无迹卡尔曼滤波在光学电流互感器参数辨识中的应用研究

无迹卡尔曼滤波在光学电流互感器参数辨识中的应用研究一、绪论1.1研究背景与意义随着电力系统的不断发展，其规模日益扩大，结构愈发复杂，对电力设备的性能要求也越来越高。在电力系统中，电流测量是一项基础且关键的任务，准确的电流测量对于电力系统的安全稳定运行、电能质量监测、继电保护以及电力计量等方面都起着至关重要的作用。例如，在继电保护中，精确的电流测量值是判断电力系统是否发生故障以及采取何种保护措施的重要依据；在电能计量中，电流测量的精度直接影响到电费的准确计算。传统的电磁式电流互感器在长期运行过程中暴露出一些局限性。例如，其绝缘结构复杂，在高电压、大容量的电力系统中，绝缘问题愈发突出，容易引发安全事故；且铁芯易饱和，这会导致测量误差增大，尤其在短路电流等大电流情况下，无法准确测量。此外，电磁式电流互感器体积庞大、重量较重，安装和维护不便，也难以满足现代电力系统智能化、小型化的发展需求。光学电流互感器（OpticalCurrentTransformer，OCT）作为一种新型的电流测量装置，应运而生。它基于法拉第磁光效应，利用光的偏振特性来检测电流产生的磁场变化，从而实现对电流的测量。与传统电磁式电流互感器相比，光学电流互感器具有诸多显著优势。在精度方面，光学电流互感器能够达到较高的测量精度，通常可达到0.1%甚至更高，这为电力系统的精确测量提供了有力支持。以智能电网中的分布式能源接入为例，高精度的电流测量有助于实现对分布式能源发电功率的准确监测和控制，提高能源利用效率。光学电流互感器还具有宽频特性，其测量带宽不受电磁场干扰和铁芯饱和等因素的限制，能够满足高频电流测量的需求，在电力电子设备的电流监测等领域具有重要应用价值。同时，它体积小、重量轻，便于安装和布线，减少了对设备空间和结构的要求，非常适合应用于空间有限的变电站等场所。并且，光学电流互感器功耗低、使用寿命长，使用光学传输信号，能量损耗小，核心部分光纤的使用寿命可达十几年甚至几十年，降低了设备的维护和更换成本。另外，它还具有良好的抗电磁干扰能力，能够有效抵御复杂电磁环境对测量的影响，提高测量的准确性和稳定性，确保在强电磁干扰的电力系统中可靠运行。然而，光学电流互感器在实际应用中也面临一些挑战，其中参数辨识问题尤为关键。光学电流互感器的性能受到多种因素的影响，如温度变化、光纤双折射、光源稳定性等，这些因素会导致互感器的参数发生变化，进而影响测量精度。例如，温度的变化会引起光纤材料的热膨胀和折射率变化，导致法拉第旋转角的改变，从而影响电流测量的准确性。因此，准确辨识光学电流互感器的参数，对于提高其测量精度和可靠性具有重要意义。无迹卡尔曼滤波（UnscentedKalmanFilter，UKF）作为一种先进的非线性滤波算法，在参数辨识领域展现出独特的优势。与传统的卡尔曼滤波算法相比，无迹卡尔曼滤波采用无迹变换（UnscentedTransformation，UT）来处理非线性问题，能够更准确地估计非线性系统的状态和参数。在光学电流互感器的参数辨识中，无迹卡尔曼滤波可以充分考虑互感器的非线性特性以及各种噪声干扰的影响，通过对测量数据的处理和分析，实现对互感器参数的实时准确估计。综上所述，研究基于无迹卡尔曼滤波的光学电流互感器的参数辨识具有重要的现实意义。一方面，有助于提高光学电流互感器的测量精度和可靠性，使其更好地满足电力系统日益增长的需求，推动电力系统的智能化发展；另一方面，对于促进无迹卡尔曼滤波算法在电力测量领域的应用和拓展，丰富和完善参数辨识理论与方法也具有积极的作用。1.2国内外研究现状光学电流互感器的研究始于20世纪70年代，随着光电子技术、材料科学和信号处理技术的不断发展，取得了长足的进步。国外在光学电流互感器的研究方面起步较早，美国、日本、德国等国家在该领域处于领先地位。美国国家标准与技术研究所采用YIG晶体作为磁光材料进行光纤电流传感器研制，并于90年代后期推出了挂网实验报告。1996年，美国3M公司全新推出了全光纤电流传感器模块，使光纤电流传感器进一步得到发展。日本对500KV以及1000KV高压电网测量用的光纤电流互感器展开研究，还进行了6000V至500KV电压等级的光学电流互感器的研究。这些早期的研究成果为光学电流互感器的发展奠定了基础。国内对于光学电流互感器的研究起步相对较晚，但发展迅速。80年代末，清华大学和沈阳互感器厂合作研发了光纤电流互感器，并在四平成功挂网运行，获得了国内首次成功挂网运行的成绩。燕山大学于2001年成功研制了国家标准GB1208-1997规定的0.2级精度的混合式光纤电流互感器，通过试验并取得了良好的试验结果。近年来，中国电科院、南瑞继保、南瑞航天电气等单位不断努力研制全光纤型电流互感器，并有少量产品应用于实际工程当中。2024年，中国电力科学研究院有限公司取得一项名为“一种光学电流互感器的测量误差劣化检测方法及系统”的专利，授权公告号CN118534402B，通过先进的光学技术和数据处理算法，实时监测互感器性能变化，对提高设备可靠性、保障电力系统安全运行具有重要意义。在无迹卡尔曼滤波算法的研究方面，自其提出以来，在众多领域得到了广泛应用。在机器人定位、导航领域，无迹卡尔曼滤波可以利用传感器数据准确估计机器人的位置和姿态，如在室内环境中，结合激光雷达和惯性测量单元的数据，UKF能够有效提高机器人的定位精度，使其更好地完成路径规划和任务执行。在卫星跟踪领域，UKF能够处理卫星轨道的非线性动力学模型，考虑各种复杂的干扰因素，实现对卫星状态的精确跟踪和预测。王立成副教授在2024年发表的论文“UnscentedKalmanFilteringOverFull-DuplexRelayNetworksUnderBinaryEncodingSchemes”提出了一种基于全双工中继网络的修正型无迹卡尔曼滤波器，考虑了一般非线性、高斯噪声、全双工中继、二进制编码方案以及随机比特翻转等因素，设计了能够反映多种因素对滤波性能影响的修正型UKF，适合更复杂的非线性建模需求。在电力系统相关应用研究中，无迹卡尔曼滤波在电力系统状态估计、故障诊断等方面也有应用，能够提高估计的准确性和可靠性，为电力系统的安全稳定运行提供支持。