本發(fā)明涉及動態(tài)信號分析領域，更具體地，涉及一種動態(tài)信號參數辨識方法及系統(tǒng)。

背景技術：

動態(tài)信號是隨時間變化的信號，可分為確定性信號和隨機信號。若信號被表示為一確定的時間函數，對于指定的某一時刻，可確定出相應的函數值，這種信號稱為確定性信號或規(guī)則信號。其實質是可以用確定的數學關系來描述。而隨機信號不能用精確的數學表達關系式描述，任何時刻的幅值、頻率和相位不可事先預知，但其具有統(tǒng)計規(guī)律，可以用統(tǒng)計方法進行分析。

信號是信息的載體，在實際工業(yè)生產中，動態(tài)信號包含了關于煉鋼廠、電力機車，鍛造機等各種用電負荷的信息。這些信息往往蘊藏了用電負荷的運行狀況，通過對動態(tài)信號的分析，可以揭示出非正常的工作狀態(tài)，從而為故障診斷提供理論依據。近些年來，半導體器件等非線性負荷也越來越多的應用于電力系統(tǒng)中，不僅造成了對電力系統(tǒng)的諧波污染，也影響到了電能的準確計量。

現有技術由于沒有統(tǒng)一的用于描述動態(tài)信號的數學模型，不僅無法準確地提取信號的特征量進行分析，而且現有的電能計量方法往往誤差也較大。因此，尋找更加適用于描述動態(tài)信號的數學模型就顯得尤為重要。因為一般電壓波形畸變率較小，從不同類負荷電壓波形中提取的特征量差別不大。

因此，需要一種技術，能夠對動態(tài)信號參數進行準確辨識。

技術實現要素：

本發(fā)明提供了一種動態(tài)信號參數辨識方法及系統(tǒng)，以解決如何對動態(tài)信號參數進行辨識的問題。

為了解決上述問題，本發(fā)明提供了一種動態(tài)信號參數辨識方法，所述方法包括：

根據動態(tài)信號電流波形的包絡曲線形狀，建立電流的數學模型；

根據所述曲線包絡點的一階導數值、二階導數值以及二階導數值與一階導數值的比值，判斷電流的數學模型類型；

根據所述判斷出的電流的數學模型類型，選取針對所述判斷出電流的數學模型類型的預估算法，并利用所述預估算法對包絡部分和直流部分的參數進行預估，獲取包絡部分和直流部分的參數的近似值；

根據所述包絡參數的近似值，利用差分算法辨識包絡參數，獲取包絡參數和直流分量的準確值。

優(yōu)選地，所述數學模型類型分別為斜線包絡模型，拋物線包絡模型以及指數包絡模型。

優(yōu)選地，利用漢寧窗hanning插值的方法估算工頻部分的諧波參數。

優(yōu)選地，根據工頻部分的諧波參數建立所述斜線包絡模型為：

式(1)中，a、b分別為斜線包絡曲線h(t)≈(at+b)的斜率和常量，am,fm,θm分別為工頻部分幅值、工頻部分頻率和工頻部分相位，b0為直流分量，m取值為11，t為動態(tài)信號對應的采樣時間；

所述拋物線包絡模型為：

式(2)中，a、b、c分別為拋物線包絡曲線h′(t)≈(at²+bt+c)的二次項系數、一次項系數和常量，am,fm,θm分別為工頻部分幅值、工頻部分頻率和工頻部分相位，b0為直流分量，m取值為11，t為動態(tài)信號對應的采樣時間；

所述指數包絡模型為：

式(3)中，a、b、c分別為指數包絡曲線h″(t)≈(ae^bt+c)的放大系數、衰減因子和常量，am,fm,θm分別為工頻部分幅值、工頻部分頻率和工頻部分相位，b0為直流分量，m取值為11，t為動態(tài)信號對應的采樣時間。

