CN115048957A - 基于isvmd-ht的复合电能质量扰动参数辨识方法 - Google Patents
基于isvmd-ht的复合电能质量扰动参数辨识方法 Download PDFInfo
- Publication number
- CN115048957A CN115048957A CN202210639713.7A CN202210639713A CN115048957A CN 115048957 A CN115048957 A CN 115048957A CN 202210639713 A CN202210639713 A CN 202210639713A CN 115048957 A CN115048957 A CN 115048957A
- Authority
- CN
- China
- Prior art keywords
- waveform
- disturbance
- matching
- signal
- curvature
- 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.)
- Pending
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Transmitters (AREA)
Abstract
本发明提出一种基于ISVMD‑HT的复合电能质量扰动参数辨识方法，首先通过最佳匹配延拓对连续变分模态分解算法进行改进，使之大程度克服信号分解中的端点效应和模态混叠缺陷；然后利用新型连续变分模态分解对复合扰动信号进行分解，对分解后的模态分量分别进行希尔伯特变换得到其扰动信号的瞬时幅频谱；最后结合瞬时幅频谱分析从而实现对复合电能质量扰动的参数辨识。本发明有助于实现对新型电力电子化电力系统中日渐复杂的复合电能质量扰动参数进行更加准确的辨识。
Description
技术领域
本发明属于复合电能质量扰动信号的参数辨识技术领域，尤其涉及一种基于ISVMD-HT的复合电能质量扰动参数辨识方法。
背景技术
复合电能质量扰动参数辨识主要是对组成复合扰动的各单一电能质量扰动信号参数进行辨识。信号参数主要包括扰动起止时间、幅值和频率变化。准确地辨识复合电能质量扰动的信号参数对进一步了解电能质量扰动程度和针对性治理电能质量扰动具有极其重要的意义。
目前电能质量扰动参数辨识方法主要可以分为参数法和非参数法。常用的参数法有多信号分类法(Multiple Signal Classification,MUSIC)，旋转不变信号参数估计法(Estimation ofSignal Parameters via Rotational Invariance Techniques,ESPRIT)和卡尔曼滤波法(Kalman Filter,KF)等。MUSIC算法常用于对谐波和间谐波等稳态扰动的参数检测。研究者针对传统滑窗ESPRIT算法窗口大小固定、分辨率差的问题，提出一种自适应滑窗的ESPRIT算法，该算法的时频特性得以大幅改善，但是难以适用于日渐复杂的多重复合电能质量扰动。常用的非参数法包括傅里叶变换法、HHT变换法、奇异值分解法、小波变换、S变换和经验小波法等。HHT对于复合电能质量扰动信号具有良好的适用性，但其算法组成成分EMD的端点效应和模态混叠两个固有缺陷依然无法解决。虽然EEMD可以减少影响，但仍具有一定的局限性，不能够适用于实际复杂情况下扰动信号的检测。一些研究者提出一种改进变分模态分解(Variational Mode Decomposition,VMD)结合希尔伯特变换(Hilberet Transform,HT)的电能质量扰动检测新方法。该文首先通过傅里叶变换来确定VMD变换的预分解尺度K，随之利用VMD-HT变换确定瞬时幅频谱，进而实现对扰动信号的幅频参数辨识，但在实际中一些频率相近的扰动成分则很难通过傅里叶变换分离出来。奇异值分解无需预调参数，对于暂态扰动检测具有较高的检测精度，但是对过零点发生的扰动检测存在一定的局限性；一些学者通过滑窗奇异值分解提取信号特征，并通过梯度求取定位信息，在解决了过零点问题的同时且具有定位准确和抗干扰能力强的特点；小波包变换在对复合扰动的分解过程中极易出现频谱泄露问题，使得扰动参数检测出现较大偏差。S变换可以较好地处理非平稳信号，但是对于日益复杂的电能质量扰动类型，该方法计算量大、实用性低。经验小波法能够自适应分解多数非平稳信号，结合HT变换可以实现对复合电能质量扰动的高精度参数辨识。基于数学形态学理论的电能质量扰动检测算法已取得一定的成果，虽然其运算速度较快，但是其结构元素选择的不确定性，给算法带来了一定局限性，且不能完全适用于更为复杂多样的复合电能质量扰动。因此，亟需寻求一种高效和高精度的复合扰动信号参数辨识方法，其不仅能够有效分解当前电力电子化新型电力系统下日益复杂的多重复合扰动信号，而且能够高精度地辨识复合扰动中各扰动组成的信号参数。