尽管光学电流互感器和无迹卡尔曼滤波在各自领域取得了显著的研究成果，但在基于无迹卡尔曼滤波的光学电流互感器参数辨识研究方面仍存在一些不足。目前，对于光学电流互感器复杂非线性特性的建模还不够完善，导致无迹卡尔曼滤波在参数辨识过程中无法充分考虑互感器的所有特性，影响辨识精度。在实际运行环境中，光学电流互感器会受到多种复杂干扰因素的影响，如温度、振动、电磁干扰等，如何在无迹卡尔曼滤波算法中更有效地处理这些干扰因素，提高参数辨识的鲁棒性，仍是需要深入研究的问题。不同类型的光学电流互感器结构和工作原理存在差异，如何针对具体的互感器类型优化无迹卡尔曼滤波算法，实现参数的精准辨识，也有待进一步探索。未来，随着光电子技术、材料科学和计算技术的不断发展，光学电流互感器有望在测量精度、稳定性和可靠性等方面取得更大突破。无迹卡尔曼滤波算法也将不断优化和改进，以适应更加复杂的系统和应用场景。在基于无迹卡尔曼滤波的光学电流互感器参数辨识研究中，预计会朝着更加精确的模型建立、更有效的干扰处理以及算法的个性化优化方向发展，从而为光学电流互感器在电力系统中的广泛应用提供更有力的技术支持。1.3研究内容与方法1.3.1研究内容本研究聚焦于基于无迹卡尔曼滤波的光学电流互感器的参数辨识，具体研究内容涵盖以下几个关键方面：光学电流互感器数学模型的建立：深入剖析光学电流互感器的工作原理，全面考虑其运行过程中涉及的各种因素，如法拉第磁光效应、光纤双折射、温度变化对材料特性的影响等。在此基础上，构建能够精准描述光学电流互感器运行特性的数学模型。针对不同类型的光学电流互感器，如全光纤型、磁光玻璃型等，充分考虑其结构和工作方式的差异，建立相应的个性化数学模型。通过理论推导和实验验证，不断优化模型参数，提高模型的准确性和可靠性，为后续的参数辨识提供坚实的理论基础。无迹卡尔曼滤波原理及算法研究：系统地学习无迹卡尔曼滤波的基本原理，深入理解其核心思想——通过无迹变换处理非线性问题。详细研究无迹卡尔曼滤波算法的实现过程，包括sigma点的选取、权值的计算、状态预测和更新等关键步骤。对无迹卡尔曼滤波算法的性能进行全面分析，探讨其在不同噪声环境和系统参数下的表现，如在高斯噪声、非高斯噪声以及系统参数变化时的滤波精度和稳定性。研究如何根据实际应用需求对无迹卡尔曼滤波算法进行优化和改进，以提高其在光学电流互感器参数辨识中的性能。基于无迹卡尔曼滤波的光学电流互感器参数辨识方法研究：将无迹卡尔曼滤波算法应用于光学电流互感器的参数辨识中，结合光学电流互感器的数学模型和实际测量数据，设计合理的参数辨识方案。考虑光学电流互感器在实际运行中可能受到的各种干扰因素，如温度变化、振动、电磁干扰等，研究如何在无迹卡尔曼滤波算法中有效地处理这些干扰，提高参数辨识的鲁棒性。针对不同类型的光学电流互感器，优化无迹卡尔曼滤波算法的参数设置，实现对互感器参数的精准辨识。通过仿真实验和实际测试，验证基于无迹卡尔曼滤波的光学电流互感器参数辨识方法的有效性和优越性。实验验证与分析：搭建光学电流互感器实验平台，模拟其实际运行环境，获取真实的测量数据。将基于无迹卡尔曼滤波的参数辨识方法应用于实验数据处理，对辨识结果进行详细分析。对比不同参数辨识方法的性能，如传统的最小二乘法、扩展卡尔曼滤波法等，评估无迹卡尔曼滤波在提高光学电流互感器参数辨识精度和可靠性方面的优势。分析实验过程中可能存在的误差因素，如测量误差、模型误差等，提出相应的改进措施，进一步完善基于无迹卡尔曼滤波的光学电流互感器参数辨识方法。1.3.2研究方法本研究综合运用多种研究方法，确保研究的科学性、有效性和可靠性：文献研究法：广泛查阅国内外关于光学电流互感器、无迹卡尔曼滤波以及参数辨识等方面的文献资料，包括学术期刊论文、学位论文、专利文献、技术报告等。通过对文献的系统梳理和分析，了解该领域的研究现状、发展趋势以及存在的问题，为本研究提供坚实的理论基础和研究思路。理论分析法：运用电磁学、光学、信号处理、控制理论等相关学科的知识，对光学电流互感器的工作原理进行深入剖析，建立其数学模型。从理论层面研究无迹卡尔曼滤波的原理和算法，分析其在处理非线性系统时的优势和局限性。通过理论推导，优化无迹卡尔曼滤波算法在光学电流互感器参数辨识中的应用，为实验研究提供理论指导。仿真实验法：利用MATLAB、Simulink等仿真软件，搭建光学电流互感器的仿真模型，模拟其在不同工况下的运行情况。在仿真环境中，对基于无迹卡尔曼滤波的参数辨识方法进行大量实验，分析不同参数设置和干扰因素对辨识结果的影响。通过仿真实验，快速验证研究思路和方法的可行性，为实际实验提供参考和优化方案。实验研究法：搭建光学电流互感器实验平台，进行实际的电流测量和参数辨识实验。在实验过程中，严格控制实验条件，采集准确的测量数据。将基于无迹卡尔曼滤波的参数辨识方法应用于实验数据处理，通过与实际值的对比，验证该方法的有效性和准确性。实验研究能够真实反映光学电流互感器在实际运行中的特性，为研究成果的实际应用提供有力支持。对比分析法：将基于无迹卡尔曼滤波的光学电流互感器参数辨识方法与其他传统的参数辨识方法进行对比分析。从辨识精度、收敛速度、抗干扰能力等多个方面进行评估，明确无迹卡尔曼滤波方法的优势和不足。通过对比分析，为进一步改进和完善参数辨识方法提供依据，推动该领域的研究发展。二、光学电流互感器基础2.1工作原理光学电流互感器的工作基于法拉第磁光效应，这是一种磁光相互作用的现象。当线偏振光沿着与磁场平行的方向通过磁光材料时，线偏振光的振动平面将产生偏转，这种偏转现象被称为法拉第旋转。其偏转角θ与磁场强度H和光在磁场中所经历的路径距离l成正比，数学表达式为：\theta=VHdl其中，V为维尔德（Verdet）常数，它反映了磁光材料的磁光特性，不同的磁光材料具有不同的维尔德常数。在实际应用中，光学电流互感器通过检测光信号的偏振旋转角来间接测量电流大小。在光学电流互感器中，当电流通过导线时，会在导线周围产生磁场，该磁场的强度与电流大小成正比。利用安培环路定理，围绕载流导线的闭合路径上的磁场强度沿路径的线积分等于穿过该闭合路径的电流的代数和。