CN102841251A - 一种微网中电动汽车充电站谐波检测法 - Google Patents

Abstract

本发明公开了电气工程微网技术领域中的一种微网中电动汽车充电站谐波检测法。本发明首先对微网中谐波电流进行预处理，将其分解成窄带频率信号族S₁；然后运用自适应分步延拓法对其进行延拓处理，得到频率信号族S；进一步对频率信号族S进行经验模态分解，得到各个固有模态分量；对固有模态分量进行Hilbert变换，最后得到各分量的瞬时频率信号和瞬时幅值信号。本发明不仅适用于分析微网电能质量中的非线性、非平稳信号，而且对于微网电能质量中的线性、平稳信号的分析比其他时频分析方法更好地反映了信号的频率特征以及幅值特征，具有更明确的物理意义。

Description

一种微网中电动汽车充电站谐波检测法

技术领域

本发明属于电气工程微网技术领域，尤其涉及一种微网中电动汽车充电站谐波检测法。

背景技术

随着石油资源的日益枯竭以及人们对城市空气污染的倍加关注，电动汽车开始受到全世界的青睐，各国政府和工业界均在加大力度支持电动汽车的发展。电动汽车以电代油，能够实现零排放的优点使其成为解决能源和环境问题的重要手段。我国电动汽车起步较晚，但是发展很快。为了满足电动汽车的充电需求，国内正在大力推进电动汽车充电站的建设。2010年4月，国家有关部门审查并通过了《电动汽车传导式充电接口》、《电动汽车充电站通用要求》、《电动汽车电池管理系统与非车载充电机之间的通信协议》、《轻型混合动力电动汽车能量消耗量试验方法》。本次公布的4项国家标准，对电动汽车充电接口、充电站标准和功能等情况进行了细化和规范。这意味着日后国内生产的电动汽车充电接口将统一化，同时将大大促进目前充电站的有序建设。

微网作为分布式电源并网发电规模化应用的有效技术途径，是一种由微电源、储能装置及负荷共同组成的有机系统。其通过有效的协调控制，使主要基于新能源和可再生能源的分布式电源并网所产生的负面问题都在微网内得到解决，减少了分布式电源并网对主电网产生的各种扰动，为电动汽车并网的实现提供了良好的平台。然而，电动汽车充电机是一种典型的非线性设备，其产生的大量谐波注入微网，不仅会对微网造成污染，同时也将导致充电机功率因数的降低，而谐波和功率因数过低都会对微网和主电网造成危害。为此，有必要对微网中电动汽车充电站产生的谐波电流进行检测，分析影响其变化的主要因素。

传统的谐波检测方法主要有快速傅里叶变换（FFT）以及近些年来被广泛运用于电能质量检测的小波变换（WT）等等。对于整数次谐波，FFT能进行精确的检测，但是对于非整数次谐波，运用FFT方法可能会产生频谱泄露和栅栏效应。虽然采用加窗和插值等方法可以有效进行改善，但是仍有许多不足之处，因为这些算法都是以降低频率分辨率为代价的。与傅里叶变换相比，小波分析方法则是一种时频局部化分析方法。但是在小波变换中，经过高通和低通滤波器分解后的各个频带之间存在严重的混叠现象，因此难以实现各个频带的严格划分。不仅如此，在分析谐波信号时，有很多小波基函数可供选择，小波基的选择对于信号的分析结果有很大的影响，但是最优基的选择没有确切的规律可循，在很大程度上取决于设计者的经验。

HHT(Hilbert-Huang Transform)是Norden E.Huang等人于1998年提出的一种完全自适应的时频分析方法，HHT方法由经验模态分解（Empirical ModeDecomposition，EMD）及Hilbert变换（HT）两部分组成。其核心部分在于对信号进行EMD分解，得到信号的固有模态分量（Intrinsic Mode Function，IMF），然后对IMF分量进行Hilbert变换，从而得到信号的瞬时频率和瞬时幅值。HHT非常适合于处理非线性、非平稳信号，但是在运用其对信号进行处理的同时也存在不少问题，其中端点效应和频谱混叠是重要而且难以解决的问题。在对信号进行EMD分解时，当信号的端点处不是极值点会导致信号包络线拟合的过程中产生误差，而这个误差就是产生端点效应问题的原因。不仅如此，在对信号进行Hilbert变换时，信号的端点处也会产生端点效应问题。另外，EMD分解是一个由高频到低频的过程，高频信号总是出现在第一个IMF分量中。因此，分解出来的第一个IMF分量往往不是单分量信号，包含了较宽的频率范围，这就产生了频谱混叠现象，使得Hilbert变换所得到的瞬时频率和瞬时幅值失去了原来的物理意义。

