CN116701822A - 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 - Google Patents
基于麻雀搜索算法与变分模态分解的负荷电能计量方法 Download PDFInfo
- Publication number
- CN116701822A CN116701822A CN202310980876.6A CN202310980876A CN116701822A CN 116701822 A CN116701822 A CN 116701822A CN 202310980876 A CN202310980876 A CN 202310980876A CN 116701822 A CN116701822 A CN 116701822A
- Authority
- CN
- China
- Prior art keywords
- decomposition
- electric energy
- search algorithm
- sparrow
- algorithm
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 126
- 241000287127 Passeridae Species 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000010845 search algorithm Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000002431 foraging effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 20
- 238000004088 simulation Methods 0.000 description 11
- 230000009466 transformation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000009394 selective breeding Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000000489 vacuum metal deposition Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于麻雀搜索算法与变分模态分解的负荷电能计量方法,涉及电网技术领域,包括设定采样条件,根据采样条件采集历史数据;对采集到的历史数据进行预处理;使用变分模态分解和麻雀搜索算法结合,对预处理后的历史数据进行实时分解,得到有限带宽的模态分量数据,即提取出不同次数谐波的时间‑幅值关系;对所述模态分量数据进行处理,计算出瞬时功率和工频周期内的电能。本发明将变分模态分解应用到非稳态电能计量领域,同时结合麻雀搜索算法对变分模态分解的分解参数寻优,对采集到的电压、电流分量进行分解,得到若干模态分量,实现了3种非稳态信号的电能计量,其测算误差很小。
Description
技术领域
本发明涉及电网技术领域,特别是基于麻雀搜索算法与变分模态分解的负荷电能计量方法。
背景技术
在现代电力系统中,地铁、高铁等电气化铁路和电解工厂的大功率硅整流设备、新能源汽车充电桩、光伏或风力等新能源发电输出端变化的供电负荷、炼钢交直流电弧炉以及电机变频调速装置等广泛应用,使工业新型负荷迅速增加[1-2]。这些具有随机性强、波动性和冲击性大或非线性强的负荷运行,导致电网信号波形严重畸变,使电网信号具有谐波、间谐波、电压与电流剧变等复杂特性,电能质量日趋劣化,直接影响着电能计量的准确性与合理性。如果不解决非稳态畸变信号条件下电能准确计量的问题,电能准确计量便无从谈起,也会影响新型电力系统的可持续发展。
现有的电能计量方式主要是以快速傅里叶变换(FFT)为主,但FFT仅适用于电压、电流平稳的稳态系统。针对非稳态电能计量,目前现有技术提出改变窗函数并插值的FFT算法,可以减小频谱泄露,抑制各次谐波间的相互影响,但并不能完全消除该影响。现有技术利用小波变换来计算畸变电能,但由于小波变换各频带间可能存在严重的频率混叠,以及会受到小波基函数的选择影响,使得计量结果误差会较大。因此有学者提出将短时傅里叶与连续小波变换相结合的方式,即S变换来计量非线性负荷电能,但S变换受到窗宽影响,此外引入调节因子调节高斯窗宽度随频率变化的速度对S变换进行改进,但其本质依旧是基于FFT,受限于测不准原理。希尔伯特-黄变换(HHT)可以对非线性信号进行自适应分解,但在分解过程中容易出现模态混叠、端点效应等现象。学者Dragomiretskiy等人于2014年提出一种多分量自适应分解方法—变分模态分解(VMD),基于变分思想对信号分解,实现信号的频率划分与有效分离。该算法分解得到的本征模态分量(Intrinsic Mode Function,IMF)能够有效避免EMD算法中存在的虚假分量和模态混叠问题。但VMD存在分解个数和二次惩罚因子难确定的缺点。
发明内容
鉴于现有的基于麻雀搜索算法与变分模态分解的负荷电能计量方法中存在的问题,提出了本发明。
