一种挖泥船电网谐波监测方法与系统

摘要

本发明实施例公开了一种挖泥船电网谐波监测方法，包括：获取电网中的原始电信号，并提取电网中的原始电信号的各次谐波量测量；根据k时刻第h次谐波的量测量计算k时刻第h次谐波幅值的最优估计值计算的协方差矩阵根据最优估计值计算k时刻谐波畸变率(THD)k；根据每个时刻的谐波畸变率，判断出电网的电信号质量。本发明实施例在常规卡尔曼滤波算法的基础上，引入修正因子λ表示疏浚作业环境，建立模糊自适应寻优推理模型基础上的鲁棒卡尔曼滤波算法，完成电网谐波数据的一步预测与估计，显著提高了电网谐波监测系统的鲁棒性,能够使得谐波畸变率的最优估计值更加接近原始电信号，最后再根据谐波畸变率来判断电网的质量，提高了判断的准确性。

权利要求

1.一种挖泥船电网谐波监测方法，其特征在于，包括：获取电网中的原始电信号，并提取电网中的原始电信号的各次谐波量测量；

根据k时刻第h次谐波的量测量 计算k时刻第h次谐波幅值的最优估计值其中，式中k为时刻序列；h为谐波阶次，h＝6·l±1，l为正整数； 为k时刻谐波幅值的一步预测值； 为k-1时刻谐波幅值的最优估计值； 为k时刻谐波幅值的最优估计值； 为k-1时刻的系统传输矩阵； 为k-1时刻的控制输入矩阵； 为k-1时刻的确定性控制输入； 为k-1时刻的系统噪声； 为 的协方差矩阵； 为 的协方差矩阵； 为 的协方差矩阵； 为k时刻的卡尔曼增益矩阵； 为k时刻的量测矩阵； 为量测噪声 的协方差矩阵； 为k时刻谐波幅值的鲁棒卡尔曼预测值；λ为修正因子； 为k-1时刻谐波幅值的经验预测平均值； 为k时刻输入输出矩阵；

计算 的协方差矩阵

I为单位矩阵；

根据不同阶次谐波幅值的最优估计值 计算k时刻的谐波畸变率(THD)k：其中 为k时刻基波幅值的最优估计值；

根据每个时刻的谐波畸变率，判断出电网的电信号质量。

2.如权利要求1所述的挖泥船电网谐波监测方法，其特征在于，在所述根据k时刻第h次谐波的量测量 计算k时刻第h次谐波幅值的最优估计值 之前，还包括：设定第h次谐波的初始最优估计值 以及初始协方差矩阵

3.如权利要求2所述的挖泥船电网谐波监测方法，其特征在于，在所述根据不同阶次谐波幅值的最优估计值计算k时刻谐波畸变率(THD)k之后还包括：实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k的数值；

实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k随时间变化的波形。

4.如权利要求1所述的挖泥船电网谐波监测方法，其特征在于，所述原始电信号为电网的电流信号或电压信号。

5.如权利要求1至4任一项所述的挖泥船电网谐波监测方法，其特征在于，在挖泥船的工作状态为泊岸时λ取值为0.94；

在挖泥船的工作状态为空载航行时λ取值为0.93；

在挖泥船的工作状态为挖粘性土时λ取值为0.88；

在挖泥船的工作状态为挖砂土类时λ取值为0.85；

在挖泥船的工作状态为挖有机质土、淤泥及泥炭类时λ取值为0.89；

在挖泥船的工作状态为吹岸时λ取值为0.92；

在挖泥船的工作状态为负荷航行λ取值为0.91。

6.一种挖泥船电网谐波监测系统，其特征在于，包括：谐波量测量获取模块，用于获取电网中的原始电信号，并提取电网中的原始电信号的各次谐波量测量；

谐波估计值计算模块，用于根据k时刻第h次谐波的量测量 计算k时刻第h次谐波幅值的最优估计值其中，式中k为时刻序列；h为谐波阶次,h＝6·l±1； 为k时刻谐波幅值的一步预测值； 为k-1时刻谐波幅值的最优估计值； 为k时刻谐波幅值的最优估计值； 为k-1时刻的系统传输矩阵； 为k-1时刻的控制输入矩阵； 为k-1时刻的确定性控制输入；

为k-1时刻的系统噪声； 为 的协方差矩阵； 为 的协方差矩阵；

为 的协方差矩阵； 为k时刻的卡尔曼增益矩阵； 为k时刻的量测矩阵； 为量测噪声 的协方差矩阵； 为k时刻谐波幅值的鲁棒卡尔曼预测值；λ为修正因子； 为k-1时刻谐波幅值的经验预测平均值； 为k时刻输入输出矩阵；

协方差计算模块，用于计算 的协方差矩阵 I为单位矩阵；

畸变率计算模块，用于根据不同阶次谐波幅值的最优估计值 计算k时刻谐波畸变率(THD)k：其中 为k时刻基波幅值的最优估计值；

电网质量判断模块，用于根据每个时刻的谐波畸变率，判断出电网的电信号质量。

7.如权利要求6所述的挖泥船电网谐波监测系统，其特征在于，所述挖泥船电网谐波监测系统还包括初始设定模块；所述初始设定模块用于设定第h次谐波的初始最优估计值以及初始协方差矩阵