发明内容
考虑现有技术存在的缺陷和不足。本发明提出一种基于ISVMD-HT的复合电能质量扰动参数辨识方法，，用以解决大量电力电子元设备并入的新型电力系统中，导致电能质量扰动类型越来越复杂化、参数难以准确辨识的问题。
其主要由最佳匹配延拓、改进连续变分模态分解和希尔伯特变换技术组成。首先通过最佳匹配延拓对连续变分模态分解算法进行改进，使之大程度克服信号分解中的端点效应和模态混叠缺陷；然后利用新型连续变分模态分解对复合扰动信号进行分解，对分解后的模态分量分别进行希尔伯特变换得到其扰动信号的瞬时幅频谱；最后结合瞬时幅频谱分析从而实现对复合电能质量扰动的参数辨识。本发明有助于实现对新型电力电子化电力系统中日渐复杂的复合电能质量扰动参数进行更加准确的辨识。不仅可以高效、准确地分解复合扰动且不需要提前确定复合扰动中扰动的数目，结合希尔伯特变换瞬时幅频谱分析最终还能够实现对复合扰动中各扰动组成参数的高精度辨识，对电网安全、稳定运行调控具有重要意义。
本发明具体采用以下技术方案：
一种基于ISVMD-HT的复合电能质量扰动参数辨识方法，其特征在于：通过最佳匹配延拓对连续变分模态分解算法进行改进，通过对经改进后的连续变分模态分解算法分解的模态分量分别进行希尔伯特变换，得到各模态分量对应的希尔伯特瞬时幅频谱；通过对瞬时频率谱分析对各扰动分量扰动发生的起止时间进行定位，利用其瞬时幅值谱可以对各扰动分量的幅值变化进行跟踪确定；最后通过对瞬时谱处理分析得到对复合扰动中各扰动成分的高精度参数辨识。
进一步地，通过最佳匹配延拓对连续变分模态分解算法进行改进具体包括以下步骤：
步骤S1：采样得到原始信号x(t)，分别求取信号的极值点序列ni；
步骤S2：选取特征波形，以包含左端点x(1)和极值点x(n1)、x(n2)、x(n3)的波形为特征波形W，长度为L，极值点x(n3)是特征波形的右端点；
步骤S3：往后截取匹配波形，在后续信号中，以x(n2k+1)作为右端点，向左取长度为L的波形，作为匹配波形Wk(k＝2,3,…)；
步骤S4：将曲率匹配作为最佳匹配延拓的关键指标，按照下式计算波段内采样点附近曲率，作为特征曲率C：
式中，i为波段内采样点序列编号；
为第i个采样点的一阶导数，
为第i个采样点的二阶导数；
步骤S5：选择相关系数ρ、曲率匹配误差ε及绝对误差σ作为指标进行波形匹配筛选；利用式(1)计算k个波形段内采样点附近的曲率Ck(i)；根据以下公式分别计算特征波段曲率与匹配波段曲率之间相关系数、匹配误差和波形绝对误差；
式中，Cov(C,Ck)表示特征波段曲率与第k个匹配波段曲率的协方差；D(C)为特征波形曲率的方差，D(Ck)为第k个匹配波形曲率的方差；σk0表示特征波段与第k个匹配波段的绝对误差；N0为特征波段内采样点数，N为总采样点数；
步骤S6：以匹配度Pk0为最佳匹配延拓的比较指标来选取最优匹配波形，当第k波形段绝对误差满足σ<α*L且匹配度Pk0最大，以Wk为最佳匹配波形段；以其左端点x(i)的前一点x(i-1)作为延拓波形的右端点，向左截取长度为u的波形作为延拓波形；u的大小根据扰动信号的情况确定；将延拓波形左移至x(1)前，完成信号的左端点延拓；并按照相同规则完成信号的右端点延拓：
式中，α为常数，根据实际信号进行调整；Pk0为第k匹配波形段与特征波形段的匹配度指标；
如果未寻到最佳匹配波形段，表明内在曲率规律不适应边界选取的特征波形曲率变化趋势，即在波形端点处的扰动部分或非扰动部分波形长度太短，不能找到与之匹配的波形段；此时选取距离端点最近的极值点作为镜像延拓的镜面对称轴，完成端点处信号的延拓；
步骤S7：对延拓后的信号进行连续变分模态分解并初始化惩罚因子α和误差ε；假设输入信号被分解为L个本征模态，则有：