因此,本发明的目的在于提供基于麻雀搜索算法与变分模态分解的负荷电能计量方法,以避免背景技术中所提到的问题。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明实施例提供了一种基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其包括设定采样条件,根据采样条件采集历史数据;对采集到的历史数据进行预处理;使用变分模态分解和麻雀搜索算法结合,对预处理后的历史数据进行实时分解,得到有限带宽的模态分量数据,即提取出不同次数谐波的时间-幅值关系;对所述模态分量数据进行处理,计算出瞬时功率和工频周期内的电能。
作为本发明所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案,其中:所述采样条件包括采样频率和测量时间窗,所述采样频率为3kHZ,所述测量时间窗为10个工频周期。
作为本发明所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案,其中:所述根据采样条件采集历史数据是通过模数转换器连续采集多个历史时刻的历史数据;所述历史数据包括多个历史时刻的负荷点电压和多个历史时刻的负荷点电流。
作为本发明所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案,其中:所述预处理是对历史时刻的负荷点电压和历史时刻的负荷点电流分别依次进行异常数据剔除处理、缺失数据填充处理、重复数据过滤处理,以及数据标准化处理。
作为本发明所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案,其中:所述有限带宽的模态分量数据的具体定为:
;
;
其中,t表示时间;表示各个分量;/>为瞬时幅值;/>为瞬时相位;为瞬时频率;/>表示分解的模态;/>表示中心频率;/>表示信号相位;/>为梯度计算;/>,表示分解得到的K个IMF分量集合;/>,表示K个中心频率/>的集合;s.t.是指subject to,表示约束条件;f是原始待分解的信号;/>表示狄拉克函数;j是虚数单位。
所述使用变分模态分解算法和麻雀搜索算法结合,对预处理后的历史数据进行实时分解是指将预处理后的历史数据输入变分模态分解算法,同时结合麻雀搜索算法来优化变分模态分解的参数,实时分解采集时间段内的历史数据后得到有限带宽的模态分量数据,具体包括如下步骤:初始化麻雀算法种群、最大种群数和最大迭代参数、权值上边界、权值下边界、阈值上边界、阈值下边界、安全值、发现者比例,以及报警者的比例,变分模态分解的参数/>的优化范围;定义适应度函数并计算初始个体适应度值;其中,个体适应度值由个体对应的位置作为权值和阈值带入变分模态分解中计算而得;将样本熵和各分量重构后的信号与原始信号的相关性系数相结合作为适应度函数寻找最优解,将样本熵与相关系数比值的最小值作为适应度函数,利用麻雀搜索算法寻优获得适应度的极小值;当样本熵值越小时,表明序列中频率分量越少、信号噪声越少,其模态混叠问题小、分解效果好,所提取的故障信息越丰富;当各分量重构后的信号与原始信号的相关性系数越大时,信号失真小、重合度高。
作为本发明所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案,其中:所述使用变分模态分解和麻雀搜索算法结合,对预处理后的历史数据进行实时分解还包括,基于麻雀搜索算法中的雀群觅食和反捕食设计算法,麻雀群体中的发现者和跟随者这两种角色根据自身位置的更新通过如下公式所示:
;
;
其中,为正态分布的随机数组,/>是报警值;/>是迭代数,/>是最大迭代数,,/>,表示j有d个维度;/>是第/>个麻雀在/>维度的位置;,/>与/>均为/>的矩阵,其中/>中元素均为1,/>中元素为1与-1,表明雀种中除发现者,其他个体作为跟随者,依照发现者进行觅食;/>为历史最差位置,/>为现在发现者的最佳位置,/>为雀种总数。
作为本发明所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案,其中:所述使用变分模态分解和麻雀搜索算法结合,对预处理后的历史数据进行实时分解还包括引入报警者,防止算法落入局部最优,全局搜索能力增强,该种群数占10%到20%之间,其位置如下:
;
其中,为当前自适应度值,/>为当前最差适应度值,/>为当前最好适应度值;当时,此时报警者在局部最优位置,当/>时,报警者不在局部最优位置,将前往局部最优位置;/>为全域最佳位置;/>与/>表示随机数,/>表示最小常数,其目的在于防止分母为0;输入采集时间段内的负荷点电压和负荷点电流信号,以进行算法的迭代优化,当满足迭代条件时,转入下一步;否则更新各麻雀位置,继续寻优;将寻优结果的参数组合代入变分模态分解中进行分解,得到/>个本征模态分量IMFs;对模态分量进行频谱分析,提取基波与畸变信号。
作为本发明所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案,其中:所述对所述模态分量数据进行处理,计算出瞬时功率和工频周期内的电能具体为经过麻雀搜索算法与变分模态分解相结合的分解计算后得到一个矩阵数据,其行数代表谐波个数,某固定行则表示被测信号中某频率幅值随时间的变化;将分解出的基波电压、畸变电压、基波电流、畸变电流分别与之对应的相乘,得到瞬时功率,该瞬时功率在工频周期内的算术平均数即为平均功率,再结合工频周期,进一步可得到工频周期内的电能。
