现场信号闪变参数的估计方法及系统、设备、存储介质与流程

1.本发明涉及电能表误差测试技术领域，特别地，涉及一种现场信号闪变参数的估计方法及系统、电子设备、计算机可读取的存储介质。


背景技术：

2.电能表从出厂到现场安装，必须经过误差测试和检定环节。在电能表的日常运行过程中，由于不可抗力因素，电能表的计量误差可能会出现变化。特别在新能源、分布式电网快速发展的情形下，半导体负载应用的不断增加，比如各种开关电源、变频电源、调速器、led照明、大功率逆变器等动态负载不断增多，使得电网的负载特性变得复杂。受信号源虚功率测试的复现能力限制，电能表计量动态误差模型难以完全模拟输入被测电流或功率信号快速变化时的单元响应。目前，采用现场信号进行电能表实功率仿真，已经成为电能表误差测试的重要手段。
3.随着新能源并网和电力电子装置的大规模接入，现场采集信号中的闪变等电能质量问题日趋严重，严重影响了电能表动态误差测试的准确度，因此，如何准确地对现场信号闪变参数进行估计尤为重要。目前，现场信号闪变参数的估计方法常用的是基于离散傅里叶变换的方法，然而该方法受噪声的影响较大，且难以准确分析闪变信号中的调制成分，存在较大的误差。另外，目前还有采用s变换和小波变换等工具进行闪变参数估计的方法，虽然在一定程度上可以提高准确性，但是计算过程十分复杂，计算效率较低，导致闪变参数估计实时性降低。


技术实现要素：

4.本发明提供了一种现场信号闪变参数的估计方法及系统、电子设备、计算机可读取的存储介质，以解决现有基于离散傅里叶变换进行现场信号闪变参数估计存在的误差较大的技术问题。
5.根据本发明的一个方面，提供一种现场信号闪变参数的估计方法，包括以下内容：
6.采集现场信号序列；
7.构建k时刻现场信号的h∞递归估计器线性模型，并设定好初始迭代值；
8.将采集的现场信号序列输入h∞递归估计器线性模型中进行迭代运算，得到现场信号的状态向量在k时刻的估计值；
9.基于状态向量在k时刻的估计值进行估计计算得到k时刻的多个包络；
10.将k时刻的多个包络输入训练好的自适应线性感知机神经网络中，输出得到现场信号中多个闪变成分的幅度估计值。
11.进一步地，所述h∞递归估计器线性模型的表达式为：
12.zk＝hkx+ωk13.其中，zk表示k时刻现场信号的实际测量值，hk表示观测矩阵，ωk表示现场信号采集过程中的噪声测量矩阵，x表示现场信号在k时刻的状态向量，
n表示k时刻现场信号中谐波分量的数量，表示k时刻现场信号中第n个谐波分量的初相位，envelope_n表示k时刻现场信号的第n个谐波分量对应的包络，f表示k时刻现场信号中包含的闪变成分的数量，vn表示现场信号中第n个谐波的幅度，表示第i个闪变成分的相对幅度或相对波动，f
fi
和θi分别表示第i个闪变成分的频率和相角，τs表示采样周期。
14.进一步地，具体基于以下公式计算得到现场信号的状态向量在k时刻的估计值：
[0015][0016]
其中，表示状态向量在k时刻的估计值，φ表示状态转换矩阵，为恒定的单位矩阵，表示状态向量在k-1时刻的估计值，zk表示k时刻现场信号的实际测量值，hk表示观测矩阵，kk表示增益矩阵，kk＝p
k-1
(i-αp
k-1
+(hk)
t
r-1hk
pk)-1
φ
t
(hk)
t
r-1
，pk表示k时刻估计误差的协方差矩阵，p
k-1
表示k-1时刻估计误差的协方差矩阵，i表示单位矩阵，α表示误差控制因子，上标t表示矩阵转置，r表示现场信号采集过程中噪声测量的协方差。
[0017]
进一步地，k时刻估计误差的协方差矩阵pk在估计过程中采用递归形式进行更新，更新表达式为：
[0018]
pk＝φp
k-1
(i-αp
k-1
+(hk)
t
r-1hk
p
k-1
)-1
φ
t
。
[0019]
进一步地，基于以下公式进行估计计算得到k时刻的多个包络：
[0020][0021]
其中，表示k时刻现场信号的第n个谐波分量对应包络的估计值，表示k时刻状态向量估计值中的第2n个元素，表示k时刻状态向量估计值中的第2n+1个元素。
[0022]
进一步地，所述将k时刻的多个包络输入训练好的自适应线性感知机神经网络中，输出得到现场信号中多个闪变成分的幅度估计值的过程具体包括以下内容：