发明内容

针对上述背景技术中提到的现有时频分析方法不能分析非线性、非平稳信号等不足，本发明提出了一种微网中电动汽车充电站谐波检测法。

本发明的技术方案是，一种微网中电动汽车充电站谐波检测法，其特征是该方法包括以下步骤：

步骤1：运用小波变换的方法对微网中电动汽车充电机的谐波电流进行预处理，将其分解成不同频率段的信号族S₁，S₁＝{s_1t}，t＝1,2,…n；

步骤2：用自适应分步延拓法对步骤1的信号族S₁进行延拓处理，得到信号族S，S＝{s_0t}；

步骤3：对频率信号族S的每个信号进行经验模态分解，得到每个信号的各个固有模态分量；

步骤4：对所有的固有模态分量进行Hilbert变换，在得到的瞬时频率信号和瞬时幅值信号中去掉因延拓而增加的信号段，得到最终的信号。

所述自适应分步延拓法为：

a:对S₁中的每个频率信号进行延拓，得到信号族S₂，S₂＝{s_2t}；

b:对S₂中的每个信号进行延拓，包括，

情况一：当信号s_2t的左端或右端最后一个极值点为极大值点时，以该极大值点为对称轴进行向左或向右延拓；

情况二：当信号s_2t的左端或右端最后一个极值点为极小值点时，以该极小值点为对称轴进行向左或向右延拓；

情况三：当信号s_2t的左端或右端处的函数值大于离该端点最近的第一个极大值或者小于离该端点最近的第一个极小值时，把端点当作延拓的第一个极值点或者作为信号s_2t的最后一个极值点，然后以该指定端点为对称轴进行向左或向右延拓。

所述步骤3具体为：

步骤3.1：通过三次样条插值法求得频率信号s_0t的上包络线和下包络线，求得其上包络线和下包络线的均值；

步骤3.2：求得频率信号s_0t与上包络线和下包络线的均值的差值，若所述差值满足指定条件，则所述差值为固有模态分量；否则，用所述差值替换频率信号s_0t，返回步骤3.1；

指定条件为：若所述差值与前一个差值代入判据SD_k后所得的值小于一个指定门限值时，则该差值为固有模态分量；

步骤3.3：将频率信号s_0t和步骤3.2中的固有模态分量的差值记为残差，若该残差满足设定条件，则过程结束；否则，将该残差替换频率信号s_0t，返回步骤3.1；

设定条件为：残差为单调函数或残差的模值为一常数。

本发明所要得到的效果是：对电动汽车充电站并网点所产生的谐波电流进行实时的检测。与其他时频分析方法相比，本专利所提出的检测方法不仅适用于分析微网电能质量中的非线性、非平稳信号，而且对于电能质量中的线性、平稳信号的分析比其他时频分析方法更好地反映了信号的频率特征和幅值特征，具有更明确的物理意义。对于谐波而言，这种时频分析方法能根据信号自身的特性进行自适应分解，且不存在基函数的选择问题，从而可以实现微网中谐波的自动提取。与原HHT方法相比，本发明所提出的检测方法可以有效地抑制原HHT变换过程中所产生的端点效应问题和频谱混叠问题，从而可以更为有效地对谐波电流的频率和幅值进行实时的监测，有利于分析影响其变化的主要因素。为今后电动汽车充电站的谐波治理提供理论依据和技术支撑，使得微网中的谐波含量符合国家电能质量相关标准。