8.如权利要求7所述的挖泥船电网谐波监测系统，其特征在于，所述挖泥船电网谐波监测系统还包括：数值显示模块以及波形显示模块；

所述数值显示模块用于实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k的数值；

所述波形显示模块用于实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k随时间变化的波形。

9.如权利要求6所述的挖泥船电网谐波监测系统，其特征在于，所述原始电信号为电网的电流信号或电压信号。

10.如权利要求6-9任一权利要求所述的挖泥船电网谐波监测系统，其特征在于，在挖泥船的工作状态为泊岸时λ取值为0.94；

在挖泥船的工作状态为空载航行时λ取值为0.93；

在挖泥船的工作状态为挖粘性土时λ取值为0.88；

在挖泥船的工作状态为挖砂土类时λ取值为0.85；

在挖泥船的工作状态为挖有机质土、淤泥及泥炭类时λ取值为0.89；

在挖泥船的工作状态为吹岸时λ取值为0.92；

在挖泥船的工作状态为负荷航行λ取值为0.91。

说明书

一种挖泥船电网谐波监测方法与系统

技术领域

[0001] 本发明涉及电网质量监测技术领域，尤其涉及一种挖泥船电网谐波监测方法与系统。

背景技术

[0002] 经过几十年的发展，我国已基本具备了研究开发、设计制造、配套维修挖泥船的综合能力。自上世纪60年代起，我国已先后研制了绞吸、耙吸、抓斗、铲斗、刀轮等各种挖泥船，基本覆盖了国际上所有的挖泥船品种。同时期，我国也具备了生产制造挖泥船的动力设备、疏浚设备及液压机械等配套设备，并且打入了国际市场。在疏浚行业中，绞吸式挖泥船是目前在疏浚工程中运用较广泛的一种船舶。

[0003] 绞吸式挖泥船主要由泥泵系统、绞刀系统、动力系统、定位装置、船体、吸排泥系统(包括水上浮筒排泥管、潜管和陆上输泥管)等组成。泥泵是绞吸式挖泥船的“心脏”，它在柴油机的驱动下，进行吸泥和排泥工作，其他设备和部件都必须围绕泥泵进行工作。绞刀是绞吸式挖泥船除泥泵外最重要的挖泥设备，它的功能就是搅动松散泥土和切割坚硬土层，以便泥泵把剥离松动的泥土吸起来。在工作时，一般情况下需要配备水上及陆上排泥管系和排泥区域，才能完成疏浚吹填施工全过程。

[0004] 疏浚技术不断革新以及新材料、新技术的应用提高挖泥船的产能效益，挖泥船电网结构和负荷构成的不断丰富改善挖泥船的性能。20世纪80年代以来，由于挖泥船疏浚生产工艺的调节要求，挖泥船大量使用大功率电力电子器件组成的各种变频调速装置，挖泥船电网因此产生了大量的高次谐波。谐波使挖泥船电能的产生、传输和利用效率降低，使电气设备过热、产生振动和噪声，并使绝缘老化，使用寿命降低，甚至发生故障或烧毁电气设备，造成挖泥船疏浚生产效率低下、能耗增加、环境污染恶化。另外，各国船检及海事管理部门对船舶电网谐波含量等技术指标有严格要求，如果不能达标，则影响疏浚船舶的交货及正常使用。高次谐波，对疏浚船舶的电力系统污染日益严重，且电能质量引发的事故在国内外疏浚工程领域日渐增多，船舶电网质量已成为船舶行业制造企业以及船东日益关注的问题。

[0005] 由于船舶电力系统信号的随机性、复杂性和特殊工况海况以及稀疏噪声的复杂性，难以对电网谐波进行精确监测，必须对电网信号进行有效滤波，以剔除噪声干扰，得到不含噪声的信号。

[0006] 目前电能质量分析的方法很多，典型如离散傅里叶变换(Discrete Fourier Transform，DFT)和快速傅里叶变换(Fast Fourier Transform，FFT)，DFT是利用计算机进行信号谱分析的理论依据，但是直接利用DFT来计算信号谱计算量太大，而且实际意义也不大。

[0007] 1965年，I.W.Cooley和J.W.Turkey提出FFT算法，把运算速度提高了1～2数量级，使理论变成实践。FFT算法是数字信号处理中最基本的算法。它使数字信号分析与处理有了强有力的工具，并广泛应用于各学科技术领域。FFT实际上是离散傅里叶变换DFT的快速算法，离散傅里叶变换的应用也就是FFT的应用。船舶电力系统中的电压与电流为周期函数且满足狄里赫利条件，因此可将电压和电流分解为傅里叶级数形式，从而可以求出基波分量以及各次谐波分量。

[0008] 在电力系统谐波测量及分析领域中，经常遇到“最优估计”问题。所谓“最优估计”，就是对受到随机干扰(过程噪声)和随机测量误差(量测噪声)作用的电力系统，按照某种性能指标为最优(如挖泥船电网要求THD(Total Harmonic Distortion，总谐波畸变率)越小越好)的原则，从具有随机误差的测量数据中提取信息，估计出电力系统的某些状态变量(基波或某次谐波幅值)，这就是状态的最优估计问题。

