CN109358230A - 一种微电网中计及间谐波的智能电能计量方法 - Google Patents

Abstract

由于微电网中存在大量非线性负载，因此在进行电能计量时，谐波和间谐波功率方向难以确定，存在电能计量不准问题的问题。本发明涉及一种计及间谐波电能智能计量的方法，首先将采集到的电压、电流信号通过经验模态分解得到各信号的幅值、相位、频率等信息，并采用希尔伯特黄变换建立信号实时频谱；其次，将分解后的信号放入深度信念网络中，经过预训练和微调，得到按频率划分的不同信号组；最后，根据电能计算方法得到间谐波的有功电能值。其方法能够方便快捷的实现计及间谐波的电能智能计量。

Description

一种微电网中计及间谐波的智能电能计量方法

技术领域

本发明涉及一种计及间谐波的电能智能计量方法，特别是采用希尔伯特黄变换和深度信念网络分析方法实现计及间谐波的智能电能计量。

背景技术

微电网中含有多种多样的分布式电源、主动负荷和大量的电动汽车充电站，具有分散性强、供需变化速度快、能量双向流动、与用户的互动性强等特点，尤其是大量非线性负载的接入，使传统的计量方式计量不准问题日益突出，难以满足微电网多能源双向计量和快速控制决策的需要。因此需要研究适用于微电网中非线性负载计及间谐波电能智能计量算法，提高电能计量的准确度。

发明内容

本发明采用希尔伯特黄变换对电力系统中电压、电流信号进行分解；采用深度信念网络对变换后的信号进行训练，得到相同频率下信号的集合；实现计及间谐波的智能电能计量。

一种微电网中计及间谐波的智能电能计量方法，包括以下步骤：

步骤1：在三相不对称电力系统中，电压和电流交流量由基波含量、谐波含量和间谐波含量组成，同频率的电压和电流才能构成有功功率，而不同频率的电压和电流并不能构成有功功率。设ω为基波角频率；U_k、I_k分别为k次频率分量电压、电流有效值；α_k，β_k分别为k次频率分量电压、电流的相角，则电压、电流交流量产生的有功电能值为：

步骤2：采用希尔伯特-黄变换(HHT)，通过经验模态分解(EMD)和希尔伯特谱分析方法，在满足：①在整个数据序列内，极值点数量和过零点数量相等或者相差1个；②在信号的任意时刻，由局部极大值点和局部极小值点确定的上、下包络线的平均值为零，即上、下包络线在关于时间轴局部对称这两个条件的前提下，对检测到的电流、电压进行分析。

通过经验模态分解(EMD),得到若干固有模态函数(Intrinsic ModeFunction，IMF)。具体步骤为：(1)找到信号X(t)的所有极大值和极小值点，分别用曲线拟合，得到X(t)的上、下包络线，并计其平均值记为m(t)，令h(t)＝X(t)m-(t)，则h(t)为一个近似的IMF；(2)将h(t)作为新的X(t)，重复(1)操作，直到h(t)满足IMF条件停止，此时得到第一阶IMF，记作c₁(t)，将r(t)＝x(t)-c₁(t)作为新的X(t)；再重复(1)(2)过程，依次得到第二阶、第三阶IMF分量……，最终可得，其中，r(t)称为残余函数，代表信号的平均趋势。

任意电压、电流信号时间序列X(t)进行希尔伯特(Hilbert)变换，可得到电压、电流信号的幅值、频率、相位等信息，建立信号的时频谱图。

定义解析信号 Z(t)＝X(t)+jY(t)＝a(t)e^jθ(t)，其中为信号的瞬时幅值，θ(t)＝a r c tYa tn(X(为t)信号的瞬)时相位，ω(t)＝dθ(t)/dt为信号的瞬时频率。

步骤3：将经HHT分解后不同频率下含间谐波的电压、电流信号的幅值、相位作为输入样本，放在深度信念网络(DBN)中进行训练，整个DBN的训练过程包括预训练和调优两个过程。

预训练过程对不同频率下的电压、电流信号的幅值、相位参数进行初始化，初始化网络参数各层间的连接权值和偏置。DBN预测模型网络结构如图1所示，可视层和隐藏层的联合组态能量用网络能量函数RBM表示：

E(ν,h,θ)＝-∑w_ijv_ih_j-∑b_iv_j-∑a_ih_j

其中a，b分别为可视层和隐藏层节点对应的偏置量，ω_ij为可视层和隐藏层之间的连接权重，θ为模型参数θ＝[w a b]。

一层能量函数(RMB)网络参数包括一个可视层ν和隐藏层h,每一层的节点间无连接，只有层间存在连接。DBN由多层RBM构成，其相邻两层可理解为一个单独的RBM，通过神经元的激活或抑制状态，达到训练RBM的目的。