f(t)＝uL(t)+fr(t) (6)
式中，uL(t)为第L个本征模态函数，fr(t)表示残差分量，fr(t)表示前L-1模态之和和未被分解的部分信号fu(t)；
步骤S8：构建连续变分模态分解SVMD的约束项：J1、J2和J3：
(1)各个模态函数频率窄带应收敛于ωL，ωL为第L模态函数的中心频率；
(2)残差分量fr(t)在第L个模态函数有意义的情况下最小化：
式中，
为滤波算子，为了最小化fr(t)和uL(t)的模态混叠，经过滤波算子滤波的fr(t)能量应该最小化；
(3)第L个模态函数uL(t)在其他模态中心频率附近的能量应最小化：
(4)所有模态函数与fu(t)之和所得重构信号应等于延拓信号：
步骤S9：添加二次惩罚因子并构建拉格朗日约束问题，通过求解拉格朗日最优解，进而实现对延拓信号的SVMD分解：
步骤S10：根据步骤S6延拓波形长度u，对分解后的模态分量分别进行延拓部分截取，获得对信号的改进连续变分模态分解ISVMD。
进一步地，对经所述改进连续变分模态分解ISVMD分解后的模态分量分别进行希尔伯特变换求取各模态分量的瞬时幅频谱；通过对瞬时频率谱分析可以对各扰动分量扰动发生的起止时间进行定位，利用其瞬时幅值谱对各扰动分量的幅值变化进行跟踪确定；由此实现对复合电能质量扰动各扰动组成分量参数的准确辨识。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的基于ISVMD-HT的复合电能质量扰动参数辨识方法。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的基于ISVMD-HT的复合电能质量扰动参数辨识方法。
与现有技术相比，本发明及其优选方案至少具有以下突出优势：
1、通过最佳匹配延拓算法改进SVMD算法，极大地减小了VMD以及传统SVMD算法由端点效应带来的分解误差。而且ISVMD通过连续、逐个的求解每个模态函数，将VMD分解中求解K维优化问题转换为求解K个一维优化问题，不仅极大的减少了分解算法的计算量，而且不需要预知模态分解数目K，增加了算法的自适应性。ISVMD算法能够有效分解电力电子化电力系统中更加复杂的复合电能质量扰动信号。
2、基于ISVMD-HT的复合电能质量参数辨识，可以对分解后的有效分量分别进行希尔伯特变换得到其对应的瞬时幅频谱。通过对各模态分量瞬时频率谱分析能够准确定位各扰动分量的起止时间；通过对各模态分量的瞬时幅值谱分析能够准确跟踪各扰动分量的幅值变化。由此可见，通过ISVMD-HT提取的瞬时幅频谱可以以较高的精度辨识复合电能质量扰动的信号参数。
附图说明
图1为本发明实施例方法总体流程示意图。
图2为本发明实施例最佳匹配延拓示例示意图。
图3为本发明实施例对复合电能质量扰动测试信号ISVMD-HT参数辨识结果示意图(复合扰动信号ISVMD-HT瞬时频率谱)。
图4为本发明实施例对复合电能质量扰动测试信号ISVMD-HT参数辨识结果示意图(复合扰动信号ISVMD-HT瞬时幅值谱)。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1-图4所示，本实施例提供的基于ISVMD-HT的复合电能质量扰动参数辨识方法，可以描述为以下步骤：
步骤S1：图2所示为复合电能质量扰动测试信号x(t)，定义信号的极值点序列ni(i＝1,2,...)；
步骤S2：选取特征波形，以包含x(1)、x(n1)、x(n2)、x(n3)的波形为特征波形W，长度为L，其中x(1)是波形左端点，x(n3)是波形右端点。
步骤S3：截取匹配波形，在后续信号中，以x(n2k+1)作为右端点，向左取长度为L的波形，作为匹配波形Wk(k＝2,3,…)。
步骤S4：将曲率匹配作为最佳匹配延拓的关键指标，按照下式计算波段内采样点附近曲率，作为特征曲率C：
式中，i为波段内采样点序列编号；yi为第i个采样点的一阶导数，yi为第i个采样点的二阶导数。
步骤S5：选择相关系数ρ、曲率匹配误差ε及绝对误差σ作为指标进行波形匹配筛选。利用式(1)计算k个波形段内采样点附近的曲率Ck(i)。根据下面的公式分别计算特征波段曲率与匹配波段曲率之间相关系数、匹配误差和波形绝对误差；
