[0001] 本发明涉及一种用于配电网相量测量的同步授时守时方法，尤其涉及一种综合利用Kalman滤波器与BP神经网络的同步授时守时方法，属于电力系统相量测量技术领域。

[0002] 随着新兴技术近几年的快速发展，现代电力系统与传统电力系统相比融入了很多新的元素，我国配电网络也在进行着快速的发展。大规模分布式新电源，电动汽车，分布式储能的发展对于配电网的安全稳定运行带来挑战。这些元素的加入使得配电网的运行状态更加复杂多变，对于电力系统安全稳定运行提出了新的挑战，同时对于现代配电网的监测与控制提出了新的要求。

[0003] 同步相量测量技术由于能实时提供带有精确时标数据，因此可以在大范围内实时感知电网的状态变化，使电力系统调度人员能够感知传统监测系统不能够感知的电网状态，使电网长期稳定，健康地运行。同步相量测量技术的有效利用，很大程度上依赖于电力系统同步时钟技术的发展。由于配电网节点数量多，馈线长度短，网架结构复杂，运行方式多变，设备运行环境恶劣等特点，对同步时钟技术提出了更高的要求。要求装置的授时精度更高，守时能力强并且装置成本足够低。因此研究一种精确，稳定，成本低廉的广域同步时钟源技术成为同步向量测量技术在配电电网中有效应用的重要课题。

[0004] 目前，现有的广域同步对时技术，都采用全球导航卫星系统(GNSS)与本地晶振相结合的方式实现同步对时。主要有以下几种方法。第一种为动平均法，对最近N个GNSS秒脉冲的晶振计数值求平均值，作为下一秒GNSS秒脉冲晶振计数值的预测值，这种方法实时性好，计算简单，但消除GNSS抖动能力差，受到时间窗口的限制。第二种方法，是一种数字锁相技术，利用比较GNSS信号秒脉冲与晶振输出秒脉冲的出现时间前后，反馈调节下一秒秒脉冲预测值。这种方法简单易行，但缺乏直接的理论支持，无法保证精度。第三种方法，利用锁相环技消除GPS的抖动，预测秒脉冲计数值，这种算法实时性好，消除GPS抖动后，利用历史数据训练自适应老化模型，对晶振频率漂移进行预测。但因为其模型选取过于简单，同步时钟守时能力不够强。同时，上述三种方法均难以做到精确，稳定，且具有一定守时能力。Kalman滤波器为迭代算法，实时性好，且能充分消除GNSS信号抖动。BP神经网络能够拟合任意强非线性的函数关系，因此可以建立十分精准的晶振模型，实现较强的守时能力。综合利用Kalman滤波器与BP神经网络能够充分利用GNSS信号与晶振输出信号的特性，得到性能优异的广域同步时钟源。

[0028] 本发明提出的用于配电网相量测量的同步授时守时方法，包括以下步骤：

[0029] (1)配电网的同步相量测量单元从全球卫星导航系统中获取秒脉冲信号，配电网的同步相量测量单元中的晶振对相邻两次秒脉冲信号进行计数，得到晶振计数值，对多次晶振计数值平均，取整得到晶振计数平均值 并求得多次晶振计数值方差R；

[0030] (2)配电网的同步相量测量单元中的晶振继续对相邻两次全球卫星导航系统的秒脉冲信号进行计数，得到晶振计数值N，将该计数值N减去晶振计数平均值 得到计数观测值中间值，记为N′， 设定一个N′的阈值，本发明的一个实施例中，该阈值的取值为5，对N′进行判断，若N′值与0的差值大于设定阈值，则判定N′为坏数据，使N′值为0，若N′值与0的差值小于或等于设定阈值，则判定N′为正常数据；其目的是防止坏数据破坏算法计算的准确性。

[0031] (3)对步骤(2)的正常数据N′进行累计，得到晶振计数观测值∑N′，根据晶振计数观测值∑N′，利用卡尔曼滤波方法，对晶振状态进行滤波迭代计算，迭代公式如下：

[0032] x(k,k-1)＝Ax(k-1,k-1)   (3-1)

[0033] p(k,k-1)＝Ax(k,k-1)AT+Q   (3-2)

[0034] Kg(k)＝p(k,k-1)HT[Hx(k,k-1)HT+R]-1+Q   (3-3)

[0035] x(k,k)＝x(k,k-1)+Kg(k)[z(k)-Hx(k,k-1)]   (3-4)

[0036] p(k,k)＝[I-Kg(k)H]p(k,k-1)   (3-5)