[0023]
将k时刻的n个包络作为自适应线性感知机神经网络的输入，并建立n个包络在k时刻对应的权重向量，确定权重的更新方法，自适应线性感知机神经网络经过权值更新后，输出现场信号中第i个闪变成分的幅度估计值：出现场信号中第i个闪变成分的幅度估计值：表示现场信号中第i个闪变成分的幅度估计值，表示现场信号中基波分量的幅度估计值，表示权重向量中的第2i+1个元素，表示权重向量中的第2i+2个元素。
[0024]
进一步地，权重的更新方法为：w
k+1
表示k+1时刻的权重向量，wk表示k时刻的权重向量，ek表示跟踪误差，λ表示任意小值因子，状态向量在k时刻的估计值，上标t表示矩阵转置，θk表示k时刻的适应性学习因子，β为常数，θ0表示初始学习率。
[0025]
另外，本发明还提供一种现场信号闪变参数的估计系统，包括：
[0026]
数据采集模块，用于采集现场信号序列；
[0027]
模型构建模块，用于构建k时刻现场信号的h∞递归估计器线性模型，并设定好初始迭代值；
[0028]
迭代运算模块，用于将采集的现场信号序列输入h∞递归估计器线性模型中进行迭代运算，得到现场信号的状态向量在k时刻的估计值；
[0029]
包络计算模块，用于基于状态向量在k时刻的估计值进行估计计算得到k时刻的多个包络；
[0030]
估计分析模块，用于将k时刻的多个包络输入训练好的自适应线性感知机神经网络中，输出得到现场信号中多个闪变成分的幅度估计值。
[0031]
进一步地，所述模型构建模块构建的k时刻现场信号的h∞递归估计器线性模型为：
[0032]
zk＝hkx+ωk[0033]
其中，zk表示k时刻现场信号的实际测量值，hk表示观测矩阵，ωk表示现场信号采集过程中的噪声测量矩阵，x表示现场信号在k时刻的状态向量，集过程中的噪声测量矩阵，x表示现场信号在k时刻的状态向量，n表示k时刻现场信号中谐波分量的数量，表示k时刻现场信号中第n个谐波分量的初相位，envelope_n表示k时刻现场信号的第n个谐波分量对应的包络，f表示k时刻现场信号中包含的闪变成分的数量，vn表示现场信号中第n个谐波的幅度，表示第i个闪变成分的相对幅度或相对波动，f
fi
和θi分别表示第i个闪变成分的频率和相角，τs表示采样周期。
[0034]
进一步地，所述迭代运算模块具体基于以下公式计算得到现场信号的状态向量在k时刻的估计值：
[0035][0036]
其中，表示状态向量在k时刻的估计值，φ表示状态转换矩阵，为恒定的单位矩阵，表示状态向量在k-1时刻的估计值，zk表示k时刻现场信号的实际测量值，hk表示观测矩阵，kk表示增益矩阵，kk＝p
k-1
(i-αp
k-1
+(hk)
t
r-1hk
pk)-1
φ
t
(hk)
t
r-1
，pk表示k时刻估计误
差的协方差矩阵，p
k-1
表示k-1时刻估计误差的协方差矩阵，i表示单位矩阵，α表示误差控制因子，上标t表示矩阵转置，r表示现场信号采集过程中噪声测量的协方差。
[0037]
进一步地，k时刻估计误差的协方差矩阵pk在估计过程中采用递归形式进行更新，更新表达式为：
[0038]
pk＝φp
k-1
(i-αp
k-1
+(hk)
t
r-1hk
p
k-1
)-1
φ
t
。
[0039]
进一步地，所述包络计算模块基于以下公式进行估计计算得到k时刻的多个包络：
[0040][0041]
其中，表示k时刻现场信号的第n个谐波分量对应包络的估计值，表示k时刻状态向量估计值中的第2n个元素，表示k时刻状态向量估计值中的第2n+1个元素。
[0042]
进一步地，所述估计分析模块将k时刻的多个包络输入训练好的自适应线性感知机神经网络中，输出得到现场信号中多个闪变成分的幅度估计值的过程具体包括以下内容：
[0043]
将k时刻的n个包络作为自适应线性感知机神经网络的输入，并建立n个包络在k时刻对应的权重向量，确定权重的更新方法，自适应线性感知机神经网络经过权值更新后，输出现场信号中第i个闪变成分的幅度估计值：出现场信号中第i个闪变成分的幅度估计值：表示现场信号中第i个闪变成分的幅度估计值，表示现场信号中基波分量的幅度估计值，表示权重向量中的第2i+1个元素，表示权重向量中的第2i+2个元素。
[0044]
