动态滤波范文（精选8篇）
动态滤波 第1篇
粒子滤波技术是一种求解后验概率的实用性方法, 其理论基础是Bayesian理论和Monte Carlo方法[1], 将系统状态的后验分布用一组带权值的粒子表示, 新状态通过该组粒子的Bayesian迭代产生, 可以用在任何形式的状态空间模型上[2]。此算法已广泛应用于很多相关领域中。
粒子滤波理论已被广泛应用, 如全局定位[3]、移动机器人定位[4], 尤其在目标跟踪[5,6]领域越来越受到研究者的重视, 且取得了较好的应用效果。传统的粒子滤波算法在大型物体上的应用中, 需要参与计算很多的粒子数[7]。而这样的粒子数越多, 算法就会有更大的计算量, 这将会导致更长计算时间。目前, 粒子滤波算法消耗时间问题使得大规模数据的应用形成了很大的阻碍。因此, 加速运算粒子滤波算法是当前必须要解决的问题。
提出一种改进的粒子滤波算法。利用算法中粒子数目所需的实际状况, 其参与运算数被动态地降低, 通过自适应地运算决策规则的粒子滤波, 动态地降低算法中计算的粒子数。在确保应用良好性能的情况下, 大大地降低算法的运算时间。所以, 即使应用中的大规模粒子有参与运算, 配准所要求的及时性也能有效地被算法满足。仿真表明, 修改后的方法速度快, 效率高, 有效地解决了传统算法消耗时间大等问题。
1 粒子滤波原理
粒子滤波是基于蒙特卡罗仿真, 且近似于贝叶斯滤波的一种方法。此方法使用递归的MC算法[8]:初始, 根据以往分布信息, 随机生成一系列样本 (粒子) 。随后, 凭借调整每个粒子对应的权值以及粒子坐标来获得真实分布的粒子, 使粒子平均化作为其估计值。最后, 再次采样样本, 保证权重为均匀分布[9]。下面简要介绍粒子滤波算法。设置系统的模型为:
其中, wk+1与vk指噪音;Qk与Rk指协方差值;f (·) 与h (·) 指非线性函数。递推状态预测方程和状态更新方程如下:
为了计算方便, 增加一个新的概率计算函数进行采样:
根据上述公式得到:
算法必须最小化显著性权值方差。在q (Xk∣Zk) 中选则适当数目的有权粒子进行运算, 当观察数据产生变化时, 则及时改变各粒子权值, 以此来做递推计算。
根据上述算法原理能够看到, 此算法存在一个瓶颈, 即在从q (XkZk) 中选取一定数目的带权值粒子参与运算的过程中, 选取粒子的数目是一个固定的值。当外界环境比较复杂时, 即需要很大的粒子数目N时, 会大幅度增加算法的时间复杂程度O (N) , 外界环境的复杂程度越大, 时间复杂度越高, 可表示为:
算法时间复杂度的计算公式如下:
式 (8) 中包含了环境的复杂程度, 能够近似地表示所需的粒子数。td指单个粒子所消耗的时间。从以上公式可以看出, 在应用算法时, 如果参与计算的粒子数目越多, 算法所消耗的时间就越大, 这将成为此算法的重大阻碍。
2 粒子滤波算法的改进
当粒子滤波算法应用于复杂环境时, 需要参与计算大量的粒子, 这将使算法进行大量的计算, 浪费了很运算时间。因此, 粒子数自适应调节的粒子滤波方法被提出。根据异同状况, 及时地调节所用的粒子数, 加速了计算, 依据第1节的算法时间复杂度公式能够得知, 当参与运算的粒子数减少时, 将大幅度降低算法的耗时, 从而提升算法的速度。
2.1 采样重要粒子
在粒子算法中, 非常重要的步骤是采样重要的粒子。如果从p (xk∣yt:k) 中采样N个独立同分布的样本{x10:k, x20:k, …, xN0:k}, 则状态的概率密度函数能够用经验分布逼近:
然而, 算法往往难于从状态的概率密度函数中直接采样, 而欲要独立抽取的N个样本却适合于在已知的重要分布函数q (x0:k∣y0:k) 中得到, 抽取的样本点进行加权求和来近似得到p (x0:k∣y1:k) :
其中, 指归一化后的权值。
为了获得权值递推方程, 后验概率密度函数则被分解为:
其中:
因此, 概率密度函数被分解为:
根据上述方法可以有效采样算法中的粒子, 依据目标、背景的繁杂度来选择不定数目的粒子进行计算。然而, 使用传统粒子滤波算法时, 如果有比较复杂的背景, 那么过多参与运算的粒子数将会增加算法的运行时间。因此, 假若物体目标、背景等多样变化, 自适应调节计算的粒子数是急需解决的问题。
2.2 在线调整粒子数
由于粒子滤波算法使用了过多的粒子数[10], 因此所需的时间较长。其滤波时间与需要的粒子数成正比。在确保一定性能的情况下, 根据算法实时的应用状况, 自适应地降低粒子数, 则将很好地减少滤波粒子数, 进而大大降低滤波时间。
对于改进的方法, 通过各阶段产出的滤波值μk和滤波误差方差pk来确定N (μi, pk) , 其表示k时的{Xk, i=1, …, N}分布。定义算法评估指标:
其中, t指完成一次实验的时耗, RMSE指滤波误差, IEI滤波性能指标表示不仅考虑精度预测, 而且考虑了运算效率, IEI值越大, 算法的综合性能就越好。其综合的性能代价 (IPC) 函数被定义如下:
其中, f (εk) 指误差评估的概率密度函数, ;m指比例参数;N (k) 指需要的粒子数, 指处理一个粒子的平均时耗。指粒子一阶均值对μk-1评估时产生的误差。计算k时的IPC函数:
根据式 (15) 可以得到:
在式 (16) 基础上计算积分得到:
N (k) 指所需的粒子数, 由式 (17) 知, 依据不同的情况与时刻, 能够动态地对粒子数进行调节。这样, 与传统的粒子滤波算法相比, 改进的粒子滤波算法随着应用背景、目标的复杂多变, 所需计算的粒子数会自适应地调整。当没有粒子参与计算时, 算法会动态地减少参与运算的粒子数。通过式 (8) 可以知道, 如果减少粒子数, 算法的运行时间则会降低, 提高运算效率, 达到了提高算法速度的目的。
3 性能评价
本节通过实验来评价提出算法的性能。实验数据通过仿真生成非线性序列得到, 定义仿真系统为:
初始状态设定为p (x0) ~N (0.075) , w (k) 指方差为0.75、服从高斯分布的白噪声。在本实验中, 抽样的粒子数为40, 并进行Monte Carlo仿真实验50次。选择改进后的动态调节粒子数的粒子滤波算法和传统的粒子滤波方法[7]进行实验测试。统计了算法所用到的粒子数, 并对两种算法所消耗的时间做了统计。
图1为50次仿真实验中, 改进粒子滤波算法不同次数所计算粒子数的变化;表1呈现了传统算法与改进算法的实验结果对比。基于第1节中预备知识, 对传统算法与改进算法的平均消耗时间O (N) 进行统计, 以此对两种算法的耗时程度加以衡量, 如表2所示。
依据图1、表1和表2的实验比较结果可以清楚看出, 传统的粒子滤波算法在遇到复杂场景的情形时, 有大量粒子数目参与计算, 算法所消耗的时间巨大。而提出的算法能够有效地执行粒子数目的动态调节过程。从表1的统计结果能够看出, 根据在线动态地调节粒子数, 使得提出的算法所需的平均粒子数比传统算法所需的粒子数大大减少。从表2中可以看到, 提出的算法所消耗的时间复杂度比改进前算法的耗时有了大幅度减少, 也大大降低了算法的消耗时间, 使算法在效率上有了较大的提高, 在应用性上也有了更大程度的扩展。因此, 提出的动态调节粒子数的滤波算法较改进前, 在消耗时间和性能上有了较大的提高。
此外, 通过另一组实验来进一步验证改进算法的性能。目标选用人脸视频数据进行跟踪实验。在实验脸部跟踪的过程中, 选取一些用摄像头拍摄的办公室AVI视频, 如图2所示。在这些视频中, 有接近肤色的光照区域背景, 人脸随着人的自然运动而运动。视频具有240×320的分辨率、每秒15帧的帧率, 以及41×23的目标大小。
本组实验将改进的算法与MSEPF跟踪算法[11]进行比较, 对同一视频进行测试。比较的指标为两种算法的跟踪误差以及第1节基础知识中涉及的平均消耗时间O (N) , 如图3和图4所示:明显看出, 两种算法在准确性上相差很小, 都能够准确跟踪到目标, 但改进的算法在平均消耗时间上计算量很小, 得到了很好的结果。
4 结语
提出了一种新的粒子滤波算法, 自适应调节粒子数, 依据特定的场景自适应地调节参与计算的粒子数, 极大地加速了算法的执行时间, 能够有效地提升粒子滤波算法的效率。
参考文献
[1]Bregler C, Malik J.Tracking people with and exponential maps[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) , Santa Barbara, CA, 1998:8-15.