式中，Cov(C,Ck)表示特征波段曲率与第k个匹配波段曲率的协方差；D(C)为特征波形曲率的方差，D(Ck)为第k个匹配波形曲率的方差；σk0表示特征波段与第k个匹配波段的绝对误差；N0为特征波段内采样点数，N为总采样点数。
步骤S6：以匹配度Pk0为最佳匹配延拓的比较指标来选取最优匹配波形，当第k波形段绝对误差满足σ<α*L且匹配度Pk0最大，以Wk为最佳匹配波形段。以其左端点x(i)的前一点x(i-1)作为延拓波形的右端点，向左截取长度为u的波形作为延拓波形。u的大小根据扰动信号的情况决定。将延拓波形左移至x(1)前，完成信号的左端点延拓。按照类似的方法完成信号的右端点延拓。
式中，α为常数，需要根据实际信号加以调整；Pk0为第k匹配波形段与特征波形段的匹配度指标；
对于，未寻到最佳匹配波形段，则表明内在曲率规律不适应边界选取的特征波形曲率变化趋势，即在波形端点处的扰动部分或非扰动部分波形长度太短，不能找到与之匹配的波形段。选取距离端点最近的极值点作为镜像延拓的镜面对称轴，完成端点处信号的延拓。
步骤S7：对延拓后的信号进行连续变分模态分解并初始化惩罚因子α和误差ε。假设输入信号被分解为L个本征模态，则有：
f(t)＝uL(t)+fr(t) (6)
式中，uL(t)为第L个本征模态函数，fr(t)表示残差分量，fr(t)表示前L-1模态之和和未被分解的部分信号fu(t)。
步骤S8：构建连续变分模态分解(Successive Variational ModalDecomposition,SVMD)约束项：
(1)各个模态函数频率窄带应收敛于ωL，ωL为第L模态函数的中心频率；
(2)残差分量fr(t)在第L个模态函数有意义的情况下最小化；
式中，
为滤波算子，为了最小化fr(t)和uL(t)的模态混叠，经过滤波算子滤波的fr(t)能量应该最小化。
(3)第L个模态函数uL(t)在其他模态中心频率附近的能量应该最小化：
(4)所有模态函数与fu(t)之和所得重构信号应等于延拓信号：
步骤S9：为了使分解在噪声环境下也具有良好的收敛性，添加二次惩罚因子并构建拉格朗日约束问题，通过求解拉格朗日最优解，进而实现对延拓信号的SVMD分解。
步骤S10：根据步骤S6延拓波形长度u，对分解后的模态分量分别进行延拓部分截取，最终获得对信号的改进连续变分模态分解(Improved Successive Variational ModalDecomposition,ISVMD)。
步骤S11：如图3、图4所示，本实施例通过ISVMD算法对测试信号进行分解，复合扰动信号被分解为4个模态分量，分别对应基波分量、3次谐波、5次谐波和7次谐波分量。然后对经ISVMD分解后的各模态分量分别进行希尔伯特变换求取各模态分量的瞬时幅频谱。通过对瞬时频率谱分析可以对各扰动分量扰动发生的起止时间进行定位，利用其瞬时幅值谱可以对各扰动分量的幅值变化进行跟踪确定。由此可以实现对复合电能质量扰动各扰动组成分量参数的准确辨识。
综上所述，本发明有助于实现对新型电力电子化电力系统中日渐复杂的复合电能质量扰动参数进行更加准确的辨识。不仅可以高效、准确地分解复合扰动且不需要提前确定复合扰动中扰动的数目，结合希尔伯特变换瞬时幅频谱分析最终实现对复合扰动信号参数的高精度辨识，从而提高电网稳定运行能力。
本实施例提供的以上涉及算法的程序设计方案可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程图中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于ISVMD-HT的复合电能质量扰动参数辨识方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (5)
1.一种基于ISVMD-HT的复合电能质量扰动参数辨识方法，其特征在于：通过最佳匹配延拓对连续变分模态分解算法进行改进，通过对经改进后的连续变分模态分解算法分解的模态分量分别进行希尔伯特变换，得到各模态分量对应的希尔伯特瞬时幅频谱；通过对瞬时频率谱分析对各扰动分量扰动发生的起止时间进行定位，利用其瞬时幅值谱可以对各扰动分量的幅值变化进行跟踪确定；最后通过对瞬时谱处理分析得到对复合扰动中各扰动成分的高精度参数辨识。
2.根据权利要求1所述的基于ISVMD-HT的复合电能质量扰动参数辨识方法，其特征在于：通过最佳匹配延拓对连续变分模态分解算法进行改进具体包括以下步骤：