对于光学电流互感器的敏感环路，穿过敏感环路的电流所产生的磁场将作用于闭合环路，此时偏转角θ可表示为：\theta=VN\sumI其中，N为敏感路径的圈数（或匝数），I为通过环路的电流。这表明通过磁光材料（如光纤或者磁光玻璃）的线偏振光振动平面的偏转角大小与光学环路的匝数及穿过光学环路的总电流成正比。通过检测光信号的偏振旋转角，就能得到对应的被测电流值。以全光纤型光学电流互感器为例，其传感头通常由缠绕在被测导线上的光纤构成，光源发出的光经过起偏器变成线偏振光，然后进入传感光纤。在传感光纤中，线偏振光受到被测电流产生的磁场作用发生法拉第旋转，旋转后的光经过检偏器，将偏振角的变化转变为光强的变化，最后由光探测器将光强变化转换为电信号输出。经过后续的信号处理电路对电信号进行放大、滤波、模数转换等处理，就可以得到与被测电流相关的数字信号，从而实现对电流的测量。光学电流互感器采用非接触式测量方式，与传统电磁式电流互感器相比，避免了直接与高压电进行接触，不存在高压互感器短路对测量人员造成威胁的问题。同时，由于没有铁芯，不会出现铁芯饱和现象，能够更准确地测量大电流和快速变化的电流。这种非接触式测量方式还减少了传统电流互感器中的铁芯损耗和热效应，提高了测量的精度和稳定性。此外，光学电流互感器利用光信号传输，光信号不受电磁干扰的影响，使得互感器具有很强的抗电磁干扰能力，能够在复杂的电磁环境中可靠地工作。2.2结构组成光学电流互感器通常主要由传感头、绝缘支柱和光缆等部分组成，各部分相互协作，共同实现对电流的精确测量。传感头是光学电流互感器的核心部件，它直接与被测电流相互作用，利用法拉第磁光效应来检测电流产生的磁场变化。在全光纤型光学电流互感器中，传感头一般由缠绕在被测导线上的光纤构成，这些光纤采用特殊的工艺制作，具有良好的磁光特性。当电流通过导线时，会在导线周围产生磁场，该磁场作用于传感光纤，使通过光纤的线偏振光的偏振面发生旋转，旋转角度与电流大小成正比。例如，在一些高压输电线路的电流测量中，传感头能够准确感知到电流产生的微弱磁场变化，并将其转化为光信号的变化。在磁光玻璃型光学电流互感器中，传感头则是由磁光玻璃等材料制成，其工作原理同样是基于法拉第磁光效应。绝缘支柱起着至关重要的支撑和绝缘作用。它将传感头与大地或其他设备隔离开来，确保在高电压环境下的安全运行。绝缘支柱通常采用高性能的绝缘材料制成，如环氧树脂、陶瓷等，这些材料具有良好的电气绝缘性能和机械强度。以变电站中的光学电流互感器为例，绝缘支柱能够承受高电压的作用，防止电流泄漏，同时稳定地支撑传感头，保证其正常工作。光缆则用于传输光信号。从传感头输出的光信号，通过光缆传输到后续的信号处理单元。光缆具有低损耗、高带宽、抗电磁干扰等优点，能够确保光信号在传输过程中的质量和稳定性。在实际应用中，光缆的长度和铺设方式会根据具体的使用场景进行合理设计，以满足信号传输的需求。例如，在大型变电站中，光缆需要从高处的传感头连接到地面的控制室内，其铺设路径需要考虑到电气安全和信号传输的可靠性。传感头负责将被测电流转换为光信号的变化，绝缘支柱保障设备的安全运行，光缆实现光信号的可靠传输，它们相互配合，使得光学电流互感器能够准确、稳定地测量电流。在整个工作过程中，各部分之间的协同工作至关重要，任何一个部分出现问题都可能影响到互感器的测量性能。例如，如果传感头的光纤受到损伤，可能会导致光信号的衰减或失真，从而影响测量精度；绝缘支柱的绝缘性能下降，可能会引发安全事故；光缆的连接不良或受到外界干扰，也会导致信号传输异常。因此，在光学电流互感器的设计、制造和使用过程中，需要充分考虑各部分的性能和相互关系，确保设备的可靠性和稳定性。2.3主要参数光学电流互感器的主要参数包括额定电压、额定电流、容量、电流比等，这些参数对于互感器的性能有着至关重要的影响。额定电压是指互感器能够长期稳定运行的电压值，它决定了互感器的适用范围。例如，在110kV及以上的高压输电线路中，需要使用额定电压与之匹配的光学电流互感器，以确保其在高电压环境下的绝缘性能和安全运行。如果使用额定电压过低的互感器，可能会导致绝缘击穿，引发安全事故；而额定电压过高，则会增加设备成本，造成资源浪费。额定电流是指互感器能够正常测量的最大电流值。在实际应用中，需要根据被测电流的大小来选择合适额定电流的互感器。当被测电流接近或超过互感器的额定电流时，可能会导致测量误差增大，甚至损坏互感器。在电力系统的短路故障中，电流会瞬间大幅增加，如果互感器的额定电流无法满足要求，就无法准确测量短路电流，影响继电保护装置的正常动作。容量是指互感器在额定工作条件下能够输出的最大功率。互感器的容量与负载的大小密切相关，当负载过大时，互感器可能无法提供足够的功率，导致测量精度下降。例如，在一些大型工业企业中，电力设备的负载较大，如果使用容量不足的光学电流互感器，可能无法准确测量电流，影响企业的生产运营。电流比是互感器一次侧电流与二次侧电流的比值。准确的电流比是保证互感器测量精度的关键因素之一。在互感器的制造过程中，需要严格控制电流比的准确性。如果电流比存在误差，会导致二次侧输出的电流信号与实际被测电流不匹配，从而影响测量结果的准确性。在电能计量中，电流比的误差会直接导致电费计算的偏差。这些参数相互关联，共同影响着光学电流互感器的性能。在实际应用中，需要综合考虑这些参数，根据具体的使用场景和需求，合理选择光学电流互感器，以确保其能够准确、稳定地工作。例如，在智能电网的建设中，需要根据电网的电压等级、电流大小以及负载特性等因素，选择合适参数的光学电流互感器，以满足电网对电力测量的高精度、高可靠性要求。三、无迹卡尔曼滤波理论3.1基本原理无迹卡尔曼滤波（UKF）是一种用于处理非线性系统状态估计的递归滤波器，其核心在于通过无迹变换（UT）近似非线性函数，有效避免了传统扩展卡尔曼滤波（EKF）中对雅可比矩阵的计算，从而对非线性系统具有更好的适应性。在实际应用中，许多系统都呈现出非线性特性，如光学电流互感器的运行过程就涉及到复杂的非线性关系，此时UKF能够发挥重要作用。无迹变换的基本思想是，对于一个给定的均值为\mu、协方差为P的随机变量x，通过确定性地选取一组被称为sigma点的采样点，这些sigma点的均值和协方差与原随机变量x相同。