[2]刘小明, 庄越挺, 潘云鹤.基于模型的人体运动跟踪[J].计算机研究与发展, 1999, 36 (10) :1268-1273.
[3]Thrun S, Fox D, Burgard W, et al.Robust monte carlo localization for mobile robots[J].Artificial Intelligence, 2001, 128 (1/2) :99-141.
[4]夏益民, 杨宜民.一种基于自适应进化粒子滤波的移动机器人定位方法[J].微电子学与计算机, 2010, 27 (2) :64-67.
[5]朱明清, 陈宗海.基于椭圆区域协方差描述子和卡尔曼粒子滤波的鲁棒视觉跟踪方法[J].控制与决策, 2011, 26 (5) :721-726.
[6]初红霞, 王科俊, 王希凤, 等.多特征融合的退火粒子滤波目标跟踪[J].计算机工程与应用, 2011, 47 (6) :164-167.
[7]Arulampalam M S, Maskell S, Eeal G N.A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J].IEEE Transactions on Signal Processing, 2002, 50 (2) :174-188.
[8]Olivier C, Smon J G.An overview of existing methods and recent advances in sequential Monte Carlo[J].Proceedings of the IEEE, 2007, 95 (5) :899-924.
[9]Gordon N, Salmond D, Smith A F M.Novel approach to nonlinear/non-Gaussian Bayesian state estimation[J].IEEE Proceeding of Radar Signal Process, 1993, 140 (2) :107-113.
[10]Julier S J, Uhlmann J K.Unscented filtering and nonlinear estimation[J].Proceedings of the IEEE, 2004, 92 (3) :401-422.
动态滤波 第2篇
基于动态自适应滤波的移动机器人障碍检测
设计并实现了一个移动机器人感知系统,将二维激光雷达固定在一个精密电控转台上,通过转台水平与俯仰角度的`转动感知环境.为了检测障碍,依据该系统的环境感知信息建立了高度图.针对系统误差与传感器噪声干扰提出一种动态自适应滤波器,通过激光测距数据时空关联性的分析进行实时动态地滤波.此外,采用Gauss分布的平滑滤波器减少扫描间隙.在导航过程中,通过对高度图进行地形平坦性分析判断可行区域与障碍区域以实现避障.实验表明基于动态自适应滤波的障碍检测方法是有效的,可以为非结构化环境下移动机器人导航中路径规划、自定位提供支持.
作 者：于金霞 蔡自兴 邹小兵 段琢华 作者单位：于金霞(中南大学信息科学与工程学院,长沙,410083;河南理工大学计算机科学与技术学院,焦作,454003)蔡自兴,邹小兵,段琢华(中南大学信息科学与工程学院,长沙,410083)
刊 名：自然科学进展 ISTIC PKU英文刊名：PROGRESS IN NATURAL SCIENCE 年，卷(期)： 16(5) 分类号：N1 关键词：移动机器人 障碍检测 感知系统 高度图 动态自适应滤波有源动态滤波器对电能质量的改善 第3篇
电能质量问题通常是指面向用户的供电可靠性和电压质量问题。在低压配电网中, 由于负荷电流的特性直接影响着供电电压的质量, 因此还可以将电能质量问题分为电压质量和电流质量2个方面。其中电压质量问题是指电压波动和闪变、电压谐波、电压三相不平衡、电压下跌和电压中断等问题。电流质量问题则是指电力电子设备等非线性负荷给电网带来的电流畸变、一些效率较低的电机设备所引入的大量无功电流、单相负荷引入的不平衡电流 (负序电流和零序电流) 、低频负荷变化造成的闪烁等。
安钢集团烧结厂4 0 0 m 2烧结系统普遍使用了变频器、软起动器和电除尘的整流设备, 由于这些设备种类多, 产生的各种谐波相互叠加, 严重影响了P L C等其他设备的运行, 造成控制系统误动作, 频繁停车。经过测量400m2主控楼低压配电室谐波比较严重。因此, 根据需要的谐波补偿电流情况采用了有源动态谐波补偿装置。
1 低压配电室电能质量改善前状况
安钢集团烧结厂400m2主控楼低压配电室3#变压器容量为1000kVA, 所带负荷为烧结机、环冷机等主要设备, 变频器多, 经过测量, 3#变压器所带的负荷中谐波电流较大, 谐波含量较高, 达到15% (负荷电流在280A时) 。补偿前5、7、8、10、11次谐波含量丰富, 5次谐波约32A, 7次谐波约22A, 电流总谐波畸变率约15%, 对PLC干扰大, 给系统引入了较大谐波, 污染了系统电流, 影响了系统电能质量, 因此需要进行谐波治理。
2 电能质量改善措施及效果
根据以上测量结果, 在400m2主控楼低压配电室采用有源动态滤波器 (APF) , 即在3#变压器出口处并联一台 (APF) 进行补偿, 补偿电流100A。APF现场安装图如图1所示。
A P F通过先进的检波技术检出负荷的无功、谐波、不平衡成分, 然后利用逆变技术发出需要补偿的成分从而实现补偿功能。有源电力滤波器相当于一个特殊的发电机, 特殊在它只输出无功、谐波、不平衡成分, 并且可以根据负荷的不同自动调整自己的输出。A P F电气原理如图2所示。
补偿前负荷A相总电流的波形如图3所示, A相电流中以5、7、11、19次谐波为主, 5次谐波约32A, 7次谐波约22A, 总谐波畸变率约15.7%。
APF投运后A相总电流的波形如图4所示。补偿后5次谐波约7A, 7次谐波约6A, 总谐波畸变率约5.74%。
补偿前、后400m2主控楼3#变压器系统电流测量结果分别如表1、表2所示。
3结语
动态滤波 第4篇
伴随着光照模拟技术、多次曝光拍照技术以及新感知技术的不断取得进展, 高动态范围图像的获取也变得越来容易, 这促使在低动态范围媒介上显示高动态范围图像的需求变得越来越迫切, 因此降低高动态范围图像的对比度在图像处理、医学成像、真实感绘制以及数字拍照等领域都有着巨大的需求。常规成像及显示设备的受限动态范围问题吸引了图形学界的广泛关注, 研究人员提出了大量的算法以捕获高动态范围图像的照片及视频。此外, 大量色调映射算法也被提出用于压缩图像的动态范围, 从而使其可以在常规设备上正常显示[1,2,3,4,5,6,7]。