第二方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述处理器执行所述计算机程序时实现上述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的任一步骤。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现第一方面所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法的步骤。
本发明有益效果为本发明将变分模态分解应用到非稳态电能计量领域,同时结合麻雀搜索算法对变分模态分解的分解参数寻优,对采集到的电压、电流分量进行分解,得到若干模态分量,实现了3种非稳态信号的电能计量,其测算误差很小。与FFT算法相比,本发明所提电能计量算法能克服FFT算法在非稳态条件下电能计量准确度不高和无法计量畸变电能的缺陷;与小波算法和小波包算法相比,避免了小波基函数的人为选择;与希尔伯特-黄变换算法相比,避免了模态混叠和端点效应严重的问题。与传统的变分模态分解算法相比,无需人为预设分解参数,实现信号分解参数的自适应。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为基于麻雀搜索算法与变分模态分解的负荷电能计量方法的整体示意图。
图2为基于麻雀搜索算法与变分模态分解的负荷电能计量方法的测试信号1的麻雀搜索算法-变分模态分解的电压分解结果图。
图3为基于麻雀搜索算法与变分模态分解的负荷电能计量方法的测试信号1的麻雀搜索算法-变分模态分解的电流分解结果图。
图4为基于麻雀搜索算法与变分模态分解的负荷电能计量方法的测试信号2的麻雀搜索算法-变分模态分解的电压分解结果图。
图5为基于麻雀搜索算法与变分模态分解的负荷电能计量方法的测试信号2的麻雀搜索算法-变分模态分解的电流分解结果图。
图6为基于麻雀搜索算法与变分模态分解的负荷电能计量方法的测试信号3的麻雀搜索算法-变分模态分解的电压分解结果图。
图7为基于麻雀搜索算法与变分模态分解的负荷电能计量方法的测试信号3的麻雀搜索算法-变分模态分解的电流分解结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图7,为本发明第一个实施例,该实施例提供了一种基于麻雀搜索算法与变分模态分解的负荷电能计量方法,包括:
S1:设定采样条件,根据采样条件采集历史数据。
具体的,采样条件包括采样频率和测量时间窗,设定采样频率为3kHZ、测量时间窗为10个工频周期。根据采样条件采集历史数据是通过模数转换器连续采集多个历史时刻的历史数据。历史数据包括多个历史时刻的负荷点电压和多个历史时刻的负荷点电流。
S2:对采集到的历史数据进行预处理。
具体的,预处理是对历史时刻的负荷点电压和历史时刻的负荷点电流分别依次进行异常数据剔除处理、缺失数据填充处理、重复数据过滤处理,以及数据标准化处理,得到预处理后多个历史时刻的负荷点电压、多个历史时刻的负荷点电流。
S3:使用变分模态分解和麻雀搜索算法结合,对预处理后的历史数据进行实时分解,得到有限带宽的模态分量数据,即提取出不同次数谐波的时间-幅值关系。
该步骤具体是指将预处理后的历史数据输入变分模态分解算法,同时结合麻雀搜索算法来优化变分模态分解的参数,实时分解采集时间段内的历史数据后得到有限带宽的模态分量数据。
进一步的,有限带宽的模态分量数据的具体定为:
;
;
其中,t表示时间;表示各个分量;/>为瞬时幅值;/>为瞬时相位;为瞬时频率;/>表示分解的模态;/>表示中心频率;/>表示信号相位;/>为梯度计算;/>,表示分解得到的K个IMF分量集合;/>,表示K个中心频率/>的集合;s.t.是指subject to,表示约束条件;f是原始待分解的信号;/>表示狄拉克函数;j是虚数单位。
S3.1:初始化麻雀算法种群、最大种群数和最大迭代参数、权值上边界、权值下边界、阈值上边界、阈值下边界、安全值、发现者比例,以及报警者的比例,变分模态分解的参数/>的优化范围。
S3.2:定义适应度函数并计算初始个体适应度值;其中,适应度函数用于说明模型计算准确度,个体适应度值由个体对应的位置作为权值和阈值带入变分模态分解中计算而得。
进一步的,将样本熵和各分量重构后的信号与原始信号的相关性系数相结合作为适应度函数寻找最优解,将样本熵与相关系数比值的最小值作为适应度函数,利用SSA算法寻优获得适应度的极小值。
当样本熵值越小时,表明序列中频率分量越少、信号噪声越少,其模态混叠问题小、分解效果好,所提取的故障信息越丰富。
当各分量重构后的信号与原始信号的相关性系数越大时,信号失真小、重合度高。
S3.3:基于麻雀搜索算法中的雀群觅食和反捕食设计算法,麻雀群体中的发现者和跟随者这两种角色根据自身位置的更新通过如下公式所示:
;
;
其中,为正态分布的随机数组,/>是报警值;/>是迭代数,/>是最大迭代数,,/>,表示j有d个维度;/>是第/>个麻雀在/>维度的位置;,/>与/>均为/>的矩阵,其中/>中元素均为1,/>中元素为1与-1,表明雀种中除发现者,其他个体作为跟随者,依照发现者进行觅食;/>为历史最差位置,/>为现在发现者的最佳位置,/>为雀种总数。