[0037] 其中，k为滤波迭代计算时刻，x(k-1,k-1)为计算时刻k-1迭代得到的晶振状态的最优估计值，x(k,k-1)为对计算时刻k晶振状态的预测值，w(k)为晶振状态的过程噪声，v(k)为晶振状态的观测噪声，Q和R分别为晶振状态的过程噪声w(k)的协方差矩阵和观测噪声v(k)的协方差矩阵，式(3-1)是对计算时刻k的晶振状态的状态预测，式(3-2)是对晶振状态的协方差矩阵的预测，Kg(k)是卡尔曼增益，式(3-4)，式(3-5)是对晶振状态的最优估计，其中本发明所提算法所采用的是四维Kalman滤波器，则状态变量x分别为累计晶振计数序列、晶振频率，晶振频率漂移速率，晶振频率漂移加速度，即为长度为4的向量，因此矩阵A表达式为：

[0038]

[0039] 观测数据只有晶振计数观测值∑N′，H为观测矩阵，观测矩阵H为一个长度为4的行向量：

[0040] H＝[1 0 0 0]

[0041] 经过上述迭代计算，得到晶振状态变量x的每一秒预测值 该预测值 分别为累计晶振计数序列预测值、晶振频率预测值、晶振频率漂移速率预测值和晶振频率漂移加速度预测值，存储晶振状态变量预测值

[0042] (4)根据步骤(3)得到的晶振状态变量预测值 中的累计晶振计数序列预测值，计算相邻两次迭代得到累计晶振计数序列预测值之间的差值，将该差值与步骤(1)的晶振计数平均值 求和，得到下一计算时刻k的秒脉冲晶振计数预测值，输出与该秒脉冲晶振计数预测值相对应的用于配电网相量测量的同步授时信号，如图1所示；

[0043] 本步骤中的每一步迭代结果的第一维数据即为累积晶振计数值，减去上一秒的累积晶振计数值得到下一秒秒脉冲的晶振计数值，并以此作为下一秒的秒脉冲输出。得到这一秒晶振计数值，但此结果是减去了 的，因此作为控制晶振频率的计数值时要加回来。即下一秒预测输出的晶振计数值为 的取整。

[0044] 每一步迭代结果的第二维数据即为晶振频率值，将每一次迭代计算得到的晶振频率最优估计值存储起来作为历史数据，用于训练BP神经网络模型。在算法正常运行在有外部GNSS信号时，重复步骤(2)～(3)。如果失去外部GNSS信号，算法进入到守时工作状态，进入步骤(5)，不再依靠Kalman滤波器，而是依靠BP神经网络控制晶振输出，得到相对准确的同步对时信号。

[0045] (5)对步骤(1)的配电网同步相量测量单元从全球卫星导航系统中获取的秒脉冲信号状态进行判断，若秒脉冲信号状态正常，则将步骤(4)得到的同步授时信号用于配电网相量测量，并进行步骤(6)，若秒脉冲信号状态不正常，则进行步骤(7)；

[0046] (6)建立一个晶振频率老化模型，将步骤(3)得到的计算时刻k的晶振状态变量预测值 作为晶振频率老化模型的输入，将步骤(3)得到的计算时刻k-n的晶振状态变量预测值 作为晶振频率老化模型的输出，如图2所示，其中n为小于k在正整数。对晶振频率老化模型进行训练。BP神经网络模型算法选用为Levenberg-Marquardt学习算法，隐藏层为8个神经元。隐藏层采用transig传递函数，输出层采取purelin传递函数。输入数据经过神经元之间的连接权重与偏置，在输出神经元上得到计算结果。此计算结果与实际正确值存在误差，将此误差通过反向传播，调整各神经元的权重与偏置，达到减小计算误差的目的。这个过程即为神经网络的学习过程。通过多次的预先学习，可以得到性能相对良好的神经网络的初始权值与偏置，这样做法可以使得神经网络的训练时间有效减少，并且训练效果达到一个好的收敛结果，在达到训练终止条件后，停止训练得到准确的晶振频率老化模型。

[0047] 本发明设计的BP神经网络的模型结构设计为，输入节点为16节点，输出节点为1节点。输入数据为当前时刻前15时刻的晶振频率估计值(k-19，k-18…k)与标号值k，k为程序开始后的第k秒。对应的输出为第k时刻的晶振频率预测值。以此来训练BP神经网络模型。

[0048] BP神经网络模型算法为Levenberg-Marquardt学习算法，隐藏层为8个神经元。隐藏层采用sigmoid型传递函数transig函数。为了实现输出数据的任意取值，输出层采取purelin传递函数。通过多次的预先学习，可以得到性能相对良好的神经网络的权值与阈值，这样做法可以使得神经网络的训练时间有效减少，并且训练效果达到一个好的收敛结果。

[0049] (7)向步骤(6)的准确的晶振频率老化模型中输入步骤(3)的晶振状态变量x中的晶振频率预测值，得到未来计算时刻的晶振频率预测值，对该晶振计数预测值与步骤(1)得到的晶振计数平均值 求和，得到用于配电网相量测量的同步守时信号。