色调映射是一类用于解决真实世界光照与传统设备受限的显示范围之间的矛盾图像处理技术。文献[8]最早将这个概念引入到了图形学界, 随后文献[9]提出了第一个色调映射算子用于降低动态范围, 但该方法会导致反向梯度的出现在光源周围形成光晕。随后, 文献[10]提出了一个全局的操作算子解决了这个瑕疵。色调映射操作可以分为全局方式和局部方式。由于全局操作对所有像素都应用同样的映射函数, 绝大部分的全局技术都不适合于解决对比度降低的问题。利用人的视觉对局部的对比度敏感的特点, 局部操作采用一些依赖于像素邻域的映射, 从而达到降低对比度的目的。绝大部分的局部色调映射技术都将输入图像分解为不同的层或者尺度, 然后对不同的层分别进行对比度调整, 最后将调整后的各层重新组合在一起。
文献[7]中的方法采用了一种双边滤波技术实现图像的对比度调整。尽管双边滤波算法可以通过保特征权来保持图像的特征, 但是对于过于复杂的图像细节特征的保持仍然存在较大的问题。本文提出了递归引导滤波算法, 基于该算法实现一种快速、鲁棒的对比度调整方法, 能够在降低输入动态范围图像的对比度的同时, 有效的保持原始图像的细节信息。首先, 用本文提出的递归引导滤波算法把原始图像分成轮廓层和细节层, 然后采用一个缩放系数对轮廓层的对比度范围在对数域压缩, 达到一个用户可控的基对比度。在进行像素强度的对比度调整后, 再重构出新的图像, 得到图像的颜色信息, 对比度调整过程中保持细节特征不变, 从而很好的保持了原始图像的细节信息。
2. 递归引导滤波算法
图像本身可以看作是一个二维离散信号, 我们先考虑其中的一维离散信号。对于一维离散信号, 可以通过一阶递归滤波器来执行非保边缘滤波, 如下所示:
其中, 为反馈系数。该滤波器拥有一个指数衰减的无限脉冲响应 (IIR) , 即在位置i上大小为m的一个脉冲可以产生一个大小为m (1-a) aj-i (j3i) 的响应。注意到j-i可以看作是采样点xi与xj的距离, 假设我们拥有单一的釆样间隔, 则可以在变换域上定义一个递归的保边缘滤波器[11], 如下所示:
其中, 为变换域内相邻采样点xn和xn-1之间的距离, 而其中
随着d的增大, dd会急剧趋于0, 从而停止传播链并保持边缘。由于公式 (1) 的脉冲响应只取决于之前的输入输出, 所以它是非对称的。可以通过应用两次滤波来达到对称响应, 即对于一维信号, 从左到右 (从上到下) 执行公式 (1) , 再从右到左 (从下到上) 执行公式 (1) 。对于一幅图像, 需要将水平、垂直两个方向上都执行该滤波过程。滤波器的反馈系数可以由滤波器期望方差计算得到由于所以滤波器是稳定的。
保持边缘滤波器虽然可以较好地保持图像边缘, 但是并不能较好地保持图像的复杂细节特征。受文献[12]的启发, 我们将引导滤波权引入到保边缘滤波器, 提出了递归引导滤波器, 如下所示,
wk为包含了采样点xn与xn-1的窗口, wk的大小由半径r决定, |w|为wk中的采样点数。mk为wk中像素点的均值, Sk为wk中像素点的均方差。
3. 高动态范围图像对比度调整
3.1 高动态范围图像的多尺度分解
对于给定的输入图像, 将其转换到CIELab颜色空间。采用本文定义的递归引导滤波器 (式 (2) ) 对原始图像进行滤波, 抽取图像的细节。我们将滤波后的图像称为原始图像M的轮廓层MB。原始图像M与轮廓层MB之间的差值D称为曲面M的几何细节:D=M-MB, 即各个像素点i在原始图像M与轮廓层MB之间的偏移量。
如果我们对原始图像M连续多次采用递归引导滤波器进行累进滤波, 可计算出其累进的轮廓层Mi, 相应地可获取原始图像M的多尺度细节Di:
Di称为第i层细节。Mi保持原始图像M重要的特征, 而细节层Di包含每次滤波后Mi-1的细节改变值。在计算累进轮廓层时, 为更好地抽取细节, 引导滤波权Wn, n-1中参数取不同的值, 我们取Sk, i=2i-1g sk, i-1, i>1, 其中Sk, 0=Sk, Sk, i为第i次滤波时引导滤波权的参数Sk的取值。在进行多尺度地滤波时, 反馈系数a中的核SH通常保持不变。
3.2 轮廓层对比度调整
图像在对数域上的变化非常接近于人眼对于亮度变化的模式, 因此采用对数方程来调整高动态范围图像的轮廓层, 能够取得较好的效果。对数方程的基本公式如下:
公式 (3) 只是一个简单的视觉模型, Drago对其进行了改进[13,14], 提出了一个新的对数方程, 如下所示。
式 (4) 中, Lmax为各像素的最大亮度值;exp osure为用户可调节的曝光度参数;Ld, max为显示设备能够显示的最大亮度值, 作为显示用的量化参数, 通常取;Lw为各像素点的亮度值。
利用对数变换调整对比度难点在于对数方程中基数的选择。选用不同的基数, 处理效果有很大的差别。为了能够根据每个像素的亮度值自动调节对数方程的基数, 使之在2至10之间变化, 算法采用了一个自适应的对数基数方程:
式 (5) 中的参数b为用户可调节参数, 对亮区和暗区影响明显, 推荐取值范围 (0.5, 1.0) 。
该算法在CIELab颜色空间使用公式 (4) 来压缩图像轮廓层的动态范围。在该空间下, 将L通道的值带入到 (4) 中计算, 得到动态范围被压缩的亮度值, 再将亮度值的数据作为一个系数为1/2.2的伽马校正之后, 转换至RGB颜色空间, 即可得所需的图像轮廓层。
3.3 高动态范围图像的重构
由于图像细节Di是从原始图像M分解出来, 将进行过对比度调整后的轮廓层和多尺度细节Di相加, 可重建出对比度调整后的完整图像Mnew:
需要指出来的是, 我们不改变原始图像M的几何拓扑信息, 直接对M滤波获取其细节, 而不必对其进行多分辨率下采样计算图像细节, 采用这种方法有利于有效地抽取出细节, 同时也方便于结果的重建。
4. 实验结果与讨论
我们在Pentium Dual-Core CPU E6500@2.93GHz, 4GB RAM的PC机硬件环境下, 基于C++和matlab混合编程实现了本文的方法, 并在各种合成/真实的图像上进行测试。图1为本文的方法与文献[7]方法的比较。本文的方法可以解决一些极具挑战性的问题, 如室内光照、落日、风景照片并保持非常逼真的效果。相较于文献[7]方法的结果, 本文的方法更加优越。
我们在表1列出了上述图像处理结果的熵值统计数据。可以看出, 本文的方法在调整图像对比度的同时, 比文献[7]方法保有与原始图像更为接近的熵值。而熵值越为接近原始图像, 说明其信息保有量也接近原始图像, 图像细节损失越少。
除此以外, 还给出了我们的方法与文献[7]方法、Photoshop软件处理的计算速度对比, 如图2所示。相比文献[7]方法、Photoshop软件的算法, 本文的方法要快很多, 算法效率有了一个很大的提高。
5. 结论
动态滤波 第5篇