假设状态向量x是一个n维随机变量，通常选取2n+1个sigma点。具体生成公式如下：\begin{cases}X^{(0)}=\mu\\X^{(i)}=\mu+(\sqrt{(n+\lambda)P})_i,&i=1,\cdots,n\\X^{(i+n)}=\mu-(\sqrt{(n+\lambda)P})_i,&i=1,\cdots,n\end{cases}其中，\lambda是一个缩放参数，它由\alpha和\kappa决定，即\lambda=\alpha^2(n+\kappa)-n。\alpha控制sigma点在均值周围的分布范围，通常取一个较小的正值，如10^{-3}；\kappa是一个可选参数，一般设置为0；(\sqrt{(n+\lambda)P})_i表示矩阵\sqrt{(n+\lambda)P}的第i列。在生成sigma点后，需要为每个sigma点分配权重。权重分为均值权重W_m^{(i)}和协方差权重W_c^{(i)}，计算方式如下：\begin{cases}W_m^{(0)}=\frac{\lambda}{n+\lambda}\\W_c^{(0)}=\frac{\lambda}{n+\lambda}+1-\alpha^2+\beta\\W_m^{(i)}=W_c^{(i)}=\frac{1}{2(n+\lambda)},&i=1,\cdots,2n\end{cases}其中，\beta是一个用于利用随机变量x的先验知识的参数，对于高斯分布，\beta=2时效果最佳。预测阶段是UKF的重要环节之一。在这个阶段，首先将生成的sigma点X^{(i)}通过状态转移函数f进行非线性变换，得到预测的sigma点X_{pred}^{(i)}，即X_{pred}^{(i)}=f(X^{(i)})。然后，根据预测的sigma点计算预测状态的均值\hat{x}_{k|k-1}和协方差P_{k|k-1}：\begin{align*}\hat{x}_{k|k-1}&=\sum_{i=0}^{2n}W_m^{(i)}X_{pred}^{(i)}\\P_{k|k-1}&=\sum_{i=0}^{2n}W_c^{(i)}(X_{pred}^{(i)}-\hat{x}_{k|k-1})(X_{pred}^{(i)}-\hat{x}_{k|k-1})^T+Q_k\end{align*}其中，Q_k是过程噪声协方差矩阵，它反映了系统模型中未建模的动态部分所带来的不确定性。在光学电流互感器的参数辨识中，过程噪声可能来自于环境因素的变化，如温度波动、电磁干扰等，这些因素会对互感器的运行产生影响，导致参数的变化，而Q_k则用于描述这种不确定性的程度。更新阶段同样至关重要。在这个阶段，将预测的sigma点X_{pred}^{(i)}通过观测函数h进行非线性变换，得到预测的测量sigma点Y_{pred}^{(i)}，即Y_{pred}^{(i)}=h(X_{pred}^{(i)})。接着，计算预测测量的均值\hat{y}_{k|k-1}和协方差P_{yy,k}：\begin{align*}\hat{y}_{k|k-1}&=\sum_{i=0}^{2n}W_m^{(i)}Y_{pred}^{(i)}\\P_{yy,k}&=\sum_{i=0}^{2n}W_c^{(i)}(Y_{pred}^{(i)}-\hat{y}_{k|k-1})(Y_{pred}^{(i)}-\hat{y}_{k|k-1})^T+R_k\end{align*}其中，R_k是测量噪声协方差矩阵，它表示测量过程中引入的噪声的不确定性。在光学电流互感器的测量中，测量噪声可能来源于传感器的精度限制、信号传输过程中的干扰等，R_k用于量化这些因素对测量结果的影响。还需要计算状态向量和观测向量之间的互协方差P_{xy,k}：P_{xy,k}=\sum_{i=0}^{2n}W_c^{(i)}(X_{pred}^{(i)}-\hat{x}_{k|k-1})(Y_{pred}^{(i)}-\hat{y}_{k|k-1})^T根据计算得到的协方差和互协方差，计算卡尔曼增益K_k：K_k=P_{xy,k}P_{yy,k}^{-1}最后，根据卡尔曼增益和观测残差，更新状态估计\hat{x}_{k|k}和协方差估计P_{k|k}：\begin{align*}\hat{x}_{k|k}&=\hat{x}_{k|k-1}+K_k(y_k-\hat{y}_{k|k-1})\\P_{k|k}&=P_{k|k-1}-K_kP_{yy,k}K_k^T\end{align*}其中，y_k是实际测量值。通过不断地进行预测和更新，UKF能够根据系统的观测数据，逐步逼近系统的真实状态，实现对非线性系统状态的准确估计。在光学电流互感器的参数辨识中，通过UKF算法对测量数据的处理，可以实时估计互感器的参数，为提高互感器的测量精度和可靠性提供支持。3.2算法流程无迹卡尔曼滤波（UKF）的算法流程主要包括初始化、预测和更新三个关键阶段，各阶段紧密相连，共同实现对系统状态的准确估计。在初始化阶段，需要确定系统的初始状态估计值\hat{x}_{0|0}和初始协方差矩阵P_{0|0}。初始状态估计值通常根据先验知识或经验进行设定，例如在光学电流互感器参数辨识中，可以参考互感器的标称参数作为初始估计值。初始协方差矩阵则反映了初始状态估计的不确定性程度，一般可根据实际情况进行合理设置，如选择一个对角矩阵，对角元素的值表示各状态变量初始估计的方差。同时，还需要设定过程噪声协方差矩阵Q和测量噪声协方差矩阵R。过程噪声协方差矩阵Q用于描述系统模型中未建模动态部分所带来的不确定性，在光学电流互感器中，其取值可根据环境因素的变化情况以及互感器自身的特性来确定。测量噪声协方差矩阵R则表示测量过程中引入的噪声的不确定性，这可依据传感器的精度指标以及信号传输过程中的干扰程度来设定。这些初始参数的准确设定对于UKF算法的性能至关重要，直接影响后续状态估计的准确性。预测阶段是UKF算法的重要环节。