CN109444505A - 一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法 - Google Patents
一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法 Download PDFInfo
- Publication number
- CN109444505A CN109444505A CN201811008762.0A CN201811008762A CN109444505A CN 109444505 A CN109444505 A CN 109444505A CN 201811008762 A CN201811008762 A CN 201811008762A CN 109444505 A CN109444505 A CN 109444505A
- Authority
- CN
- China
- Prior art keywords
- harmonic
- phase
- distribution
- charging station
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 3
- 239000011159 matrix material Substances 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000013398 bayesian method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0023—Measuring currents or voltages from sources with high internal resistance by means of measuring circuits with high input impedance, e.g. OP-amplifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法，首先建立充电机等效电路模型，并利用随机数算法与比较模块判断是否将此充电桩随机接入配电网系统，然后对满足高斯正态分布的谐波电流进行理想叠加计算，得到理想的谐波叠加系数计算方法，最后对谐波相位进行采样，组成状态空间与量测空间两组随机集，用变分贝叶斯参数学习方法对数边缘似然函数的下界求得模型参数，不断最大化边缘似然函数的下界，迭代地更新变分相位参数，直至近似分布逼近参数的真实后验分布，从而实现谐波相位叠加检测，谐波相位分布代入上述的谐波叠加系数计算方法中，得到实际的谐波叠加系数，实现充电站内同次多谐波电流叠加的精确检测。
Description
技术领域
本发明涉及电动汽车充电站内同次多谐波电流源叠加预测评估领域，特别涉及一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法。
背景技术
随着化石能源的日趋枯竭，气候变化和环境污染等问题的日益加剧，已经严重威胁到人类的生存和社会的可持续发展。电动汽车(electric vehicle，EV)作为新一代环保型交通工具，在节能减排、减缓温室效应、减少人类对传统化石能源的依赖以及保障石油供应安全等方面有着传统汽车无法比拟的优势，随之配套的大规模充电站也发展迅猛。然而，大规模电动汽车快速充电站的接入势必会给配电网的电能质量问题带来不可忽视的影响，因为快速充电站中含有多台大功率整流装置，其作为一种非线性负载，当其投入使用时会产生大量谐波，由于非线性负荷的参数、开关状态、运行方式的变化等都是随机的，因而投入使用的充电桩产生的谐波电流具有随机性与不确定性，充电站产生的谐波电流难以精确检测。当这些谐波电流注入配电网时，会造成电网电压波形畸变、降低电力系统功率因数、增加系统损耗等危害。因此建立其谐波源叠加数学模型，进而对充电桩的谐波叠加进行分析研究，对抑制和治理充电站谐波，保障配电网电能质量等具有重要的意义。
目前国家标准规定负荷接入系统前必须满足谐波标准GB/T 14549-1993《电能质量公用电网谐波》，低压(380V)的电压总谐波畸变率为5％。充电站内谐波检测需要考虑多个谐波源的同次谐波电流在同一条线路的叠加，目前对于充电站内谐波叠加检测有以下几种最常见的算法：目前普遍采用的是国标谐波叠加系数方法，但该方法需要站内谐波相位满足一定的分布且受站内各种因素的影响，该方法检测精度较低、效果较差；另外利用蒙特卡洛检测方法进行随机采样计算随机变量，避免了出现在分析过程中的随机变量相互关联的问题，该方法具有很高的检测精确性，但需要复杂的采样以及大量的计算；此外还有采用一种谐波概率密度函数进行谐波叠加预测，这种方法不需要谐波满足某种特殊分布，适用于处理各种不同分布的谐波，但是该方法需要大量的样本采集，采样过程较为复杂。