进一步地，权重的更新方法为：w
k+1
表示k+1时刻的权重向量，wk表示k时刻的权重向量，ek表示跟踪误差，λ表示任意小值因子，状态向量在k时刻的估计值，上标t表示矩阵转置，θk表示k时刻的适应性学习因子，β为常数，θ0表示初始学习率。
[0045]
另外，本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
[0046]
另外，本发明还提供一种计算机可读取的存储介质，用于存储进行现场信号闪变参数估计的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
[0047]
本发明具有以下效果：
[0048]
本发明的现场信号闪变参数的估计方法，先构建k时刻现场信号的h∞递归估计器线性模型，引入了现场信号采集过程中的噪声测量矩阵，然后将采集到的现场信号序列输入h∞递归估计器线性模型中进行迭代运算，可以得到现场信号的状态向量在k时刻的估计值，并基于状态向量在k时刻的估计值进行估计计算得到k时刻的多个包络，最后将k时刻的多个包络作为自适应线性感知机神经网络输入，通过自适应线性感知机神经网络的权值更
新即可输出现场信号中多个闪变成分的幅度估计值。本发明通过h∞递归估计器线性模型引入现场信号采集过程中的噪声测量矩阵，并结合状态向量的估计值、包络、闪变成分的幅度之间换算，可以准确地估计得到现场信号中多个闪变成分的幅度值，防止被测量噪声所淹没，大大提升了现场信号闪变参数的估计准确性，而且换算过程较为简单，计算效率高，可以很好地满足实时性要求。
[0049]
另外，本发明的现场信号闪变参数的估计系统同样具有上述优点。
[0050]
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
[0051]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0052]
图1是本发明优选实施例的现场信号闪变参数的估计方法的流程示意图。
[0053]
图2是本发明优选实施例中利用自适应线性感知机神经网络进行估计运算的示意图。
[0054]
图3是本发明另一实施例的现场信号闪变参数的估计系统的模块结构示意图。
具体实施方式
[0055]
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
[0056]
如图1所示，本发明的优选实施例提供一种现场信号闪变参数的估计方法，包括以下内容：
[0057]
步骤s1：采集现场信号序列；
[0058]
步骤s2：构建k时刻现场信号的h∞递归估计器线性模型，并设定好初始迭代值；
[0059]
步骤s3：将采集的现场信号序列输入h∞递归估计器线性模型中进行迭代运算，得到现场信号的状态向量在k时刻的估计值；
[0060]
步骤s4：基于状态向量在k时刻的估计值进行估计计算得到k时刻的多个包络；
[0061]
步骤s5：将k时刻的多个包络输入训练好的自适应线性感知机神经网络中，输出得到现场信号中多个闪变成分的幅度估计值。
[0062]
可以理解，本实施例的现场信号闪变参数的估计方法，先构建k时刻现场信号的h∞递归估计器线性模型，引入了现场信号采集过程中的噪声测量矩阵，然后将采集到的现场信号序列输入h∞递归估计器线性模型中进行迭代运算，可以得到现场信号的状态向量在k时刻的估计值，并基于状态向量在k时刻的估计值进行估计计算得到k时刻的多个包络，最后将k时刻的多个包络作为自适应线性感知机神经网络输入，通过自适应线性感知机神经网络的权值更新即可输出现场信号中多个闪变成分的幅度估计值。本发明通过h∞递归估计器线性模型引入现场信号采集过程中的噪声测量矩阵，并结合状态向量的估计值、包络、闪变成分的幅度之间换算，可以准确地估计得到现场信号中多个闪变成分的幅度值，防止被测量噪声所淹没，大大提升了现场信号闪变参数的估计准确性，而且换算过程较为简单，计算效率高，可以很好地满足实时性要求。
[0063]
可以理解，在所述步骤s1中，采集现场信号序列，记为zk＝{z1，z2，...，zk,z
k+1
