量Uα、Uβ; [0071] 步骤2:将所述并网电压α、β轴分量Uα、Uβ和稳态线性卡尔曼滤波器估计电压频率送入到谐波分离的多重二阶广义积分器中,使基波和基波系数倍数谐波进行分离; [0072] 步骤S2‑1:将所述并网电压α、β轴分量Uα、Uβ和稳态线性卡尔曼滤波器估计电压频率送入到谐波分离的多重二阶广义积分器中,设置二阶广义积分器的增益,并乘以对应谐波次数的系数倒数接入二阶广义积分器中; [0073] 步骤S2‑2:将所述的稳态线性卡尔曼滤波器估计电压频率乘以对应谐波倍数系数接入到对应的二阶广义积分器中,具体数学模型如图2; [0074] 步骤3:经过正负序分量分离模块提取两相静止坐标系αβ标系下的基波电压正序分量 [0075] 步骤4:将电网电压正序分量 据以进行Park变换操作,得到基波电压d、q轴分量; [0076] 步骤5:构建线性稳态卡尔曼滤波器数学模型,设计卡尔曼滤波器相关参数,具体稳态线性卡尔曼滤波器原理图如图3; [0077] 步骤S5‑1:根据构建线性稳态卡尔曼滤波器的锁相环数学模型,对状态变量x、观测量y、观测方程H,以及状态转移方程A进行定义; [0078] 步骤S5‑2:根据构建线性稳态卡尔曼滤波器的锁相环数学模型,计算卡尔曼增益,对状态量进行预测和更新; [0079] 步骤6:将并网电网电压q轴分量输入到卡尔曼滤波器中,据以估计加速度 估计并网电压角频率 和估计相位 [0080] 为了使本发明更加公开充分,整体数学模型如图4,下面通过更具体技术方案进行描述: [0081] 1.根据三相并网实时电压Ua(n)、Ub(n)、Uc(n),利用下述逻辑表示在三相静止坐标系abc坐标系下的基波电压: [0082] [0083] 其中Ua(n)、Ub(n)、Uc(n)为三相静止坐标系下三相并网基波电压,A为电网电压得三相平衡电压幅值,ω0为基波角频率。 [0084] 步骤1中,利用下述关系进行Clark变换: [0085] [0086] 其中,Uα(n)、Uβ(n)为两相静止坐标系αβ坐标系下电网电压α、β分量,Tαβ为Clark变换系数矩阵。 [0087] 2.所述的谐波分离的多重二阶广义积分器结构用以下逻辑表示多重二阶广义积分器传递函数: [0088] [0089] [0090] [0091] 其中,D(s)为二阶广义积分器带通滤波器传递函数,Q(s)为二阶广义积分器低通滤波器传递函数,v'、v为多重二阶广义积分器模块的输入和输出,ω'为多重二阶广义积分器模块的谐振频率,k为品质因数的倒数。 [0092] 所述的谐波分离用以下逻辑表示: [0093] [0094] [0095] 其中,Di(s)、Dj(s)为SOGI传递函数,i、j多重SOGI正交发生器的谐波阶数。 [0096] 在每一个二阶广义积分器前乘以谐波次数倒数,可以实现二阶广义积分器对对应谐波有很强的选择性,并且有很高的稳定性,基波与谐波之间互不干扰。避免了每个二阶广义积分器设定相同的增益导致稳定时间不一致,甚至超调出现误差。这种重新设计的谐波分离的多重二阶广义积分器可以实现稳定时间、超调和谐波抑制之间的最佳平衡。 [0097] 3.所述的正负序分量分离模块用以下逻辑表示: [0098] [0099] [0100] [0101] 其中vαβ为并网电压下αβ分量, 为正序分量, 为负序分量,Tαβ为αβ转移矩阵,T+为正序提取矩阵,T‑为负序提取矩阵。 [0102] 4.所述的Park变换用以下逻辑表示: [0103] [0104] 其中,Vd、Vq为并网电压下dq轴分量,Vα、Vβ为并网电压下αβ轴分量。 为稳态线性卡尔曼滤波器预测并网电压的估计相位。 [0105] 5.所述的卡尔曼滤波器相关参数设置,包括以下步骤: [0106] 步骤S5‑1:构建锁相环数学模型,预置状态变量x,观测量y,观测方程H,以及状态转移方程A; [0107] 步骤S5‑2:初始化线性卡尔曼滤波器,定义初始状态向量,分别为相位、角速度和加速度; [0108] 步骤S5‑3:定义初始状态协方差矩阵P; [0109] 步骤S5‑4:线性卡尔曼滤波器对锁相环数学模型的状态量进行预测,根据系统动态方程,使用上一时刻的状态估计和运动模型预测当前的状态量; [0110] 步骤S5‑5:更新状态协方差矩阵; [0111] 步骤S5‑6:根据预测步骤中计算的状态协方差矩阵,计算卡尔曼增益并更新模型。 [0112] 其中步骤S5‑1所述构建锁相环数学模型,包含以下内容: [0113] 构建锁相环数学模型,对状态变量x、观测量y、观测方程H,以及状态转移方程A进行定义: [0114] x(n)=Ax(n‑1) [0115] y(n)=Cx(n) [0116] [0117] H=[1 0 0] [0118] 其中,ag=dωg/dt,θg、ωg、ag分别为卡尔曼滤波器对并网电压估计加速度、估计角频率和估计相位,Ts为采样周期。 [0119] 步骤S5‑4和步骤S5‑6所述的预测和更新,可以用以下逻辑表示: [0120] [0121] [0122] 其中,k为卡尔曼增益矩阵,kT=[k1 k2 k3],k1为相位增益系数、k2为频率增益系数、k3为角速度增益系数。 |