本发明所提出的谐波检测方法简捷易于实现，对微网运行工况适应性强，便于实际工程应用。

附图说明

图1为本发明所提出的检测方法的基本流程图；

图2为EMD的分解流程图；

图3为短时间谐波序列波形图；

图4为信号的包络线示意图；

图5为原信号的EMD分解结果；图5(a)为IMF1分量；图5(b)为IMF2分量；图5(c)为IMF3分量；

图6为延拓信号的EMD分解结果；图6(a)为IMF1分量；图6(b)为IMF2分量；图6(c)为IMF3分量；

图7为延拓前后信号瞬时频率对比图；图7(a)为延拓前信号的瞬时频率；图7(b)为延拓后信号的瞬时频率；

图8为整数次谐波信号波形图；

图9为谐波信号的EMD分解结果；

图10为IMF1的FFT分析结果；

图11为经过小波变换预处理后得到的EMD分解结果；图11(a)为IMF1分量；图11(b)为IMF2分量；

图12为运用本发明所提出的检测方法所得到的瞬时频率和瞬时幅值；图12(a)为谐波信号的瞬时频率；图12(b)为谐波信号的瞬时幅值；

图13为时变谐波信号波形图；

图14为时变谐波信号的瞬时幅值和瞬时频率；图14(a)为谐波信号的瞬时幅值；图14(b)为谐波信号的瞬时频率；

图15为微网中电动汽车充电站的并网示意图；

图16为高频充电机的原理图；

图17为高频充电机的电路图；

图18为充电机的仿真原理图；

图19为电动汽车充电站的仿真模型；

图20为电动汽车充电站并网点处流过的A相谐波电流波形；

图21为运用本发明所提出的检测方法所得到的谐波电流的瞬时频率和瞬时幅值；图21(a)为谐波电流的瞬时频率；图21(b)为谐波电流的瞬时幅值。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

对于微网中电动汽车充电站的谐波电流，根据本发明所提出的检测方法，可以按照图1的流程进行处理，其具体过程如下所述：

步骤1：运用小波变换的方法对电动汽车充电机的谐波电流进行预处理，将其分解成不同频率段的窄带信号族S₁，S₁＝{s_1t}，t＝1,2,…n；（n与小波变换的分解层数有关），对原信号的频率进行细化，从而避免频谱混叠现象的产生；

步骤2：为了改善HHT中的端点效应问题，在此采用自适应分步延拓法对步骤1得到的窄带信号族S₁进行延拓，最后得到信号族S，S＝{s_0t}。

谐波电流经过小波变换预处理后成为窄带信号族S₁，S₁＝{S_1t}。由于S₁中的每一个窄带信号的延拓方法都相同，此处设其中一个谐波电流窄带信号为s_1t，其数据序列为s_1t(1)，s_1t(2)…，s_1t(N)，其中，N为采样点数。运用自适应分步延拓法对其进行处理的具体过程如下所示：

首先构造一个如式(1)所示的回归模型，其中，a_i为非负的拉格朗日乘子；b为偏置项；k(x,x_i)为核函数；l为训练样本数。

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_{i}k(x,x_i)+b---\left(1\right)$

在所构造的回归模型的基础上对所要延拓的数据序列进行向左和向右延拓。向左、向右延拓方法相同，下面以向右延拓为例进行分析：首先确定要延拓的点数m和训练样本数l，然后按照一定的规则形成一个训练样本集T＝{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)}，其中，x_i＝[s_1t(i),s_1t(i+1),…，s_1t(N-l+i-1)]^T，y_i＝s_1t(N-l+i)，1≤i≤l。利用如式(1)所示的回归模型就可以得到数据序列边界外的第一个预测值s_1t(N+1)。

$s_{1t}(N+1)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_{i}k(x,x_i)+b---\left(2\right)$

式中，x＝{x₁,x₂…,x_l}^T。再将s_1t(N+1)作为原始谐波信号序列新的边界点，就可得到下一个预测值s_1t(N+2)，以此类推，根据所要延拓的数据个数就可以得到全部的延拓序列s_1t(N+1),…,s_1t(N+m)。

令s_2t＝{s_1t(1),…,s_1t(N+m)}。设s_2t对应的时间序列为：{t₁,t₂…,t_n}，则s_2t可以表示为：{s_2t(t₁),s_2t(t₂₎,…,s_2t(t_n)}。又设此时该信号有M个极大值和N个极小值，极大值点所对应的时间为：T_M(i)，函数值为：s_2tM(i)，1≤i≤M；极小值所对应的时间为：T_N(i)，函数值为：s_2tN(i)，1≤i≤N。