優(yōu)選地，所述根據所述曲線包絡點的一階導數值、二階導數值以及二階導數值與一階導數值的比值，判斷電流的數學模型類型包括，

斜線包絡曲線數學模型為h(t)≈(at+b)(1-1)，

式(1-1)中，a、b分別為斜線包絡曲線h(t)≈(at+b)的斜率和常量，t為動態(tài)信號對應的采樣時間；

計算曲線包絡點的斜率：

式(1-2)中，δt為任一時間間隔，t1為采樣時間段內的任一時刻；

若計算出的包絡曲線包絡點的斜率值為常量，則判斷所述電流的數學模型類型為斜線包絡模型。

優(yōu)選地，所述根據所述曲線包絡點的一階導數值、二階導數值以及二階導數值與一階導數值的比值，判斷電流的數學模型類型包括，

拋物線包絡曲線數學模型為h′(t)≈(at²+bt+c)(2-1)，

式(2-1)中，a、b、c分別為拋物線包絡曲線h′(t)≈(at²+bt+c)的二次項系數、一次項系數和常量，t為動態(tài)信號對應的采樣時間；

計算曲線包絡點二階微分函數值：

式(2-2)中，δt為任一時間間隔，t1為采樣時段內的任一時刻；

若計算出的包絡曲線包絡點的二階微分函數值為常量，則判斷所述電流的數學模型類型為拋物線包絡模型。

優(yōu)選地，所述根據所述曲線包絡點的一階導數值、二階導數值以及二階導數值與一階導數值的比值，判斷電流的數學模型類型包括，

若所述曲線包絡點的二階導數值與若所述包絡點的一階導數值的比值為常數，則判斷電流的數學模型類型為指數包絡模型：

指數包絡曲線數學模型為h″(t)≈(ae^bt+c)(3-1)，

式(3-1)中，a、b、c分別為指數包絡曲線h″(t)≈(ae^bt+c)的放大系數、衰減因子和常量。

計算包絡點二階微分與一階微分的比值：

式(3-2)中，δt為任一時間間隔，t1為采樣時段內的任一時刻；

若所述曲線包絡點的二階導數值與若所述包絡點的一階導數值的比值為常數，則判斷電流的數學模型類型為指數包絡模型。

優(yōu)選地，所述根據所述判斷出的電流的數學模型類型，選取針對所述判斷出電流的數學模型類型的預估算法，并利用所述預估算法對包絡部分和直流部分的參數進行預估，獲取包絡部分和直流部分的參數的近似值，其中，對斜線包絡部分和直流部分的參數預估為：

根據選取的采樣時間間隔δt對采樣數據點劃分時間分段，然后在篩選出各個時間分段范圍內的極大值，從而得到曲線在整個采樣時間范圍的包絡點，計算包絡部分斜線函數的一階導數，預估a、b、b0的近似值a^*、b^*、b0^*，設包絡曲線為h(t)≈(at+b)，t為工頻周期，t1為采樣時段內的任意時刻，計算公式如下：

(1)

(2)

(3)

式(1-3)中，a、b分別為斜線包絡曲線h(t)≈(at+b)的斜率和常量，b0為直流分量；a^*、b^*、b0^*為a、b、b0的近似值；δt為任一時間間隔，t1為采樣時段內的任一時刻；length(t)為時間t的數據點長度，t＝length(t)。

優(yōu)選地，所述根據所述判斷出的電流的數學模型類型，選取針對所述判斷出電流的數學模型類型的預估算法，并利用所述預估算法對包絡部分和直流部分的參數進行預估，獲取包絡部分和直流部分的參數的近似值，其中，對拋物線包絡部分和直流部分的參數預估為：

根據選取的采樣時間間隔δt對采樣數據點劃分時間分段，然后在篩選出各個時間分段范圍內的極大值，從而得到曲線在整個采樣時間范圍的包絡點，計算包絡部分拋物線函數的二階導數，預估a、b、c、b0的近似值a^*、b^*、c^*、b0^*，設包絡曲線為h′(t)≈(at²+bt+c)，t為工頻周期，t1采樣時段內任意時刻，計算公式如下：

(1)

(2)

(3)

(4)

式(2-3)中，a、b、c分別為拋物線包絡曲線h′(t)≈(at²+bt+c)的二次項系數、一次項系數和常量，b0為直流分量；a^*、b^*、c^*、b0^*為a、b、c、b0的近似值，δt為任一時間間隔，t1為采樣時段內的任一時刻；length(t)為時間t的數據點長度，t＝length(t)。

優(yōu)選地，所述根據所述判斷出的電流的數學模型類型，選取針對所述判斷出電流的數學模型類型的預估算法，并利用所述預估算法對包絡部分和直流部分的參數進行預估，獲取包絡部分和直流部分的參數的近似值，其中，對指數包絡部分和直流部分的參數預估為：

根據選取的采樣時間間隔δt對采樣數據點劃分時間分段，然后在篩選出各個時間分段范圍內的極大值，從而得到曲線在整個采樣時間范圍的包絡點，計算包絡部分指數函數的二階導數與一階層數的比值，計算a、b、c、b0的近似值a^*、b^*、c^*、b0^*，設包絡曲線為h″(t)≈(ae^bt+c)，t為工頻周期，t1為采樣時段內任意時刻，計算公式如下：

(1)

(2)

(3)

(4)

