CN110518588A - 滤波方法、装置、设备和电力电子装置 - Google Patents
滤波方法、装置、设备和电力电子装置 Download PDFInfo
- Publication number
- CN110518588A CN110518588A CN201910869113.8A CN201910869113A CN110518588A CN 110518588 A CN110518588 A CN 110518588A CN 201910869113 A CN201910869113 A CN 201910869113A CN 110518588 A CN110518588 A CN 110518588A
- Authority
- CN
- China
- Prior art keywords
- waveform
- ripple
- original
- original waveform
- detection model
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Noise Elimination (AREA)
Abstract
本发明涉及一种滤波方法、装置、设备和电力电子装置,方法包括获取电力电子装置输出的原始波形;基于预先训练的纹波检测模型,检测原始波形中是否存在纹波波形;若检测到原始波形存在纹波波形,获取纹波波形的波形特征数据;基于纹波波形的波形特征数据,生成纹波波形的补偿波形;将补偿波形与原始波形进行叠加处理,得到原始波形对应的滤波波形,实现了实时动态检测对比出混入纹波波形的波形特征数据,并且能够及时同步的产生补偿波形,从而大大提高滤波的时效性。采用本发明的技术方案,能够对纹波波形精准追踪、高精度消除纹波波形对电力系统的干扰。
Description
技术领域
本发明涉及谐波处理技术领域,具体涉及一种滤波方法、装置、设备和电力电子装置。
背景技术
当今时代,在电子电力设备使用日益增多的同时,这些设备因其非线性特性也带来了很多的纹波源,这将带来电磁兼容的破坏,进而影响电网中电力用户的正常使用。这就需要消除纹波波形,最为广泛应用的就是无源滤波和有源滤波。
无源滤波处理的波形频段有限、使用器件过多并且还存在谐振,效果很不理想。只能在一定程度上减弱而不是消除纹波波形,在对波形要求不高的情况下才可以使用。因此,目前所用的方案大部分是依靠有源滤波装置对机组所产生的纹波波形进行滤除,其主要原理就是从被补偿对象检测出纹波电压,再由补偿装置产生一个与该纹波波形大小相等但极性相反的补偿电压,从而消除电网中的纹波波形。
但是,由于补偿装置中元器件自身的特性和局限性会导致所产生的补偿电压不能够和纹波波形的相位理想吻合,存在相位偏移,不能精准消除纹波波形对电力系统的干扰,同时还可能会增加电力系统的干扰。
发明内容
有鉴于此,本发明的目的在于提供一种滤波方法、装置、设备和电力电子装置,以解决现有技术中不能精准消除纹波对电力系统的干扰,同时还可能会增加电力系统的干扰的问题。
为实现以上目的,本发明提供一种滤波方法,包括:
获取电力电子装置输出的原始波形;
基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形;
若检测到所述原始波形存在纹波波形,获取所述纹波波形的波形特征数据;
基于所述波形特征数据,生成所述纹波波形的补偿波形;
将所述补偿波形与所述原始波形进行叠加处理,得到所述原始波形对应的滤波波形。
进一步地,上述所述的滤波方法中,所述基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形,包括:
将所述原始波形输入所述纹波检测模型,得到所述原始波形与所述纹波检测模型中的验证波形的对比结果;
若所述对比结果表示所述原始波形与所述验证波形相匹配,检测出所述原始波形中存在纹波波形;
若所述对比结果表示所述原始波形与所述验证波形不匹配,检测出所述原始波形中不存在纹波波形。
进一步地,上述所述的滤波方法中,所述基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形,包括:
将所述原始波形输入所述纹波检测模型,得到所述原始波形对应的纹波预测结果;
若所述纹波预测结果表示有纹波,检测出所述原始波形中存在纹波波形;
若所述纹波预测结果表示没有纹波,检测出所述原始波形中不存在纹波波形。
进一步地,上述所述的滤波方法中,所述获取所述纹波波形的波形特征数据,包括:
生成与所述原始波形的基波的极性相反的期望波形;
将所述期望波形与所述原始波形叠加处理,得到所述纹波波形;
提取所述纹波波形的波形特征数据。
进一步地,上述所述的滤波方法中,所述基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形之前,还包括:
将样本纹波波形输入预先构建的神经网络模型中进行训练,得到所述样本纹波波形的训练结果;
基于所述训练结果,对所述神经网络模型的隐含层的参数进行调整,得到具有对比识别纹波能力的模型作为所述纹波检测模型。
进一步地,上述所述的滤波方法,还包括:
基于所述训练结果,对所述神经网络模型的算法进行优化,得到具有预测波形能力的模型作为所述纹波检测模型。
本发明还提供一种滤波装置,包括:
第一获取模块,用于获取电力电子装置输出的原始波形;
检测模块,用于基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形;
第二获取模块,若检测到所述原始波形存在纹波波形,获取所述纹波波形的波形特征数据;
生成模块,用于基于所述波形特征数据,生成所述纹波波形的补偿波形;
处理模块,用于将所述补偿波形与所述原始波形进行叠加处理,得到所述原始波形对应的滤波波形。
进一步地,上述所述的滤波装置中,所述检测模块,具体用于:
将所述原始波形输入所述纹波检测模型,得到所述原始波形与所述纹波检测模型中的验证波形的对比结果;
若所述对比结果表示所述原始波形与所述验证波形相匹配,检测出所述原始波形中存在纹波波形;
若所述对比结果表示所述原始波形与所述验证波形不匹配,检测出所述原始波形中不存在纹波波形。
进一步地,上述所述的滤波装置中,所述检测模块,具体用于:
将所述原始波形输入所述纹波检测模型,得到所述原始波形对应的纹波预测结果;
若所述纹波预测结果表示有纹波,检测出所述原始波形中存在纹波波形;
若所述纹波预测结果表示没有纹波,检测出所述原始波形中不存在纹波波形。
进一步地,上述所述的滤波装置中,所述第二获取模块,具体用于:
生成与所述原始波形的基波的极性相反的期望波形;
将所述期望波形与所述原始波形叠加处理,得到所述纹波波形;
提取所述纹波波形的波形特征数据。
本发明还提供一种滤波设备,包括:处理器和存储器;
所述处理器与存储器相连接:
其中,所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器,用于存储所述程序,所述程序至少用于执行上述所述的滤波方法。
本发明还提供一种电力电子装置,其特征在于,设置有如上所述的滤波设备。
本发明的滤波方法、装置、设备和电力电子装置,通过获取电力电子装置输出的原始波形;基于预先训练的纹波检测模型,检测原始波形中是否存在纹波波形;若检测到原始波形存在纹波波形,获取纹波波形的波形特征数据;基于纹波波形的波形特征数据,生成纹波波形的补偿波形;将补偿波形与原始波形进行叠加处理,得到原始波形对应的滤波波形,实现了实时动态检测对比出混入纹波波形的波形特征数据,并且能够及时同步的产生补偿波形,从而大大提高滤波的时效性。采用本发明的技术方案,能够对纹波波形精准追踪、高精度消除纹波波形对电力系统的干扰。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的滤波方法实施例的流程图;
图2为3层DNN的网络结构图;
图3为本发明的滤波装置实施例一的结构示意图;
图4为本发明的滤波装置实施例二的结构示意图;
图5为本发明的滤波设备的结构示意图;
图6为本发明的电力电子装置实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
图1为本发明的滤波方法实施例的流程图,如图1所示,本实施例的滤波方法具体可以包括如下步骤:
100、获取电力电子装置输出的原始波形;
本实施例中,输入电力电子装置的信号经过处理后,可以输出与该信号相对应的波形,本实施例中可以称之为原始波形。由于,电力电子装置对该信号处理过程中,可能会产生谐波,导致原始波形中可能会存在文波波形的干扰,因此,本实施例中,需要获取电力电子装置输出的原始波形,以便对原始波形中的文波波形进行过滤。
101、基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形;
在一个具体实现过程中,预先训练的纹波检测模型的过程可以按照如下步骤进行训练:
a、将样本纹波波形输入预先构建的神经网络模型中进行训练,得到所述样本纹波波形的训练结果;
本实施例中,可以根据实际经验,选取一定数目的文波波形作为训练样本,本实施例可以定义为样本纹波波形。在选取样本纹波波形后,可以将其输入预先构建的神经网络模型中进行训练,得到样本纹波波形的训练结果。
具体地,可以以3层深度神经网络(Deep Neural Networks,以下简称DNN)为例,网络结构如图2所示。图2为3层DNN的网络结构图。具体来说,第1层为输入层(Input layer),用x1、x2……,xn表示,第2层是隐藏层(Hidden layer),用h1、h2……hp表示,第3层是输出层(Output layer),用y1、y2……,ym表示,输入层和隐藏层之间的权重参数用W(1)表示,隐藏层和输出层之间的权重参数用W(2)表示,节点的激活函数用f表示。得到样本纹波波形的训练结果可以按照如下步骤执行:
一、前向计算,根据输入依次计算各个节点的输出;
1)根据公式(1)计算隐藏层的输入和输出;
其中,为隐藏层的输入;i为第i个输入层;j为第j个隐藏层,为第i输入层和第j隐藏层之间的权重参数,xi为第i个输入层的参数。为隐藏层的输出,为隐藏层的输入对应的节点的激活函数。
2)根据公式(2)计算输出层的输入和输出;
其中,为输出层的输入;k为第k个输出层;为第k输出层和第j隐藏层之间的权重参数。为输出层的输出,为输出层的输入对应的节点的激活函数。
3)根据公式(3)和(4)计算损失函数;
其中,L为损失函数,yout为输出层的输出,yl为输出损失系数,η为常数,θ为梯度函数。
二、误差反传,根据损失函数计算各个节点的梯度;
11)按照公式(5)计算损失函数对输出层的输入的梯度;
其中,为损失函数对输出层的输入的梯度,为输出层的输出梯度函数,为第k个输出层的输出,为第k输出层对应的输出损失系数,为输出层的输入对应的节点的激活函数的求导值。
12)按照公式(6)计算损失函数对隐藏层和输出层参数的梯度;
其中,为损失函数对隐藏层和输出层参数的梯度,为输出层的输入梯度函数。
13)按照公式(7)计算损失函数对输入层和隐藏层参数的梯度;
本实施例中,可以将计算的各个节点的梯度作为神经网络模型训练的一种训练结果。
b、基于样本纹波波形的训练结果,对神经网络模型的隐含层的参数进行调整,得到具有对比识别纹波能力的模型作为所述纹波检测模型。
在得到样本纹波波形的训练结果后,可以基于样本纹波波形的训练结果中各个节点的梯度,对神经网络模型的隐含层的参数进行调整,得到具有对比识别纹波能力的模型作为所述纹波检测模型
具体地,采用梯度下降算法更新隐含层的参数,其具体公式如公式(8):
在一个具体实现过程中,可以将原始波形输入纹波检测模型,以利用纹波检测模型的对比识别纹波能力,对原始波形和纹波检测模型中的验证波形进行对比识别,从而得到原始波形与纹波检测模型中的验证波形的对比结果。其中,若得到的对比结果表示原始波形与验证波形相匹配,检测出原始波形中存在纹波波形;若得到的对比结果表示原始波形与验证波形不匹配,检测出原始波形中不存在纹波波形。例如,原始波形与验证波形的幅值、频率、相位等相似度大于90%,可以确定原始波形与验证波形相匹配,否则,确定原始波形与验证波形不匹配。
在实际应用中,上述利用纹波检测模型的对比识别纹波能力,对原始波形和纹波检测模型中的验证波形进行对比识别的过程,需要纹波变化后,真是存在纹波波形才能检测出来,之后才可以采取相应的措施,造成了滤波延时,降低了滤波效率。因此,本实施例中,在训练纹波检测模型的过程中,在得到样本纹波波形的训练结果后,还可以基于样本纹波波形的训练结果,对神经网络模型的算法进行优化,得到具有预测波形能力的模型作为纹波检测模型。例如,可以根据样本纹波波形的训练结果构建出非线性拟合函数作为纹波检测模型的识别主算法,这样,在将原始波形输入纹波检测模型后,可以利用非线性拟合函数对原始波形进行计算、预测,得到原始波形对应的纹波预测结果;若纹波预测结果表示有纹波,检测出所述原始波形中存在纹波波形;若纹波预测结果表示没有纹波,检测出原始波形中不存在纹波波形。
需要说明的是,本实施例中预先训练的纹波检测模型可以单独具有对比识别纹波能力或者预测波形能力,也可以同时存在,本实施例中不做具体限制。当预先训练的纹波检测模型同时具有对比识别纹波能力和预测波形能力时,可以根据实际需求选择检测的方式。
例如,针对一些相对常规的波形,可以优先采用对比识别方式,检测原始波形是否存在纹波波形,但是对于一些复杂的波形,对比识别过程比较复杂,且对比识别的准去率较低,此时,可以优选为预测的方式,检测原始波形是否存在纹波波形,另外,为了更加准确的检测原始波形是否存在纹波波形,可以采用两种方式结合的方式进行检测。具体地,在获取电力电子装置输出的原始波形后,可以先确定出波形类型,以便进一步选取与波形类型对应的检测方式进检测。
102、若检测到原始波形存在纹波波形,获取纹波波形的波形特征数据;
本实施例中,若检测到原始波形存在纹波波形,需要对纹波波形进行滤波处理,此时,需要获获取纹波波形的特征数据。
具体地,可以原始波形的基波的极性相反的期望波形,并将期望波形与原始波形叠加处理,从而将原始波形中的基波消除,此时,即可得到原始波形中的纹波波形,并进一步可以提取纹波波形的波形特征数据。其中,纹波波形的波形特征数据包括但不限于幅值、频率、相位、高次谐波。
103、基于纹波波形的波形特征数据,生成纹波波形的补偿波形;
在获取到纹波波形的波形特征数据,可以用系统的原始输入电源,同步生成纹波波形的补偿波形。其中,该补偿波形与纹波波形大小相等,极性相反。其中,采用系统的原始输入电源是为了保持相位、幅值、频率等特性保持一致。