步骤S1：采样得到原始信号x(t)，分别求取信号的极值点序列ni；
步骤S2：选取特征波形，以包含左端点x(1)和极值点x(n1)、x(n2)、x(n3)的波形为特征波形W，长度为L，极值点x(n3)是特征波形的右端点；
步骤S3：往后截取匹配波形，在后续信号中，以x(n2k+1)作为右端点，向左取长度为L的波形，作为匹配波形Wk(k＝2,3,…)；
步骤S4：将曲率匹配作为最佳匹配延拓的关键指标，按照下式计算波段内采样点附近曲率，作为特征曲率C：
式中，i为波段内采样点序列编号；
为第i个采样点的一阶导数，
为第i个采样点的二阶导数；
步骤S5：选择相关系数ρ、曲率匹配误差ε及绝对误差σ作为指标进行波形匹配筛选；利用式(1)计算k个波形段内采样点附近的曲率Ck(i)；根据以下公式分别计算特征波段曲率与匹配波段曲率之间相关系数、匹配误差和波形绝对误差；
式中，Cov(C,Ck)表示特征波段曲率与第k个匹配波段曲率的协方差；D(C)为特征波形曲率的方差，D(Ck)为第k个匹配波形曲率的方差；σk0表示特征波段与第k个匹配波段的绝对误差；N0为特征波段内采样点数，N为总采样点数；
步骤S6：以匹配度Pk0为最佳匹配延拓的比较指标来选取最优匹配波形，当第k波形段绝对误差满足σ<α*L且匹配度Pk0最大，以Wk为最佳匹配波形段；以其左端点x(i)的前一点x(i-1)作为延拓波形的右端点，向左截取长度为u的波形作为延拓波形；u的大小根据扰动信号的情况确定；将延拓波形左移至x(1)前，完成信号的左端点延拓；并按照相同规则完成信号的右端点延拓：
式中，α为常数，根据实际信号进行调整；Pk0为第k匹配波形段与特征波形段的匹配度指标；
如果未寻到最佳匹配波形段，表明内在曲率规律不适应边界选取的特征波形曲率变化趋势，即在波形端点处的扰动部分或非扰动部分波形长度太短，不能找到与之匹配的波形段；此时选取距离端点最近的极值点作为镜像延拓的镜面对称轴，完成端点处信号的延拓；
步骤S7：对延拓后的信号进行连续变分模态分解并初始化惩罚因子α和误差ε；假设输入信号被分解为L个本征模态，则有：
f(t)＝uL(t)+fr(t) (6)
式中，uL(t)为第L个本征模态函数，fr(t)表示残差分量，fr(t)表示前L-1模态之和和未被分解的部分信号fu(t)；
步骤S8：构建连续变分模态分解SVMD的约束项：J1、J2和J3：
(1)各个模态函数频率窄带应收敛于ωL，ωL为第L模态函数的中心频率；
(2)残差分量fr(t)在第L个模态函数有意义的情况下最小化：
式中，
为滤波算子，为了最小化fr(t)和uL(t)的模态混叠，经过滤波算子滤波的fr(t)能量应该最小化；
(3)第L个模态函数uL(t)在其他模态中心频率附近的能量应最小化：
(4)所有模态函数与fu(t)之和所得重构信号应等于延拓信号：
步骤S9：添加二次惩罚因子并构建拉格朗日约束问题，通过求解拉格朗日最优解，进而实现对延拓信号的SVMD分解：
步骤S10：根据步骤S6延拓波形长度u，对分解后的模态分量分别进行延拓部分截取，获得对信号的改进连续变分模态分解ISVMD。
3.根据权利要求2所述的基于ISVMD-HT的复合电能质量扰动参数辨识方法，其特征在于：对经所述改进连续变分模态分解ISVMD分解后的模态分量分别进行希尔伯特变换求取各模态分量的瞬时幅频谱；通过对瞬时频率谱分析可以对各扰动分量扰动发生的起止时间进行定位，利用其瞬时幅值谱对各扰动分量的幅值变化进行跟踪确定；由此实现对复合电能质量扰动各扰动组成分量参数的准确辨识。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3其中任一所述的基于ISVMD-HT的复合电能质量扰动参数辨识方法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3其中任一所述的基于ISVMD-HT的复合电能质量扰动参数辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210639713.7A CN115048957A (zh) | 2022-06-08 | 2022-06-08 | 基于isvmd-ht的复合电能质量扰动参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210639713.7A CN115048957A (zh) | 2022-06-08 | 2022-06-08 | 基于isvmd-ht的复合电能质量扰动参数辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115048957A true CN115048957A (zh) | 2022-09-13 |