S3.4:引入报警者,防止算法落入局部最优,全局搜索能力增强,该种群数占10%到20%之间,其位置如下:
;
其中,为当前自适应度值,/>为当前最差适应度值,/>为当前最好适应度值;当时,此时报警者在局部最优位置,当/>时,报警者不在局部最优位置,将前往局部最优位置;/>为全域最佳位置;/>与/>表示随机数,/>表示最小常数,其目的在于防止分母为0;
S3.5:输入采集时间段内的负荷点电压和负荷点电流信号,以进行算法的迭代优化,当满足迭代条件时,转入下一步;否则更新各麻雀位置,继续寻优;将寻优结果的参数组合代入变分模态分解中进行分解,得到/>个本征模态分量IMFs。
S3.6:对模态分量进行频谱分析,提取基波与畸变信号。
S4:对所述模态分量数据进行处理,计算出瞬时功率和工频周期内的电能。
具体的,经过麻雀搜索算法与变分模态分解相结合的分解计算后得到一个矩阵数据,其行数代表谐波个数,某固定行则表示被测信号中某频率幅值随时间的变化;将分解出的基波电压、畸变电压、基波电流、畸变电流分别与之对应的相乘,得到瞬时功率,该瞬时功率在工频周期内的算术平均数即为平均功率,再结合工频周期,进一步可得到工频周期内的电能。
此外,本实施例还提供一种计算机设备,适用于基于麻雀搜索算法与变分模态分解的负荷电能计量方法的情况,包括存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的基于麻雀搜索算法与变分模态分解的负荷电能计量方法。
该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、 运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例提出的实现基于麻雀搜索算法与变分模态分解的负荷电能计量方法的步骤。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
综上,本发明将变分模态分解应用到非稳态电能计量领域,同时结合麻雀搜索算法对变分模态分解的分解参数寻优,对采集到的电压、电流分量进行分解,得到若干模态分量,实现了3种非稳态信号的电能计量,其测算误差很小。与FFT算法相比,本发明所提电能计量算法能克服FFT算法在非稳态条件下电能计量准确度不高和无法计量畸变电能的缺陷;与小波算法和小波包算法相比,避免了小波基函数的人为选择;与希尔伯特-黄变换算法相比,避免了模态混叠和端点效应严重的问题。与传统的变分模态分解算法相比,无需人为预设分解参数,实现信号分解参数的自适应。
实施例2
参照图1~图7,为本发明第二个实施例,该实施例提供了一种基于麻雀搜索算法与变分模态分解的负荷电能计量方法,为验证本发明所提方法对电能计量的有效性和准确性,构造3类非稳态信号进行仿真说明。
首先,仿真信号采样频率为3kHz,根据IEC 61000-4-7标准规定,测量时间窗为10个工频周期,采样点数,总采样时长为1s。考虑到VMD算法,也即变分模态分解算法分解时存在端点效应,本发明将采用0.2s的滑动窗宽进行交叠计量,每次计量时剔除前后各0.01s的数据,总有效计量时长为0.98s。此外,考虑到仿真速度及精确度,设置麻雀种群数为10,最大迭代次数为10。由于篇幅限制,在本实施例中仅给出每类信号在0.72~0.92s时段的VMD分解图。
(1)测试信号1:分段稳态谐波仿真。
;
;
此类电压、电流测试信号由基波和3、5、7次谐波组成,工频基波电压幅值为100V,工频基波电流幅值为10A,电压信号自0.3s、0.5s和0.7s分别加入稳态的3次、5次、7次谐波信号,电流各次谐波出现时间比电压信号均早0.1s,基波和谐波幅值保持不变,基波电压电流相位差为,3次谐波信号相位差为/>,5次谐波信号相位差为/>,7次谐波信号相位差为0。
电压信号通过SSA,也即麻雀搜索算法迭代后,在取得极小熵值处寻优到了各次计量时间段的最优参数,分别是、/>、/>、/>、、/>,电流信号的最优参数分别是/>、/>、、/>、/>、/>,分别将对应时间段的对应寻优参数组代入VMD对电压电流仿真信号进行分解,图2和图3分别为电压电流信号分解得到的IMFs,不存在频率混叠现象。其中,分解信号2至分解信号4分别对应5、3、7次谐波,可以发现除了端点处,其余的波形都是没有畸变的正弦波。为了比较FFT与VMD电能计量结果的准确度,也只取0.01~0.99s的FFT计量数据,计量结果如表1所示。本发明所提方法的基波计量误差为-0.1377%,谐波计量误差为1.2457%,总计量误差为-0.1120%,误差均小于FFT的计量结果。
表1 测试信号1的麻雀搜索算法-变分模态分解的电能仿真实验结果
计量值及误差 | W1(w∙h) | W1s(w∙h) | Ws1(w∙h) | Wss(w∙h) | W(w∙h) |
理论值 | 346.4823 | 0 | 0 | 6.414 | 352.8963 |
FFT | 345.5889 | \ | \ | 3.0533 | 352.3077 |
误差(%) | -0.2578 | \ | \ | -52.3963 | -0.1668 |
SSA-VMD | 346.0053 | \ | \ | 6.4939 | 352.5010 |