104、将补偿波形与原始波形进行叠加处理,得到原始波形对应的滤波波形。
在得到补偿波形后,可以将补偿波形与原始波形进行叠加处理,使得补偿波形与纹波波形相互抵消,只留下基波等有用的波形作为原始波形对应的滤波波形。
本实施例的滤波方法,通过获取电力电子装置输出的原始波形;基于预先训练的纹波检测模型,检测原始波形中是否存在纹波波形;若检测到原始波形存在纹波波形,获取纹波波形的波形特征数据;基于纹波波形的波形特征数据,生成纹波波形的补偿波形;将补偿波形与原始波形进行叠加处理,得到原始波形对应的滤波波形,实现了实时动态检测对比出混入纹波波形的波形特征数据,并且能够及时同步的产生补偿波形,从而大大提高滤波的时效性。采用本发明的技术方案,能够对纹波波形精准追踪、高精度消除纹波波形对电力系统的干扰。
在一个具体实现过程中,在对电力电子装置输出的原始波形进行滤波得到原始波形对应的滤波波形后,可以获取滤波波形的作用对象的执行结果,以便根据该执行结果,检测是否对纹波波形完全过滤,得到检测结果。若得到的检测结果表示已过滤,则结束,若得到的检测结果表示未过滤,生成警报信息,并将电力电子装置输出的原始波形作为样本纹波波形输入预先构建的神经网络模型中进行训练,以便再次进行训练,对纹波检测模型进行更新,以便后续检测时,得到的结果更加准确。
为了更全面,对应于本发明实施例提供的滤波方法,本申请还提供了滤波装置。图3为本发明的滤波装置实施例一的结构示意图,如图3所示,本实施例的滤波装置包括第一获取模块10、检测模块11、第二获取模块12、生成模块13和处理模块14。
第一获取模块10,用于获取电力电子装置输出的原始波形;
检测模块11,用于基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形;
第二获取模块12,若检测到所述原始波形存在纹波波形,获取所述纹波波形的波形特征数据;
生成模块13,用于基于所述波形特征数据,生成所述纹波波形的补偿波形;
处理模块14,用于将所述补偿波形与所述原始波形进行叠加处理,得到所述原始波形对应的滤波波形。
本实施例的滤波装置,通过获取电力电子装置输出的原始波形;基于预先训练的纹波检测模型,检测原始波形中是否存在纹波波形;若检测到原始波形存在纹波波形,获取纹波波形的波形特征数据;基于纹波波形的波形特征数据,生成纹波波形的补偿波形;将补偿波形与原始波形进行叠加处理,得到原始波形对应的滤波波形,实现了实时动态检测对比出混入纹波波形的波形特征数据,并且能够及时同步的产生补偿波形,从而大大提高滤波的时效性。采用本发明的技术方案,能够对纹波波形精准追踪、高精度消除纹波波形对电力系统的干扰。
在一个具体实现过程中,所述检测模块11,具体用于:
将所述原始波形输入所述纹波检测模型,得到所述原始波形与所述纹波检测模型中的验证波形的对比结果;
若所述对比结果表示所述原始波形与所述验证波形相匹配,检测出所述原始波形中存在纹波波形;
若所述对比结果表示所述原始波形与所述验证波形不匹配,检测出所述原始波形中不存在纹波波形。
或者,所述检测模块11,具体用于:
将所述原始波形输入所述纹波检测模型,得到所述原始波形对应的纹波预测结果;
若所述纹波预测结果表示有纹波,检测出所述原始波形中存在纹波波形;
若所述纹波预测结果表示没有纹波,检测出所述原始波形中不存在纹波波形。
本实施例中,所述第二获取模块12,具体用于:
生成与所述原始波形的基波的极性相反的期望波形;
将所述期望波形与所述原始波形叠加处理,得到所述纹波波形;
提取所述纹波波形的波形特征数据。
图4为本发明的滤波装置实施例二的结构示意图,如图4所示,本实施例的滤波装置在上述滤波装置的实施例的基础上,进一步还可以包括训练模块15。
训练模块15,用于将样本纹波波形输入预先构建的神经网络模型中进行训练,得到所述样本纹波波形的训练结果;基于所述训练结果,对所述神经网络模型的隐含层的参数进行调整,得到具有对比识别纹波能力的模型作为所述纹波检测模型。
进一步地,上述实施例中,训练模块15,还用于基于所述训练结果,对所述神经网络模型的算法进行优化,得到具有预测波形能力的模型作为所述纹波检测模型,以便在获取到电力电子装置的初始波形后,进行预测,从而可以在预测出存在纹波波形的同时,即可生成补偿波形,提高了滤波的时效性。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
为了更全面,对应于本发明实施例提供的滤波方法,本申请还提供了滤波设备。图5为本发明的滤波设备的结构示意图,如图5所示,本实施例的滤波设备可以包括处理器20和存储器21;
所述处理器20与存储器21相连接:
其中,所述处理器20,用于调用并执行所述存储器21中存储的程序;