[0009] 卡尔曼滤波算法是常用的一种滤波算法，采用由时间更新和量测更新组成常规卡尔曼滤波算法对电网谐波含量值进行动态估计；利用卡尔曼滤波算法的递推性，按线性无偏最小均方差估计的基本准则，对电网基波及谐波幅值做最优估计，由此得出最优估计值滤波算法。首先针对无确定性输入系统求解，再通过叠加确定性解，即可得到常规卡尔曼滤波算法。

[0010] 卡尔曼滤波算法具有以下优点：

[0011] (1)算法是递推的，且使用状态空间法在时域内设计滤波器，所以卡尔曼滤波使用于多为随机过程的估计。

[0012] (2)采用的动力学方程即状态方程描述被估计量的动态变化规律，被估计量的动态统计信息由激励白噪声的统计信息和动力学方程确定。由于激励白噪声是平稳过程，动力学方程已知，所以被估计量既可以是平稳的，也可以是非平稳地，即卡尔曼滤波既适用于平稳过程也适用于非平稳过程。

[0013] (3)卡尔曼滤波具有连续型和离散型两类算法，离散型算法可直接在数字计算机上实现。

[0014] 以下对常规卡尔曼滤波算法的推导过程进行说明。

[0015] 考虑在状态空间描述的原始线性系统：

[0016]

[0017] 式(1)中， 为第h次谐波k+1时刻的状态向量； 为第h次谐波k时刻的状态向量；为第h次谐波k时刻的量测量； 为第h次谐波k时刻系统噪声；为第h次谐波k时刻的量测噪声； 为第h次谐波k时刻的确定性控制输入； 代表系统传输矩阵； 为控制输入矩阵； 为量测矩阵； 为输入输出矩阵。

[0018] 因为船舶电网同时有确定性输入和噪声序列，所以该原始线性系统能够分解成一个线性确定性系统和一个无输入线性随机系统。

[0019] 线性确定性系统状态空间模型如式(2)所示:

[0020]

[0021] 式(2)中， 为线性确定性系统第h次谐波k+1时刻的状态向量， 为线性确定性系统第h次谐波k时刻的状态向量也就是线性确定性系统的解， 为线性确定性系统第h次谐波k时刻的量测量。

[0022] 无输入线性随机系统状态空间模型如式(3)所示：

[0023]

[0024] 式(3)中， 为线性随机系统第h次谐波k+1时刻的状态向量， 为线性随机系统第h次谐波k时刻的状态向量， 为线性随机系统第h次谐波k时刻的量测量。

[0025] 式(2)的线性确定性系统的解 可由转换方程给出:

[0026]

[0027] 而通过求解式(3)描述的随机状态空间的 的最优估计 从而

[0028]

[0029] 为原始线性系统公式(1)的状态向量 的最优估计值， 为无输入线性随机系统的状态变量最优估计值。因为过程是零均值高斯白噪声，故最优估计必须利用噪声序列的统计信息。而卡尔曼滤波能够适用于随机信号的处理，是一种能够解决随机过程的递推算法。

[0030] (1)无输入线性随机系统的卡尔曼求解：

[0031] 需要先给定初值 和初始协方差矩阵 即

[0032]

[0033]

[0034] 式(6)、(7)中，E是随机变量的期望值，Var是随机变量的方差。

[0035] 然后建立先验谐波估计值(先验估计) 与后验谐波估计值(后验估计) 的联系。 为 的一步预测值，即先验估计； 为 的最优估计值，即后验估计。

[0036] k时刻一步预测 与k-1时刻的最优估计 之间的关系如下：

[0037]

[0038] 系统预测结果已经更新，可是对应于 的协方差矩阵还没更新，用P表示协方差矩阵。

[0039]

[0040] 式(9)中， 是 对应的协方差矩阵， 是 对应的协方差矩阵，表示 的转置矩阵， 为系统噪声 的协方差矩阵。公式(8)，(9)就是卡尔曼
滤波器5个公式当中的两个，也就是对系统的预测。

[0041] 而后验估计 与式(8)之间的关系为：

[0042]

[0043] 式中， 是一步预测， 是实际数据和预测之间的误差，式(10)实际上是以卡尔曼滤波增益 作为权值矩阵的“预测-校正”公式。由于既包含基于时间更新基础上的先验估计，又具有基于量测更新基础上的后验估计，所以采用卡尔曼滤波后最优估计值 明显优于预测值

[0044] 卡尔曼增益矩阵 的递推公式如下:

[0045]

[0046] 证明过程从略。式(11)中， 是在量测噪声 的协方差矩阵， 是一步预测值的协方差矩阵。

[0047] 式(10)只给出了k时刻下最优的估算值 的表达公式，但是为了使卡尔曼滤波算法递推下去，还需更新k时刻下 的协方差矩阵 即

[0048]

[0049] 式(12)中，I为单位矩阵。由式(9)、(12)及初始矩阵 可以求出和 (k＝1,2,…)的递推计算方法。

[0050] 由以上结果，得出常规卡尔曼滤波算法工作原理图，如图1所示。

[0051] 联合上述所有得到的结果，得到式(3)中所描述的线性随机系统的卡尔曼滤波算法如下式所示。

[0052]