误差(%) | -0.1377 | \ | \ | 1.2457 | -0.1120 |
(2)测试信号2:时变谐波仿真。
;
;
此类电压、电流测试信号由基波和3、5、7次谐波组成,其中0.2~1s内3、5次谐波幅值不同,此外,为了凸显测试信号的复杂性,0.2~0.6s内3、5次谐波及0.6~1s内7次谐波幅值设为线性增大,0.6~1s内3、5次谐波幅值设为线性减小。
电压信号通过SSA,也即麻雀搜索算法的迭代后,在取得极小熵值处寻优到了各次计量时间段的最优参数,分别是、/>、/>、、/>、/>,电流信号的最优参数分别是/>、、/>、/>、/>、/>。图4和图5分别是将最优参数组代入VMD后对电压电流信号的分解结果。分析发现,电压信号能无混叠的分解出各次谐波,但电流信号仅能将基波分解出,其余各次谐波存在混叠现。通常情况下,电能计算可通过分解出的各项无重叠谐波电压电流计算出各次谐波电能再相加,也可将各次谐波信号叠加后直接计算出畸变电能与基波电能,关键在于能准确分解出基波信号。测试信号2的电能计算采用后者,将分解出无重叠的电压信号各次谐波进行合成,利用重构后的信号再进行电能计算。计量结果如表2所示,基波计量误差为-0.0890%,谐波计量误差为5.2571%,总计量误差为-0.0879%。
表2 测试信号2的麻雀搜索算法-变分模态分解的电能仿真实验结果
计量值及误差 | W1(w∙h) | W1s(w∙h) | Ws1(w∙h) | Wss(w∙h) | W(w∙h) |
理论值 | 346.4823 | 0.0025 | 0.0088 | 0.4337 | 346.9316 |
FFT | 345.6494 | \ | \ | -6.3424 | 346.3539 |
误差(%) | -0.2404 | \ | \ | \ | -0.1665 |
SSA-VMD | 346.1739 | \ | \ | 0.4565 | 346.6268 |
误差(%) | -0.0890 | \ | \ | 5.2571 | -0.0879 |
(3)测试信号3:复杂动态负荷仿真。
;
;
此类电压测试信号与测试信号1的构成相似,电流测试信号的基波幅值在4个时间段内均不同,且0~0.2s和0.2~0.4s内是线性增大,0.4~0.6s和0.6~1.0s内是线性减小。
通过SSA寻优后可得电压信号的最优参数分别是、/>、、/>、/>、/>,电流信号最优参数分别是/>、/>、/>、/>、/>、。图6和图7分别是将最优参数组代入VMD后对电压电流信号的分解结果。分析发现,电流信号存在过分解现象,分解的各模态分量分别是基波、5次、3次、3次谐、7次谐波。因此,与测试信号2类似,采用将各次谐波信号叠加后直接计算出畸变电能与基波电能的方法来计算电能。计量结果如表3所示,基波计量误差为0.0341%,谐波计量误差为-13.4024%,总计量误差为-0.0427%。
表3 测试信号3的麻雀搜索算法-变分模态分解的电能仿真实验结果
计量值及误差 | W1(w∙h) | W1s(w∙h) | Ws1(w∙h) | Wss(w∙h) | W(w∙h) |
理论值 | 176.6300 | 0 | -0.3700 | 7.774 | 184.0340 |
FFT | 176.1417 | \ | \ | 7.3177 | 183.7341 |
误差(%) | -0.2765 | \ | \ | -5.8696 | -0.1630 |
SSA-VMD | 176.6902 | \ | \ | 6.7321 | 183.9554 |
误差(%) | 0.0341 | \ | \ | -13.4024 | -0.0427 |
上述仿真结果都表明,在非稳态电压、电流条件下,本发明提出的基于麻雀搜索算法与变分模态分解的非稳态电能计量算法在基波电能、谐波电能以及总电能测算上,其误差远小于FFT的测算误差。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其特征在于:包括,
设定采样条件,根据采样条件采集历史数据;
对采集到的历史数据进行预处理;
使用变分模态分解和麻雀搜索算法结合,对预处理后的历史数据进行实时分解,得到有限带宽的模态分量数据,即提取出不同次数谐波的时间-幅值关系;
对所述模态分量数据进行处理,计算出瞬时功率和工频周期内的电能。
2.如权利要求1所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其特征在于:所述采样条件包括采样频率和测量时间窗,所述采样频率为3kHZ,所述测量时间窗为10个工频周期。
3.如权利要求2所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其特征在于:所述根据采样条件采集历史数据是通过模数转换器连续采集多个历史时刻的历史数据;所述历史数据包括多个历史时刻的负荷点电压和多个历史时刻的负荷点电流。
4.如权利要求3所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其特征在于:所述预处理是对历史时刻的负荷点电压和历史时刻的负荷点电流分别依次进行异常数据剔除处理、缺失数据填充处理、重复数据过滤处理,以及数据标准化处理。