首先，根据当前时刻k-1的状态估计值\hat{x}_{k-1|k-1}和协方差矩阵P_{k-1|k-1}，通过无迹变换生成2n+1个sigma点X_{k-1}^{(i)}，如前文所述，其计算公式为：\begin{cases}X_{k-1}^{(0)}=\hat{x}_{k-1|k-1}\\X_{k-1}^{(i)}=\hat{x}_{k-1|k-1}+(\sqrt{(n+\lambda)P_{k-1|k-1}})_i,&i=1,\cdots,n\\X_{k-1}^{(i+n)}=\hat{x}_{k-1|k-1}-(\sqrt{(n+\lambda)P_{k-1|k-1}})_i,&i=1,\cdots,n\end{cases}其中，\lambda是缩放参数，n是状态维度。生成的sigma点能够较好地近似系统状态的概率分布。接着，将这些sigma点通过状态转移函数f进行非线性变换，得到预测的sigma点X_{k|k-1}^{(i)}，即X_{k|k-1}^{(i)}=f(X_{k-1}^{(i)})。状态转移函数f描述了系统状态随时间的变化规律，在光学电流互感器中，它反映了互感器参数与测量信号之间的动态关系。然后，根据预测的sigma点计算预测状态的均值\hat{x}_{k|k-1}和协方差P_{k|k-1}：\begin{align*}\hat{x}_{k|k-1}&=\sum_{i=0}^{2n}W_m^{(i)}X_{k|k-1}^{(i)}\\P_{k|k-1}&=\sum_{i=0}^{2n}W_c^{(i)}(X_{k|k-1}^{(i)}-\hat{x}_{k|k-1})(X_{k|k-1}^{(i)}-\hat{x}_{k|k-1})^T+Q_k\end{align*}其中，W_m^{(i)}和W_c^{(i)}分别是均值权重和协方差权重，Q_k是过程噪声协方差矩阵。通过这一步骤，实现了对系统状态的一步预测，得到了在当前时刻k基于上一时刻估计值的预测状态和协方差。更新阶段同样不可或缺。将预测的sigma点X_{k|k-1}^{(i)}通过观测函数h进行非线性变换，得到预测的测量sigma点Y_{k|k-1}^{(i)}，即Y_{k|k-1}^{(i)}=h(X_{k|k-1}^{(i)})。观测函数h建立了系统状态与测量值之间的联系，在光学电流互感器的参数辨识中，它将互感器的参数状态转换为可测量的物理量，如光信号的变化等。接着，计算预测测量的均值\hat{y}_{k|k-1}和协方差P_{yy,k}：\begin{align*}\hat{y}_{k|k-1}&=\sum_{i=0}^{2n}W_m^{(i)}Y_{k|k-1}^{(i)}\\P_{yy,k}&=\sum_{i=0}^{2n}W_c^{(i)}(Y_{k|k-1}^{(i)}-\hat{y}_{k|k-1})(Y_{k|k-1}^{(i)}-\hat{y}_{k|k-1})^T+R_k\end{align*}其中，R_k是测量噪声协方差矩阵。还需要计算状态向量和观测向量之间的互协方差P_{xy,k}：P_{xy,k}=\sum_{i=0}^{2n}W_c^{(i)}(X_{k|k-1}^{(i)}-\hat{x}_{k|k-1})(Y_{k|k-1}^{(i)}-\hat{y}_{k|k-1})^T根据计算得到的协方差和互协方差，计算卡尔曼增益K_k：K_k=P_{xy,k}P_{yy,k}^{-1}最后，根据卡尔曼增益和观测残差，更新状态估计\hat{x}_{k|k}和协方差估计P_{k|k}：\begin{align*}\hat{x}_{k|k}&=\hat{x}_{k|k-1}+K_k(y_k-\hat{y}_{k|k-1})\\P_{k|k}&=P_{k|k-1}-K_kP_{yy,k}K_k^T\end{align*}其中，y_k是实际测量值。通过这一系列计算，利用新的测量信息对预测状态进行修正，得到了更准确的状态估计值和协方差估计值。在光学电流互感器的参数辨识中，通过不断地进行预测和更新，UKF算法能够根据实时测量数据，逐步逼近互感器的真实参数状态，为提高互感器的测量精度和可靠性提供有力支持。3.3优势分析无迹卡尔曼滤波（UKF）与其他滤波算法相比，在处理非线性系统以及应对复杂情况时具有显著优势。在处理非线性系统方面，传统的扩展卡尔曼滤波（EKF）通过泰勒级数展开对非线性函数进行线性化近似，从而将非线性问题转化为线性问题来处理。然而，这种线性化过程会引入线性化误差，尤其是在非线性程度较高的情况下，线性化误差可能会导致估计结果的偏差较大，甚至滤波发散。例如，在一些复杂的电力系统模型中，系统状态与测量值之间的关系呈现高度非线性，EKF在处理这类问题时，由于线性化的局限性，难以准确估计系统状态。而UKF采用无迹变换（UT），通过选择一组被称为sigma点的采样点来近似系统的状态分布，直接通过这些sigma点的非线性变换来估计系统状态，避免了线性化误差。在光学电流互感器的参数辨识中，其运行过程涉及到复杂的非线性关系，如光信号与电流之间的非线性转换，UKF能够更准确地处理这些非线性特性，从而提高参数辨识的精度。在计算复杂度方面，EKF需要计算雅可比矩阵，这在某些情况下可能比较复杂，尤其是当系统模型复杂或者状态变量较多时，雅可比矩阵的计算量会显著增加。而UKF不需要计算雅可比矩阵，它通过简单的数学运算生成sigma点并进行变换，简化了计算过程。在实际应用中，对于一些实时性要求较高的系统，如电力系统的实时监测和控制，UKF的这种计算优势能够使其更快地处理数据，满足系统对实时性的需求。在应对复杂噪声环境方面，UKF也具有一定优势。在实际的光学电流互感器运行中，会受到各种噪声的干扰，包括高斯噪声和非高斯噪声。UKF对噪声的适应性较强，它通过合理设置过程噪声协方差矩阵Q和测量噪声协方差矩阵R，能够有效地处理这些噪声对测量数据的影响。相比之下，一些传统滤波算法在面对非高斯噪声时，性能会受到较大影响，导致参数辨识的准确性下降。例如，在存在脉冲噪声等非高斯噪声的情况下，UKF能够通过对sigma点的处理，更好地估计系统状态，减少噪声对参数辨识结果的干扰。在稳定性方面，由于UKF避免了线性化误差，在处理高非线性问题时比EKF更稳定。