可视层显元即输入样本，为微电网中非线性负载谐波和间谐波信号的电压、电流及其相位值。首先从输入数据模型可视层显元中提取幅值、相位特征，划分训练样本及测试样本，设定训练周期epoch，学习率γ，指定可见层及隐层单元数目n_v和n_h，初始化权重矩阵W，偏置向量a，b。其次，将幅值相位训练样本赋给显层v⁽⁰⁾，计算对应的隐元被激活的概率从计算得到的概率分布中抽取一个样本 h⁽⁰⁾～P(h⁽⁰⁾|v⁽⁰⁾)，用h⁽⁰⁾重构显层抽取重构显层中的一个样本 v⁽¹⁾～P(v⁽¹⁾|h⁽⁰⁾)，用v⁽¹⁾计算隐层元被激活的概率最后，更新权重：

W←W+γ[(P(h⁽⁰⁾＝1|v⁽⁰⁾)v^(0)T-(P(h⁽¹⁾＝1|v⁽¹⁾)v^(1)T]

a←a+γ(v⁽⁰⁾-v⁽¹⁾)

通过对该信号训练学习，得到神经元状态及模型参数θ，

DBN网络使用非监督贪婪逐层方法预训练模型得到权重。通过k次更新逐层训练各RBM网络。由于每一层RBM网络都是独立进行训练，只能保证该层的权重对该层特征向量映射达到最优，并不能保证整个DBN网络特征提取和映射达到最优。因此采用梯度下降算法，将网络输出与标准数值标签之间幅值、相位的误差自顶向下反向传播至每一层 RBM，微调整个DBN模型，实现模型参数最优化。

由于微电网中存在大量非线性负载，因此在进行电能计量时，谐波和间谐波功率方向难以确定，存在电能计量不准问题的问题。本发明涉及一种计及间谐波电能智能计量的方法，首先将采集到的电压、电流信号通过经验模态分解得到各信号的幅值、相位、频率等信息，并采用希尔伯特黄变换建立信号实时频谱；其次，将分解后的信号放入深度信念网络中，经过预训练和微调，得到按频率划分的不同信号组；最后，根据电能计算方法得到间谐波的有功电能值。其方法能够方便快捷的实现计及间谐波的电能智能计量。

本发明的有益之处在于：采用希尔伯特黄变换方法对微电网非线性幅值谐波、间谐波的信号进行分析，能够准确得到各采样电压、电流信号的幅值、相角。通过深度信念网络对变换后的信号进行训练，得到相同频率下信号的集合。其次，根据功率计算公式准确计算及间谐波的有功电能值，实现对计及间谐波的电能智能计量。

附图说明

图1是深度信念网络预测模型。

具体实施方式

本发明公开了一种微电网中计及间谐波的智能电能计量方法，包括以下步骤：

步骤1：在三相不对称电力系统中，电压和电流交流量由基波含量、谐波含量和间谐波含量组成。根据有功功率定义及三角函数的正交性可知，同频率的电压和电流才能构成有功功率，而不同频率的电压和电流并不能构成有功功率。ω为基波角频率；U_k、I_k分别为k次电压、电流频率分量有效值；α_k，β_k分别为k次电压、电流频率含量的相角，电压电流交流量产生的有功电能值为：

步骤2：希尔伯特-黄变换(HHT)是一种适合非线性、非平稳信号的时频分析法，非常适合含间谐波的电能计量方式，它主要包括经验模态分解(EMD)和希尔伯特谱分析(HSA)两部分。

在满足：①在整个数据序列内，极值点数量和过零点数量相等或者相差1个；②在信号的任意时刻，由局部极大值点和局部极小值点确定的上、下包络线的平均值为零，即上、下包络线关于时间轴局部对称这两个条件的前提下，首先对检测到的电流、电压进行经验模态分解(EMD),得到若干固有模态函(Intrinsic ModeFunction，IMF)，具体如下：

(1)找到信号X(t)的所有极大值和极小值点，分别用曲线拟合，得到X(t)的上、下包络线；

(2)上、下包络线的平均值记为m(t)，并令h(t)＝X(t)-m(t)，则h(t)为一个近似的IMF；

(3)将h(t)作为新的X(t)，重复(1)、(2)操作，直到h(t)满足IMF条件停止，此时得到第一阶IMF记作c₁(t)；

(4)将r(t)＝X(t)-c ₁(t)作为新的X(t)，重复以上(1)、(2)、(3)过程，依次得到第二阶、第三阶IMF分量，…，最终可得

其中，r(t)称为残余函数，代表信号的平均趋势。

任意电压、电流信号时间序列X(t)进行Hilbert变换，可得到电压、电流信号的幅值、频率以及相位等信息，建立信号的时频谱图。

定义Y(t)为：

解析信号为：

Z(t)＝X(t)+jY(t)＝a(t)e^jθ(t)