数字化电流控制器是目前研究的热点之一, 但是在数字化控制过程中, A/D采样、控制量计算和脉宽调制 (PWM) 输出等环节都会不可避免地引入延时, 从而导致无论采取何种电流控制算法, 变流器的输出电流总是滞后于指令电流。解决上述延时问题的最好办法是对负荷电流进行预测, 根据预测值对负载进行补偿。以有源电力滤波器 (APF) 的控制为例, 只要能够在tk时刻提前预测出tk+ΔT (ΔT为变流器输出电流滞后于指令电流的时间) 时刻需要补偿的谐波电流, 并以此预测电流作为APF在tk时刻的指令电流, 则APF能够恰好在tk+ΔT时刻输出负载所需的补偿电流, 这样, 尽管APF控制算法固有延时仍然存在, 但其对非线性负载的补偿效果却大大改善。
采用曲线拟合的方法进行信号预测是最直接的一种预测思路, 例如, 线性插值法[1]、抛物线插值法[2]等方法就常用于预测正弦变化的系统电压信号。另外一种预测正弦电流和电压的思路是通过Park变换将其转换为旋转坐标系下的直流分量, 然后只需要在其Park反变换的相位角上矫正一个超前的角度, 即可准确预测出任意时刻的电流和电压值[3,4,5]。对于周期变化的信号, 还可直接利用前一个或前几个周期的采样数据进行预测[5,6,7,8]。
文献[1,2,3,4,5,6,7,8]提出的电流预测算法都基于负荷电流变化的某种特征先验知识, 如果将其应用于预测瞬时值变化剧烈且毫无规律的冲击性负荷电流, 则预测效果将非常令人不满意, 严重时甚至会导致补偿效果变差。
本文利用自适应滤波技术无需信号与噪声的任何先验知识的特点, 提出了一种改进的能够适用于冲击性负荷的谐波电流预测算法。仿真和实验结果表明, 该方法实时性好, 预测精度高, 且计算量适中, 便于数字化实现, 具有极大的工程应用价值。
1 传统的基于自适应滤波器的谐波电流检测算法
自适应滤波技术已经广泛应用于通信、自动控制、雷达等系统辨识及信号处理领域, 在谐波检测方面的应用可归结为自适应噪声对消 (adaptive noise cancelling, ANC) 技术[9,10,11,12,13]和自适应有限脉冲响应 (FIR) 预测滤波器[14,15]。
1.1 ANC技术
ANC法是Widrow提出的一种基于自适应滤波器的信号检测方法, 它能够把一个信号S从加性噪声n0中分离出来, 检测原理如图1所示。
采用ANC法进行谐波电流检测时, 取负载电流iL作为原始输入信号, 将其中的基波电流iLf作为噪声干扰信号, 而将谐波电流iLh作为需要检测的信号, 则可取基波正弦信号sin ωt和余弦信号cos ωt作为参考输入, 易知它们与基波电流相关, 而与谐波电流不相关。因此, 可以通过自适应滤波器 (有关自适应滤波器原理的介绍见附录A) 得到噪声干扰信号iLf及需要检测信号iLh在最小均方 (LMS) 意义下的逼近值。不过, ANC法只能实时检测谐波电流, 不具备提前预测能力。
1.2 自适应FIR预测滤波器
基于FIR结构和LMS算法的自适应滤波器原理如图2所示。
图2中:自适应滤波器的输入数据序列为X (n) =;L为输入数据序列的维数;z-1为单位延迟因子;y (n) 为期望输出;
式中:A (n) 为滤波器系数向量, 由自适应滤波器根据前一个采样周期的预测误差自动调整。
可见, 采用自适应FIR预测滤波器能够提前1个采样周期预测谐波电流信号, 但是目前已有的算法计算量都太大, 难以在现有的控制器硬件条件下实现。
2 基于改进自适应FIR预测滤波器的动态谐波电流预测算法
非线性负载电流信号可以用由一系列谐波电流信号叠加组成的多项式来拟合, 而多项式系数可以通过递推最小二乘 (RLS) 算法实时估算。基于这一基本思想, 本文提出了基于如图3所示的改进自适应FIR预测滤波器的谐波预测算法。
与基于传统的自适应FIR预测滤波器的预测算法不同, 本预测算法依据采样得到的系统电压基波相位角ωtk, 通过查正余弦表生成RLS算法所需要的输入数据序列, 而实时采样得到的电流Itk只作为预测算法的期望输出来校正滤波器的参数ai。这样做的好处是可以减小采样误差对滤波器参数辨识的扰动, 同时, 预测算法更为灵活, 可以预测任意时刻的电流, 而不仅仅是整采样周期时刻的电流。
图3中,
式中:A=, 为滤波器参数;N=2n;F=COS K1ωT, SIN K1ωT, COS K2ωT, SIN K2ωT, …, COS KNωT, SIN KNωT;ki为需要预测的谐波电流次数, 可以不是整数。
如上所述的改进自适应FIR预测滤波器的输入数据序列生成方式与ANC法采用的方式完全一致。不同之处在于ANC法采用LMS算法, 根据cos ωt及sin ωt这2个基本量检测出电流中的基波分量, 最后将基波分量从总电流中扣除, 从而得到谐波电流。而改进自适应FIR预测滤波器却直接从cos ωt及sin ωt等基本输入量自适应滤波得到负载电流的所有低频分量 (包括基波电流和谐波电流) , 这是一种全新的思路。
上述思路能够得以实现的关键技术在于改进自适应FIR预测滤波器采用了带遗忘因子的RLS算法, 当遗忘因子选取得比较小时, 相当于用辨识出来的曲线去拟合最近采样得到的几个数据, 因此, 它不仅能够检测出输入信号所指定的需要预测的谐波电流成分, 也能检测出输入信号中并没有包含而实际电流中存在的低次谐波电流成分。
附录B图B1给出了改进自适应FIR预测滤波器的输入数据序列只取基波正弦和余弦信号、遗忘因子取为0.7时, 非线性负载电流仅含有高次谐波分量和同时含有高次谐波分量及白噪声干扰时的预测结果。通过对预测结果的分析可以得出如下结论:即使在改进自适应FIR预测滤波器只采用基波正弦和余弦信号作为输入数据序列时, 尽管非线性负载中除了基波电流外还含有非常严重的高次谐波电流, 最后预测得到的结果仍然非常准确, 误差几乎为0;当负载电流在0.04 s发生阶跃增大1倍时, 辨识得到的滤波器参数也将随之发生波动, 响应时间约为5 ms, 预测电流的误差跟踪响应时间更短, 只经过约2.5 ms就重新恢复到0, 可见该预测算法的动态响应速度是比较快的;白噪声干扰会对预测算法的精度造成非常大的影响。白噪声干扰可能是A/D采样的误差或逆变器开关动作所带来的干扰, 为了避免它对预测算法精度的影响, 可采用低通滤波器对采样信号进行预处理。为了避免低通滤波器带来延时和幅值衰减, 对预测算法精度造成影响, 其截止频率不宜选得太低。
通过进一步的仿真发现, 采样周期对该算法预测精度的影响非常大, 为了提高预测算法的精度, 应尽量减小采样周期。此外, 还可通过增加最小二乘法 (LSM) 的输入数据的维数来提高算法预测精度, 即在输入数据序列中除了采用基波正弦、余弦信号外, 还可包含与负载主要谐波分量同频率的谐波正弦、余弦信号。另外, 增加每采样周期内LSM的迭代次数, 也能在一定程度上提高算法的预测精度[14]。
改进自适应FIR预测滤波器还具有计算量适中、便于数字化实现的优点。算法的计算量主要集中在LSM迭代算法上, 根据其递推公式 (见附录A) 可知, 每迭代一次需要进行5L2+6L+1次乘法和3L2+4L+2次加法运算, 需要存储L2+L个中间变量, 其中, L为输入数据序列的维数, 也是需要辨识的滤波器参数的个数。由于本文所提出的预测算法需要辨识的滤波器参数比较少, 一般不超过6个, 因此整个算法的计算量非常小, 远小于文献[14,15]中提出的预测算法, 它们需要辨识的参数多达200个。该预测算法采用数字信号处理器 (DSP) 芯片 (指令周期可达12.5 ns) 实现时, 能够在10 μs内完成计算, 实时性较好。