式(3-3)中，a、b、c分別為指數包絡曲線h″(t)≈(ae^bt+c)的放大系數、衰減因子和常量，b0為直流分量；a^*、b^*、c^*、b0^*為a、b、c、b0的估算值；δt為任一時間間隔，t1為采樣時段內的任一時刻；length(t)為時間t的數據點長度，t＝length(t)。

優(yōu)選地，所述根據所述包絡參數的近似值，利用差分算法辨識包絡參數，獲取包絡參數和直流分量的準確值，其中，計算斜線包絡部分和直流部分的參數準確值為：

根據所述包絡部分的參數近似值a^*、b^*、c^*、b0^*計算出迭代初始值范圍，再用差分進化算法辨識包絡部分的參數a、b、c、b0的準確值，構建斜線包絡目標函數如下：

式(1-4)中，a、b分別為斜線包絡曲線h(t)≈(at+b)的斜率和常量，am,fm,θm分別為工頻部分的幅值、頻率和相位，b0為直流分量，gc(t)為實際數據采樣點，length(t)為時間t的數據點長度,m取值為11，；

設待求優(yōu)化問題為f(x)為斜線包絡目標函數，則差分進化算法步驟描述如下：

(2)初始化，

輸入進化參數：種群規(guī)模m,(40≤m≤60)，染色體長度即目標函數自變量個數，交叉概率c＝0.98，交叉因子f＝0.4，進化代數d,(1≤d≤500)，n自變量的下界xmin＝0.5·(a^*、b^*、c^*、b0^*)和上界xmax＝1.5·(a^*、b^*、c^*、b0^*)，隨機生成初始種群矩陣其中每行代表種群的個體，每列代表此個體的基因。初始種群矩陣的各個元素按以下方式生成：

xmn＝xmin(n)+rand(0,1)·(xmax(n)-xmin(n))，

上式中，rand(0,1)為(0,1)之間產生的一個隨機數。

(3)變異，

對種群中的每個個體xmn，生成三個隨機整數r1,r2,r3∈{1,2,…,n},r1≠r2≠r3和隨機整數jrand∈{1,2,…,n}，生成變異個體zmn：

(6)交叉，

當前個體xmn與變異個體zmn交叉得競爭個體umn：

(7)選擇

計算競爭個體umn的目標值f(umn)，得到選擇個體kmn：

(8)終止檢驗，

如果f(kmn)≤0.1ord＝500，則輸出kmn作為最優(yōu)解。否則置xmn＝kmn,d＝d+1，轉到(2)變異步驟。

優(yōu)選地，所述根據所述包絡參數的近似值，利用差分算法辨識包絡參數，獲取包絡參數和直流分量的準確值，其中，計算拋物線包絡部分和直流部分的參數準確值為：

根據所述包絡部分的參數近似值a^*、b^*、c^*、b0^*計算出迭代初始值范圍，再用差分進化算法辨識包絡部分的參數a、b、c、b0的準確值，構建拋物線包絡目標函數如下：

式(2-4)中，a、b、c分別為拋物線包絡曲線h′(t)≈(at²+bt+c)的二次項系數、一次項系數和常量，am,fm,θm分別為工頻部分的幅值、頻率和相位，b0為直流分量，gc(t)為實際數據采樣點，length(t)為時間t的數據點長度,m取值為11；

設待求優(yōu)化問題為f(x)為拋物線包絡目標函數，則差分進化算法步驟描述如下：

(1)初始化，

輸入進化參數：種群規(guī)模m,(40≤m≤60)，染色體長度即目標函數自變量個數，交叉概率c＝0.98，交叉因子f＝0.4，進化代數d,(1≤d≤500)，n自變量的下界xmin＝0.5·(a^*、b^*、c^*、b0^*)和上界xmax＝1.5·(a^*、b^*、c^*、b0^*)，隨機生成初始種群矩陣其中每行代表種群的個體，每列代表此個體的基因。初始種群矩陣的各個元素按以下方式生成：

xmn＝xmin(n)+rand(0,1)·(xmax(n)-xmin(n))，

上式中，rand(0,1)為(0,1)之間產生的一個隨機數。

(2)變異，

對種群中的每個個體xmn，生成三個隨機整數r1,r2,r3∈{1,2,…,n},r1≠r2≠r3和隨機整數jrand∈{1,2,…,n}，生成變異個體zmn：

(3)交叉，

當前個體xmn與變異個體zmn交叉得競爭個體umn：

(4)選擇

計算競爭個體umn的目標值f(umn)，得到選擇個體kmn：

(5)終止檢驗，

如果f(kmn)≤0.1ord＝500，則輸出kmn作為最優(yōu)解。否則置xmn＝kmn,d＝d+1，轉到(2)變異步驟。

優(yōu)選地，所述根據所述包絡參數的近似值，利用差分算法辨識包絡參數，獲取包絡參數和直流分量的準確值，其中，計算指數包絡部分和直流部分的參數準確值為：

根據所述包絡部分的參數近似值a^*、b^*、c^*、b0^*計算出迭代初始值范圍，再用差分進化算法辨識包絡部分的參數a、b、c、b0的準確值，構建拋物線包絡目標函數如下：