Family
ID=83161161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210639713.7A Pending CN115048957A (zh) | 2022-06-08 | 2022-06-08 | 基于isvmd-ht的复合电能质量扰动参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115048957A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664901A (zh) * | 2018-04-20 | 2018-10-16 | 三峡大学 | 基于改进lmd的微电网电能质量扰动信号检测方法 |
| CN109948516A (zh) * | 2019-03-18 | 2019-06-28 | 湖南大学 | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 |
| CN110967599A (zh) * | 2019-12-11 | 2020-04-07 | 贵州电网有限责任公司 | 一种电能质量扰动检测与定位算法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN113176460A (zh) * | 2021-04-28 | 2021-07-27 | 河海大学 | 一种基于改进经验小波变换的电能质量扰动信号检测方法 |
| CN113899976A (zh) * | 2021-10-30 | 2022-01-07 | 福州大学 | 一种复合电能质量扰动可视化方法 |
-
2022
- 2022-06-08 CN CN202210639713.7A patent/CN115048957A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664901A (zh) * | 2018-04-20 | 2018-10-16 | 三峡大学 | 基于改进lmd的微电网电能质量扰动信号检测方法 |
| CN109948516A (zh) * | 2019-03-18 | 2019-06-28 | 湖南大学 | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN110967599A (zh) * | 2019-12-11 | 2020-04-07 | 贵州电网有限责任公司 | 一种电能质量扰动检测与定位算法 |
| CN113176460A (zh) * | 2021-04-28 | 2021-07-27 | 河海大学 | 一种基于改进经验小波变换的电能质量扰动信号检测方法 |
| CN113899976A (zh) * | 2021-10-30 | 2022-01-07 | 福州大学 | 一种复合电能质量扰动可视化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 董浩然: ""基于VMD和ELM的电能质量扰动检测与分类"", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》, no. 03, 15 March 2022 (2022-03-15), pages 042 - 2234 * |
| 黄传金;周铜;: "基于变分模态分解的电能质量扰动检测新方法", 电力自动化设备, no. 03, 9 March 2018 (2018-03-09), pages 122 - 129 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Frei et al. | Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signals | |