5.如权利要求4所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其特征在于:
所述有限带宽的模态分量数据的具体定为:
;
;
其中,t表示时间;表示各个分量;/>为瞬时幅值;/>为瞬时相位;/>为瞬时频率;/>表示分解的模态;/>表示中心频率;/>表示信号相位;/>为梯度计算;,表示分解得到的K个IMF分量集合;/>,表示K个中心频率/>的集合;s.t.是指subject to,表示约束条件;f是原始待分解的信号;/>表示狄拉克函数;j是虚数单位;
所述使用变分模态分解算法和麻雀搜索算法结合,对预处理后的历史数据进行实时分解是指将预处理后的历史数据输入变分模态分解算法,同时结合麻雀搜索算法来优化变分模态分解的参数,实时分解采集时间段内的历史数据后得到有限带宽的模态分量数据,具体包括如下步骤:
初始化麻雀算法种群、最大种群数和最大迭代参数、权值上边界、权值下边界、阈值上边界、阈值下边界、安全值、发现者比例,以及报警者的比例,变分模态分解的参数的优化范围;
定义适应度函数并计算初始个体适应度值;其中,个体适应度值由个体对应的位置作为权值和阈值带入变分模态分解中计算而得;
将样本熵和各分量重构后的信号与原始信号的相关性系数相结合作为适应度函数寻找最优解,将样本熵与相关系数比值的最小值作为适应度函数,利用SSA算法寻优获得适应度的极小值;
当样本熵值越小时,表明序列中频率分量越少、信号噪声越少,其模态混叠问题小、分解效果好,所提取的故障信息越丰富;
当各分量重构后的信号与原始信号的相关性系数越大时,信号失真小、重合度高。
6.如权利要求5所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其特征在于:所述使用变分模态分解和麻雀搜索算法结合,对预处理后的历史数据进行实时分解还包括,
基于麻雀搜索算法中的雀群觅食和反捕食设计算法,麻雀群体中的发现者和跟随者这两种角色根据自身位置的更新通过如下公式所示:
;
;
其中,为正态分布的随机数组,/>是报警值;/>是迭代数,/>是最大迭代数,,/>,表示j有d个维度;/>是第/>个麻雀在/>维度的位置;,/>与/>均为/>的矩阵,其中/>中元素均为1,/>中元素为1与-1,表明雀种中除发现者,其他个体作为跟随者,依照发现者进行觅食;/>为历史最差位置,/>为现在发现者的最佳位置,/>为雀种总数。
7.如权利要求6所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其特征在于:所述使用变分模态分解和麻雀搜索算法结合,对预处理后的历史数据进行实时分解还包括,
引入报警者,防止算法落入局部最优,全局搜索能力增强,该种群数占10%到20%之间,其位置如下:
;
其中,为当前自适应度值,/>为当前最差适应度值,/>为当前最好适应度值;当时,此时报警者在局部最优位置,当/>时,报警者不在局部最优位置,将前往局部最优位置;/>为全域最佳位置;/>与/>表示随机数,/>表示最小常数,其目的在于防止分母为0;
输入采集时间段内的负荷点电压和负荷点电流信号,以进行算法的迭代优化,当满足迭代条件时,转入下一步;否则更新各麻雀位置,继续寻优;
将寻优结果的参数组合代入变分模态分解中进行分解,得到/>个本征模态分量IMFs;
对模态分量进行频谱分析,提取基波与畸变信号。
8.如权利要求1所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法,其特征在于:所述对所述模态分量数据进行处理,计算出瞬时功率和工频周期内的电能具体为,
经过麻雀搜索算法与变分模态分解相结合的分解计算后得到一个矩阵数据,其行数代表谐波个数,某固定行则表示被测信号中某频率幅值随时间的变化;
将分解出的基波电压、畸变电压、基波电流、畸变电流分别与之对应的相乘,得到瞬时功率,该瞬时功率在工频周期内的算术平均数即为平均功率,再结合工频周期,进一步可得到工频周期内的电能。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~8任一所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的步骤。
10.一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:所述计算机程序被处理器执行时实现权利要求1~8任一所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980876.6A CN116701822B (zh) | 2023-08-07 | 2023-08-07 | 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980876.6A CN116701822B (zh) | 2023-08-07 | 2023-08-07 | 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116701822A true CN116701822A (zh) | 2023-09-05 |
CN116701822B CN116701822B (zh) | 2023-11-28 |