其中为信号的瞬时幅值，θ(t)＝arctan(Y(t)/X(t))，瞬时频率计算公式为:ω(t)＝dθ(t)/dt。

步骤3：将经HHT分解后不同频率下含间谐波的电压、电流信号的幅值、相位作为输入样本，放在深度信念网络(DBN)中进行训练，整个DBN的训练过程包括预训练和调优两个过程。将经验得到含间谐波的电压、电流信号的幅值、相位作为标签样本，通过训练后得到不同频率下的电压电流信号。具体方法如下：

(1)预训练：预训练过程是对电压、电流信号的幅值、相位等网络参数进行初始化的过程，主要是初始化网络参数的各层间连接权值和偏置。如图1所示，一层RBM网络参数包括一个可视层ν和隐藏层h,每一层的节点间无连接，只有层间存在连接。

RBM是一个能量函数，其可视层和隐藏层的联合组态能量表示为：

E(ν,h,θ)＝-∑w_ijv_ih_j-∑b_iv_j-∑a_ih_j

其中a,b分别为可视层和隐藏层节点对应的偏置量，ω_ij为可视层和隐藏层之间的连接权重，θ为模型参数θ＝[w a b]。

可视层和隐藏层的联合概率为：其中z(θ)为归一化因子，配分函数

对一组观测数据为ν的分布P_θ(v)，联合概率分布P_θ(v，h)的边缘分布为：

同理

由RBM特殊的网络结构可知，显元及隐元的状态和激活条件独立。第j个隐元的激活概率为

同样可得到第i个显元激活概率为：

式中sigmoid(x)＝1/(1+e^-x)为RBM的激活函数，将变量X映射到0-1之间。

将经HHT分解后所得电压、电流信号的幅值、相位的信号作为训练样本，训练RBM以调整参数θ，使得该参数控制RBM表示的概率分布尽可能与训练数据的分布相符。DBN 由多层RBM构成，其相邻两层可分解为一个单独的RBM，通过神经元的激活或抑制状态，达到训练RBM的目的。

可视层显元即输入样本，为微电网中非线性负载谐波和间谐波信号的电压、电流、相位值。首先从输入数据模型可视层显元中提取相关特征，划分训练样本及测试样本，设定训练周期epoch，学习率γ，指定可见层及隐层单元数目n_v和n_h，初始化权重矩阵W，偏置向量a，b。其次，将训练样本x赋给显层v⁽⁰⁾，计算对应的隐元被激活的概率从计算得到的概率分布中抽取一个样本h⁽⁰⁾～P(h⁽⁰⁾|v⁽⁰⁾)，用h⁽⁰⁾重构显层抽取重构显层中的一个样本v⁽¹⁾～P(v⁽¹⁾|h⁽⁰⁾)，用v⁽¹⁾计算隐层元被激活的概率

式中：s为训练样本集合；n_s为训练样本个数。

对上式表示的极大对数似然函数，通常采用随机梯度上升法：

其中<>_p表示关于分布P的数学期望，上式的第一部分表示对数据集的期望；第二部分表示对模型中定义的期望。采用对比散度的方法对重构数据进行近似采用，更新网络权值。

W←W+γ[(P(h⁽⁰⁾＝1|v⁽⁰⁾)v^(0)T-(P(h⁽¹⁾＝1|v⁽¹⁾)v^(1)T]

a←a+γ(v⁽⁰⁾-v(¹⁾)

由于归一化因子Z_θ的存在，联合概率分布P求解较为复杂，在训练过程中，首先将显元向量映射到隐元，然后用隐元重构显元向量，再将显元向量映射到隐元，重复执行以上步骤k次，最终实现对RBM的快速训练学习，得到不同频率下的电压、电流、相位信号。

(2)微调：采用k次对比散度(contrastive divergence，CD)算法逐层训练各RBM网络，每一层RBM网络都是独立进行训练，只能保证该层的权重对该层特征向量映射达到最优，并不能保证整个DBN网络特征提取和映射达到最优。因此在预训练结束后，组成了DBN的初步框架，然后对DBN做微调训练，根据DBN输出数据(电压、电流的幅值、相位)和标准数值标签之间的误差，采用梯度下降算法将网络输出与标准数值标签之间的误差自顶向下反向传播至每一层RBM；主要调整层与层之间的权值和偏重值，微调整个 DBN模型，达到训练快，收敛时间短的效果，从而实现模型参数最优化。

最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。

Claims (1)