,...,zk}，k表示采集的现场信号的数量。另外，现场的测试信号可以根据iec61000-4-15标准通过三相标准功率源fluke6100生成，k时刻的测试信号可以定义为：
[0064]
zk＝a1{envelope_1}+a2{envelope_2}+...+an{envelope_n}+...+
[0065]an
{envelope_n}+σrandnk[0066]
其中，randnk表示加性高斯噪声，σ表示噪声标准偏差，envelope_n表示k时刻现场信号的第n个谐波分量对应的包络，n表示现场信号中包含的谐波分量的数量，an表示第n个谐波分量，基于三角函数分解an可以得到：f表示k时刻现场信号的基波频率，τs表示采样周期，表示现场信号中第n个谐波分量的初相位。
[0067]
可以理解，在所述步骤s2中，先构建h∞递归估计器线性模型：
[0068]
zk＝hkx+ωk[0069]
其中，zk表示k时刻现场信号的实际测量值，hk表示观测矩阵，ωk表示现场信号采集过程中的噪声测量矩阵，x表示现场信号在k时刻的状态向量，信号采集过程中的噪声测量矩阵，x表示现场信号在k时刻的状态向量，n表示k时刻现场信号中谐波分量的数量，表示k时刻现场信号中第n个谐波分量的初相位，envelope_n表示k时刻现场信号的第n个谐波分量对应的包络，表达式为：f表示k时刻现场信号中包含的闪变成分的数量，vn表示现场信号中第n个谐波的幅度，表示第i个闪变成分的相对幅度或相对波动，其中，v
t
表示信号的有效值，δvi表示第i个闪变成分的幅值，f
fi
和θi分别表示第i个闪变成分的频率和相角，τs表示采样周期。
[0070]
然后，设定好第0时刻的值，即初始迭代值，具体为：0时刻估计误差的协方差矩阵p0是维度为74*74的矩阵，且元素值均为103，0时刻状态向量的估计值为1*74的向量，其元素值均为1。
[0071]
可以理解，由于现场信号中闪变成分的幅度值较小，很容易被测量噪声淹没，从而无法准确地估计得到闪变成分的幅度值，而本发明通过构建k时刻现场信号的h∞递归估计器线性模型，将现场信号采集过程中的噪声测量矩阵ωk引入进来，在后续的迭代运算过程中，测量噪声和状态向量可以进行单独表征运算，有利于准确地提取出现场信号中闪变成分的幅度值，大大提升了估计准确度。
[0072]
可以理解，在所述步骤s3中，将采集的现场信号序列zk＝{z1，z2，...，zk,z
k+1
,...,zk}输入至h∞递归估计器线性模型中进行迭代运算，在时域中，状态向量x由测量值zk和以
下时间更新方程进行估计运算，时间更新方程的表达式具体为：
[0073]
其中，表示状态向量在k时刻的估计值，φ表示状态转换矩阵，为恒定的单位矩阵，表示状态向量在k-1时刻的估计值，zk表示k时刻现场信号的实际测量值，hk表示观测矩阵，kk表示增益矩阵，kk＝p
k-1
(i-αp
k-1
+(hk)
t
r-1hk
pk)-1
φ
t
(hk)
t
r-1
，pk表示k时刻估计误差的协方差矩阵，p
k-1
表示k-1时刻估计误差的协方差矩阵，i表示单位矩阵，α表示误差控制因子，上标t表示矩阵转置，r表示现场信号采集过程中噪声测量的协方差。
[0074]
可选地，为了使最坏情况下的估计误差最小，k时刻估计误差的协方差矩阵pk在估计过程中采用递归形式进行更新，更新表达式为：
[0075]
pk＝φp
k-1
(i-αp
k-1
+(hk)
t
r-1hk
p
k-1
)-1
φ
t
。
[0076]
可以理解，在所述步骤s4中，具体基于以下公式进行估计计算得到k时刻的多个包络：
[0077][0078]
其中，表示k时刻现场信号的第n个谐波分量对应包络的估计值，表示k时刻状态向量估计值中的第2n个元素，表示k时刻状态向量估计值中的第2n+1个元素。
[0079]
可以理解，在所述步骤s5中，将k时刻的多个包络输入训练好的自适应线性感知机神经网络中，输出得到现场信号中多个闪变成分的幅度估计值的过程具体包括以下内容：
[0080]
将k时刻的n个包络作为自适应线性感知机神经网络的输入，并建立n个包络在k时刻对应的权重向量wk，确定权重的更新方法，自适应线性感知机神经网络经过权值更新后，输出现场信号中第i个闪变成分的幅度估计值：成分的幅度估计值：表示现场信号中第i个闪变成分的幅度估计值，表示现场信号中基波分量的幅度估计值，计值，表示权重向量中的第2i+1个元素，表示权重向量中的第2i+2个元素。