目前针对充电站内谐波叠加检测算法大多是需要足够多的样本数据，且样本数据需满足某种固定的分布，由于此类算法没有对数据分布进行验证分析，所以具有一定的片面性与局限性，且检测精度有待提高，因此本文采用一种基于变分贝叶斯参数学习方法的充电站谐波电流检测算法，对满足正态高斯分布的谐波电流相位进行后验分析，确保其逼近参数的真实后验分布，从而提高检测的精确性。
发明内容
针对目前电动汽车充电站内大规模充电桩随机接入电网产生的谐波电流的叠加检测问题，本发明提出了一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法，用以解决对充电桩随机接入配电网产生的谐波电流叠加检测的问题，确保谐波电流叠加检测的准确性，为采取准确的谐波治理方案提供有效的依据。
本发明的技术方案是：一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法，其特征包括以下步骤：
步骤1：建立电动汽车充电站等效电路模型及其数学模型，充电机模型中的负载其中e为充电桩输入电压，Rc为等效电阻，L为滤波电感，C为滤波电容，Ul、Il为经过LC滤波后输出的电压、电流。设P1为输入功率，Rc随着输出功率的变化而变化，充电机等效负载模型及其输出功率模型为当输入电压e＝Emsin(wt+θ)，电流id为：其中τ＝2ωRC。由此可见，网侧电流i正半周与id相同，负半周与正半周镜像对称，因此系统中只含有奇次的谐波电流。根据上述充电转模型，利用随机数算法与比较模块控制该充电桩是否接入电网系统，形成充电站模型。在大规模充电站中，受电动汽车电池与充电桩整流室的影响，每台充电桩在充电时产生的谐波电流的幅值和相位会不断地发生改变，充电桩理想化谐波电流信号数学模型可描述为：其中，n＝1,2,3,...,N为谐波的序号；An,ωn分别为第n个谐波的幅值、相位角和角速度；v(t)为高斯噪声；角速度ωn＝2πfn。假定i1、i2、…、in分别表示充电站中n台充电桩随机产生的的n个同次谐波向量，其幅值和相角是随机变化。因此n个同次谐波叠加为it＝i1t(cosθ1t+jsinθ1t)+i2t(cosθ2t+jsinθ2t)+…+int(cosθnt+jsinθnt)，其中it为任意n个同次谐波叠加后的瞬时值，i1t,i2t,…,int为随机n个同次谐波的瞬时值，θ1t,θ2t,…,θnt为随机n个同次谐波的瞬时相角值。将多谐波的叠加定义为任意两个谐波的叠加后再与第三个谐波进行叠加，以此类推。当任意两个随机谐波变量的瞬时值叠加时，其有效值为：对其求期望值，得：上式可以等价转换为：其中定义Kn＝E(cosθ)＝E(cos(θ1-θ2))为同次谐波叠加系数。
步骤2：将量测看成是由多目标随机分布的谐波产生且谐波的相位是随机变化的，即将谐波量测产生点集合看成随机集，通常情况下，量测产生点的谐波相位均服从高斯正态分布。
假定k时刻有N(k)个目标，M(k)个量测集，在随机有限集(RFS)方法中，目标k时刻的谐波相位状态集合和Zk可以看成如下随机集：根据谐波相位的状态空间与量测空间。可以假设单个谐波目标的状态方程与量测方程公式为：其中θk表示目标在k时刻的状态，F和G分别是量测谐波的状态转移矩阵和输入矩阵，H是观测矩阵，σk和vk是状态噪声和量测噪声，常态下其值为0，而表示量测谐波相位产生点。为k时刻谐波相位观测目标状态随机集，Z为隐变量，则谐波叠加相位的先验信息为p(θk,Z)，利用多组较易处理的q(θk,Z)去逼近参数的真实后验分布
步骤3：变分贝叶斯方法通过最大化变分参数的对数边缘似然函数的下界求得模型参数，并利用中均值理论，将多变量的联合概率分布近似为各变量边缘概率分布的乘积，使得对多变量的联合估计方便的转化为对这些变量边缘分布的迭代估计，计算复杂度显著降低，计算效率得到提高，贝叶斯模型的对数边缘似然函数为：式中为q(θk,Z)与之间的KL散度，F(q(θk,Z))为变分自由变量，当q(θk,Z)与同分布时等号成立，此时散度最小，F(q(θk,Z))达到最大值。因此，从几何意义上看，F(q(θk,Z))是的下界。最大化变分自由能量等价于最小化q(θk,Z)与之间的KL散度，当KL散度为0，即时，近似分布可等价于原分布，此时的下界最大。变分贝叶斯学习通过q(θk,Z)的迭代实现F(q(θk,Z))最大化。令q(θk,Z)＝q(θk)q(Z)，根据变分学泛函理论，分别对q(θk)与q(Z)求偏导，可得到相应的通解为：上式中分母是归一化因子常数，而每一个参数的分布q(θi)都需要涉及对其他分布q(θk)期望的计算，因此初始化q(θ,Z)中的超参数，在进行循环迭代参数更新，每循环步骤计算可得：直到ΔF＝|FM(q(θk))-FM-1(q(θk))|＜t，t为设定的下界阈值，数量级较低，用于判断收敛，M代表循环次数。当ΔF＜t时，可以认定该算法已经接近收敛，从而得到逼近于原相位分布的近似相位分布此时可以将相位分布代入谐波相位叠加系数计算Kn＝E(cosθ)＝E(cos(θ1-θ2))中，从而可以得到正确的谐波相位叠加系数Kn值。