[0053] 线性随机系统的常规卡尔曼滤波算法的结构框图如图2所示，式(13)的算法可根据该框图实现。

[0054] (2)原始线性系统的卡尔曼求解：

[0055] 对于有确定性输入的卡尔曼滤波算法，其最优估计必须考虑带有噪声的确定性输入 将其加入到线性随机系统空间状态模型后，则得到状态空间模型：

[0056]

[0057] 此方程同公式(1)，这也是特定的绞吸挖泥船电力系统模型。

[0058] 将确定性解叠加到式(13)中，可得绞吸挖泥船电力系统的卡尔曼滤波算法：

[0059]

[0060] 绞吸挖泥船电力系统的常规卡尔曼滤波算法结构框图如图3所示。

[0061] 常规卡尔曼滤波中的过程噪声和量测噪声都假设满足高斯分布而且是独立的，通过在给定量测的前提下，递归得到状态的后验估计。但实际应用中存在另外一种噪声的情况，大部分时间段为零，这种噪声称为稀疏噪声。例如传感器故障，观测异常，甚至一些故意干扰，通常都会造成稀疏噪声的产生。稀疏噪声不常见，但普遍存在。这种噪声的存在，如果利用一般的卡尔曼滤波去作估计器，严重影响跟踪精度，甚至使滤波结果严重偏离，导致滤波发散。

[0062] 由于挖泥作业工况存在挖粘性土、挖砂土、挖有机质土及泥炭(淤泥)三种工况，其中实际施工过程中由于海床情况多变，实质上待挖海床是多种土质混合组成的，所以工况很少是单一的均值为零的高斯噪声；其二挖泥作业时海洋状态因洋流、潮汐、天气等多种因素，时刻变化，一般情况下也不是均值为零的高斯噪声。所以严格讲，挖泥船电网谐波监测系统属于包含稀疏噪声的船舶电力系统。为了更好的估计这种稀疏噪声，需要设计一个鲁棒性强的滤波方法解决这个问题。

发明内容

[0063] 本发明的目的在于解决特殊工况海况下稀疏噪声造成常规卡尔曼滤波算法精度下降的问题，基于一种鲁棒卡尔曼滤波算法，提出一种挖泥船电网谐波监测方法和系统来完成电网谐波数据的一步预测与估计，能够显著提高了电网谐波监测系统的鲁棒性以及监测的精确度。

[0064] 本发明实施例提供一种挖泥船电网谐波监测方法，包括：

[0065] 获取电网中的原始电信号，并提取电网中的原始电信号的各次谐波量测量；

[0066] 根据k时刻第h次谐波的量测量 计算k时刻第h次谐波幅值的最优估计值

[0067]

[0068] 其中，式中k为时刻序列；h为谐波阶次，h＝6·l±1,l为正整数； 为k时刻谐波幅值的一步预测值； 为k-1时刻谐波幅值的最优估计值； 为k时刻谐波幅值的最优估计值； 为k-1时刻的系统传输矩阵； 为k-1时刻的控制输入矩阵； 为k-1时刻的
确定性控制输入； 为k-1时刻的系统噪声； 为 的协方差矩阵； 为 的
协方差矩阵； 为 的协方差矩阵； 为k时刻的卡尔曼增益矩阵； 为k时刻的量测
矩阵； 为量测噪声 的协方差矩阵； 为k时刻谐波幅值的鲁棒卡尔曼预测值；λ为修正因子； 为k-1时刻谐波幅值的经验预测平均值； 为k时刻输入输出矩阵；I为单位矩阵；

[0069] 计算 的协方差矩阵

[0070] 根据不同阶次谐波幅值的最优估计值 计算k时刻谐波畸变率(THD)k：

[0071]

[0072] 其中 为k时刻基波幅值的最优估计值；

[0073] 根据每个时刻的谐波畸变率，判断出电网的电信号质量。

[0074] 相比于现有技术，本发明实施例提供的挖泥船电网谐波监测系统除了能准确估计绞吸挖泥船的电网谐波数据信息之外，还能适应于挖泥船不同工况。其核心算法运用模糊自适应寻优方法，通过实时修改λ的取值来解决因不同工况所产生的稀疏噪声对估计过程的影响，从而达到提高算法鲁棒性的目的。

[0075] 进一步地，在所述根据k时刻第h次谐波的量测量 计算k时刻第h次谐波幅值的最优估计值 之前，还包括：

[0076] 设定第h次谐波的初始最优估计值 以及初始协方差矩阵

[0077] 进一步地，在所述根据不同阶次谐波幅值的最优估计值计算k时刻谐波畸变率(THD)k之后还包括：

[0078] 实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k的数值；

[0079] 实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k随时间变化的波形。

[0080] 通过数值和波形两种方式显示各次谐波的幅值以及谐波畸变率，能够直观地反应出电能的质量。

[0081] 进一步地，所述原始电信号为电网的电流信号或电压信号。

[0082] 进一步地，在挖泥船的工作状态为泊岸时λ取值为0.94；

[0083] 在挖泥船的工作状态为空载航行时λ取值为0.93；

[0084] 在挖泥船的工作状态为挖粘性土时λ取值为0.88；

[0085] 在挖泥船的工作状态为挖砂土类时λ取值为0.85；

[0086] 在挖泥船的工作状态为挖有机质土、淤泥及泥炭类时λ取值为0.89；

[0087] 在挖泥船的工作状态为吹岸时λ取值为0.92；

[0088] 在挖泥船的工作状态为负荷航行λ取值为0.91。

[0089] 相应地，本发明实施例还提供一种挖泥船电网谐波监测系统，包括：

[0090] 谐波量测量获取模块，用于获取电网中的原始电信号，并提取电网中的原始电信号的各次谐波量测量；

[0091] 谐波估计值计算模块，用于根据k时刻第h次谐波的量测量 计算k时刻第h次谐波幅值的最优估计值

[0092]