另外, 本文所提出的改进自适应FIR预测滤波器以低频电流信号 (包括基波和低次谐波分量) 为预测目标, 只有高频噪声才是干扰源, 这些高频噪声一般很小, 且可以通过低通滤波器提前滤除, 因此算法不存在谐波干扰信号过大而导致的收敛问题。
综上所述, 基于本文所提出的改进自适应FIR预测滤波器能够方便地预测出任意时刻的负载电流, 然后再采用基于瞬时无功功率理论的ip-iq谐波电流检测算法, 就能够准确地从预测得到的电流Itk+ΔT中提取出需要补偿的谐波电流Ih, tk+ΔT。整个预测算法的流程如图4所示。
3 仿真和实验结果
为了检验本文所提出的动态谐波电流预测算法的有效性, 首先采用PSCAD仿真软件对其进行了仿真研究。仿真中, 将指令电流信号经过延时环节 (用来模拟数字控制器的延时, 本文设为数字控制器的采样周期) 后控制一个受控电流源来模拟补偿装置;用另外一个受控电流源复现轧钢机的现场录波数据作为负载。低通滤波器的截止频率设为10 kHz, 数字控制器的采样周期设为80 μs, 每个采样周期内LSM迭代4次, LSM的输入数据序列采用4维数组, 分别是基波正弦、余弦信号和5次谐波的正弦、余弦信号。采用预测算法前后系统电流的总谐波畸变率 (THD) 仿真结果如图5所示。
从图5可以看到, 采用动态谐波预测算法后, 整个轧钢过程中, 系统电流的THD降低, 从没有采用谐波电流预测算法时的5%左右下降至1%左右, 完全满足国标要求。
附录B图B2给出了轧钢机工作过程中系统电流的谐波频谱分析。由频谱分析结果可知, 在没有采用动态谐波电流预测算法时, 补偿器对11次以上的高次谐波电流基本没有补偿效果, 对低次谐波电流的补偿也不够理想。而采用动态谐波电流预测算法后, 大大改善了补偿器对这些低频段谐波电流的补偿效果。以上仿真结果表明, 本文所提出的预测算法对轧钢机这类动态冲击负荷的动态响应速度是满足要求的。
最后, 将动态谐波电流预测算法应用于基于TMS320F2812 DSP数字化控制器的APF实验样机, 以带阻感性负载的不控整流桥作为负载, 对其进行进一步的实验验证, 结果如图6所示。
受大功率绝缘栅双极型晶体管 (IGBT) 器件的开关频率限制 (通常采用10 kHz左右) , APF一般只能够补偿2次～20次谐波电流, 至于更高次的谐波, 一般采用高通无源滤波器滤除, 因此本文主要分析APF对低频段谐波的补偿效果。从图6可以看出:在采用动态谐波电流预测算法之前, APF补偿效果较差, 其中, 17次谐波电流经过补偿后不但没有减小反而增大了;采用动态谐波电流预测算法后, APF的补偿效果大大提高。理论上分析补偿后系统电流的谐波分量应该会减小为0, 但是由于控制器检测和控制过程中不可避免地存在一定的误差, 因此补偿后系统电流仍然存在一定的谐波分量。
4 结语
本文提出了一种基于改进自适应FIR预测滤波器的动态谐波电流预测算法, 与传统的自适应预测滤波算法相比, 具有以下优势:
1) 迭代过程所需的输入信号不直接采用电流采样值, 而是依据当前采样时刻系统电压的基波相位角查表生成相应的正弦、余弦信号, 从而可以避免采样误差带来的对滤波器参数辨识的扰动, 同时使预测算法更为灵活, 可以预测任意时刻的电流, 而不仅仅是整采样周期时刻的电流。
2) 为了预测动态冲击负荷电流, 本文预测算法在调整滤波器参数时采用了带遗忘因子的RLS算法, 使得对电网谐波电流的预测精度大大提高。
3) 本文预测算法需要辨识的参数远少于传统的自适应FIR预测滤波算法, 因此计算量非常小, 便于数字化实现。
仿真和实验结果表明, 本文所提出的预测算法能够有效补偿数字化控制器固有的控制延时, 从而明显改善其对电网负载谐波电流的补偿效果。
附录见本刊网络版 (http://www.aeps-info.com/aeps/ch/index.aspx) 。
摘要：数字化控制系统常采用预测算法来克服控制器延时对补偿效果的影响。通常对于缓慢变化的负荷, 电流预测比较容易, 但对于动态冲击负荷, 电流预测则十分困难。目前已有算法的预测效果都不令人满意, 严重时甚至会导致补偿效果变差。针对以轧钢机为代表的动态冲击负荷, 提出了一种基于自适应滤波器的谐波电流预测方法。该方法是用由一系列谐波电流信号叠加组成的多项式来拟合非线性负载电流信号, 采用了带遗忘因子的递推最小二乘法来实时估算多项式的系数。仿真及实验结果表明, 所提出的预测方法计算量适中, 便于数字化实现, 对动态冲击负荷具有非常高的预测精度, 大大改善了控制器的补偿效果。
动态滤波 第6篇
近年来大量变流型负荷的广泛应用造成了电网谐波污染,对用户设备的安全运行构成威胁。有源电力滤波器APF(Active Power Filter)是一种能有效抑制谐波污染的主动式补偿装置[1]。其性能的好坏很大程度上取决于对谐波电流实时、精确的检测,因此它所采用的谐波电流检测方法具有重要的意义。现有的谐波电流检测方法主要有快速傅里叶变换法[2]、瞬时无功功率理论[3]、小波变换和自适应[4]等,但是各自的缺陷限制了这些方法的进一步应用。
在APF的谐波检测中,基于自适应噪声对消技术的定步长算法跟踪精度较高,但算法收敛速度太慢[5],不能满足实时跟踪的要求。为了提高定步长最小均方(LMS)算法的收敛速度,一些文献提出了变步长最小均方VSSLMS(Variable Step Size Leas Mean Square)算法[6,7,8,9,10]及动量项最小均方MLMS(Momentum Least Mean Square)算法[11],使得算法的收敛速度有了很大的提高,但在低信噪比的情况下其跟踪的基波会产生一定的稳态失调,而且当负载突变情况下,会造成跟踪精度的降低。
本文提出一种动态因子最小均方DFLMS(Dynamic Factor Least Mean Square)谐波检测算法。该算法以误差信号的自相关估计作为权值调整的依据,通过引入动态因子用以降低对瞬时误差自相关值的敏感性,从而减小了低信噪比情况下的稳态失调,增强了算法对噪声的抗干扰性。该算法对均方误差的时间平均进行限幅以及通过动态因子对步长进行微调,加快了动态响应速度,减少了稳态失调。通过仿真给出算法的性能分析。实验结果表明该方法不但加快了算法的跟踪速度,而且提高了跟踪精度,减小了稳态误差,具有较好的自适应能力。
1 自适应谐波检测
1.1 自适应噪声对消法原理