所述存储器21,用于存储所述程序,所述程序至少用于执行上述实施例所示的滤波方法。
为了更全面,对应于本发明实施例提供的滤波方法,本申请还提供了电力电子装置。图6为本发明的电力电子装置实施例的结构示意图,如图6所示,本实施例的电力电子装置3中设置有如上实施例所示的滤波设备2。
为了更全面,对应于本发明实施例提供的滤波方法,本申请还提供了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,实现如上实施例的滤波方法的各个步骤。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种滤波方法,其特征在于,包括:
获取电力电子装置输出的原始波形;
基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形;
若检测到所述原始波形存在纹波波形,获取所述纹波波形的波形特征数据;
基于所述波形特征数据,生成所述纹波波形的补偿波形;
将所述补偿波形与所述原始波形进行叠加处理,得到所述原始波形对应的滤波波形。
2.根据权利要求1所述的滤波方法,其特征在于,所述基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形,包括:
将所述原始波形输入所述纹波检测模型,得到所述原始波形与所述纹波检测模型中的验证波形的对比结果;
若所述对比结果表示所述原始波形与所述验证波形相匹配,检测出所述原始波形中存在纹波波形;
若所述对比结果表示所述原始波形与所述验证波形不匹配,检测出所述原始波形中不存在纹波波形。
3.根据权利要求1所述的滤波方法,其特征在于,所述基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形,包括:
将所述原始波形输入所述纹波检测模型,得到所述原始波形对应的纹波预测结果;
若所述纹波预测结果表示有纹波,检测出所述原始波形中存在纹波波形;
若所述纹波预测结果表示没有纹波,检测出所述原始波形中不存在纹波波形。
4.根据权利要求1所述的滤波方法,其特征在于,所述获取所述纹波波形的波形特征数据,包括:
生成与所述原始波形的基波的极性相反的期望波形;
将所述期望波形与所述原始波形叠加处理,得到所述纹波波形;
提取所述纹波波形的波形特征数据。
5.根据权利要求1-4任一项所述的滤波方法,其特征在于,所述基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形之前,还包括:
将样本纹波波形输入预先构建的神经网络模型中进行训练,得到所述样本纹波波形的训练结果;
基于所述训练结果,对所述神经网络模型的隐含层的参数进行调整,得到具有对比识别纹波能力的模型作为所述纹波检测模型。
6.根据权利要求5所述的滤波方法,其特征在于,还包括:
基于所述训练结果,对所述神经网络模型的算法进行优化,得到具有预测波形能力的模型作为所述纹波检测模型。
7.一种滤波装置,其特征在于,包括:
第一获取模块,用于获取电力电子装置输出的原始波形;
检测模块,用于基于预先训练的纹波检测模型,检测所述原始波形中是否存在纹波波形;
第二获取模块,若检测到所述原始波形存在纹波波形,获取所述纹波波形的波形特征数据;
生成模块,用于基于所述波形特征数据,生成所述纹波波形的补偿波形;
处理模块,用于将所述补偿波形与所述原始波形进行叠加处理,得到所述原始波形对应的滤波波形。
8.根据权利要求7所述的滤波装置,其特征在于,所述检测模块,具体用于:
将所述原始波形输入所述纹波检测模型,得到所述原始波形与所述纹波检测模型中的验证波形的对比结果;
若所述对比结果表示所述原始波形与所述验证波形相匹配,检测出所述原始波形中存在纹波波形;
若所述对比结果表示所述原始波形与所述验证波形不匹配,检测出所述原始波形中不存在纹波波形。
9.根据权利要求7所述的滤波装置,其特征在于,所述检测模块,具体用于:
将所述原始波形输入所述纹波检测模型,得到所述原始波形对应的纹波预测结果;
若所述纹波预测结果表示有纹波,检测出所述原始波形中存在纹波波形;
若所述纹波预测结果表示没有纹波,检测出所述原始波形中不存在纹波波形。
10.根据权利要求7所述的滤波装置,其特征在于,所述第二获取模块,具体用于:
生成与所述原始波形的基波的极性相反的期望波形;
将所述期望波形与所述原始波形叠加处理,得到所述纹波波形;
提取所述纹波波形的波形特征数据。
11.一种滤波设备,其特征在于,包括:处理器和存储器;
所述处理器与存储器相连接:
其中,所述处理器,用于调用并执行所述存储器中存储的程序;
所述存储器,用于存储所述程序,所述程序至少用于执行权利要求1-6任一项所述的滤波方法。
