这个例子展示了一个被测信号的建模。本文分析了400kv三相变压器通电时r相电流信号。这些测量由瑞典的Sydkraft AB公司进行。
我们描述函数的用法基于“增大化现实”技术
用于对电流信号进行建模。首先执行对信号的非参数分析。然后讨论用于选择合理的型号顺序的工具以及使用基于“增大化现实”技术
用于信号建模。还讨论了将模型拟合到仅选择的谐波范围的方法。
信号可以被认为是自回归线性模型的脉冲响应,因此可以使用诸如的工具进行建模基于“增大化现实”技术
.
信号的数据可以封装成iddata
对象,方法是将对象的输出数据设置为信号值,并保留输入为空。例如,如果x (t)
表示要建模的信号,然后是相应的iddata
对象可以创建为:data = iddata (x, [], T);
, 在哪里T
样品时间是x
.
标准的识别工具,例如n4sid
,党卫军
,基于“增大化现实”技术
和arx
可用于估计“仅输出”数据的特征。这些模型被评估了它们的光谱估计能力,以及它们能够从其过去值的测量来预测信号的未来值。
我们通过加载来自变压器的当前信号的数据来开始本案例研究:
负载current.mat
现在,我们打包当前数据(i4r
)进入iddata
目的。采样时间为0.001秒(1女士
)。
I4R = IDDATA(I4R,[],0.001)%第二个参数为空,表示没有输入
i4r =包含601个样本的时域数据集。输出单位(如果指定)y1
现在让我们分析此数据。首先,查看数据:
绘图(I4R)
数据的近视图如下所示:
情节(i4r (201:250))
接下来,我们计算信号的原始周期图:
Ge = etfe(i4r)谱
ge = IDFRD模型。在“SpectrumData”属性中包含信号的频谱。状态:使用ETFE在时域数据“i4r”上估计。
这个周期图显示了几个谐波,但不是很平滑。平滑周期图通过以下方法得到:
GES = ETFE(I4R,尺寸(I4R,1)/ 4);光谱(GE,GES);传奇({“通用电气(没有平滑)”,'GES(平滑)'})
配置图使用线性频率刻度和Hz单位:
h = spectrumplot (ges);选择= getoptions (h);opt.FreqScale =“线性”;opt.FreqUnits =“赫兹”;SetOptions(H,OPT);轴([0 500,-5 40])网格在, 传奇(“全球”)
我们可以清楚地看到50hz的主频分量及其谐波。
让我们使用这些数据进行光谱分析水疗中心
,它使用HANN窗口来计算频谱幅度(而不是ETFE.
它只计算原始的周期图)。标准估计(默认窗口%大小,不调整到共振谱)给出:
gs = spa (i4r);持有在spectrumplot (gs);传奇({'GES(使用ETFE)',“gs(使用spa)”}) 抓住离开
我们看到将需要一个非常大的滞后窗口来查看信号的所有细谐振。标准光谱分析不起作用。我们需要更复杂的模型,例如参数自回归建模技术提供的模型。
现在让我们用参数ar方法计算光谱。第2、4、8订单型号通过:
t2 = ar (i4r, 2);t4 = ar (i4r, 4);t8 = ar (i4r 8);
让我们来看看它们的光谱:
Spectrumplot(T2,T4,T8,GES,OPT);轴([0 500,-8 40])图例({'t2(二级AR)','t4(第四阶AR)','t8(第八阶AR)','ges(使用spa)'});
我们看到参数谱无法拾取谐波。原因是AR模型对较高频率的关注太大,这很难模拟。(见Ljung(1999)例8.5)。
在检测到谐波之前,我们将不得不使用高阶模型。
什么样的秩序才是有用的?我们可以使用arxstruc
确定。
V = arxstruc (i4r (1:301) i4r (302:601), (1:30) ');%检查所有30以下的订单
执行以下命令以交互方式选择最佳订单:nn = selstruc(v,'log');
如上图所示,有一种戏剧性的下降n = 20
.所以让我们为接下来的讨论选择这个顺序。
T20 = AR(I4R,20);Spectrumplot(GES,T20,OPT);轴([0 500-25 80])图例({'ges(使用spa)','T20(第20阶AR)'});
现在所有的谐波都被拾取了,但是为什么电平下降了呢?原因是t20
包含非常薄但很高的山峰。粗略的频率网格指向t20
我们根本看不到山峰的真实水平。我们可以这样解释:
g20c = idfrd (t20(551:650) / 600 * 150 * 2 *π);%A频率区域为150 HzSpectrumplot(GES,T20,G20C,OPT)轴([0 500-25 80])图例({'ges(使用spa)','T20(第20阶AR)',“g20c(分别地。约150赫兹)”});