1.一种微电网中计及间谐波的智能电能计量方法，包括以下步骤：

步骤1：在三相不对称电力系统中，电压和电流交流量由基波含量、谐波含量和间谐波含量组成，同频率的电压和电流才能构成有功功率，而不同频率的电压和电流并不能构成有功功率；设ω为基波角频率；U_k、I_k分别为k次频率分量电压、电流有效值；α_k，β_k分别为k次频率分量电压、电流的相角，则电压、电流交流量产生的有功电能值为：

步骤2：采用希尔伯特-黄变换(HHT)，通过经验模态分解(EMD)和希尔伯特谱分析方法，在满足①在整个数据序列内，极值点数量和过零点数量相等或者相差1个；②在信号的任意时刻，由局部极大值点和局部极小值点确定的上、下包络线的平均值为零，即上、下包络线在关于时间轴局部对称这两个条件的前提下，对检测到的电流、电压进行分析；

通过经验模态分解(EMD),得到若干固有模态函数(Intrinsic ModeFunction，IMF)；具体步骤为：(1)找到信号X(t)的所有极大值和极小值点，分别用曲线拟合，得到X(t)的上、下包络线，并计其平均值记为m(t)，令h(t)＝X(t)m-(t)则h(t)为一个近似的IMF；(2)将h(t)作为新的X(t)，重复(1)操作，直到h(t)满足IMF条件停止，此时得到第一阶IMF，记作c₁(t)，将r(t)＝x(t)-c₁(t)作为新的X(t)；再重复(1)(2)过程，依次得到第二阶、第三阶IMF分量……，最终可得，其中，r(t)称为残余函数，代表信号的平均趋势；

任意电压、电流信号时间序列X(t)进行希尔伯特(Hilbert)变换，可得到电压、电流信号的幅值、频率、相位信息，建立信号的时频谱图；

定义解析信号

Z(t)＝X(t)+jY(t)＝a(t)e^jθ(t)，其中为信号的瞬时幅值，

θ(t)＝arctan(Y(t)/X(t))为信号的瞬时相位，ω(t)＝dθ(t)/dt为信号的瞬时频率；

步骤3：将经HHT分解后，不同频率下含间谐波的电压、电流信号的幅值、相位作为输入样本，放在深度信念网络(DBN)中进行训练，整个DBN的训练过程包括预训练和调优两个过程；

预训练过程对不同频率下电压、电流信号的幅值、相位参数进行初始化，初始化网络参数各层间的连接权值和偏置；可视层和隐藏层的联合组态能量用网络能量函数RBM表示为：

E(ν,h,θ)＝-∑w_ijv_ih_j-∑b_iv_j-∑a_ih_j

其中a，b分别为可视层和隐藏层节点对应的偏置量，ω_ij为可视层和隐藏层之间的连接权重，θ为模型参数θ＝[w a b]；

一层能量函数(RMB)网络参数包括一个可视层ν和隐藏层h,每一层的节点间无连接，只有层间存在连接；DBN由多层RBM构成，其相邻两层可理解为一个单独的RBM，通过神经元的激活或抑制状态，达到训练RBM的目的；

可视层显元即输入样本为微电网中非线性负载谐波和间谐波信号的电压、电流及其相位值；首先从输入数据模型可视层显元中提取幅值、相位特征，划分训练样本及测试样本，设定训练周期epoch，学习率γ，指定可见层及隐层单元数目n_v和n_h，初始化权重矩阵W，偏置向量a b；其次，将幅值、相位训练样本赋给显层v⁽⁰⁾，计算对应的隐元被激活的概率从计算得到的概率分布中抽取一个样本h⁽⁰⁾～P(h⁽⁰⁾|v⁽⁰⁾)，用h⁽⁰⁾重构显层抽取重构显层中的一个样本v⁽¹⁾～P(v⁽¹⁾|h⁽⁰⁾)，用v⁽¹⁾计算隐层元被激活的概率最后，更新权重：

W←W+γ[(P(h⁽⁰⁾＝1|v⁽⁰⁾)v^(0)T-(P(h⁽¹⁾＝1|v⁽¹⁾)v^(1)T]

a←a+γ(v⁽⁰⁾-v⁽¹⁾)

通过对该信号训练学习，得到神经元状态及模型参数θ，

DBN网络使用非监督贪婪逐层方法预训练模型得到权重；通过k次更新逐层训练各RBM网络；由于每一层RBM网络都是独立进行训练，只能保证该层的权重对该层特征向量映射达到最优，并不能保证整个DBN网络特征提取和映射达到最优；因此采用梯度下降算法将网络输出与标准数值标签之间幅值、相位的误差自顶向下反向传播至每一层RBM，微调整个DBN模型，实现模型参数最优化。