对s_2t继续进行延拓，由于其端点处的波形和函数值大小情况各不相同，延拓时必须分情况讨论。下面仍以向右延拓为例进行分析：

情况一：当信号s_2t右端最后一个极值点为极大值点时，即T_M(M)＞T_N(N)，以此处极大值点为对称轴向右延拓：

T_M(M+j)＝2T_M(M)-T_M(M-j)，s_2tM(M+j)＝s_2tM(M-j)；

T_N(N+j)＝2T_M(M)-T_N(N-j+1)，s_2tN(N+j)＝s_2tN(N-j+1)。

j为延拓的第j个极值点，1≤j≤k，k为所要延拓的极值点数。

情况二：当信号s_2t右端最后一个极值点为极小值点时，即T_N(N)＞T_M(M)，以此处极小值点为对称轴向右延拓：

T_M(M+j)＝2T_N(N)-T_M(M-j+1)，s_2tM(M+j)＝s_2tM(M-j+1)；

T_N(N+j)＝2T_N(N)-T_N(N-j)，s_2tN(N+j)＝s_2tN(N-j)。

则右端延拓的极大值点所对应的时间为T_M(M+1),T_M(M+2),…,T_M(M+k)；极大值点所对应的函数值为s_2tM(M+1),s_2tM(M+2),…,s_2tM(M+k)。右端延拓的极小值点所对应的时间为T_N(N+1),T_N(N+2),…,T_N(N+k)；极小值点所对应的函数值为s_2tN(N+1),s_2tN(N+2),…,s_2tN(N+k)。

情况三：当信号s_2t右端点处的函数值大于离端点最近的第一个极大值或者小于离端点最近的第一个极小值时，为了使端点落在包络线的包络范围内，就必须对端点进行特殊处理，这时应当把端点当作延拓的第一个极值点或者作为信号的最后一个极值点，然后以其为对称轴进行其他极值点的延拓，极值点所对应的时间和函数值的推导与前两种情况类似。

向左延拓与向右延拓情况类似，此处不再赘述。在下面叙述中，用s_0t表示s_1t经自适应分步延拓法延拓后所得到的信号。

步骤3：对延拓后的信号族S＝{s_0t}进行EMD分解，得到一系列IMF分量。由于每个信号EMD分解过程相同，在此以第t个信号s_0t的EMD分解过程为例进行说明。

提取s_0t谐波信号IMF分量的计算过程如下所示，其算法流程图如图2所示。

（1）找到信号s_0t(t)的所有极大值点和极小值点，分别用三次样条插值的方法拟合上包络线v₁(t)和下包络线v₂(t)，并求出其平均值m₁(t)＝[v₁(t)+v₂(t)]/2。

（2）求取信号s_0t(t)与m₁的差值，即h₁(t)＝s_0t(t)-m₁(t)。对于不同的信号，h₁(t)可能是一个IMF分量，也可能不是。对于分解得到的IMF分量，必须满足以下两个条件：1)其过零点和极值点的数目必须相等或者最多相差一个；2)连接局部极大值所形成的上包络线和连接局部极小值所形成的下包络线的平均值在任一点处都为零。当不满足IMF所需条件时，把h₁(t)当作原信号，重复上述步骤，即得：

h₁₁(t)＝h₁(t)-m₁₁(t)

式中，m₁₁(t)是h₁(t)的上、下包络线的平均值。若h₁₁(t)不是IMF分量，则继续筛选，重复上述方法k次，得到第k次筛选的数据h_1k(t)：

h_1k(t)＝h_1(k-1)(t)-m_1(k-1)(t)

以SD_k作为判据，把两个连续处理结果代入SD_k表达式，当SD_k小于某一指定门限值时，筛选过程即可结束。

${\mathrm{SD}}_k=\frac{\underset{t=0}{\overset{T}{\mathrm{\Σ}}}{|h_{1(k-1)}\left(t\right)-h_{1k}\left(t\right)|}^2}{\underset{t=0}{\overset{T}{\mathrm{\Σ}}}{h^2}_{1(k-1)}\left(t\right)}$

经验表明，当门限值取0.2～0.3时，即可保证IMF的线性和稳定性，又可以使IMF具有相应的物理意义。

（3）当h_1k(t)满足筛选终止准则的要求，则h_1k(t)视为第一个IMF信号，记为c₁(t)。从s_0t(t)中减去c₁(t)得到剩余信号，即残差r₁(t)：

r₁(t)＝s_0t(t)-c₁(t)

将r₁(t)视为一组新信号，重复上述过程，经过多次运算可以得到全部的残差r_i(t)：

r_i(t)＝r_i-1(t)-c_i(t)     i＝1,2,3,…,n

直到r_n为单调函数或者|r_n|保持不变时，分解即可停止。最终信号可以表示为：

$s_{0t}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\left(t\right)+r_n\left(t\right)$