[0093] 其中，式中k为时刻序列；h为谐波阶次,h＝6·l±1,l为正整数； 为k时刻谐波幅值的一步预测值； 为k-1时刻谐波幅值的最优估计值； 为k时刻谐波幅值的最优估计值； 为k-1时刻的系统传输矩阵； 为k-1时刻的控制输入矩阵； 为k-1时刻的
确定性控制输入； 为k-1时刻的系统噪声； 为 的协方差矩阵； 为 的
协方差矩阵； 为 的协方差矩阵； 为k时刻的卡尔曼增益矩阵； 为k时刻的量测矩
阵； 为量测噪声 的协方差矩阵； 为k时刻谐波幅值的鲁棒卡尔曼预测值；λ为修正因子； 为k-1时刻谐波幅值的经验预测平均值； 为k时刻输入输出矩阵；I为单位矩阵；

[0094] 协方差计算模块，用于计算 的协方差矩阵

[0095] 畸变率计算模块，用于根据不同阶次谐波幅值的最优估计值 计算k时刻谐波畸变率(THD)k：

[0096]

[0097] 其中 为k时刻基波幅值的最优估计值；

[0098] 电网质量判断模块，用于根据每个时刻的谐波畸变率，判断出电网的电信号质量。

[0099] 进一步地，所述挖泥船电网谐波监测系统还包括初始设定模块；所述初始设定模块用于设定第h次谐波的初始最优估计值 以及初始协方差矩阵

[0100] 进一步地，所述挖泥船电网谐波监测系统还包括：数值显示模块以及波形显示模块；

[0101] 所述数值显示模块用于实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k的数值；

[0102] 所述波形显示模块用于实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k随时间变化的波形。

[0103] 进一步地，所述原始电信号为电网的电流信号或电压信号。

[0104] 进一步地，在挖泥船的工作状态为泊岸时λ取值为0.94；

[0105] 在挖泥船的工作状态为空载航行时λ取值为0.93；

[0106] 在挖泥船的工作状态为挖粘性土时λ取值为0.88；

[0107] 在挖泥船的工作状态为挖砂土类时λ取值为0.85；

[0108] 在挖泥船的工作状态为挖有机质土、淤泥及泥炭类时λ取值为0.89；

[0109] 在挖泥船的工作状态为吹岸时λ取值为0.92；

[0110] 在挖泥船的工作状态为负荷航行λ取值为0.91。

[0111] 实施本发明实施例，具有如下有益效果：本发明实施例提供的一种挖泥船电网谐波监测方法是在常规卡尔曼滤波算法的基础上，引入修正因子λ表示疏浚作业环境，建立模糊自适应寻优推理模型基础上的鲁棒卡尔曼滤波算法，完成电网谐波数据的一步预测与最优估计，显著提高了电网谐波监测系统的鲁棒性，能够使得谐波畸变率的最优估计值更加接近原始电信号，最后再根据谐波畸变率来判断电网的质量，提高了判断的准确性。鲁棒卡尔曼滤波算法具有常规卡尔曼滤波算法的优点，并且根据采集到的绞吸挖泥船电网谐波状态信息，实时改变修正因子的取值，从中获得所需要的模糊推理规则，实现在线模糊推理系统的自学习，以便适应挖泥工况及海况的变化，克服由于人的经验获得模糊推理规则的主观性和局限性，极大提高绞吸挖泥船电网谐波监测系统的自适应能力，增强系统的鲁棒性，优化中国船检机构所要求的谐波畸变率等性能准则。

附图说明

[0112] 图1是常规卡尔曼滤波算法工作原理图；

[0113] 图2是线性随机系统的常规卡尔曼滤波算法结构框图；

[0114] 图3是绞吸挖泥船电力系统的常规卡尔曼滤波算法结构框图；

[0115] 图4是本发明实施例提供的挖泥船电网谐波监测方法的流程示意图；

[0116] 图5是挖泥船鲁棒卡尔曼滤波算法的工作原理图；

[0117] 图6是挖泥船鲁棒卡尔曼滤波算法实现框图；

[0118] 图7是挖泥船电网谐波鲁棒卡尔曼预测值模糊推理规则表；

[0119] 图8是挖泥船电网谐波鲁棒卡尔曼预测值模糊数规则表；

[0120] 图9是基于鲁棒卡尔曼滤波的基波滤波效果图；

[0121] 图10是基于鲁棒卡尔曼滤波的第5次谐波滤波效果图；

[0122] 图11是基于鲁棒卡尔曼滤波的第7次谐波滤波效果图；

[0123] 图12是基于鲁棒卡尔曼滤波的第11次谐波滤波效果图；

[0124] 图13是基于鲁棒卡尔曼滤波的第13次谐波滤波效果图；

[0125] 图14是鲁棒卡尔曼滤波后输出的THDu的效果图；

[0126] 图15是本发明实施例提供的挖泥船电网谐波监测方法的结构框图。

具体实施方式

[0127] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0128] 参见图4，是本发明实施例提供的挖泥船电网谐波监测方法的流程示意图，该方法包括以下步骤：