在光学电流互感器的长期运行过程中，可能会受到温度、振动等多种因素的影响，导致系统参数发生变化，呈现出较强的非线性特性。UKF能够在这种复杂的工况下，保持较好的稳定性，持续准确地估计互感器的参数，保障光学电流互感器的可靠运行。而EKF在面对这些复杂情况时，由于线性化误差的积累，可能会导致滤波结果的不稳定，影响参数辨识的可靠性。无迹卡尔曼滤波在处理非线性系统、简化计算、应对复杂噪声环境以及保持稳定性等方面具有明显优势，使其在光学电流互感器的参数辨识中具有重要的应用价值，能够为提高光学电流互感器的测量精度和可靠性提供更有效的技术支持。四、基于无迹卡尔曼滤波的光学电流互感器参数辨识方法4.1数学模型建立光学电流互感器基于法拉第磁光效应实现电流测量，其数学模型的建立是进行参数辨识的关键基础。当线偏振光通过磁光材料时，根据法拉第磁光效应，光的偏振面会发生旋转，旋转角\theta与磁场强度H、光在磁场中传播的路径长度l以及磁光材料的维尔德常数V有关，表达式为\theta=VHl。在光学电流互感器中，通过检测光信号的偏振旋转角来间接测量电流大小。对于全光纤型光学电流互感器，假设传感光纤紧密缠绕在被测导线上，匝数为N，被测电流为i(t)，根据安培环路定理，围绕载流导线的闭合路径上的磁场强度沿路径的线积分等于穿过该闭合路径的电流的代数和。此时，光信号的偏振旋转角\theta(t)与被测电流i(t)的关系为：\theta(t)=VN\ointH(t)\cdotdl=VNi(t)这表明偏转角大小与光学环路的匝数及穿过光学环路的总电流成正比。考虑到实际应用中，光信号在传输过程中会受到多种因素的影响，如温度变化、光纤双折射等，这些因素会导致光信号的相位和偏振态发生变化，从而影响测量精度。为了更准确地描述光学电流互感器的工作特性，引入相位变化量\Delta\varphi(t)，它与温度T(t)、应力\sigma(t)等因素有关，可表示为：\Delta\varphi(t)=\varphi_{T}(T(t))+\varphi_{\sigma}(\sigma(t))+\cdots其中，\varphi_{T}(T(t))表示温度引起的相位变化，\varphi_{\sigma}(\sigma(t))表示应力引起的相位变化。在光学电流互感器的测量过程中，光探测器将光信号转换为电信号，假设光探测器的响应函数为g(\theta(t),\Delta\varphi(t))，则输出的电信号y(t)可表示为：y(t)=g(\theta(t),\Delta\varphi(t))=g(VNi(t),\varphi_{T}(T(t))+\varphi_{\sigma}(\sigma(t))+\cdots)这就是考虑了多种实际因素后，光学电流互感器的数学模型。该模型描述了输入电流i(t)与输出电信号y(t)之间的关系，同时考虑了温度、应力等因素对光信号的影响。在实际应用中，通过对输出电信号y(t)的测量和分析，结合上述数学模型，就可以实现对被测电流i(t)的测量以及对互感器参数的辨识。例如，当温度发生变化时，通过监测输出电信号y(t)的变化，并利用数学模型进行分析，可以反推出温度对相位变化量\Delta\varphi(t)的影响，进而对测量结果进行修正，提高测量精度。4.2参数辨识过程在利用无迹卡尔曼滤波进行光学电流互感器参数辨识时，首先要进行初始化工作。假设光学电流互感器的参数向量为\theta，其初始估计值\hat{\theta}_{0|0}可根据互感器的标称参数或前期的实验数据进行设定。例如，若已知某光学电流互感器的维尔德常数标称值为V_0，匝数标称值为N_0，则可将初始估计值设为\hat{\theta}_{0|0}=[V_0,N_0]^T。初始协方差矩阵P_{0|0}用于表示初始估计的不确定性，一般设置为对角矩阵，对角元素的值根据对初始估计的信任程度来确定。若对初始估计较为信任，可将对角元素设置为较小的值，如P_{0|0}=diag([0.01,0.01])，表示对维尔德常数和匝数的初始估计误差较小；反之，若信任程度较低，则可增大对角元素的值。同时，还需设定过程噪声协方差矩阵Q和测量噪声协方差矩阵R。过程噪声协方差矩阵Q可根据光学电流互感器运行环境中的干扰因素来确定，如在温度变化较大的环境中，可适当增大Q中与温度相关参数的对角元素值，以反映温度变化对互感器参数的影响。测量噪声协方差矩阵R则可根据光探测器等测量设备的精度指标来设定，若光探测器的测量精度较高，R的值可设置得较小。完成初始化后，进入迭代计算阶段。在第k次迭代中，首先进行预测步骤。根据上一时刻的状态估计值\hat{\theta}_{k-1|k-1}和协方差矩阵P_{k-1|k-1}，通过无迹变换生成2n+1个sigma点X_{k-1}^{(i)}，如前文所述，其计算公式为：\begin{cases}X_{k-1}^{(0)}=\hat{\theta}_{k-1|k-1}\\X_{k-1}^{(i)}=\hat{\theta}_{k-1|k-1}+(\sqrt{(n+\lambda)P_{k-1|k-1}})_i,&i=1,\cdots,n\\X_{k-1}^{(i+n)}=\hat{\theta}_{k-1|k-1}-(\sqrt{(n+\lambda)P_{k-1|k-1}})_i,&i=1,\cdots,n\end{cases}其中，n为参数向量的维度，\lambda是缩放参数。生成的sigma点能够较好地近似参数向量的概率分布。接着，将这些sigma点通过状态转移函数f进行非线性变换，得到预测的sigma点X_{k|k-1}^{(i)}，即X_{k|k-1}^{(i)}=f(X_{k-1}^{(i)})。在光学电流互感器中，状态转移函数f反映了参数随时间的变化关系，例如，由于温度变化、光纤老化等因素，维尔德常数和匝数可能会发生缓慢变化，状态转移函数f就可以描述这种变化规律。