步骤4：对各个IMF分量作Hilbert变换，得到谐波信号的瞬时频率和瞬时幅值，然后从瞬时频率和瞬时幅值信号中减去因延拓而增加的信号段，得到最终的信号。此时信号的长度仍和原始信号s_1t的长度保持一致。

现以任意一个IMF分量c_i为例进行分析，对其作Hilbert变换，则有：

$H\left[c_i\left(t\right)\right]=\frac{1}{\mathrm{\π}}{\∫}_{-\∞}^{+\∞}\frac{c_i\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}\mathrm{d\τ}---\left(3\right)$

其反变换为：

$c_i\left(t\right)=\frac{1}{\mathrm{\π}}{\∫}_{-\∞}^{+\∞}\frac{H\left[c_i\left(t\right)\right]}{t-\mathrm{\τ}}\mathrm{d\τ}---\left(4\right)$

得到的解析信号x(t)为：

x(t)＝c_i(t)+jH[c_i(t)]                      (5)

上式还可以表示为x(t)＝a(t)e^jθ(t)。其中，a(t)为瞬时幅值；θ(t)为相位。

$\left\{\begin{array}{c}a\left(t\right)=\sqrt{{c_i\left(t\right)}^2+H{\left[c_i\left(t\right)\right]}^2}\\ \mathrm{\θ}\left(t\right)=\arctan \left[H\right[c_i\left(t\right)]/c_i\left(t\right)]\end{array}\right.---\left(6\right)$

对于IMF分量的瞬时频率，可以按式(7)进行计算，这样谐波信号的瞬时频率就得到了。

$f\left(t\right)=\frac{1}{2\mathrm{\π}}\frac{\mathrm{d\θ}\left(t\right)}{\mathrm{dt}}---\left(7\right)$

在此设原始谐波信号s_1t的采样点数为N，经过自适应分步延拓法延拓后的数据序列s_0t的采样点数为N+2m₁。则对于所得到的谐波信号的瞬时频率序列f(i)和瞬时幅值序列a(i)，1≤i≤N+2m₁，可以分别表示为{f(1),f(2),…,f(N+2m₁)}和{a(1),a(2),…,a(N+2m₁)}。舍去经自适应分步延拓法延拓出来的那部分信号就得到最终结果。瞬时频率可以表示为{f(m₁+1),f(m₁+2),…,f(m₁+N)}，瞬时幅值可以表示为{a(m₁+1),a(m₁+2),…,a(m₁+N)}。

上述即为微网中电动汽车充电站谐波电流检测法的全过程，下面结合附图和实例对本发明进一步说明。

具体实施方式：

为了充分说明本发明所提出的谐波检测方法在谐波问题分析方面的有效性，现分别对以下谐波信号进行分析。

算例1：

其中A₁＝2A，A₂＝1.5A，A₃＝1.5A；f₁＝4Hz，f₂＝2Hz，f₃＝0.5Hz。该信号为一短时间谐波电流序列，采样频率为300，采样点数为301，其波形图如图3所示。

对该短时间谐波信号进行三次样条插值，得到信号的包络线如图4所示。从图中可以看出，原信号只存在3个极大值点和4个极小值点，由于不能确定端点处是否为极值点，所以端点处信号包络的趋势无从得知，得到的包络线不能包含所有的数据。上下包络线在数据两端均背离了原信号，产生了端点效应。同时由于数据序列很短，产生的端点效应将向内“污染”整个数据序列。图5为信号EMD分解结果与原信号IMF分量的对比图。通过对比可以发现，无论是幅值还是频率，分解结果都出现了严重的偏差。所以在采用EMD对信号进行分解时必须先抑制其端点效应的产生，否则分解毫无意义。

为了改善EMD分解过程中产生的端点效应问题，本发明提出采用自适应分步延拓法对数据序列进行延拓。在此，利用网格搜索和交叉验证算法确定其参数，取训练样本数为100，训练样本集为T＝{(x₁,y₁),(x₂,y₂),…,(x₁₀₀,y₁₀₀)}。对延拓后的信号进行EMD分解，得到的分解结果如图6所示。从图中可以清楚地看到，对延拓后的信号进行EMD分解所得到的IMF分量与原信号的IMF分量基本重合，与直接进行EMD分解所得的结果相比，IMF波形得到了很大的改善。特别是对于IMF3，直接EMD分解得到的结果只是一条直线，当采用自适应分步延拓法处理后，虽然还存在一定的误差，但是考到其特征尺度最大且只有半个波形，处理效果已经相当令人满意。