式(3-4)中，a、b、c分別為指數包絡曲線h″(t)≈(ae^bt+c)的放大系數、衰減因子和常量，am,fm,θm分別為工頻部分的幅值、頻率和相位，b0為直流分量，gc(t)為實際數據采樣點，length(t)為時間t的數據點長度,m取值為11；

設待求優(yōu)化問題為f(x)為指數包絡目標函數，則差分進化算法步驟描述如下：

(1)初始化，

輸入進化參數：種群規(guī)模m,(40≤m≤60)，染色體長度即目標函數自變量個數，交叉概率c＝0.98，交叉因子f＝0.4，進化代數d,(1≤d≤500)，n自變量的下界xmin＝0.5·(a^*、b^*、c^*、b0^*)和上界xmax＝1.5·(a^*、b^*、c^*、b0^*)，隨機生成初始種群矩陣其中每行代表種群的個體，每列代表此個體的基因。初始種群矩陣的各個元素按以下方式生成：

xmn＝xmin(n)+rand(0,1)·(xmax(n)-xmin(n))，

上式中，rand(0,1)為(0,1)之間產生的一個隨機數。

(2)變異，

對種群中的每個個體xmn，生成三個隨機整數r1,r2,r3∈{1,2,…,n},r1≠r2≠r3和隨機整數jrand∈{1,2,…,n}，生成變異個體zmn：

(3)交叉，

當前個體xmn與變異個體zmn交叉得競爭個體umn：

(4)選擇

計算競爭個體umn的目標值f(umn)，得到選擇個體kmn：

(5)終止檢驗，

如果f(kmn)≤0.1ord＝500，則輸出kmn作為最優(yōu)解。否則置xmn＝kmn,d＝d+1，轉到(2)變異步驟。

基于本發(fā)明的另一方面，本發(fā)明提供一種動態(tài)信號參數辨識系統(tǒng)，所述系統(tǒng)包括：

建立單元，用于根據動態(tài)信號電流波形的包絡曲線形狀，建立電流的數學模型；

初始單元，所述初始單元根據所述曲線包絡點的一階導數值、二階導數值以及二階導數值與一階導數值的比值，判斷電流的數學模型類型；

第一計算單元，所述第一計算單元根據所述判斷出的電流的數學模型類型，選取針對所述判斷出電流的數學模型類型的預估算法，并利用所述預估算法對包絡部分和直流部分的參數進行預估，獲取包絡部分和直流部分的參數的近似值；

第二計算單元，所述第二計算單元根據所述包絡參數的近似值，利用差分算法辨識包絡參數，獲取包絡參數和直流分量的準確值。

本發(fā)明的技術方案提出了更加完善的描述動態(tài)信號電流的數學模型，具有更好的適用性，并且將加窗插值算法和包絡參數預估算法有機結合，利用包絡參數預估算法求解模型中的包絡參數、直流分量、衰減因子，克服了加窗插值算法應用的局限性。本發(fā)明技術方案采用差分進化算法對于包絡參數的全局尋優(yōu)具有良好的效果，避免了一般優(yōu)化算法的局限性，也具有更快的收斂速度和更高的精度。

附圖說明

通過參考下面的附圖，可以更為完整地理解本發(fā)明的示例性實施方式：

圖1為根據本發(fā)明一實施方式的一種動態(tài)信號參數辨識方法流程圖；

圖2為根據本發(fā)明一實施方式的一種動態(tài)信號電鐵電流曲線圖；

圖3為根據本發(fā)明一實施方式的一種動態(tài)信號斜線包絡模型電流重構圖；

圖4為根據本發(fā)明一實施方式的一種動態(tài)信號參數辨識系統(tǒng)結構圖。

具體實施方式

現在參考附圖介紹本發(fā)明的示例性實施方式，然而，本發(fā)明可以用許多不同的形式來實施，并且不局限于此處描述的實施例，提供這些實施例是為了詳盡地且完全地公開本發(fā)明，并且向所屬技術領域的技術人員充分傳達本發(fā)明的范圍。對于表示在附圖中的示例性實施方式中的術語并不是對本發(fā)明的限定。在附圖中，相同的單元/元件使用相同的附圖標記。