附图说明
图1是电动汽车充电站内充电桩随机接入电网的等效电路模型图；
图2是同次多谐波电流相量叠加示意图；
图3是基于变分贝叶斯学习算法谐波电流叠加算法流程图；
图4是充电站内5次谐波电流叠加曲线图；
图5是充电站内13次谐波电流叠加曲线图。
具体实施方式
下面将结合附图对本发明做进一步的详细说明。
参见图1所示，电动汽车充电站内充电桩随机接入电网的等效电路模型图。其中以非线性负载作为充电桩的等效数学模型，加入随机数算法控制非线性负载是否接入系统，形成电动汽车充电站内充电桩随机接入电网的等效模型。
所述充电站内充电桩随机接入电网的等效数学模型包括以下三部分：
(1)以非线性负载作为充电桩的等效数学模型，充电桩模型中的负载为输出功率模型为
(2)利用随机数算法生成固定范围内的随机数，采用比较模块与固定参数ρ比较，形成开关S1、S2、……、Sn，从而判断该非线性负载是否接入电网。
(3)根据上述负载模型与功率输出模型，设定每台充电桩输入电压e＝Emsin(wt+θ)，此时电流因为网侧电流i正半周与id相同，负半周与正半周镜像对称，因此系统中只含有奇次的谐波电流。
参见图2所示，同次多谐波电流相量叠加示意图。充电桩谐波电流数学模型可以描述为：其中n＝1,2,3,...,N为谐波的序号；An,ωn分别为第n个谐波的幅值、相位角和角速度；v(t)为高斯噪声；角速度ωn＝2πfn。i1、i2、…、in分别表示充电站中n台充电桩随机产生的的n个同次谐波向量，其幅值和相角是随机变化。it＝i1t(cosθ1t+jsinθ1t)+i2t(cosθ2t+jsinθ2t)+…+int(cosθnt+jsinθnt)，其中it为任意n个同次谐波叠加后的瞬时值，i1t,i2t,…,int为随机n个同次谐波的瞬时值，θ1t,θ2t,…,θnt为随机n个同次谐波的瞬时相角值。将多谐波的叠加定义为任意两个谐波的叠加后再与第三个谐波进行叠加，以此类推。当任意两个随机谐波变量的瞬时值叠加时，并求期望值可以得上式可以等价转换为其中谐波叠加系数Kn＝E(cosθ)＝E(cos(θ1-θ2))
参见图3所示，基于变分贝叶斯学习算法谐波电流叠加算法流程图。首先根据图1建立电动汽车充电站内充电桩随机接入电网的等效电路模型，得到正确的谐波电流函数，并根据国标谐波电流叠加算法进行谐波电流叠加，并进行最优谐波叠加系数计算。然后进行谐波电流相位样本采集，假定k时刻有N(k)个目标，M(k)个量测集，在随机有限集(RFS)方法中，目标k时刻的谐波相位状态集合和Zk可以看成如下随机集：假设单个谐波目标的状态方程与量测方程公式为：其中θk表示目标在k时刻的状态，F和G分别是量测谐波的状态转移矩阵和输入矩阵，H是观测矩阵，σk和vk是状态噪声和量测噪声，常态下其值为0，而表示量测谐波相位产生点。为k时刻谐波相位观测目标状态随机集，Z为隐变量，则谐波叠加相位的先验信息为p(θk,Z)，利用多组较易处理的q(θk,Z)去逼近参数的真实后验分布最后通过变分贝叶斯方法通过最大化变分参数的对数边缘似然函数的下界求得模型参数，并利用中均值理论，将多变量的联合概率分布近似为各变量边缘概率分布的乘积，使得对多变量的联合估计方便的转化为对这些变量边缘分布的迭代估计，计算复杂度显著降低，计算效率得到提高，贝叶斯模型的对数边缘似然函数为：
上式中为q(θk,Z)与之间的KL散度，F(q(θk,Z))为变分自由变量，当q(θk,Z)与同分布时等号成立，此时散度最小，F(q(θk,Z))达到最大值。因此，从几何意义上看，F(q(θk,Z))是的下界。最大化变分自由能量等价于最小化q(θk,Z)与之间的KL散度，当KL散度为0，即时，近似分布可等价于原分布，此时的下界最大。变分贝叶斯学习通过q(θk,Z)的迭代实现F(q(θk,Z))最大化。令q(θk,Z)＝q(θk)q(Z)，根据变分学泛函理论，分别对q(θk)与q(Z)求偏导，可得到相应的通解为：
上式中分母是归一化因子常数，而每一个参数的分布q(θi)都需要涉及对其他分布q(θk)期望的计算，因此初始化q(θ,Z)中的超参数，在进行循环迭代参数更新，每循环步骤计算可得：直到ΔF＝|FM(q(θk))-FM-1(q(θk))|＜t，t为设定的下界阈值，数量级较低，用于判断收敛，M代表循环次数。当ΔF＜t时，可以认定该算法已经接近收敛，从而得到逼近于原分布的近似分布此时可以将分布代入Kn＝E(cosθ)＝E(cos(θ1-θ2))中，从而可以得到正确的Kn值。