自适应噪声对消技术是Widrow在信号处理中提出的一种信号处理方法,该方法具有自适应和自学习能力,可以把一个期望信号s从加性噪声n0中分离出来,使检测系统始终工作在最优状态,其工作原理如图1所示。检测系统有2个输入:原始输入s+n0和参考输入n1。其中s和n0、n1都是不相关的,而n1和n0是相关的。自适应滤波器通过所采用的算法自动调整自身参数,使得滤波器输出n0*无限接近噪声信号n0,从而使误差信号e逼近期望信号s,达到抵消噪声n0的作用。可以证明当自适应滤波器调节完成后,其输出信号n0*是噪声信号n0的最小方差估计。该方法无需信号和噪声的先验知识,通过对消技术减去噪声,可获得更好的期望信号s[12,13]。
1.2 APF工作原理
APF工作原理如图2所示。
APF通过谐波检测电路检测非线性负载电流iL(t),并计算出应补偿的电流期望值ic*(t)。然后采用适当的控制方法通过功率逆变器产生相应的补偿分量ic(t)并注入电网中,以达到消除谐波的目的。对流过非线性负载的周期性非正弦电流iL(t)进行傅里叶分解:
其中,i1(t)为基波电流;ih(t)为谐波电流总量。这里,谐波检测电路无需检测出各次谐波分量,只需检测除基波电流、基波有功电流之外的谐波电流总量ih(t)即可。
1.3 APF的自适应谐波检测
将自适应噪声对消技术用于APF谐波检测,结构如图3所示。
其中,滤波器输入信号iL(n)表示非线性负载电流的采样值,参考输入x1(n)、x2(n)分别表示系统电压经锁相环后得到的正、余弦信号,w1(n)、w2(n)分别表示参考输入x1(n)、x2(n)的权值,权值大小根据算法进行在线调节,y(n)为自适应滤波器的输出,e(n)为用于权值调节的误差反馈信号。
在APF自适应谐波检测中,将iL(n)中的基波分量i1(n)视为期望信号,所有谐波电流总量ih(n)视为噪声信号。根据误差反馈信号e(n)控制权值W(n)的迭代,使得权值W(n)逼近最佳权系数Wopt。当W(n)达到最佳权系数时,输出y(n)即逼近基波分量i1(n),从而得到谐波电流总量ih(n)。根据LMS算法原理,记W(n)=[w1(n)w2(n)]T,X(n)=[x1(n)x2(n)]T,则迭代公式为
2 动态因子LMS算法
当采用式(2)定步长LMS算法求取加权系数W(n)时,由于步长选取一定,因此在权值迭代过程中,为了保证跟踪精度,势必影响权值W(n)的收敛速度。为此,本文提出动态因子LMS算法,在保持跟踪精度的基础上,极大加快权值的收敛速度,并提高了其稳定性。具体算法如下:
其中,k为动量系数(0
其中,βmax限定了最大收敛速度,其选取应保证算法的稳定性,通常为一较大的正数;βmin保证了算法收敛阶段较小的稳态误差,其选取应兼顾稳态失调和收敛速度的要求,通常为一接近于零的较小正数;而μmax、μmin步长选取与βmax、βmin类似,一般情况下μmax可选取为接近定步长LMS算法的临界稳定步长值[14]。
3 DFLMS算法性能分析
DFLMS的性能包括动态因子和步长的稳定性、算法的收敛性。
3.1 动态因子和步长的稳定性
由式(3)可知:
将权系数矢量及动态因子迭代式(3)写成另一种形式:
其中,V(n)=W(n)-Wopt为权误差矢量。因此式(7)(8)的均值可写为
其中,R=E[X(n)XT(n)]为输入信号矢量X(n)的自相关矩阵,ξ(k)=E[e2(k)]为均方误差。
设均方误差ξ(k)<ξmax,则动态因子均值的稳定条件为E[β(∞)]=λξmax/(1-η)。
若步长和权矢量及输入信号矢量是统计独立的,则步长均值的稳定性条件为E[μ(∞)]<2(1-k)÷λmax。式中,λmax为输入信号矢量自相关矩阵R的最大特征值。
3.2 算法收敛性
在稳定性条件下,很明显E[V(∞)]=0。则由滤波器输出及误差反馈量,均方误差可表示为
其中,符号tr(·)表示矩阵的迹,为矩阵主对角线元素代数和。因此分析均方误差即分析权矢量矩阵V(n)的收敛性,则
考虑到矩阵R为Toplize阵,且R=QΛQ-1,式中Λ=diag{λ1,…,λN}为对角矩阵,λi为自相关矩阵R的第i个特征值。则式(10)可写为
其中,。
由上可得,最小均方误差ξMSE收敛即表示矩阵V(n)收敛,即对角线的总和收敛。而
其中,G=[λ1,…,λN]T。由上可知:
所以ξMSE收敛条件是G中特征值全部在单位圆内。
4 仿真分析
初始收敛速度及稳态iL=i1+ih失调是衡量自适应滤波算法性能优劣的重要技术指标,本文从这两方面对定步长算法及DFLMS算法进行仿真分析。图4为仿真电路,非线性负载为单项桥式全控晶闸管整流电路后带RL负载,触发角为30°。负载电感L1=100 mH,负载电阻R1=15Ω。交流电压源电压us=220 V/50 Hz,电源内电感LS=0.5 mH。
在0 s投入谐波检测系统,权系数w1、w2初值均为0,检测系统在一个基波周期的迭代次数N=2 000。首先对传统定步长LMS算法仿真。图5(a)所示为非线性负载电流iL的仿真波形。图5(b)(c)所示为在相同的非线性负载电流条件下步长μ=0.001和μ=0.006时检出的基波电流的仿真波形。
由图5可见定步长LMS算法的内在固有缺陷带来性能上的矛盾:选取小的μ值,可以确保稳态时具有小的失调,但算法收敛速度偏慢。选取大的μ值,可以使收敛速度加快,跟踪能力更强,但是具有更大的稳态误差。
针对图4所示的电路,采用定步长算法(LMS)、变步长算法(VSSLMS)、动量项变步长算法(MLMS)及动态因子LMS算法(DFLMS)进行仿真研究。在0 s投入谐波检测系统,在0.1 s时晶闸管整流桥投入新的RL负载,负载电流幅值由10 A突变到20 A,用以进行突变负载情况下的仿真研究。对于LMS算法,步长μ取为0.005。其余算法中,步长选取μmin=0.005,μmax=0.01,步长初值为μmin。对于DFLMS算法,动态因子选取βmin=0.005,βmax=0.01,动态因子初值为βmin。其余参数选取如下:α=0.97,k=0.6,η=0.97,γ=0.5×10-3。由图6所示(图中,曲线1、2、3分别为VSSLMS、MLMS、DFLMS算法波形)仿真波形可知,与LMS算法相比,DFLMS算法具有很快的响应速度,收敛时间比定步长算法缩短约一个基波周期。与VSSLMS算法相比保持了MLMS算法的动量项又加速了算法的收敛速度。与MLMS算法相比在相近的响应速度下具有更小的稳态失调,提高了跟踪后的精度。
5 实验分析
本文实验装置采用晶闸管整流桥作为系统非线性负载,对相电流进行A/D转换及检测分析。主控制板以2块TI公司的TMS320F2812DSP芯片作核心运算及采样控制,以Altera公司的Cyclone EP1C12Q24017NFPGA芯片作为双口RAM并行处理数据,电流采样采用霍尔传感器(LEM)LA25-NP。在电流检测过程中,通过查表方式获得参考输入所需正余弦数据,对A相电压过零同步信号进行检测,在每一个电网周期起始处产生中断信号使处理器定位过零点。图7(a)所示为负载侧三相电流及a相电压波形,图7(b)为采用改进谐波检测算法,三相三线制APF投运后电网侧三相电流和a相电压波形。APF投运前后系统侧电流基波和各次谐波电流峰值对比表如表1所示。从中可以看出,APF投运后各次谐波电流均显著降低,谐波电流的总畸变率THDI分别从38.5%、34.1%、36.4%下降到3.82%、3.3%、3.9%。基波电流略有增加,基本满足了在较低信噪比情况下动态响应速度和检测精度,具有较强的抗干扰能力。