12.一种电力电子装置,其特征在于,设置有如权利要求11所述的滤波设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869113.8A CN110518588B (zh) | 2019-09-16 | 2019-09-16 | 滤波方法、装置、设备和电力电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869113.8A CN110518588B (zh) | 2019-09-16 | 2019-09-16 | 滤波方法、装置、设备和电力电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110518588A true CN110518588A (zh) | 2019-11-29 |
CN110518588B CN110518588B (zh) | 2021-10-12 |
Family
ID=68630940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910869113.8A Active CN110518588B (zh) | 2019-09-16 | 2019-09-16 | 滤波方法、装置、设备和电力电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110518588B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1379539A (zh) * | 2002-05-09 | 2002-11-13 | 艾默生网络能源有限公司 | 纹波幅度调制补偿方法和装置 |
US20080284397A1 (en) * | 2007-05-18 | 2008-11-20 | Wei-Hsu Chang | Digital voltage converter and control method thereof |
CN104919688A (zh) * | 2012-11-14 | 2015-09-16 | Posco能源公司 | 用于补偿逆变器的纹波和偏移的设备及其方法 |
CN105470963A (zh) * | 2015-12-07 | 2016-04-06 | 深圳市今朝时代股份有限公司 | 一种有源电力滤波器及其控制方法 |
CN109033532A (zh) * | 2018-06-29 | 2018-12-18 | 北京航空航天大学 | 一种零电压开关移相全桥电源健康状态评估方法 |
CN109936163A (zh) * | 2019-03-27 | 2019-06-25 | 中南大学 | 一种风剪切效应所造成纹波的抑制方法 |
CN110138214A (zh) * | 2019-05-08 | 2019-08-16 | 浙江大学 | 基于分布式纹波自消除电路的模块化dc-dc变换器控制单元 |
-
2019
- 2019-09-16 CN CN201910869113.8A patent/CN110518588B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1379539A (zh) * | 2002-05-09 | 2002-11-13 | 艾默生网络能源有限公司 | 纹波幅度调制补偿方法和装置 |
US20080284397A1 (en) * | 2007-05-18 | 2008-11-20 | Wei-Hsu Chang | Digital voltage converter and control method thereof |
CN104919688A (zh) * | 2012-11-14 | 2015-09-16 | Posco能源公司 | 用于补偿逆变器的纹波和偏移的设备及其方法 |
CN105470963A (zh) * | 2015-12-07 | 2016-04-06 | 深圳市今朝时代股份有限公司 | 一种有源电力滤波器及其控制方法 |
CN109033532A (zh) * | 2018-06-29 | 2018-12-18 | 北京航空航天大学 | 一种零电压开关移相全桥电源健康状态评估方法 |
CN109936163A (zh) * | 2019-03-27 | 2019-06-25 | 中南大学 | 一种风剪切效应所造成纹波的抑制方法 |
CN110138214A (zh) * | 2019-05-08 | 2019-08-16 | 浙江大学 | 基于分布式纹波自消除电路的模块化dc-dc变换器控制单元 |
Non-Patent Citations (1)
Title |
---|