| CN108664901B (zh) | 基于改进lmd的微电网电能质量扰动信号检测方法 | |
| WO2020220804A1 (zh) | 一种可变采样率的傅里叶分析方法 | |
| CN105548739B (zh) | 一种避雷器运行状态信号处理方法 | |
| CN110928237B (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
| CN112180315A (zh) | 光纤电流互感器故障特征提取方法、装置及系统 | |
| Deng et al. | An improved spline-local mean decomposition and its application to vibration analysis of rotating machinery with rub-impact fault | |
| CN115840120A (zh) | 一种高压电缆局放异常监测及预警方法 | |
| CN111580654A (zh) | 一种基于emd的脑电信号的短时特征提取方法 | |
| CN115048957A (zh) | 基于isvmd-ht的复合电能质量扰动参数辨识方法 | |
| Yan et al. | Adaptive synchroextracting transform and its application in bearing fault diagnosis | |
| CN109684937A (zh) | 一种基于fft及数学形态法的信号去噪方法及装置 | |
| CN114077852A (zh) | 一种强噪声光谱信号的智能去噪方法 | |
| Hayes et al. | An efficient algorithm for computing Pisarenko's harmonic decomposition using Levinson's recursion | |
| CN109617051B (zh) | 一种新能源电力系统低频振荡参数辨识方法 | |
| CN112992144B (zh) | 应用于电力领域的智能语音调控方法 | |
| US5295086A (en) | Method of producing noise free frequency spectrum signals | |
| Siohan et al. | Derivation of extended Gaussian functions based on the Zak transform | |
| Kovalenko | The extended frequency-directed EMD technique for analyzing the low-frequency oscillations in power systems | |
| Iatsenko et al. | On the extraction of instantaneous frequencies from ridges in time-frequency representations of signals | |
| CN112257656A (zh) | 基于参数优化形态学滤波的电压暂降信号去噪方法、特征提取方法、系统及可读存储介质 | |
| CN114563824B (zh) | 一种二阶多重同步挤压多项式chirplet变换薄储层识别方法 | |
| CN113884761B (zh) | 一种提高测频精度的方法、装置、设备及介质 | |
| Soumelidis et al. | Identifying poles from time-domain data using discrete laguerre system | |
| CN115356631B (zh) | 高维变量下电机状态监测方法及系统 |
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 |