6 结论
动态滤波 第7篇
随着对测量系统性能要求的进一步提高和一些特殊领域应用的需要,人们希望传感器的动态特性能够迅速反映被测对象的变化。作为测试系统的关键环节——传感器,它的特性研究一直为人们所关注。然而,许多传感器的动态性不能满足这个要求,测量时将会导致动态误差。因此,如何减小动态误差,获取准确、可靠的被测信号,是动态测量需解决的重要问题之一。本文通过设计补偿滤波器,扩展了传感器的带宽,传感器的动态特性得到了明显改善。
2 压力传感器的动态数学模型的建立
针对压力传感器的动态校准实验中所测数据,建立了该传感器的动态数学模型。图1是激波管动态校准中,压力传感器的实测响应曲线,横坐标为采样点采样频率为4MHz。
为了提高辨识的精度,对数据进行预处理,消除观测数据中的趋势项,对输入输出数据进行滤波,剔除数据中的高频成分,并截取其中的800个数据用于辨识。响应曲线如图2所示
由高斯—牛顿法得到如图3的响应曲线:
高斯—牛顿法的基本思想是把非线性模型在未知参数初值处进行线性化,按最小二乘准则平差估计出一次近似值,然后以该近似值作为下一次线性化的初值,反复迭代计算逐次逼近真正的极小点。
上述图中实线为数据处理结果,虚线为模型仿真结果得到传递函数为:
3 压力传感器补偿环节的设计
设传感器三阶模型为
对于三阶模型不能同时替换零极点,否则,等效系统的阶数较高,且无法实现。设计补偿环节为
此时,等效系统为
式中,。用所希望的一个实数极点和一对共轭复极点去代替传感器的极点,而零点不变。
对Hb(S)进行变换,得
当确定后,即得到补偿环节的模型。依据实验数据,高斯—牛顿法方法得到的模型为:
采用双线性变换,得
选,建立补偿环节为:
传感器阶越响应和加补偿环节后的响应曲线如图4所示。
图4中的曲线1为补偿前的阶跃响应;曲线2为补偿后的阶跃响应;
图5中的曲线1为补偿前的阶跃响应;曲线2为补偿后的阶跃响应;
经过补偿,扩展了传感器的带宽,传感器的动态特性得到了明显改善。用零极点配置法设计补偿数字滤波器,其特点是:
(1)零极点配置法设计补偿环节,要依据传感器的模型。所以对建模精度有一定要求。但并不严格。由于人为控制极点,补偿效果比较明显。
(2)对于高阶系统,采用降阶的方法去近似处理以及用低阶补偿环节去校正。
采用动态补偿技术可以任意展宽系统的工作频带,但实际实施动态补偿时,不可能无限制的展宽系统频带,因为无限展宽频带会导致高频噪声的放大,甚至淹没用的信号,使得测量无法进行。频率展宽范围为传感器带宽的2~10倍为佳。
4 动态补偿滤波器的FPGA实现
目前,现场可编程门阵列FPGA在前端数字信号处理中正越来越多的取代ASIC和DSP。与DSP和ASIC相比,FPGA有更高的吞吐量、位级的可编程能力、开发的周期短和风险小等等优点。尤其是0nm技术在FPGA中的引入,使FPGA在电路集成数量和工作的频率上取得了飞跃的发展,使许多复杂的算法、片上系统得以实现。
4.1 基于DSP Builder数字滤波器的设计流程
DSP Builder是Altera推出的一个DSP开发工具,它在QuartusⅡFPGA设计环境中集成了Mathworks的Matlab和S imu lin k DS P开发软。DS P Bu ild er是一种基于Simulink的FPGA设计工具,它加速了用FPGA实现DSP的开发流程,实现了Simulink系统仿真模型到FPGA实现代码之间的无缝链接。
对DSP Builder而言,顶层的开发工具是Matlab/Simulink,整个开发流层几乎可以在同一环境中完成,真正实现了自顶向下的设计流程,包括DSP系统的建模、系统级仿真、设计模型向VHDL硬件描述语言代码的转换、R T L(逻辑综合Register TransferLevel)级功能仿真测试、编译适配和布局布线、时序实时仿真直至对DSP目标器件的编程配置。整个设计流程一气呵成地将系统描述和硬件实现有机地融为一体,充分显示了现代电子设计自动化开发的特点与优势。
4.2 设计步骤
在MATLAB/Simulink中建立一个*.mdl模型文件,用图形方式调用Altera DSP Builder和其它Simulink库中的图形模块进行设计输入,构成系统级或算法级设计框图。
如图6所示,使用DSP Builder提供的模块搭建IIR滤波器模型
4.3 在FPGA器件中实现动态补偿滤波器
双击Signal Compiler模块,出现初始化对话框。如果需要对模型图进行更新,可复选上“UpdateDiagram”。如果模型没被修改过并且在上一次生成代码时已经对模型进行过分析,可点击“SkipAalyze”略过分析,否则点击“Analyze”对模块进行分析。
在QuartusII环境中打开DSP Builder建立的QuartusII项目文件fir1.qpf。在QuartusII中指定器件引脚并进行编译,最后下载到FPGA器件中,就可以对硬件进行测试,加上CLCOK信号和使能信号,用信号发生器产生所要求的两个不同频率的正弦信号,就可以在示波器上看到滤波以后的结果。需要设计不同的滤波电路时仅修改IIR滤波模型文件就可以实现,这样不仅避免了繁琐的VHDL语言编程,而且便于进行调整。
5 结束语
本文采用辨识建模、动态补偿和FPGA实现相结合的研究方法,建立了压力传感器的动态数学模型,并由此分析了传感器的动态特性,设计出相应的动态补偿数字滤波器以改善传感器的动态特性,扩展其工作频带,以满足压力传感器用于测试的要求。利用Altera DSP Builder从Simulink模型自动生成FPGA实现代码的设计流程,缩短了设计周期,提高了设计的灵活性。
摘要：本文以压力的测试为背景,围绕压力传感器的动态特性研究及补偿这一主题,运用辨识建模和动态补偿技术,并进行了实验研究和计算机仿真研究,根据测得的实验数据建立了传感器的动态数学模型,在此基础上分析了压力传感器的动态特性,设计了动态补偿数字滤波器,明显提高了压力传感器动态响应的快速性和展宽了工作频带。最后本文运用了DSP Builder提供的模块搭建IIR滤波器模型,生成VHDL语言,下载到FPGA中,较好的实现了动态补偿数字滤波器。
关键词：压力传感器,建模,动态补偿,FPGA
参考文献
[1]黄俊钦.测试系统动力学[M].北京:国防工业出版社.1996
[2]陈锦荣,卜雄沫.应变式压力传感器特性补偿和应用[J].兵工学报.2006 9(1):81～85
[3]徐科军,唐霆.传感器零极点相消动态补偿法[J].科学通报.2004,39(9):682-686
[4]徐科军.传感器动态特性的实用研究方法[M].合肥:中国科学技术大学出版社.2006.