[0129] S101，获取电网中的原始电信号，并提取电网中的原始电信号的各次谐波量测量；这里所述的原始电信号可以为电网的电压信号或电流信号。

[0130] S102，根据k时刻第h次谐波的量测量 计算k时刻第h次谐波幅值的最优估计值[0131]

[0132] 其中，式中k为时刻序列；h为谐波阶次，h＝6·l±1，l为正整数；当h＝1时表示是基波，当h＝6·l-1时为负序对称组，当h＝6·l+1时为正序对称组； 为k时刻谐波幅值的一步预测值； 为k-1时刻谐波幅值的最优估计值； 为k时刻谐波幅值的最优估计值； 为k-1时刻的系统传输矩阵； 为k-1时刻的控制输入矩阵； 为k-1时刻的确定
性控制输入； 为k-1时刻的系统噪声； 为 的协方差矩阵； 为 的协方
差矩阵； 为 的协方差矩阵； 为k时刻的卡尔曼增益矩阵； 为k时刻的量测矩阵；
为量测噪声 的协方差矩阵； 为k时刻谐波幅值的鲁棒卡尔曼预测值；λ为修正因子；
为k-1时刻谐波幅值的经验预测平均值； 为k时刻输入输出矩阵；I为单位矩阵；

[0133] S103，计算 的协方差矩阵

[0134] S104，根据不同阶次谐波幅值的最优估计值 计算k时刻谐波畸变率(THD)k：

[0135]

[0136] 其中 为k时刻基波幅值的最优估计值，h＝6·l±1，l为正整数；由于阶次越高，谐波分量越小，因而本发明实施例根据实际需求，取l≤5。

[0137] 对于电压信号，电压谐波畸变率表示为(THDu)k

[0138]

[0139] 对于电流信号，电流谐波畸变率表示为(THDi)k

[0140]

[0141] S105，根据每个时刻的谐波畸变率，判断出电网的电信号质量。

[0142] 根据IEEE-519标准，即《IEEE推荐的电力系统中谐波控制的措施和要求》，要求将单个频率的谐波电压限制到基波电压的3％，将电压谐波畸变率(THDu)k限制到基波电压的5％。因而，通过本发明实施例提供的挖泥船电网谐波监测方法能够实现对谐波畸变率的最优估计，能够最真实的还原原始信号中的谐波畸变率，实时反映当前电网的质量。电压谐波畸变率越低，电网的质量越好，电压谐波畸变率越高，电网的质量越差；当电压畸变率超过
5％，则判定当前电网的质量不合格。

[0143] 步骤S102中包含的滤波算法是基于常规卡尔曼滤波算法以及建立模糊自适应寻优推理模型基础上的鲁棒卡尔曼滤波算法，可以视为一个以量测量 为输入，以谐波幅值的最优估计值 为输出的鲁棒卡尔曼滤波器，能够最真实地还原到原始电信号，实现电网谐波数据的一步预测和估计。

[0144] 在步骤S102中，共有五条公式。其中，

[0145] 公式一计算的是k时刻谐波幅值的一步预测值 需要用到k-1时刻谐波幅值的最优估计值

[0146] 公式二计算的是 的协方差矩阵 需要用到 的协方差矩阵

[0147] 公式三计算的是k时刻的卡尔曼增益矩阵 需要用到公式二计算得到的

[0148] 公式四是模糊推理公式，所计算的是k时刻谐波幅值的鲁棒卡尔曼预测值需要用到公式一计算得到的一步预测值 k-1时刻谐波幅值的经验预测平均值 以
及修正因子λ； 是前k-1时刻的鲁棒卡尔曼预测值的算术平均值；

[0149] 公式五计算的是k时刻谐波幅值的最优估计值 需要用到获取的量测量 公式一计算得到的一步预测值 以及公式计算的是k时刻的卡尔曼增益矩阵

[0150] 在公式二中，每次计算当前时刻的 都需要上一时刻的 因而在步骤S103中，在计算完k时刻谐波幅值的最优估计值 后，还需要计算 的协方差矩阵 即
对 的更新，为下一时刻计算 作准备。

[0151] 如图5所示，其是挖泥船鲁棒卡尔曼滤波算法的工作原理图。

[0152] 如图6所示，其是挖泥船鲁棒卡尔曼滤波算法实现框图。

[0153] 【模糊推理】

[0154] 以下对步骤S102中的公式四进行详细说明：

[0155] 公式四是模糊推理公式，也相当于一个模糊控制器。模糊控制器的输入输出量之间是通过模糊推理规则表联系在一起的,而模糊推理规则的选取是以误差和误差变化率的大小为依据。当误差较大时,选取控制量以尽快消除误差为主；当误差较小时,控制量的选取以系统稳态为出发点,且要注意防止超调,选取的隶属函数曲线越尖挺,控制的灵敏度越高。