参见图4所示，充电站内5次谐波电流叠加曲线图。对多台充电桩谐波电流以及充电站的总谐波电流进行采样，将采样的相位代入上述的贝叶斯参数后验估计算法中，从而得到逼近于原分布的近似分布从而可以计算得到正确的Kn值。5次谐波电流叠加的计算结果如图4所示，可以看出基于变分贝叶斯后验估计的谐波叠加曲线与实际叠加曲线基本一致，而采用国标的谐波叠加曲线存在一定的偏差。
参见图5所示，充电站内13次谐波电流叠加曲线图。对多台充电桩谐波电流以及充电站的总谐波电流进行采样，将采样的相位代入上述贝叶斯参数后验估计算法中，从而得到逼近于原分布的近似分布从而可以计算得正确的Kn值。13次谐波电流叠加的计算结果如图5所示，可以看出利用该算法得到的谐波曲线与真实曲线波形基本一致，检测效果较好。
最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。
Claims (3)
1.一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法，其特征在于：利用变分贝叶斯参数学习方法对充电站内同次谐波电流相位叠加计算，针对满足高斯正态分布的谐波电流信号，建立谐波电流相位的混合高斯正态分布模型，采用变分贝叶斯学习算法进行模型的参数估计，对谐波相位的状态空间与量测空间的两组随机集利用变分贝叶斯方法进行最大化变分参数的对数边缘似然函数的下界求得模型参数，并利用中均值理论，将多变量的联合概率分布近似为各变量边缘概率分布的乘积，使得对多变量的联合估计方便的转化为对这些变量边缘分布的迭代估计，贝叶斯模型的对数边缘似然函数如下所示：
上式中为q(θk,Z)与之间的KL散度，F(q(θk,Z))为变分自由变量，当q(θk,Z)与同分布时等号成立，此时散度最小，F(q(θk,Z))达到最大值；从几何意义上看，F(q(θk,Z))是的下界，最大化变分自由能量等价于最小化q(θk,Z)与之间的KL散度，当KL散度为0，即时，近似分布可等价于原分布，此时的下界最大；变分贝叶斯学习通过q(θk,Z)的迭代实现F(q(θk,Z))最大化，令q(θk,Z)＝q(θk)q(Z)，根据变分学泛函理论，分别对q(θk)与q(Z)求偏导，可得到相应的通解：上式中分母是归一化因子常数，而每一个参数的分布q(θi)都需要涉及对其他分布q(θk)期望的计算，因此初始化q(θ,Z)中的超参数，在进行循环迭代参数更新，每一循环步骤计算可得：直到ΔF＝|FM(q(θk))-FM-1(q(θk))|＜t，t为设定的下界阈值，数量级较低，用于判断收敛，M代表循环次数；当ΔF＜t时，认定该算法已经接近收敛，从而得到逼近于原相位分布的近似相位分布此时将相位分布代入波相位叠加系数计算Kn＝E(cosθ)＝E(cos(θ1-θ2))中，从而得到正确的谐波相位叠加系数Kn值。
2.根据权利要求1所述的基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法，其特征在于：充电站的等效电路模型以非线性负载作为充电桩的等效数学模型，加入随机数算法控制非线性负载是否接入系统，形成电动汽车充电站内充电桩随机接入电网的等效模型；所述充电站内充电桩随机接入电网的等效数学模型包括以下三部分：
(1)以非线性负载作为充电桩的等效数学模型，充电桩模型中的负载为输出功率模型为其中Ul、Il为经过LC滤波后输出的电压、电流，Ud、Id分别表示电池的端电压与端电流，η为转换效率；
(2)利用随机数算法生成固定范围内的随机数，采用比较模块与固定参数ρ比较，其中参数ρ根据所选的随机数的范围进行确定，从而判断非线性负载是否接入电网；
(3)根据上述负载模型与功率输出模型，设定每台充电桩输入电压e＝Em sin(wt+θ)，此时电流因为网侧电流i正半周与id相同，负半周与正半周镜像对称，因此系统中只含有奇次的谐波电流。
3.根据权利要求1所述的基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法，其特征在于：将量测看成是由多目标随机分布的谐波产生且谐波的相位是随机变化的，即将谐波量测产生点集合看成随机集，量测产生点的谐波相位均服从高斯正态分布；假定k时刻有N(k)个目标，M(k)个量测集，在随机有限集方法中，目标k时刻的谐波相位状态集合和量测集合Zk看成如下随机集根据谐波相位的状态空间与量测空间，假设单个谐波电流相位的目标状态方程与量测方程公式为