[0081]
可以理解，如图2所示，所述自适应线性感知机神经网络的输入包括74个元素，74个输入元素的初始化向量为：另外，初始权重向量w0是一个1*74的向量，且元素值均为1。
[0082]
另外，根据widrow-hoff准则，设定权重的更新方法为：w
k+1
表示k+1时刻的权重向量，wk表示k时刻的权重向量，ek表示跟踪误差，λ表示任意小值因子，用于避免分母为零的情况，状态向量在k时刻的估计值，上标t表示矩阵转置，θk表示k时刻的适应性学习因子，β为常数，θ0表示初始学习率。
[0083]
可以理解，在本发明的一实施例中，根据iec 61000-4-15标准，电压信号中包含显著36个闪变成分，运用三相标准功率源fluke 6100生成如下测试信号：
[0084][0085]
其中，τs＝1200，f＝36，f＝50hz，σ取值0.02。
[0086]
然后，现场采集所生成的测试信号，取第一个观测时刻，即k＝1时刻的现场信号，记为z1，得到现场信号序列zk。
[0087]
然后，建立h∞递归估计器线性模型，设定第0时刻的值，即初始迭代值如下：0时刻估计误差的协方差矩阵p0是维度为74*74的矩阵，且元素值均为103，为1*74的向量，且元素值均为1。状态向量x在k时刻的估计值采用公式进行估计计算，其中，α＝8，r＝0.007。随着现场信号采样值k的变化，状态向量x的估计值经过不断迭代，可以得到状态向量在k时刻的估计值进而基于公式：估计得到k时刻的n个包络。
[0088]
将得到的n个包络作为自适应线性感知机神经网络的输入，构建n个包络在k时刻的权重向量，确定权重的更新方法，取λ＝0.0001，β＝1，θ0＝5。自适应线性感知机神经网络进行权重更新计算后输出现场信号中第i个闪变成分的幅度估计值：经过14个基波周期后，闪变幅度估计值已经收敛。其中，具体的估计结果如表1所示。
[0089]
表1、信号的闪变频率f
fi
(hz)和对应的闪变成分相对幅度估计结果
[0090][0091]
另外，如图3所示，本发明的另一实施例还提供一种现场信号闪变参数的估计系统，优选采用如上所述的估计方法，该系统包括：
[0092]
数据采集模块，用于采集现场信号序列；
[0093]
模型构建模块，用于构建k时刻现场信号的h∞递归估计器线性模型，并设定好初始迭代值；
[0094]
迭代运算模块，用于将采集的现场信号序列输入h∞递归估计器线性模型中进行迭代运算，得到现场信号的状态向量在k时刻的估计值；
[0095]
包络计算模块，用于基于状态向量在k时刻的估计值进行估计计算得到k时刻的多个包络；
[0096]
估计分析模块，用于将k时刻的多个包络输入训练好的自适应线性感知机神经网络中，输出得到现场信号中多个闪变成分的幅度估计值。
[0097]
可以理解，本实施例的现场信号闪变参数的估计系统，先构建k时刻现场信号的h∞递归估计器线性模型，引入了现场信号采集过程中的噪声测量矩阵，然后将采集到的现场信号序列输入h∞递归估计器线性模型中进行迭代运算，可以得到现场信号的状态向量在k时刻的估计值，并基于状态向量在k时刻的估计值进行估计计算得到k时刻的多个包络，最后将k时刻的多个包络作为自适应线性感知机神经网络输入，通过自适应线性感知机神经网络的权值更新即可输出现场信号中多个闪变成分的幅度估计值。本发明通过h∞递归估计器线性模型引入现场信号采集过程中的噪声测量矩阵，并结合状态向量的估计值、包络、闪变成分的幅度之间换算，可以准确地估计得到现场信号中多个闪变成分的幅度值，防止被测量噪声所淹没，大大提升了现场信号闪变参数的估计准确性，而且换算过程较为简单，计算效率高，可以很好地满足实时性要求。
[0098]
可以理解，所述模型构建模块构建的k时刻现场信号的h∞递归估计器线性模型为：
[0099]
zk＝hkx+ωk[0100]