Family
ID=87841827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310980876.6A Active CN116701822B (zh) | 2023-08-07 | 2023-08-07 | 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701822B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388569A (zh) * | 2023-12-11 | 2024-01-12 | 浙江宏仁电气有限公司 | 一种电网波形畸变下的电能计量方法、电能计量箱及介质 |
CN117664871A (zh) * | 2024-02-01 | 2024-03-08 | 山东省科学院激光研究所 | 一种噪声抑制方法及系统 |
CN117713142A (zh) * | 2024-02-05 | 2024-03-15 | 深圳市轩尼世纪科技有限公司 | 一种用于电源的智能控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633368A (zh) * | 2018-12-03 | 2019-04-16 | 三峡大学 | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 |
CN111537789A (zh) * | 2020-05-09 | 2020-08-14 | 湖南省计量检测研究院 | 一种基于信号分离和精准积分的直流电能计量装置及方法 |
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 |
CN114881176A (zh) * | 2022-06-29 | 2022-08-09 | 河海大学 | 一种基于自适应优化随机森林的非侵入式负荷识别方法 |
CN115016440A (zh) * | 2022-06-30 | 2022-09-06 | 湖州师范学院 | 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法 |
CN116381333A (zh) * | 2023-04-11 | 2023-07-04 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 基于acmd算法的电动汽车充电桩电能计量方法 |
CN116451553A (zh) * | 2022-11-09 | 2023-07-18 | 中国计量大学 | 一种改进的变分模态分解与BiGRU融合的水质预测方法 |
-
2023
- 2023-08-07 CN CN202310980876.6A patent/CN116701822B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633368A (zh) * | 2018-12-03 | 2019-04-16 | 三峡大学 | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 |
CN111537789A (zh) * | 2020-05-09 | 2020-08-14 | 湖南省计量检测研究院 | 一种基于信号分离和精准积分的直流电能计量装置及方法 |
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 |
CN114881176A (zh) * | 2022-06-29 | 2022-08-09 | 河海大学 | 一种基于自适应优化随机森林的非侵入式负荷识别方法 |
CN115016440A (zh) * | 2022-06-30 | 2022-09-06 | 湖州师范学院 | 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法 |
CN116451553A (zh) * | 2022-11-09 | 2023-07-18 | 中国计量大学 | 一种改进的变分模态分解与BiGRU融合的水质预测方法 |
CN116381333A (zh) * | 2023-04-11 | 2023-07-04 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 基于acmd算法的电动汽车充电桩电能计量方法 |
Non-Patent Citations (3)
Title |
---|
JINGMING SU 等: "Short Term Power Load Forecasting Based on PSVMD-CGA Model", 《SUSTAINABILITY》, vol. 15, no. 4, pages 1 - 23 * |
卢树峰;李志新;黄奇峰;杨世海;范洁;吴桥;: "新型信号处理方法VMD在电能计量故障识别中的应用", 电测与仪表, no. 10 * |