孙凤艳: ""电力电子电路故障预测关键技术研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110518588B (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manjula et al. | Empirical mode decomposition with Hilbert transform for classification of voltage sag causes using probabilistic neural network | |
CN106778923A (zh) | 一种电能质量扰动信号分类方法及装置 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN106443380B (zh) | 一种配电电缆局部放电信号识别方法及装置 | |
CN105718848A (zh) | 一种指纹图像的质量评估方法及装置 | |
CN108985133A (zh) | 一种人脸图像的年龄预测方法及装置 | |
CN105046044A (zh) | 基于最优小波包变换的非平稳风速预测方法 | |
CN106707118B (zh) | 局部放电模式识别方法和装置 | |
CN107505495A (zh) | 一种电压信号扰动类别的检测方法及装置 | |
CN110570114A (zh) | 基于可变循环神经网络的电能质量扰动识别方法、系统及介质 | |
Sharma et al. | Reduced sensor-based harmonic resonance detection and its compensation in power distribution system with SAPF | |
CN110518588A (zh) | 滤波方法、装置、设备和电力电子装置 | |
US20110202348A1 (en) | Rhythm processing and frequency tracking in gradient frequency nonlinear oscillator networks | |
CN106372800A (zh) | 获取地铁供电质量的方法和装置 | |
Qian et al. | Identification of conductive leakage signal in power cable based on multi-classification PSO-SVM | |
Mazumdar et al. | Synchronous reference frame based active filter current reference generation using neural networks | |
CN110348566A (zh) | 一种生成神经网络训练用数字信号的方法和系统 | |
Sharma et al. | Automated time domain modeling of linear and nonlinear microwave circuits using recurrent neural networks | |
Panigrahi et al. | A comparative study of signal processing and pattern recognition approach for power quality disturbance classification | |
CN106618552A (zh) | 一种检测模型获取方法及装置 | |
WO2011152889A2 (en) | Method and apparatus for canonical nonlinear analysis of audio signals | |
Chuang et al. | Recognition of multiple PQ disturbances using dynamic structure neural networks-part 1: theoretical introduction | |
Kapoor et al. | Classification of nonlinear power quality events based on multiwavelet transform | |
Chen | Noise-driven signal study of power systems based on stochastic partial differential equations | |
CN110348398A (zh) | 一种神经网络模型确定方法和系统 |
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 |