چند نوع الگوریتم فیلتر کالمن برای تخمین هارمونیک سیستم قدرت

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

چند نوع الگوریتم فیلتر کالمن برای تخمین هارمونیک سیستم قدرت

عنوان لاتین

Several variants of Kalman Filter algorithm for power system harmonic estimation

این مقاله، کاربرد اولیه یک نوع الگوریتم فیلتر کالمن به نام فیلتر کالمن مبتنی بر تبدیل دسته ای محلی (LET-KF) را برای تخمین و برآورد هارمونیک سیستم قدرت ارائه می دهد. الگوریتم پیشنهادی، برای تخمین و برآورد پارامترهای هارمونیک یک سیگنال قدرت حاوی هارمونیک ها، زیر هارمونیک ها، درون هامونیک ها در حضور نویز سفید گوسی (گاوس)، استفاده می شود. این الگوریتم ها، برای هر دو سیگنال های ثابت و همچنین سیگنال های دینامیکی حاوی هارمونیک ها، مورد استفاده و تست قرار می گیرند. الگوریتم LET-KF گزارش شده در این مقاله، با فیلتر کالمن مبتنی بر الگوریتم هایی گزارش شده قبلی مانند فیلتر کالمن (KF) و الگوریتم های فیلتر کالمن دسته ای (EnKF) برای برآورد و تخمین هارمونیکی، مقایسه شده است. نتیجه گرفته شد که الگوریتم پیشنهادی، از لحاظ سادگی و ویژگی های محاسباتی، برای بهبود بهره وری و دقت آن، برتر از الگوریتم گزارش شده است زیرا، عملیات ضربی کمتری وجود دارند که خطاهای گردکردن را کاهش می دهد. همچنین ارزان تر است چون الزامات ذخیره سازی ماتریس های بزرگ مانند ماتریس بهره وری کالمن مورد استفاده در سایر روش های مبتنی بر فیلتر کالمن را کاهش می دهد.اعتبارسنجی عملی با آزمایش الگوریتم ها با داده های واقعی بدست آمده از یک صنعت بزرگ کاغذ انجام گرفت. مقایسه نتایج بدست آمده با الگوریتم های KF، EnKF، و LET-KF، نشان داد که الگوریتم LET-KF پیشنهادی از لحاظ دقت و بهره وری محاسباتی برای تخمین و برآورد هارمونیکی، بهتر است.

This paper presents the maiden application of a variant of Kalman Filter algorithm known as Local Ensemble Transform based Kalman Filter (LET-KF) for power system harmonic estimation. The proposed algorithm is applied for estimating the harmonic parameters of a power signal containing harmonics, sub-harmonics, inter-harmonics in presence of white Gaussian noise. These algorithms are applied and tested for both stationary as well as dynamic signals containing harmonics. The LET-KF algorithm reported in this paper is compared with the earlier reported Kalman Filter based algorithms like Kalman Filter (KF) and Ensemble Kalman Filter (EnKF) algorithms for harmonic estimation. The proposed algorithm is found superior than the reported algorithm for its improved efficiency and accuracy in terms of simplicity and computational features, since there are less multiplicative operations, which reduces the rounding errors. It is also less expensive as it reduces the requirement of storing large matrices, such as the Kalman gain matrix used in other KF based methods. Practical validation is carried out with experimentation of the algorithms with the real time data obtained from a large paper industry. Comparison of the results obtained with KF, EnKF and LET-KF algorithms reveals that the proposed LET-KF algorithm is the best in terms of accuracy and computational efficiency for harmonic estimation.