对延拓前后的信号分别进行Hilbert变换，得到的瞬时频率对比图如图7所示，延拓前信号的瞬时频率出现了严重的失真现象，当采用自适应分步延拓法对其进行延拓后，瞬时频率具有了物理意义并与原给定信号相一致，可见该方法在处理端点效应问题上的有效性。

算例2：

其中，A₁＝10V，A₂＝1V；f₁＝50HZ，f₂＝150HZ。取采样频率f_s=3200HZ，采样点数为1600。其波形如图8所示。

对算例2的波形其直接进行EMD分解，得到的结果如图9所示。接着对分解得到的IMF1进行FFT分析，结果如图10所示，由于出现了频谱混叠现象，IMF1的FFT分析结果中含有两个频率分量，这将会导致Hilbert变换得到的瞬时频率和瞬时幅值失去原来的物理意义。

为了解决这一问题，本发明提出采用小波变换的方法对谐波信号进行预处理，提高信号特征提取的准确性。在此，选择‘db5’小波作为小波基函数，对信号进行5层分解，对于重构后的高低频系数，采用自适应分步延拓法对其进行延拓处理，得到的EMD分解结果如图11所示。接着对IMF1和IMF2进行Hilbert变换，得到的瞬时频率和瞬时幅值如图12所示。从得到的结果可知利用小波变换方法对谐波信号进行预处理使得EMD分解中的频谱混叠问题得到了很好的解决。

算例3：算例1与算例2均为平稳谐波信号，为了验证本文所提出的谐波检测方法在分析非平稳谐波信号上的有效性，在此以一时变间谐波信号为例进行分析，其表达式为 $x\left(t\right)=\left\{\begin{array}{cc}2\sin \left(2\mathrm{\&pi;}{f}_{N}t\right)+1.2\sin \left(2\mathrm{\&pi;}{f}_{1}t\right)& 0\&le;t<0.2\\ 2\sin \left(2\mathrm{\&pi;}{f}_{N}t\right)+0.8\sin \left(2\mathrm{\&pi;}{f}_{1}t\right)& 0.2\&le;t<0.3\\ 2\sin \left(2\mathrm{\&pi;}{f}_{N}t\right)+0.5\sin \left(2\mathrm{\&pi;}{f}_{2}t\right)& 0.3\&le;t<0.5\end{array}\right.,$ 式中，f_N＝50Hz，f₁＝110Hz，f₂＝325Hz。取采样频率f_s＝3200Hz。该谐波信号的波形如图13所示。

为了分析该谐波信号的幅值特征和频率特征，在此采用本发明所提出的检测方法对其进行检测。所得到的瞬时频率和瞬时幅值如图14所示。从瞬时幅值图中可以清楚地看到，IMF1分量的瞬时幅值在0.2s和0.3s处发生了突变；从瞬时频率图中可以看到，其瞬时频率在0.3s处发生了突变，与原给定信号相一致。由此可见，本发明所提出的检测方法不仅能精确地检测出扰动发生和终止的时间，而且可以准确地检测出各次谐波的幅值和频率信息。

以上三个仿真算例所得的结果均表明，本发明所提出的微网中谐波检测方法能够准确提取各个频率分量的参数并且有助于得到具有物理意义的瞬时频率和瞬时幅值，不仅适用于微网中线性、平稳谐波信号的分析，而且适用于非线性、非平稳信号的分析，从真正意义上实现了整数次谐波和非整数次谐波的检测。因此，本发明将运用该方法对微网中电动汽车充电站的谐波进行检测。

参见图15，该图为电动汽车充电站并入微网的结构示意图。该微网系统由微电源（微型燃气轮机、燃料电池、光伏发电及风力发电机等）、储能装置（电动汽车充电站）及负荷构成。

参见图16和图17，其分别为高频充电机的原理图和电路图。其中，u_A、u_B、u_C为来自微网的三相交流电。为了简化计算，用一个非线性电阻R_C来近似的模拟高频功率变换电路的等效输入阻抗。所用参数如图17所示，非线性电阻R_C可以近似的表示为：