其中，zk表示k时刻现场信号的实际测量值，hk表示观测矩阵，ωk表示现场信号采集过程中的噪声测量矩阵，x表示现场信号在k时刻的状态向量，集过程中的噪声测量矩阵，x表示现场信号在k时刻的状态向量，n表示k时刻现场信号中谐波分量的数量，表示k时刻现场信号中第n个谐波分量的初相位，envelope_n表示k时刻现场信号的第n个谐波分量对应的包络，f表示k时刻现场信号中包含的闪变成分的数量，vn表示现场信号中第n个谐波的幅度，表示第i个闪变成分的相对幅度或相对波动，f
fi
和θi分别表示第i个闪变成分的频率和相角，τs表示采样周期。可以理解，所述迭代运算模块具体基于以下公式计算得到现场信号的状态向量在k时刻的估计值：
[0101][0102]
其中，表示状态向量在k时刻的估计值，φ表示状态转换矩阵，为恒定的单位矩阵，表示状态向量在k-1时刻的估计值，zk表示k时刻现场信号的实际测量值，hk表示观测矩阵，kk表示增益矩阵，kk＝p
k-1
(i-αp
k-1
+(hk)
t
r-1hk
pk)-1
φ
t
(hk)
t
r-1
，pk表示k时刻估计误差的协方差矩阵，p
k-1
表示k-1时刻估计误差的协方差矩阵，i表示单位矩阵，α表示误差控制因子，上标t表示矩阵转置，r表示现场信号采集过程中噪声测量的协方差。
[0103]
其中，k时刻估计误差的协方差矩阵pk在估计过程中采用递归形式进行更新，更新表达式为：
[0104]
pk＝φp
k-1
(i-αp
k-1
+(hk)
t
r-1hk
p
k-1
)-1
φ
t
。
[0105]
可以理解，所述包络计算模块基于以下公式进行估计计算得到k时刻的多个包络：
[0106]
[0107]
其中，表示k时刻现场信号的第n个谐波分量对应包络的估计值，表示k时刻状态向量估计值中的第2n个元素，表示k时刻状态向量估计值中的第2n+1个元素。
[0108]
可以理解，所述估计分析模块将k时刻的多个包络输入训练好的自适应线性感知机神经网络中，输出得到现场信号中多个闪变成分的幅度估计值的过程具体包括以下内容：
[0109]
将k时刻的n个包络作为自适应线性感知机神经网络的输入，并建立n个包络在k时刻对应的权重向量，确定权重的更新方法，自适应线性感知机神经网络经过权值更新后，输出现场信号中第i个闪变成分的幅度估计值：出现场信号中第i个闪变成分的幅度估计值：表示现场信号中第i个闪变成分的幅度估计值，表示现场信号中基波分量的幅度估计值，表示权重向量中的第2i+1个元素，表示权重向量中的第2i+2个元素。
[0110]
其中，权重的更新方法为：w
k+1
表示k+1时刻的权重向量，wk表示k时刻的权重向量，ek表示跟踪误差，λ表示任意小值因子，状态向量在k时刻的估计值，上标t表示矩阵转置，θk表示k时刻的适应性学习因子，β为常数，θ0表示初始学习率。
[0111]
可以理解，本实施例的系统中的各个模块分别与上述方法实施例的各个步骤相对应，故每个模块具体的工作原理和工作过程参考上述方法实施例即可，在此不再赘述。
[0112]
另外，本发明的另一实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
[0113]
另外，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储进行现场信号闪变参数估计的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
[0114]
一般计算机可读取存储介质的形式包括：软盘(floppy disk)、可挠性盘片(flexible disk)、硬盘、磁带、任何其与的磁性介质、cd-rom、任何其余的光学介质、打孔卡片(punch cards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(ram)、可编程只读存储器(prom)、可抹除可编程只读存储器(eprom)、快闪可抹除可编程只读存储器(flash-eprom)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。
[0115]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技
术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。