然后，根据预测的sigma点计算预测状态的均值\hat{\theta}_{k|k-1}和协方差P_{k|k-1}：\begin{align*}\hat{\theta}_{k|k-1}&=\sum_{i=0}^{2n}W_m^{(i)}X_{k|k-1}^{(i)}\\P_{k|k-1}&=\sum_{i=0}^{2n}W_c^{(i)}(X_{k|k-1}^{(i)}-\hat{\theta}_{k|k-1})(X_{k|k-1}^{(i)}-\hat{\theta}_{k|k-1})^T+Q_k\end{align*}其中，W_m^{(i)}和W_c^{(i)}分别是均值权重和协方差权重，Q_k是过程噪声协方差矩阵。通过这一步骤，实现了对参数的一步预测，得到了在当前时刻k基于上一时刻估计值的预测参数和协方差。随后进行更新步骤。将预测的sigma点X_{k|k-1}^{(i)}通过观测函数h进行非线性变换，得到预测的测量sigma点Y_{k|k-1}^{(i)}，即Y_{k|k-1}^{(i)}=h(X_{k|k-1}^{(i)})。观测函数h建立了参数与测量值之间的联系，在光学电流互感器中，它将互感器的参数状态转换为可测量的光信号或电信号。接着，计算预测测量的均值\hat{y}_{k|k-1}和协方差P_{yy,k}：\begin{align*}\hat{y}_{k|k-1}&=\sum_{i=0}^{2n}W_m^{(i)}Y_{k|k-1}^{(i)}\\P_{yy,k}&=\sum_{i=0}^{2n}W_c^{(i)}(Y_{k|k-1}^{(i)}-\hat{y}_{k|k-1})(Y_{k|k-1}^{(i)}-\hat{y}_{k|k-1})^T+R_k\end{align*}其中，R_k是测量噪声协方差矩阵。还需要计算状态向量和观测向量之间的互协方差P_{xy,k}：P_{xy,k}=\sum_{i=0}^{2n}W_c^{(i)}(X_{k|k-1}^{(i)}-\hat{\theta}_{k|k-1})(Y_{k|k-1}^{(i)}-\hat{y}_{k|k-1})^T根据计算得到的协方差和互协方差，计算卡尔曼增益K_k：K_k=P_{xy,k}P_{yy,k}^{-1}最后，根据卡尔曼增益和观测残差，更新状态估计\hat{\theta}_{k|k}和协方差估计P_{k|k}：\begin{align*}\hat{\theta}_{k|k}&=\hat{\theta}_{k|k-1}+K_k(y_k-\hat{y}_{k|k-1})\\P_{k|k}&=P_{k|k-1}-K_kP_{yy,k}K_k^T\end{align*}其中，y_k是实际测量值。通过不断地进行预测和更新，无迹卡尔曼滤波能够根据实时测量数据，逐步逼近光学电流互感器的真实参数状态，实现对参数的准确辨识。4.3仿真分析为了验证基于无迹卡尔曼滤波的光学电流互感器参数辨识方法的有效性，利用MATLAB软件进行仿真实验。设定光学电流互感器的初始参数，维尔德常数V=100rad/(T\cdotm)，匝数N=100。在仿真过程中，模拟实际运行环境，加入高斯噪声来模拟测量过程中的干扰，噪声标准差设为0.01。同时，考虑温度变化对光学电流互感器参数的影响，假设温度以一定的规律变化，如在0到100s内，温度从20^{\circ}C线性上升到40^{\circ}C，根据前文建立的数学模型，温度变化会导致相位变化量\Delta\varphi(t)的改变，进而影响测量输出。将无迹卡尔曼滤波（UKF）与扩展卡尔曼滤波（EKF）、最小二乘法（LS）进行对比。在相同的仿真条件下，分别运用这三种方法对光学电流互感器的参数进行辨识。通过多次仿真实验，记录不同方法在不同时刻对维尔德常数和匝数的辨识结果，并计算其均方根误差（RMSE），以此来评估各方法的参数辨识精度。实验结果表明，在处理非线性系统时，无迹卡尔曼滤波展现出明显的优势。在整个仿真过程中，无迹卡尔曼滤波的均方根误差始终保持在较低水平。以维尔德常数的辨识为例，在50s时，无迹卡尔曼滤波的均方根误差为0.5rad/(T\cdotm)，而扩展卡尔曼滤波的均方根误差为1.2rad/(T\cdotm)，最小二乘法的均方根误差高达2.0rad/(T\cdotm)。这表明无迹卡尔曼滤波能够更准确地逼近光学电流互感器的真实参数，其估计结果更接近实际值。在处理温度变化等复杂因素对互感器参数的影响时，无迹卡尔曼滤波也能快速调整估计值，保持较高的辨识精度。从收敛速度来看，无迹卡尔曼滤波在经过较少的迭代次数后就能达到稳定状态，而扩展卡尔曼滤波和最小二乘法需要更多的迭代次数才能收敛。在实际应用中，快速的收敛速度意味着能够更快地获取准确的参数估计值，提高系统的响应速度。无迹卡尔曼滤波在处理复杂噪声环境方面也表现出色，能够有效地抑制噪声对参数辨识结果的干扰，即使在噪声标准差增大到0.05时，其均方根误差的增长幅度也相对较小，依然能够保持较好的辨识精度。通过仿真分析可知，基于无迹卡尔曼滤波的光学电流互感器参数辨识方法在精度、收敛速度和抗干扰能力等方面均优于扩展卡尔曼滤波和最小二乘法，能够更有效地实现对光学电流互感器参数的准确辨识，为提高光学电流互感器的测量精度和可靠性提供了有力的支持。五、实验验证5.1实验平台搭建为了对基于无迹卡尔曼滤波的光学电流互感器参数辨识方法进行实际验证，搭建了一套功能完备的实验平台，该平台主要由光学电流互感器、信号调理电路、数据采集卡、上位机等部分组成。实验选用的光学电流互感器为全光纤型，其传感头采用特殊工艺制造的保偏光纤缠绕而成，具有良好的磁光特性。额定电压为110kV，额定电流为1000A，能够满足常见电力系统的测量需求。该互感器具有高精度、宽频带、抗电磁干扰等优点，在实际应用中表现出较好的性能。信号调理电路负责对光学电流互感器输出的光信号转换后的电信号进行处理。它主要包括放大电路、滤波电路和模数转换电路等部分。放大电路采用高性能的运算放大器，能够将微弱的电信号放大到合适的幅值，以便后续处理。滤波电路则用于去除电信号中的噪声和干扰，采用低通滤波器，能够有效滤除高频噪声，保留有用的信号成分。模数转换电路将模拟电信号转换为数字信号，以便数据采集卡进行采集。选用的模数转换芯片具有高精度和高采样率，能够保证转换后的数字信号准确反映原始电信号的特征。数据采集卡选用NI公司的PCI-6251型号。