$R_C=\frac{U_B}{I_I}=\frac{{{\mathrm{\&eta;U}}_B}^2}{P_0}=\frac{{{\mathrm{\&eta;U}}_B}^2}{U_0{I}_0}---\left(8\right)$

式中，U₀为充电机的输出电压，I₀为充电机的输出电流，I_I为高频功率变换器的输入电流，P₀为充电机的输出功率，η为充电机效率。

本发明采用Matlab/Simulink软件作为研究工具，以图18为原理图搭建仿真模型如图19所示。对上述仿真模型进行试验，由于充电机电路工作在开关状态，其转换效率高，整个工作期间效率都在90%左右，仿真过程取值为90%。供电电源通过10KV母线给充电站供电，经过10/0.4KV变压器降压后给充电机供电，充电机将电能经过一系列变换后给蓄电池充电。每台充电机的功率都是9KW。通过运行充电机仿真模型，得到的谐波电流如图20所示。运用本发明所提出的检测方法对A相谐波电流进行检测，得到的谐波电流瞬时频率和瞬时幅值如图21所示。从图21中可知：(1)电动汽车充电机产生的谐波电流次数主要为6k±1次，k＝1,2,3,…，即5、7、11、13…；(2)谐波电流的幅值与谐波次数成反比，谐波次数越高，谐波电流幅值越小。

对微网中电动汽车充电站并网点产生的谐波电流进行实时、准确地检测不仅是对其进行有效治理的重要前提，而且是微网稳定可靠运行的重要前提之一。为此，本发明提出了一种微网中电动汽车充电站的谐波检测新方法，即首先运用小波变换的方法对电动汽车充电机的谐波电流进行预处理，初步细化其频率避免了EMD过程中出现的频谱混叠现象；接着运用自适应分步延拓法对谐波信号进行延拓避免了端点效应问题的产生。新方法的提出对于原HHT存在的频谱混叠问题和端点效应问题分别进行了有效合理的改进，取得了优良的效果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种微网中电动汽车充电站谐波检测法，其特征是该方法包括以下步骤：

步骤1：运用小波变换的方法对微网中电动汽车充电机的谐波电流进行预处理，将其分解成不同频率段的信号族S₁，S₁＝{s_1t}，t＝1,2,…n；

步骤2：用自适应分步延拓法对步骤1的信号族S₁进行延拓处理，得到信号族S，S＝{s_0t}；

步骤3：对频率信号族S的每个信号进行经验模态分解，得到每个信号的各个固有模态分量；

步骤4：对所有的固有模态分量进行Hilbert变换，在得到的瞬时频率信号和瞬时幅值信号中去掉因延拓而增加的信号段，得到最终的信号。

2.根据权利要求1所述的一种微网中电动汽车充电站谐波检测法，其特征是所述自适应分步延拓法为：

a:对S₁中的每个频率信号进行延拓，得到信号族S₂，S₂＝{s_2t}；

b:对S₂中的每个信号进行延拓，包括，

情况一：当信号s_2t的左端或右端最后一个极值点为极大值点时，以该极大值点为对称轴进行向左或向右延拓；

情况二：当信号s_2t的左端或右端最后一个极值点为极小值点时，以该极小值点为对称轴进行向左或向右延拓；

情况三：当信号s_2t的左端或右端处的函数值大于离该端点最近的第一个极大值或者小于离该端点最近的第一个极小值时，把端点当作延拓的第一个极值点或者作为信号s_2t的最后一个极值点，然后以该指定端点为对称轴进行向左或向右延拓。

3.根据权利要求1所述的一种微网中电动汽车充电站谐波检测法，其特征是所述步骤3具体为：

步骤3.1：通过三次样条插值法求得频率信号s_0t的上包络线和下包络线，求得其上包络线和下包络线的均值；

步骤3.2：求得频率信号s_0t与上包络线和下包络线的均值的差值，若所述差值满足指定条件，则所述差值为固有模态分量；否则，用所述差值替换频率信号s_0t，返回步骤3.1；

指定条件为：若所述差值与前一个差值代入判据SD_k后所得的值小于一个指定门限值时，则该差值为固有模态分量；

步骤3.3：将频率信号s_0t和步骤3.2中的固有模态分量的差值记为残差，若该残差满足设定条件，则过程结束；否则，将该残差替换频率信号s_0t，返回步骤3.1；

设定条件为：残差为单调函数或残差的模值为一常数。

Images