除非另有說明，此處使用的術語(包括科技術語)對所屬技術領域的技術人員具有通常的理解含義。另外，可以理解的是，以通常使用的詞典限定的術語，應當被理解為與其相關領域的語境具有一致的含義，而不應該被理解為理想化的或過于正式的意義。

圖1為根據本發(fā)明一實施方式的一種動態(tài)信號參數辨識方法流程圖。本發(fā)明的實施方式在建立了科學的描述動態(tài)信號的電流模型以后，對各種類型的負荷電流模型類型進行識別和區(qū)分，以提高電能計量的準確度和效率。本發(fā)明采用加窗插值算法，計算工頻部分的諧波參數，包括工頻部分幅值、工頻部分頻率、工頻部分相位；本發(fā)明的實施方式并可以精確地擬合出真實的動態(tài)信號電流波形。本發(fā)明的實施方式中計算其他參數(直流分量、衰減因子等)，采用了包絡參數值預估算法，首先得出包絡參數的近似值，以及用近似值作為差分進化算法迭代的初始范圍，通過對目標函數進行求解，從而得出準確的直流分量、衰減因子等參數值。如圖1所示，方法100從步驟101開始：

優(yōu)選地，在步驟101:根據動態(tài)信號電流波形的包絡曲線形狀，建立電流的數學模型。本發(fā)明的實施方式中，數學模型類型分別為斜線包絡模型，拋物線包絡模型以及指數包絡模型。

其中，斜線包絡模型為：

式(1)中，a、b分別為斜線包絡曲線h(t)≈(at+b)的斜率和常量，am,fm,θm分別為工頻部分幅值、工頻部分頻率和工頻部分相位，b0為直流分量，m取值為11，t為動態(tài)信號對應的采樣時間；

拋物線包絡模型為：

式(2)中，a、b、c分別為拋物線包絡曲線h′(t)≈(at²+bt+c)的二次項系數、一次項系數和常量，am,fm,θm分別為工頻部分幅值、工頻部分頻率和工頻部分相位，b0為直流分量，m取值為11，t為動態(tài)信號對應的采樣時間；

指數包絡模型為：

式(3)中，a、b、c分別為指數包絡曲線h″(t)≈(ae^bt+c)的放大系數、衰減因子和常量，am,fm,θm分別為工頻部分幅值、工頻部分頻率和工頻部分相位，b0為直流分量，m取值為11，t為動態(tài)信號對應的采樣時間。

優(yōu)選地，在步驟102:根據曲線包絡點的一階導數值、二階導數值以及二階導數值與一階導數值的比值，判斷電流的數學模型類型。

其中，對斜線包絡模型的判斷方法為：

設斜線包絡曲線數學模型為h(t)≈(at+b)(1-1)，

式(1-1)中，a、b分別為斜線包絡曲線h(t)≈(at+b)的斜率和常量，t為動態(tài)信號對應的采樣時間；

計算曲線包絡點的斜率：

式(1-2)中，δt為任一時間間隔，t1為采樣時間段內的任一時刻；

若計算出的包絡曲線包絡點的斜率值為常量，則判斷電流的數學模型類型為斜線包絡模型。

對拋物線包絡曲線數學模型的判斷方法為：

拋物線包絡曲線數學模型為h′(t)≈(at²+bt+c)(2-1)，

式(2-1)中，a、b、c分別為拋物線包絡曲線h′(t)≈(at²+bt+c)的二次項系數、一次項系數和常量，t為動態(tài)信號對應的采樣時間；

計算曲線包絡點二階微分函數值：

式(2-2)中，δt為任一時間間隔，t1為采樣時段內的任一時刻；

若計算出的包絡曲線包絡點的二階微分函數值為常量，則判斷電流的數學模型類型為拋物線包絡模型。

對指數包絡模型的判斷方法為：

指數包絡曲線數學模型為h″(t)≈(ae^bt+c)(3-1)，

式(3-1)中，a、b、c分別為指數包絡曲線h″(t)≈(ae^bt+c)的放大系數、衰減因子和常量。

計算包絡點二階微分與一階微分的比值：

式(3-2)中，δt為任一時間間隔，t1為采樣時段內的任一時刻；

若曲線包絡點的二階導數值與若包絡點的一階導數值的比值為常數，則判斷電流的數學模型類型為指數包絡模型。

優(yōu)選地，利用漢寧hanning窗插值的方法估算工頻部分的諧波參數。本發(fā)明實施方式中，工頻部分的諧波參數，包括工頻部分幅值、工頻部分頻率、工頻部分相位。