向世强;唐求;宋鹏;张永旺;: "非线性负荷电能计量方法研究", 电子测量与仪器学报, no. 04 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388569A (zh) * | 2023-12-11 | 2024-01-12 | 浙江宏仁电气有限公司 | 一种电网波形畸变下的电能计量方法、电能计量箱及介质 |
CN117388569B (zh) * | 2023-12-11 | 2024-03-01 | 浙江宏仁电气有限公司 | 一种电网波形畸变下的电能计量方法、电能计量箱及介质 |
CN117664871A (zh) * | 2024-02-01 | 2024-03-08 | 山东省科学院激光研究所 | 一种噪声抑制方法及系统 |
CN117713142A (zh) * | 2024-02-05 | 2024-03-15 | 深圳市轩尼世纪科技有限公司 | 一种用于电源的智能控制方法及系统 |
CN117713142B (zh) * | 2024-02-05 | 2024-04-26 | 深圳市轩尼世纪科技有限公司 | 一种用于电源的智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116701822B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116701822B (zh) | 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 | |
CN108257044A (zh) | 一种基于稳态电流模型的非侵入式负荷分解方法 | |
CN107025365A (zh) | 一种用于用户侧的非侵入负荷辨识方法 | |
CN110045186B (zh) | 电力系统公共连接点处的系统谐波阻抗估计方法和系统 | |
CN103257271A (zh) | 一种基于stm32f107vct6的微电网谐波与间谐波检测装置及检测方法 | |
CN110726875B (zh) | 一种新能源柔性直流并网暂态谐波检测方法及系统 | |
CN103207319A (zh) | 数字化变电站电力信号非同步采样条件下的谐波测量方法 | |
Sanabria-Villamizar et al. | Characterization of household-consumption load profiles in the time and frequency domain | |
CN106980044A (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
CN109061345B (zh) | 适用于电力系统的有效值测量方法与系统 | |
Zhang et al. | A non-intrusive identification method of harmonic source loads for industrial users | |
CN116243176A (zh) | 一种基于电化学阻抗谱的锂电池建模与参数辨识方法 | |
Yang et al. | Oscillation mode analysis for power grids using adaptive local iterative filter decomposition | |
CN117713505B (zh) | 一种开关电源高边电流检测方法及系统 | |
CN108918928B (zh) | 一种负荷分解中功率信号自适应重构方法 | |
CN105021886A (zh) | 一种基于特征根估计的谐波源定位装置 | |
Dahale et al. | Recursive gaussian process over graphs for integrating multi-timescale measurements in low-observable distribution systems | |
CN109194367B (zh) | 能量分解中功率信号重构方法 | |
CN114184838A (zh) | 基于sn互卷积窗的电力系统谐波检测方法、系统及介质 | |
CN117871948B (zh) | 一种基于改进vmd算法的间谐波检测方法和系统 | |
Yu et al. | Nonintrusive load disaggregation method based on graph signal processing | |
Hao et al. | Compression of power quality disturbance using wavelet-atomic decomposition for grid-connected wind farms | |
CN118611196A (zh) | 一种发电机状态监测装置直流电源功率分配方法及系统 | |
Jin et al. | Short-Term power load forecasting based on HFEMD and GALSTM | |
CN117494591B (zh) | 一种风电电能质量评估方法及装置 |
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 |