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810414620 | 2018-05-03 | ||
| CN2018104146208 | 2018-05-03 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109444505A true CN109444505A (zh) | 2019-03-08 |
| CN109444505B CN109444505B (zh) | 2021-12-10 |
Family
ID=65530782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811008762.0A Active CN109444505B (zh) | 2018-05-03 | 2018-08-31 | 一种电动汽车充电站谐波电流检测算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109444505B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946518A (zh) * | 2019-03-27 | 2019-06-28 | 河南天通电力有限公司 | 基于贝叶斯方法的电力谐波信号分析方法与分析设备 |
| CN111313412A (zh) * | 2020-03-17 | 2020-06-19 | 浙江华电器材检测研究所有限公司 | 一种多接入电动汽车充电桩对电网谐波影响的分析方法 |
| CN112129996A (zh) * | 2020-06-04 | 2020-12-25 | 北京三圣凯瑞科技有限公司 | 一种基于贝叶斯方法的电能表相位识别方法 |
| CN112748276A (zh) * | 2020-12-28 | 2021-05-04 | 国网冀北电力有限公司秦皇岛供电公司 | 一种谐波发射水平的预估方法以及装置 |
| CN113514824A (zh) * | 2021-07-06 | 2021-10-19 | 北京信息科技大学 | 安防雷达的多目标跟踪方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105911334A (zh) * | 2016-04-19 | 2016-08-31 | 国网上海市电力公司 | 一种谐波阻抗未知条件下的谐波电流估计方法 |
| CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
| CN107103160A (zh) * | 2017-05-25 | 2017-08-29 | 长沙理工大学 | 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法 |
-
2018
- 2018-08-31 CN CN201811008762.0A patent/CN109444505B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105911334A (zh) * | 2016-04-19 | 2016-08-31 | 国网上海市电力公司 | 一种谐波阻抗未知条件下的谐波电流估计方法 |
| CN106683122A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法 |
| CN107103160A (zh) * | 2017-05-25 | 2017-08-29 | 长沙理工大学 | 基于贝叶斯滤波的微弱故障行波信号去噪和精确识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张志坚等: "电路突变电流抑制方法研究与仿真", 《计算机仿真》 * |
| 邱思语等: "稀疏贝叶斯回归及其在谐波电流异常检测中的应用", 《电力系统及其自动化学报》 * |
| 韩斐等: "变分贝叶斯独立分量分析在谐波状态估计中的应用", 《电力系统及其自动化学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946518A (zh) * | 2019-03-27 | 2019-06-28 | 河南天通电力有限公司 | 基于贝叶斯方法的电力谐波信号分析方法与分析设备 |
| CN109946518B (zh) * | 2019-03-27 | 2021-03-26 | 河南天通电力有限公司 | 基于贝叶斯方法的电力谐波信号分析方法与分析设备 |