该采集卡具有16位分辨率，能够提供高精度的数据采集。采样率最高可达250kS/s，满足对光学电流互感器输出信号的快速采集需求。它通过PCI总线与上位机进行通信，能够快速、稳定地将采集到的数据传输到上位机进行处理。在实际应用中，数据采集卡能够准确地采集光学电流互感器输出的信号，为后续的参数辨识提供可靠的数据支持。上位机采用高性能的计算机，安装有Windows操作系统和LabVIEW数据处理软件。LabVIEW软件具有强大的图形化编程功能，能够方便地实现数据的实时显示、存储和分析。通过编写相应的程序，能够对采集到的数据进行处理，运用无迹卡尔曼滤波算法进行光学电流互感器的参数辨识，并将辨识结果进行显示和保存。在实验过程中，用户可以通过LabVIEW界面实时观察数据采集和处理的过程，以及参数辨识的结果，便于对实验进行监控和分析。该实验平台各部分协同工作，能够模拟光学电流互感器的实际运行环境，实现对其输出信号的采集、处理和参数辨识。通过对不同工况下的电流进行测量和参数辨识实验，能够全面验证基于无迹卡尔曼滤波的光学电流互感器参数辨识方法的有效性和准确性。5.2实验方案设计为全面验证基于无迹卡尔曼滤波的光学电流互感器参数辨识方法的性能，设计了不同工况下的实验方案，涵盖不同电流值和温度条件，具体如下：不同电流值实验：设置多个不同的电流值，包括额定电流的50%（500A）、100%（1000A）和120%（1200A）。通过大电流发生器产生相应的标准电流，接入光学电流互感器进行测量。在每个电流值下，采集100组数据，采样时间间隔为0.01s。利用数据采集卡将光学电流互感器输出的信号转换为数字信号，并传输至上位机进行处理。通过上位机中的LabVIEW软件对采集到的数据进行实时显示和存储，以便后续分析。在实验过程中，保持环境温度恒定在25℃，避免温度变化对实验结果产生干扰。不同温度条件实验：搭建温控实验箱，将光学电流互感器放置其中。设置温度范围为0℃-50℃，分别在0℃、10℃、20℃、30℃、40℃、50℃这几个温度点进行实验。在每个温度点稳定后，通入额定电流1000A，采集100组数据，采样时间间隔同样为0.01s。在实验过程中，利用温度传感器实时监测实验箱内的温度，并通过温控装置进行精确控制，确保温度波动在±0.5℃范围内。数据采集和处理方式与不同电流值实验相同，通过数据采集卡将信号传输至上位机，利用LabVIEW软件进行处理和存储。实验步骤如下：实验准备：检查实验设备是否正常工作，包括光学电流互感器、信号调理电路、数据采集卡、上位机等。确保大电流发生器和温控实验箱能够准确输出设定的电流值和温度。将光学电流互感器按照正确的方式安装在大电流发生器的输出端，并连接好信号调理电路和数据采集卡。在上位机中打开LabVIEW软件，设置好数据采集的参数，包括采样频率、采样点数等。数据采集：对于不同电流值实验，按照设定的电流值依次进行实验。在每个电流值下，启动数据采集程序，采集100组数据。采集过程中，观察数据采集卡和上位机的运行状态，确保数据采集的准确性和稳定性。对于不同温度条件实验，将光学电流互感器放入温控实验箱，设置好温度。待温度稳定后，通入额定电流，启动数据采集程序，采集100组数据。在实验过程中，实时记录温度传感器的读数，确保温度符合设定值。数据处理：将采集到的数据导入MATLAB软件中，运用基于无迹卡尔曼滤波的参数辨识方法进行处理。设置无迹卡尔曼滤波的参数，包括初始状态估计值、协方差矩阵、过程噪声协方差矩阵和测量噪声协方差矩阵等。运行参数辨识程序，得到光学电流互感器的参数估计值。计算参数估计值与真实值之间的误差，分析误差的大小和变化趋势。将基于无迹卡尔曼滤波的参数辨识结果与其他传统的参数辨识方法（如最小二乘法、扩展卡尔曼滤波法）进行对比，评估无迹卡尔曼滤波在不同工况下的性能优势。5.3实验结果分析通过对不同工况下的实验数据进行深入分析，全面验证了基于无迹卡尔曼滤波的光学电流互感器参数辨识方法的有效性和优越性。在不同电流值实验中，当通入额定电流的50%（500A）时，基于无迹卡尔曼滤波的参数辨识方法得到的维尔德常数估计值为99.8rad/(T・m)，与真实值100rad/(T・m)相比，误差仅为0.2rad/(T・m)；匝数估计值为99.9，与真实值100相比，误差为0.1。在通入额定电流100%（1000A）时，维尔德常数估计值为100.1rad/(T・m)，误差为0.1rad/(T・m)；匝数估计值为100.2，误差为0.2。当通入额定电流的120%（1200A）时，维尔德常数估计值为100.3rad/(T・m)，误差为0.3rad/(T・m)；匝数估计值为100.4，误差为0.4。实验结果表明，在不同电流值下，无迹卡尔曼滤波都能准确地辨识光学电流互感器的参数，误差控制在较小范围内。将无迹卡尔曼滤波（UKF）与最小二乘法（LS）、扩展卡尔曼滤波（EKF）在不同电流值下的参数辨识误差进行对比，结果如图1所示。从图中可以明显看出，在各个电流值下，无迹卡尔曼滤波的误差均显著低于最小二乘法和扩展卡尔曼滤波。在500A时，最小二乘法的维尔德常数误差达到1.5rad/(T・m)，扩展卡尔曼滤波的误差为1.0rad/(T・m)，而无迹卡尔曼滤波的误差仅为0.2rad/(T・m)。这充分证明了无迹卡尔曼滤波在参数辨识精度上具有明显优势，能够更准确地逼近光学电流互感器的真实参数。[此处插入图1：不同电流值下UKF、LS和EKF的参数辨识误差对比图]在不同温度条件实验中，随着温度从0℃升高到50℃，基于无迹卡尔曼滤波的参数辨识方法能够实时跟踪光学电流互感器参数的变化。当温度为0℃时，维尔德常数估计值为99.5rad/(T・m)，匝数估计值为99.6；当温度升高到50℃时，维尔德常数估计值为100.5rad/(T・m)，匝数估计值为100.4。通过分析不同温度下的误差变化情况，发现无迹卡尔曼滤波在整个温度范围内都能保持较好的参数辨识精度，最大误差不超过0.5rad/(T・m)（维尔德常数）和0.4（匝数）。不同温度条件下UKF、LS和EKF的参数辨识误差对比情况如图2所示。可以看出，随着温度的变化，无迹卡尔曼滤波的误差波动较小，