[0156] 设定 U、E和EC都代表某个“模糊子集”或“模糊数”)。E、EC和U模糊集为{负大(NB),负中(NM),负小(NS),零(0),正小(PS),正中(PM),正大(PB)}。经过MATLAB仿真实验归纳总结，得到绞吸挖泥船电网谐波鲁棒卡尔曼预测值模糊推理规则表，如图7所示。

[0157] 表中结果为输入量为E和EC时经模糊逻辑推理得到的输出量U,这些规则实质上是将操作员的控制经验加以总结而得出的一系列“IF-THEN”型的模糊条件语句。条件语句的前件为输入变量E和EC,后件为输出变量U。对应于不同的工况，得到的推理规则表也不一样，图中的推理规则表是其中一种工况的推理规则表。

[0158] 为了便于对模糊规则进行实时修改，把图7表格中的“模糊子集”换成“模糊数”，模糊数也是模糊子集，所以这种替换可以看成模糊子集名称的变更。例如，表1中的F子集“NB、NM、NS、ZE、PS、PM、PB”分别换成模糊数“-3、-2、-1、0、1、2、3”，从而得出图8中的表格，其是挖泥船电网谐波鲁棒卡尔曼预测值模糊数规则表。特别注意，表2中的“数值”并非是“整数”，而是模糊数。隶属度选用三角形隶属度函数。E和EC的基本论域为[-3,3],将误差和误差变化率模糊化为7级,即E＝EC＝{-3,-2,-1,0,1,2,3}。模糊控制器输出U的论域为[-3,3],并将其分成7个量化等级,即U＝{-3,-2,-1,0,1,2,3}。

[0159] 整理表1和表2，可得出模糊自适应寻优推理模型公式如下：

[0160] U＝λE+(1-λ)EC,λ∈[0,1]

[0161] 式中，λ为工况海况综合权重系数，也就是模糊自适应寻优中的修正因子。

[0162] 本发明通过上面介绍的模糊自适应优化方法对稀疏噪声模糊化，通过改进Mamdani型模糊算法进行寻优，针对常规卡尔曼滤波算法加入修正因子λ以便完善挖泥船电网监测系统性能。因此，由上式可得出改进后的电网谐波预测模型：

[0163]

[0164] 即步骤S102中的公式二。

[0165] 优选地，在挖泥船的工作状态为泊岸时λ取值为0.94；

[0166] 在挖泥船的工作状态为空载航行时λ取值为0.93；

[0167] 在挖泥船的工作状态为挖粘性土时λ取值为0.88；

[0168] 在挖泥船的工作状态为挖砂土类时λ取值为0.85

[0169] 在挖泥船的工作状态为挖有机质土、淤泥及泥炭类时λ取值为0.89；

[0170] 在挖泥船的工作状态为吹岸时λ取值为0.92；

[0171] 在挖泥船的工作状态为负荷航行λ取值为0.91。

[0172] 本发明实施例针对特殊工况海况下稀疏噪声造成卡尔曼滤波算法精度下降的问题，引入修正因子λ表示疏浚作业环境，建立模糊自适应寻优推理模型基础上的鲁棒卡尔曼滤波算法，根据采集到的绞吸挖泥船电网谐波状态信息，实时改变修正因子的取值，从中获得所需要的模糊推理规则，实现在线模糊推理系统的自学习，以便适应挖泥工况及海况的变化，克服由于人的经验获得模糊推理规则的主观性和局限性，极大提高绞吸挖泥船电网谐波监测系统的自适应能力，增强系统的鲁棒性，优化中国船检机构所要求的THD等性能准则。

[0173] 进一步地，在步骤S102之前，还包括：设定第h次谐波的初始最优估计值 以及初始协方差矩阵

[0174] 优选地，在步骤S104之后还包括：

[0175] 实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k的数值；

[0176] 实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k随时间变化的波形。

[0177] 【仿真实验】

[0178] 模拟绞吸挖泥船电力系统基波信号特征，向对象输入幅值为975V的正弦电压信号。根据假定挖泥船工作的工况不同，向正弦信号加入不同的稀疏噪声。最终通过调整修正因子λ的取值来应对稀疏噪声，对绞吸挖泥船电网的基波以及第5、7、11、13次谐波进行鲁棒卡尔曼滤波仿真，其结果如图9-图14所示。图9是基于鲁棒卡尔曼滤波的基波滤波效果图；图10是基于鲁棒卡尔曼滤波的第5次谐波滤波效果图；图11是基于鲁棒卡尔曼滤波的第7次谐波滤波效果图；图12是基于鲁棒卡尔曼滤波的第11次谐波滤波效果图；图13是基于鲁棒卡尔曼滤波的第13次谐波滤波效果图。

[0179] 每张谐波滤波效果图中包括常规卡尔曼滤波最优估计值ye、鲁棒卡尔曼滤波最优估计值ye1、测量值yv以及原始信号y四个变量的曲线。可得出鲜明对比，可见本发明提出的鲁棒卡尔曼滤波算法能够实现准确估计。