因为这个情节揭示了模型t20
是相当准确;当绘制在一个精细的频率网格上时,它确实能相当准确地捕获信号的谐波。
如果我们主要对低次谐波感兴趣,并且想要使用低阶模型,我们就必须对数据进行预滤波。我们选择了一个截止频率为155 Hz的五阶巴特沃斯滤波器。(这应涵盖50、100和150赫兹模式):
i4rf = idfilt (i4r, 5155/500);% 500hz为奈奎斯特频率t8f = ar (i4rf 8);
现在我们将滤波后的数据(8阶模型)与未滤波后的数据(8阶模型)以及周期图的频谱进行比较:
图(t8f,t8,ges,opt)轴([0 350 -60 80])图例({'t8f(8阶AR,过滤数据)',…'t8(8阶AR,未过滤数据)','ges(使用spa)'});
我们看到,通过过滤数据,我们非常好地拾取了光谱中的前三个峰值。
我们可以根据下面计算共振的数值:频率的采样正弦管的根源,比如说om
,位于单位圈exp(i * om * t)
,T
作为样本时间。因此,我们采取如下行动:
一个= t8f.a%Ar-多项式OMT =角度(根(a))'freqs = OMT / 0.001 / 2 / pi';%只显示正频率的清晰度:freqs1 =频率(频率> 0)%在赫兹
a = Column 1 to 7 1.0000 -5.0312 12.7031 -20.6934 23.7632 -19.6987 11.5651 Column 8 to 9 -4.4222 0.8619 omT = Column 1 to 7 1.3591 -1.3591 0.9620 -0.9620 0.3146 -0.3146 0.6314 Column 8 -0.6314 freqs1 =
因此,我们发现前三个谐波(50,100和150 Hz)。
我们也可以测试模型的程度如何t8f
能够预测信号,假设提前100毫秒(100步),并对201到500个样本进行拟合评估:
100岁的比较(i4rf t8f compareOptions (“样本”,201:500));
正如所观察到的,前3次谐波的模型非常适合预测未来的输出值,甚至提前100步。
如果我们仅对第四和第五次谐波(大约200和250 Hz)感兴趣,我们将通过频段过滤数据在更高的频率范围内进行:
I4rff = idfilt(i4r,5,[185 275]/500);t8fhigh = ar (i4rff 8);图(ges,t8fhigh,opt)轴([0 500 -60 40])图例({'ges(使用spa)',t8fhigh(8阶AR,滤波到高频率范围)});
因此我们得到了一个很好的模型t8fhigh
用于描述第4和第5次谐波。因此,我们看到,通过正确的预热,可以构建低阶参数模型,其提供所需频率范围内的信号的良好描述。
哪种型号最好?通常,更高阶模型将提供更高的保真度。要分析这一点,我们认为第20阶模型将在估计谐波中的能力方面给出什么:
一个= t20.a%Ar-多项式OMT =角度(根(a))'freqs = OMT / 0.001 / 2 / pi';%只显示正频率的清晰度:freqs1 =频率(频率> 0)%在赫兹
一列= 1至7 1.0000 0.0034 0.0132 0.0012 0.0252 0.0059 0.0095 8列至14 0.0038 0.0166 0.0026 0.0197 -0.0013 0.0143 0.0145列15至21 0.0021 0.0241 -0.0119 0.0150 0.0246 -0.0221 -0.9663 OMT =列1至7 0 0.3146 -0.3146 0.6290-0.6290 0.9425 -0.9425列8至14 1.2559 -1.2559 1.5726 -1.5726 1.8879 -1.8879 2.2027列15至20 -2.2027 2.5136 -2.5136 3.1416 2.8240 -2.8240 freqs1 =列1至7 50.0639 100.1139 149.9964 199.8891 250.2858 300.4738 350.5739列8至10 400.0586500.0000 449.4611
我们看到这个模型能很好地捕捉到谐波。该模型将预测出以下100步:
比较(I4R,T20,100,CompareOptions(“样本”,201:500));
我们现在有93%适合t20
,而80%的人支持t8f
.
因此,我们得出结论,对于信号的完整模型,t20
是自然选择,无论是在捕获谐波以及其预测能力方面。对于某些频率范围内的模型,我们可以使用较低的阶型模型做得很好,但我们必须相应地预过滤数据。
有关使用“系统识别工具箱”识别动态系统的更多信息,请访问系统辨识工具箱产品信息页面。