动态滤波 第8篇
1 对谐波及其危害的认识
1.1 对谐波的认识
1) 在水泥企业中大量应用电力电子元件为基础的电源设备如:各种变流设备 (整流器、逆变器、变频器、相控调速和调压装置、大容量电力晶闸管可控开关设备) 均为非线性负载, 这些设备在工作中向电源反馈高次谐波, 导致供电系统的电压、电流波形畸变, 使电力质量变坏, 所以说谐波是电力质量的重要指标之一。
2) 电网供给非线性负载, 使得流过的电流是非正弦波形, 这种电流波形是由基波和与基波频率成整数倍的谐波组成, 即产生了谐波, 使电网电压严重失真, 另外电网还必须向负载产生的谐波提供额外的电能。
3) 供电公司目前还没有对工矿企业治理谐波有强制要求。但国家电网发布过有关治理谐波的国家标准GB17625—1998《低压电气及电子设备发出的谐波电流限值 (设备每相输入电流≤16A) 》规定了接入公用低压配电系统中的电气、电子设备 (每相输入电流≤16A) 可能产生谐波的限值。如果企业均能达到这样的标准, 供电系统的品质因素大大地提高, 给企业提供更加优质清洁的能源。
4) 经过实地调研和探讨, 发现大多数水泥厂对谐波的产生、谐波对电气设备的危害及治理谐波的必要性还存在误区和认识不足。认为治理不治理谐波对水泥生产无关紧要, 有点谐波影响了部分电气设备也不影响正常生产;安装谐波滤波产品后, 节能效果不见得好。
水泥厂电气技术人员虽然和电气设备打交道多年, 但对谐波的认识不足, 有一些故障如:无功功率补偿柜投入不了, 合不上开关;甚至有的电容补偿柜爆炸, 跳停窑、磨;电动机莫名其妙地烧毁, 电缆母排配电设备发热, 继电器误动作、控制系统失灵等, 均为谐波所致, 谐波治理刻不容缓。
水泥厂电力电子设备均为晶闸管六波头负载, 这些设备产生的谐波以5次谐波为主, 5次谐波的频率是250Hz, 如果用50Hz的电流表则无法测量到谐波, 使技术人员忽略谐波的存在。
5) 为了减少谐波对供电系统的影响, 最根本的方法是要从产生谐波的源头抓起。设法在谐波源附近投入谐波滤波装置, 抑制谐波电流, 降低谐波电压、电流, 保障生产正常运行。
1.2 谐波的危害
1) 谐波电流使受电设备发热, 造成无功功率加大, 功率因数降低, 甚至有可能引发并联或串联谐振, 损坏电气设备。
2) 谐波电流使变压器温度升高, 绝缘加速老化。缩短使用寿命, 同时增加变压器的铜损、铁损, 磁损, 提高变压器机械噪声。
3) 谐波电流使电动机产生额外的铜损、铁损、振动噪声加大, 使电动机输出功率降低, 转矩降低, 效率降低。
4) 谐波电流导致控制系统畸变, 电压零点漂移, 使控制系统失控, 影响邻近的电力电子设备和通讯系统, 影响设备正常运行。
5) 谐波电流造成电容器过电流、过电压, 降低电容器使用寿命, 使电力电容器发热, 额定载流量减少, 绝缘遭到破坏击穿。增加电容器容量的衰减速度, 使补偿滤波效果降低, 造成电容器故障或放大谐波。
6) 谐波电流使谐波增大, 直接影响电网供电系统的品质因素, 非正弦的基波导致电网电压失真, 造成电网供电污染。
2 动态谐波节能装置原理及特点
动态谐波节能装置的工作原理如图1所示, 主回路由可变电抗器KL的一次绕组和滤波电容器组C串联所组成, 电容器根据滤除谐波频次和可变电抗器KL可调参数进行分布式投切;可变电抗器KL的二次绕组与功率变换器构成电力电子阻抗变换器。通过谐波取样电流值反馈到动态滤波控制系统, 再由动态滤波控制系统发出指令, 改变可变电抗器KL一次绕组与二次绕组间的阻抗比, 从而起到改变LC滤波支路电抗值的作用, 能在电容衰减后容抗减小、谐振点漂移的情况下, 提高可变电抗器KL电感值, 使滤波支路谐振点稳定。动态谐波节能装置能滤除大量的谐波, 也削减了无功功率, 提高了有功功率, 功率因数得到提高, 对电力负载进行无功补偿。通过动态滤波控制系统使谐波滤波器在滤波支路中吸收最大值谐波电流, 大幅度减少谐波危害, 提高电能质量。
动态谐波节能装置通过嵌入式屏设置各种变量, 显示各变量参数 (各次谐波电流值, 各相电压值及其寻优值和控制结果等) 、设备工作状态和故障报警等。
经过谐波治理后的电流整形效果图如图2所示。由图2可知, 动态谐波节能装置的电流整形效果很好;经过谐波滤波后, 电源污染得以清洁, 从而利于设备的正常运行。
动态谐波节能装置的特点:将传统机械式单绕组电抗器结构设计成具有一次和二次绕组的电抗变换器结构, 并与电力电子变换器构成电力电子电抗器和电容器的电路, 磁路耦合, 组成动态谐波滤波器电路;该电路具有高低压隔离, 电感量连续可调, 阻抗可变的特点;借助于动态谐波滤波器电路, 采用智能控制算法, 动态搜索跟踪谐波源, 使滤波支路中谐波吸收电流达到最大值, 使滤波效果及精度均能达到保证;该产品兼有源滤波器和无源滤波器的特点, 滤波稳定, 性价比好。
3 在篦冷机风机的应用
通过与生产厂家座谈, 我们了解到动态谐波节能装置在南京某水泥厂应用已经两年多, 产品运行稳定可靠。该产品智能化操作, 谐波取样电流达到开机设定值时, 自动开机。谐波取样电流达到停机设定值时, 自动停机。该产品具有过电流、过电压保护, 同时还对谐波放大时的过电流、过电压冲击保护。由于有多方位的多重保护, 不会影响主机的正常运行, 是真正的无人值守的高新技术产品。为此, 我们于2014年10月在2 500t/d生产线窑头篦冷机风机变频机组首次应用动态谐波节能装置。篦冷机风机机组共有12台风机, 其中6台采用了变频技术, 装机容量542k W (其余6台风机是软启动) , 如表1所示。
动态谐波节能装置投入前, 经谐波测试仪对篦冷机变频机组控制柜母排进行谐波测试, 发现5次谐波电流为97A, 占控制柜母排上所有负载的基波电流的7.2%, 推算母排上基波电流为1.372k A。变频机组的谐波干扰一直是我公司挠头的事情, 是公认诸多干扰的重点, 如窑头配电室无功功率补偿柜, 就多次发生补偿柜开关合不上去的现象, 主要是谐波大电流烧毁熔断器或跳停空气开关, 直接影响无功功率的补偿。谐波大电流还会发热击穿滤波电容, 甚至还会造成滤波电容炸裂。谐波电流使车间配电室母排发热, 用电设备发热, 严重时引起电动机发热甚至烧毁, 谐波干扰影响窑头控制系统和计量装置的正常运行。
投入动态谐波节能装置后, 经谐波测试仪对篦冷机控制柜母排进行谐波测试, 其5次谐波电流降到46A, 占总载电流的3.6%, 滤波效果显著, 电流有效值下降明显。滤波柜投入前后变频机组控制柜母排谐波情况见图3和图4。
图5、图6是动态谐波节能装置投入前后的篦冷机变频机组的电流有效值图。投入前电流有效值是1.372k A, 投入后是1.303k A, 降低约70A, 即节电约5.38%, 节电效果明显。
由于理论和实践中存在一定的差距, 我们安排电工在投入装置前10天, 每天早上9点和下午3点抄篦冷机控制柜电度表, 找一个平均电度值;投入后也是抄表10天, 找出电度平均值。进行比较后, 得到一个结论:投入动态谐波节能装置后, 电度表显示值每小时可减少25k Wh, 按照每年300天运转率来计算, 每年节约电费约12万元, 14个月可收回成本。
4 结束语