[0180] 仿真结果表明，本发明结合模糊自适应推理设计的鲁棒卡尔曼滤波算法，相比于常规卡尔曼滤波算法，经过调整工况海况疏浚作业修正因子的取值，提高了算法的鲁棒性，显著提高了估计的精度，同时算法能快速收敛。常规卡尔曼滤波算法与原始信号的最大相对误差为1.0％，鲁棒卡尔曼滤波算法与原始信号的最大相对误差为0.082％。因而针对特殊工况，鲁棒卡尔曼滤波算法的滤波性能明显优于常规卡尔曼滤波算法。

[0181] 对特殊工况海况所测量的数据通过鲁棒卡尔曼滤波后，与常规卡尔曼滤波值比较，其基波及各次谐波都有所优化。所以，经过鲁棒卡尔曼滤波后得出THDu的数值也比经过常规卡尔曼滤波的数值更加接近理想数值。鲁棒卡尔曼滤波后输出的THDu的效果如图15所示。

[0182] 本发明实施例另外还提供一种挖泥船电网谐波监测系统，能够实现上述挖泥船电网谐波监测方法的所有方法步骤。

[0183] 如图15所示，其是本发明实施例提供的挖泥船电网谐波监测系统的结构框图，包括：

[0184] 谐波量测量获取模块1，用于获取电网中的原始电信号，并提取电网中的原始电信号的各次谐波量测量；所述原始电信号为电网的电流信号或电压信号。

[0185] 谐波估计值计算模块2，用于根据k时刻第h次谐波的量测量 计算k时刻第h次谐波幅值的最优估计值

[0186]

[0187] 其中，式中k为时刻序列；h为谐波阶次,h＝6·l±1,l为正整数； 为k时刻谐波幅值的一步预测值； 为k-1时刻谐波幅值的最优估计值； 为k时刻谐波幅值的最优估计值； 为k-1时刻的系统传输矩阵； 为k-1时刻的控制输入矩阵； 为k-1时刻的
确定性控制输入； 为k-1时刻的系统噪声； 为 的协方差矩阵； 为 的
协方差矩阵； 为 的协方差矩阵； 为k时刻的卡尔曼增益矩阵； 为k时刻的量测矩
阵； 为量测噪声 的协方差矩阵； 为k时刻谐波幅值的鲁棒卡尔曼预测值；λ为修正因子； 为k-1时刻谐波幅值的经验预测平均值； 为k时刻输入输出矩阵；I为单位矩阵；

[0188] 协方差计算模块3，用于计算 的协方差矩阵

[0189] 畸变率计算模块4，用于根据不同阶次谐波幅值的最优估计值 计算k时刻谐波畸变率(THD)k：

[0190]

[0191] 其中 为k时刻基波幅值的最优估计值；

[0192] 电网质量判断模块5，用于根据每个时刻的谐波畸变率，判断出电网的电信号质量。

[0193] 进一步地，所述挖泥船电网谐波监测系统还包括初始设定模块6；所述初始设定模块用于设定第h次谐波的初始最优估计值 以及初始协方差矩阵

[0194] 进一步地，所述挖泥船电网谐波监测系统还包括：数值显示模块7以及波形显示模块8；

[0195] 所述数值显示模块7用于实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k的数值；

[0196] 所述波形显示模块8用于实时显示不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k随时间变化的波形。

[0197] 进一步地，所述挖泥船电网谐波监测系统还包括存储模块9；所述存储模块9用于存储不同阶次谐波幅值的最优估计值 以及谐波畸变率(THD)k。

[0198] 优选地，在挖泥船的工作状态为泊岸时λ取值为0.94；

[0199] 在挖泥船的工作状态为空载航行时λ取值为0.93；

[0200] 在挖泥船的工作状态为挖粘性土时λ取值为0.88；

[0201] 在挖泥船的工作状态为挖砂土类时λ取值为0.85

[0202] 在挖泥船的工作状态为挖有机质土、淤泥及泥炭类时λ取值为0.89；

[0203] 在挖泥船的工作状态为吹岸时λ取值为0.92；

[0204] 在挖泥船的工作状态为负荷航行λ取值为0.91。

[0205] 本发明实施例提供的一种挖泥船电网谐波监测方法是在常规卡尔曼滤波算法的基础上，引入修正因子λ表示疏浚作业环境，建立模糊自适应寻优推理模型基础上的鲁棒卡尔曼滤波算法，完成电网谐波数据的一步预测与估计，显著提高了电网谐波监测系统的鲁棒性，能够使得谐波畸变率的最优估计值更加接近原始电信号，最后再根据谐波畸变率来判断电网的质量，提高了判断的准确性。鲁棒卡尔曼滤波算法具有常规卡尔曼滤波算法的优点，并且根据采集到的绞吸挖泥船电网谐波状态信息，实时改变修正因子的取值，从中获得所需要的模糊推理规则，实现在线模糊推理系统的自学习，以便适应挖泥工况及海况的变化，克服由于人的经验获得模糊推理规则的主观性和局限性，极大提高绞吸挖泥船电网谐波监测系统的自适应能力，增强系统的鲁棒性，优化中国船检机构所要求的THD等性能准则。同时，本发明实施例提供的挖泥船电网谐波监测系统实现对不同工况海况下的电网谐波准确检测。

[0206] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

[0207] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。