優(yōu)選地，在步驟103:根據判斷出的電流的數學模型類型，選取針對判斷出電流的數學模型類型的預估算法，并利用預估算法對包絡部分和直流部分的參數進行預估，獲取包絡部分和直流部分的參數的近似值。

其中，對斜線包絡部分和直流部分的參數預估為：

根據選取的采樣時間間隔δt對采樣數據點劃分時間分段，然后在篩選出各個時間分段范圍內的極大值，從而得到曲線在整個采樣時間范圍的包絡點，計算包絡部分斜線函數的一階導數，預估a、b、b0的近似值a^*、b^*、b0^*，設包絡曲線為h(t)≈(at+b)，t為工頻周期，t1為采樣時段內的任意時刻，計算公式如下：

(1)

(2)

(3)

式(1-3)中，a、b分別為斜線包絡曲線h(t)≈(at+b)的斜率和常量，b0為直流分量；a^*、b^*、b0^*為a、b、b0的近似值；δt為任一時間間隔，t1為采樣時段內的任一時刻；length(t)為時間t的數據點長度，t＝length(t)。

其中，對拋物線包絡部分和直流部分的參數預估為：

根據選取的采樣時間間隔δt對采樣數據點劃分時間分段，然后在篩選出各個時間分段范圍內的極大值，從而得到曲線在整個采樣時間范圍的包絡點，計算包絡部分拋物線函數的二階導數，預估a、b、c、b0的近似值a^*、b^*、c^*、b0^*，設包絡曲線為h′(t)≈(at²+bt+c)，t為工頻周期，t1采樣時段內任意時刻，計算公式如下：

(1)

(2)

(3)

(4)

式(2-3)中，a、b、c分別為拋物線包絡曲線h′(t)≈(at²+bt+c)的二次項系數、一次項系數和常量，b0為直流分量；a^*、b^*、c^*、b0^*為a、b、c、b0的近似值，δt為任一時間間隔，t1為采樣時段內的任一時刻；length(t)為時間t的數據點長度，t＝length(t)。

其中，對指數包絡部分和直流部分的參數預估為：

根據選取的采樣時間間隔δt對采樣數據點劃分時間分段，然后在篩選出各個時間分段范圍內的極大值，從而得到曲線在整個采樣時間范圍的包絡點，計算包絡部分指數函數的二階導數與一階層數的比值，計算a、b、c、b0的近似值a^*、b^*、c^*、b0^*，設包絡曲線為h″(t)≈(ae^bt+c)，t為工頻周期，t1為采樣時段內任意時刻，計算公式如下：

(1)

(2)

(3)

(4)

式(3-3)中，a、b、c分別為指數包絡曲線h″(t)≈(ae^bt+c)的放大系數、衰減因子和常量，b0為直流分量；a^*、b^*、c^*、b0^*為a、b、c、b0的估算值；δt為任一時間間隔，t1為采樣時段內的任一時刻；length(t)為時間t的數據點長度，t＝length(t)。

優(yōu)選地，在步驟104:根據包絡參數的近似值，利用差分算法辨識包絡參數，獲取包絡參數和直流分量的準確值。

其中，計算斜線包絡部分和直流部分的參數準確值為：

根據包絡部分的參數近似值a^*、b^*、c^*、b0^*計算出迭代初始值范圍，再用差分進化算法辨識包絡部分的參數a、b、c、b0的準確值，構建斜線包絡目標函數如下：

式(1-4)中，a、b分別為斜線包絡曲線h(t)≈(at+b)的斜率和常量，am,fm,θm分別為工頻部分的幅值、頻率和相位，b0為直流分量，gc(t)為實際數據采樣點，length(t)為時間t的數據點長度,m取值為11，；

設待求優(yōu)化問題為f(x)為斜線包絡目標函數，則差分進化算法步驟描述如下：

(1)初始化，

輸入進化參數：種群規(guī)模m,(40≤m≤60)，染色體長度即目標函數自變量個數n，交叉概率c＝0.98，交叉因子f＝0.4，進化代數d,(1≤d≤500)，自變量的下界xmin＝0.5·(a^*、b^*、c^*、b0^*)和上界xmax＝1.5·(a^*、b^*、c^*、b0^*)，隨機生成初始種群矩陣其中每行代表種群的個體，每列代表此個體的基因。初始種群矩陣的各個元素按以下方式生成：

xmn＝xmin(n)+rand(0,1)·(xmax(n)-xmin(n))，

上式中，rand(0,1)為(0,1)之間產生的一個隨機數。

(2)變異，

對種群中的每個個體xmn，生成三個隨機整數r1,r2,r3∈{1,2,…,n},r1≠r2≠r3和隨機整數jrand∈{1,2,…,n}，生成變異個體zmn：

(3)交叉，

當前個體xmn與變異個體zmn交叉得競爭個體umn：

(4)選擇

計算競爭個體umn的目標值f(umn)，得到選擇個體kmn：

(5)終止檢驗，

如果f(kmn)≤0.1ord＝500，則輸出kmn作為最優(yōu)解。否則置xmn＝kmn,d＝d+1，轉到(2)變異步驟。

其中，計算拋物線包絡部分和直流部分的參數準確值為：

根據包絡部分的參數近似值a^*、b^*、c^*、b0^*計算出迭代初始值范圍，再用差分進化算法辨識包絡部分的參數a、b、c、b0的準確值，構建拋物線包絡目標函數如下：

式(2-4)中，a、b、c分別為拋物線包絡曲線h′(t)≈(at²+bt+c)的二次項系數、一次項系數和常量，am,fm,θm分別為工頻部分的幅值、頻率和相位，b0為直流分量，gc(t)為實際數據采樣點，length(t)為時間t的數據點長度,m取值為11；

設待求優(yōu)化問題為f(x)為拋物線包絡目標函數，則差分進化算法步驟描述如下：

(1)初始化，

輸入進化參數：種群規(guī)模m,(40≤m≤60)，染色體長度即目標函數自變量個數，交叉概率c＝0.98，交叉因子f＝0.4，進化代數d,(1≤d≤500)，n自變量的下界xmin＝0.5·(a^*、b^*、c^*、b0^*)和上界xmax＝1.5·(a^*、b^*、c^*、b0^*)，隨機生成初始種群矩陣其中每行代表種群的個體，每列代表此個體的基因。初始種群矩陣的各個元素按以下方式生成：

xmn＝xmin(n)+rand(0,1)·(xmax(n)-xmin(n))，

上式中，rand(0,1)為(0,1)之間產生的一個隨機數。

(2)變異，

對種群中的每個個體xmn，生成三個隨機整數r1,r2,r3∈{1,2,…,n},r1≠r2≠r3和隨機整數jrand∈{1,2,…,n}，生成變異個體zmn：

(3)交叉，

當前個體xmn與變異個體zmn交叉得競爭個體umn：

(4)選擇，

計算競爭個體umn的目標值f(umn)，得到選擇個體kmn：

(5)終止檢驗，

如果f(kmn)≤0.1ord＝500，則輸出kmn作為最優(yōu)解。否則置xmn＝kmn,d＝d+1，轉到(2)變異步驟。

其中，計算指數包絡部分和直流部分的參數準確值為：

根據包絡部分的參數近似值a^*、b^*、c^*、b0^*計算出迭代初始值范圍，再用差分進化算法辨識包絡部分的參數a、b、c、b0的準確值，構建拋物線包絡目標函數如下：

式(3-4)中，a、b、c分別為指數包絡曲線h″(t)≈(ae^bt+c)的放大系數、衰減因子和常量，am,fm,θm分別為工頻部分的幅值、頻率和相位，b0為直流分量，gc(t)為實際數據采樣點，length(t)為時間t的數據點長度,m取值為11；

設待求優(yōu)化問題為f(x)為指數包絡目標函數，則差分進化算法步驟描述如下：

(1)初始化，

輸入進化參數：種群規(guī)模m,(40≤m≤60)，染色體長度即目標函數自變量個數，交叉概率c＝0.98，交叉因子f＝0.4，進化代數d,(1≤d≤500)，n自變量的下界xmin＝0.5·(a^*、b^*、c^*、b0^*)和上界xmax＝1.5·(a^*、b^*、c^*、b0^*)，隨機生成初始種群矩陣其中每行代表種群的個體，每列代表此個體的基因。初始種群矩陣的各個元素按以下方式生成：

xmn＝xmin(n)+rand(0,1)·(xmax(n)-xmin(n))，

上式中，rand(0,1)為(0,1)之間產生的一個隨機數。

(2)變異，

對種群中的每個個體xmn，生成三個隨機整數r1,r2,r3∈{1,2,…,n},r1≠r2≠r3和隨機整數jrand∈{1,2,…,n}，生成變異個體zmn：

(3)交叉，

當前個體xmn與變異個體zmn交叉得競爭個體umn：

(4)選擇，

計算競爭個體umn的目標值f(umn)，得到選擇個體kmn：

(5)終止檢驗，

如果f(kmn)≤0.1ord＝500，則輸出kmn作為最優(yōu)解。否則置xmn＝kmn,d＝d+1，轉到(2)變異步驟。

本發(fā)明的實施方式通過輸入采樣數據gc(t)，利用matlab搜索曲線包絡點，利用包絡點斜率，二階導數值等特征量判斷動態(tài)信號類型，以確定電流的數學模型。本發(fā)明實施方式能夠根據確定的數學模型，選擇包絡參數預估算法，首先用加hanning窗插值的方法估算工頻部分的諧波參數am,fm,θm。本發(fā)明實施方式針對斜線包絡、指數包絡和拋物線包絡，搜索曲線的包絡點，使用各自的預估算法對包絡參數進行預估，得出近似值a^*、b^*、c^*、b0^*。以及利用近似值a^*、b^*、c^*、b0^*計算出差分進化算法的迭代初始值范圍(預估值上下浮動50％)，目標函數為估算值g(t)與采樣值gc(t)的均方根誤差值(rmse)。本發(fā)明實施方式利用差分進化算法辨識包絡部分的a、b、c、b0參數，得出準確結果。

以下進一步舉例說明本發(fā)明的實施方式：

本發(fā)明以某牽引站的電鐵類電力機車建模分析為例進行說明，其中，波形紀錄裝置的采樣頻率為5000hz，采樣2至3組，每組1至5min不等，電壓、電流同步采集，采集的電鐵電流曲線如圖2所示。圖2中第01段為拋物線包絡模型，第02段為斜線包絡模型，第03段為指數包絡模型。

以下對斜線包絡模型進行說明，模型中諧波次數取m＝11，其中11次諧波分析的相對均方根(rmse)誤差為0.023。

斜線包絡模型利用用本發(fā)明實施方式的差分進化算法迭代到第30步時目標函數收斂，最終均方根誤差(rmse)為0.087。將最后的參數迭代結果代入斜線包絡模型：

繪出的曲線與原始曲線對比如圖3所示，可看出繪出曲線基本能逼近原始信號曲線。如圖3繪出曲線和原始曲線的關系圖表明，本發(fā)明實施方式提出的一種動態(tài)信號參數辨識方法能夠取得較高的精度和較好的效果。本發(fā)明的實施方式可應用于電網諧波分析、電能計量和電能質量監(jiān)測。

本發(fā)明的實施方式提出了更加完善的描述動態(tài)信號電流的數學模型，具有更好的適用性；將加窗插值算法和包絡參數預估算法有機結合，利用包絡參數預估算法求解模型中的包絡部分參數a、b、c、直流部分分量b0，克服了加窗插值算法應用的局限性。本發(fā)明實施方式通過動態(tài)信號實測算例結果表明：采用差分進化算法對于包絡參數的全局尋優(yōu)具有良好的效果，避免了一般優(yōu)化算法的局限性，也具有更快的收斂速度和更高的精度。

圖4為根據本發(fā)明一實施方式的一種動態(tài)信號參數辨識系統(tǒng)結構圖。如圖4所示，一種動態(tài)信號參數辨識系統(tǒng)400包括：

建立單元401，用于根據動態(tài)信號電流波形的包絡曲線形狀，建立電流的數學模型。

初始單元402，所述初始單元根據所述曲線包絡點的一階導數值、二階導數值以及二階導數值與一階導數值的比值，判斷電流的數學模型類型。

第一計算單元403，所述第一計算單元403根據所述判斷出的電流的數學模型類型，選取針對所述判斷出電流的數學模型類型的預估算法，并利用所述預估算法對包絡部分和直流部分的參數進行預估，獲取包絡部分和直流部分的參數的近似值；

第二計算單元404，所述第二計算單元404根據所述包絡參數的近似值，利用差分算法辨識包絡參數，獲取包絡參數和直流分量的準確值。

本發(fā)明實施方式的一種動態(tài)信號參數辨識系統(tǒng)400與本發(fā)明另一實施方式的一種動態(tài)信號參數辨識方法100相對應，在此不再進行贅述。

已經通過參考少量實施方式描述了本發(fā)明。然而，本領域技術人員所公知的，正如附帶的專利權利要求所限定的，除了本發(fā)明以上公開的其他的實施例等同地落在本發(fā)明的范圍內。

通常地，在權利要求中使用的所有術語都根據他們在技術領域的通常含義被解釋，除非在其中被另外明確地定義。所有的參考“一個/所述/該[裝置、組件等]”都被開放地解釋為所述裝置、組件等中的至少一個實例，除非另外明確地說明。這里公開的任何方法的步驟都沒必要以公開的準確的順序運行，除非明確地說明。