| CN111313412A (zh) * | 2020-03-17 | 2020-06-19 | 浙江华电器材检测研究所有限公司 | 一种多接入电动汽车充电桩对电网谐波影响的分析方法 |
| CN112129996A (zh) * | 2020-06-04 | 2020-12-25 | 北京三圣凯瑞科技有限公司 | 一种基于贝叶斯方法的电能表相位识别方法 |
| CN112129996B (zh) * | 2020-06-04 | 2023-12-26 | 北京三圣凯瑞科技有限公司 | 一种基于贝叶斯方法的电能表相位识别方法 |
| CN112748276A (zh) * | 2020-12-28 | 2021-05-04 | 国网冀北电力有限公司秦皇岛供电公司 | 一种谐波发射水平的预估方法以及装置 |
| CN113514824A (zh) * | 2021-07-06 | 2021-10-19 | 北京信息科技大学 | 安防雷达的多目标跟踪方法及装置 |
| CN113514824B (zh) * | 2021-07-06 | 2023-09-08 | 北京信息科技大学 | 安防雷达的多目标跟踪方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109444505B (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109444505A (zh) | 一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法 | |
| CN102801162B (zh) | 一种两阶段线性加权最小二乘电力系统状态估计方法 | |
| CN110659693B (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 | |
| CN101964525B (zh) | 一种支持大规模电流量测的配电网状态估计方法 | |
| CN103401238B (zh) | 一种基于总体测辨法的电力负荷建模方法 | |
| CN102542347A (zh) | 一种电能质量综合评估的方法 | |
| CN103744026A (zh) | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 | |
| CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
| CN109800520B (zh) | 一种基于神经网络的电动汽车充电站谐波建模方法 | |
| CN103116097B (zh) | 基于多断面混合量测信息的设备参数在线辨识方法 | |
| CN103901273B (zh) | 电网谐波检测方法和电网谐波检测装置 | |
| CN106682407A (zh) | 基于戴维南等值和支路传输功率极限的电压稳定评估方法 | |
| CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
| CN103995948B (zh) | 一种基于多项式模型的振荡中心电压预测方法 | |
| CN115065053B (zh) | 基于源荷等效导纳的台区谐波责任定性评估方法及系统 | |
| CN107783057A (zh) | 一种动力电池soc估算方法及估算系统 | |
| CN104638671A (zh) | 基于引入粒子群算法及相位扰动的孤岛检测方法 | |
| CN110350535A (zh) | 一种计及大规模风电和电动汽车并网的配电网电压稳定概率评估方法 | |
| CN106096765A (zh) | 分散式风电群输电规划方案的评价方法 | |
| CN102280877B (zh) | 一种多量测断面的电力系统不良支路参数辨识方法 | |
| CN109901072A (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
| CN106990301A (zh) | 一种实时三相不平衡检测方法 | |
| CN103825270B (zh) | 一种配电网三相状态估计雅可比矩阵常数化的处理方法 | |
| Han et al. | Modeling for lithium-ion battery used in electric vehicles | |
| CN103077291B (zh) | 可设置初始荷电状态的电池充放电过程数字仿真方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |