CN117349735B - 一种直流微电网的故障检测方法、装置、设备及存储介质 - Google Patents
一种直流微电网的故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117349735B CN117349735B CN202311654856.6A CN202311654856A CN117349735B CN 117349735 B CN117349735 B CN 117349735B CN 202311654856 A CN202311654856 A CN 202311654856A CN 117349735 B CN117349735 B CN 117349735B
- Authority
- CN
- China
- Prior art keywords
- signal
- current
- preset
- characteristic value
- random
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000000295 complement effect Effects 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 167
- 230000006978 adaptation Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 10
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- H02J1/00—Circuit arrangements for dc mains or dc distribution networks
- H02J1/10—Parallel operation of dc sources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本申请公开了一种直流微电网的故障检测方法、装置、设备及存储介质,涉及电数字数据处理技术领域。方法通过互补集合经验模态分解法分解电流信号得到固有模态函数,再通过固有模态函数的两个系数来评价其特征值,不需要考虑故障电路的瞬时电阻、故障电路的时间序列,且用于评价的特征值相比于现有技术具有显著性,最后通过全局寻优算法寻找特征值最大时所对应的白噪声幅值以及互补集合经验模态分解法的分解次数,且在实际应用过程中,通过MATLAB在白噪声幅值迭代至0.198至0.203之间、分解次数迭代至8次至9次时,特征值已达到最大值,并在后续迭代中没有变化,表明本实施例的计算速度较快,且算力负担较小。
Description
技术领域
本申请涉及电数字数据处理技术领域,尤其涉及一种直流微电网的故障检测方法、装置、设备及存储介质。
背景技术
直流微电网是由直流构成的微电网,是未来智能配用电系统的重要组成部分,对推进节能减排和实现能源可持续发展具有重要意义。相比交流微电网,直流微电网可更高效可靠地接纳风、光等分布式可再生能源发电系统、储能单元、电动汽车及其他直流用电负荷。进一步地,直流微电网在便利性、可控性、稳定性等方面相比于交流微电网具有明显优势,近年来得到广泛应用。
由于直流微电网的直流线路阻尼较小,在发生线路故障后,直流微电网的电流增长迅速,容易快速影响整个微电网系统的运行。因此,直流线路故障检测是运维过程中的重要环节。精准的直流微电网线路故障检测可缩短人工检修时间,加快恢复减少损失。直流微电网结构的复杂性、多变性以及故障电流特性呈现的多样性、不一致性都增加了故障检测的难度。
目前,对于直流微电网的故障检测通常通过检测电流的特性,将检测到的电流信号通过例如傅里叶变换、小波变换等信号变换方法对电流信号进行降噪和提取,得到电流信号的特征,通过得到的特征来判断直流微电网的故障类型。由于傅里叶变换、小波变换对于有较大较快的电流波动、非平稳信号的特征处理效果不佳,且小波变换相比于傅里叶变换的算力负担更大,需要解析电流信号的母小波、父小波,以及特征值,且现有技术在实际应用过程中,识别故障电流信号的特征值不明显,容易存在过处理、混叠等现象。使得目前现有的信号处理方式对于直流微电网的电路故障特征提取和处理效果不明显、不准确。
发明内容
本申请的主要目的在于提供一种直流微电网的故障检测方法、装置、设备及存储介质,以解决现有的信号处理方式对于直流微电网的电路故障特征提取和处理效果不明显、不准确的问题。
为了实现上述目的,本申请提供了如下技术方案:
一种直流微电网的故障检测方法,所述故障检测方法包括:
步骤S1,间隔预设时长周期获取所述直流微电网的若干个电流信号;
步骤S2,将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数;
步骤S3,通过双系数信号分析法分别获取每个固有模态函数的特征值;
步骤S4,获取所述特征值大于等于预设阈值的固有模态函数,并标记为特征信号;
步骤S5,通过全局寻优算法迭代所述预设幅值以及所述预设个数,以使所述特征值达到最大值;
步骤S6,获取特征值达到最大值时的特征信号,并标记为故障信号;
步骤S7,获取与所述故障信号相匹配的预设故障类型,即为所述直流微电网的故障类型。
作为本申请的进一步改进,步骤S2,将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数,包括:
步骤S21,分别对每个电流信号进行所述预设幅值的白噪声扰动,得到所述预设个数的噪声扰动信号集;
步骤S22,对当前的噪声扰动信号集进行经验模态分解,得到若干个本征模态函数;
步骤S23,将同一个噪声扰动信号集的所有本征模态函数进行算术平均,得到去噪后本征模态函数;
步骤S24,基于同一个噪声扰动信号集迭代步骤S21至步骤S23预设次数,以使每个噪声扰动信号集分别具有若干个去噪后本征模态函数;
步骤S25,将同一个噪声扰动信号集的所有去噪后本征模态函数进行算术平均,得到所述预设个数的固有模态函数。
作为本申请的进一步改进,步骤S22,对当前的噪声扰动信号集进行经验模态分解,得到若干个本征模态函数,包括:
步骤S221,获取当前的噪声扰动信号的所有极大值、所有极小值;
步骤S222,依次连接所有极大值形成上包络线,依次连接所有极小值形成下包络线;
步骤S223,获取所述上包络线与所述下包络线的平均值,形成均值包络线;
步骤S224,将当前的噪声扰动信号减去所述均值包络线以得到中间信号;
步骤S225,重复步骤S221至步骤S224,以迭代所述中间信号;
步骤S226,分别获取每次迭代后的中间信号的极值点个数与过零点个数的差值;
步骤S227,获取所述差值位于预设区间内的中间信号,并标记为本征模态函数。
作为本申请的进一步改进,步骤S3,通过双系数信号分析法分别获取每个固有模态函数的特征值,包括:
步骤S31,根据式(1)计算当前的固有模态函数的峰度系数:
(1);
其中,为所述峰度系数;/>为当前的固有模态函数的信号总个数;/>为当前的固有模态函数的第/>个信号;/>为当前的固有模态函数的所有信号平均值;
步骤S32,根据式(2)计算当前的固有模态函数的相似系数:
(2);
其中,为所述相似系数;/>为当前的固有模态函数的第/>个信号,且/>;
步骤S33,将所述峰度系数与所述相似系数相乘并对结果取绝对值,得到当前的固有模态函数的特征值。
作为本申请的进一步改进,步骤S5,通过全局寻优算法迭代所述预设幅值以及所述预设个数,以使所述特征值达到最大值,包括:
步骤S51,根据式(3)分别对所述预设幅值以及所述预设个数赋予若干个随机解,定义所有随机解的结果为所述特征值达到最大值;
(3);
其中,为所有随机解的集合,/>分别为每个随机解,为随机解的标号,/>为所有随机解的个数;/>为所有随机解的速度的集合,分别为每个随机解的速度;
步骤S52,初始化每个随机解的位置,并基于同一个随机解根据式(4)分别更新当前位置和当前速度:
(4);
其中,为第/>个随机解在第/>步的速度,/>为第/>个随机解在第/>步的速度惯性,/>为惯性系数,/>为第/>个随机解的自我认知表征,/>为第/>个随机解的社会认知表征;/>与/>均为学习因子,/>为预设取值范围的随机数,/>为第/>个随机解已获得的个体最优解,为第/>个随机解已获得的全局最优解;
步骤S53,根据所述式(4)分别迭代每个随机解预设次数,以更新每个以及每个/>;
步骤S54,分别判断每个相比于上一步迭代的第一差值是否小于等于第一预设适应阈值,若每个/>相比于上一步迭代的第一差值均小于等于第一预设适应阈值,则执行步骤S55;
步骤S55,分别判断每个相比于上一步迭代的第二差值是否小于等于第二预设适应阈值,若每个/>相比于上一步迭代的第二差值均小于等于第二预设适应阈值,则执行步骤S56;
步骤S56,判定已获得所述最大值的最优解。
作为本申请的进一步改进,步骤S53,根据所述式(4)分别迭代每个随机解预设次数,以更新每个以及每个/>,包括:
步骤S531,基于每一步迭代根据式(5)线性递减所述惯性系数一次:
(5);
其中,为第/>个随机解在第/>步优化后的惯性系数,/>为初始惯性系数,为当前的迭代步数,/>为最大迭代步数。
作为本申请的进一步改进,步骤S7,获取与所述故障信号相匹配的预设故障类型,即为所述直流微电网的故障类型,之后,包括:
步骤S8,将所述故障信号以及相匹配的预设故障类型发送至外部接收端。
为了实现上述目的,本申请还提供了如下技术方案:
一种直流微电网的故障检测装置,所述故障检测装置应用于如上述的直流微电网的故障检测方法,所述故障检测装置包括:
电流信号获取模块,用于间隔预设时长周期获取所述直流微电网的若干个电流信号;
固有模态函数获取模块,用于将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数;
特征值获取模块,用于通过双系数信号分析法分别获取每个固有模态函数的特征值;
特征信号标记模块,用于获取所述特征值大于等于预设阈值的固有模态函数,并标记为特征信号;
特征值迭代模块,用于通过全局寻优算法迭代所述预设幅值以及所述预设个数,以使所述特征值达到最大值;
故障信号标记模块,用于获取特征值达到最大值时的特征信号,并标记为故障信号;
故障类型匹配模块,用于获取与所述故障信号相匹配的预设故障类型,即为所述直流微电网的故障类型。
为了实现上述目的,本申请还提供了如下技术方案:
一种电子设备,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如上述的一种直流微电网的故障检测方法。
为了实现上述目的,本申请还提供了如下技术方案:
一种存储介质,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现如上述的一种直流微电网的故障检测方法。
本申请通过间隔预设时长周期获取直流微电网的若干个电流信号;将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数;通过双系数信号分析法分别获取每个固有模态函数的特征值;获取特征值大于等于预设阈值的固有模态函数,并标记为特征信号;通过全局寻优算法迭代预设幅值以及预设个数,以使特征值达到最大值;获取特征值达到最大值时的特征信号,并标记为故障信号;获取与故障信号相匹配的预设故障类型,即为直流微电网的故障类型。本申请通过互补集合经验模态分解法分解电流信号得到固有模态函数,再通过固有模态函数的两个系数来评价其特征值,不需要考虑故障电路的瞬时电阻、故障电路的时间序列,且用于评价的特征值相比于现有技术具有显著性,最后通过全局寻优算法寻找特征值最大时所对应的白噪声幅值以及互补集合经验模态分解法的分解次数,且在实际应用过程中,通过MATLAB在白噪声幅值迭代至0.198至0.203之间、分解次数迭代至8次至9次时,特征值已达到最大值,并在后续迭代中没有变化,表明本申请的计算速度较快,且算力负担较小。
附图说明
图1为本申请一种直流微电网的故障检测方法一个实施例的步骤流程示意图;
图2为本申请一种直流微电网的故障检测装置一个实施例的结构示意图;
图3为本申请电子设备一个实施例的结构示意图;
图4为本申请存储介质一个实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
本申请中的术语“第一”“第二”“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或者隐含指明所指示的技术特征的数量。由此,限定有“第一”“第二”“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至 少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
如图1所示,本实施例提供了直流微电网的故障检测方法的一个实施例,在本实施例中,该故障检测方法包括如下步骤:
步骤S1,间隔预设时长周期获取直流微电网的若干个电流信号。
优选地,预设时长周期在实际使用过程中,一般位于10ms至20ms范围内,优选10ms。
步骤S2,将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数。
优选地,白噪声是指在较宽的频率范围内,各等带宽的频带所含的噪声功率谱密度相等的噪声。
优选地,预设幅值以及下文的预设次数可通过迭代寻找最优值,迭代前的初始值可设置为0.1至0.2之间的任意数。
优选地,互补集合经验模态分解法CEEMD(Complementary Ensemble EmpiricalMode Decomposition),是在EEMD基础上进一步发展的一种信号分解方法。与EEMD不同,CEEMD在随机噪声的生成和添加方式中采用了互补集合构建策略,以期提高信号分解的鲁棒性和可重复性。同时,CEEMD还采用了组合加权策略进行信号重构,以减小重构误差。
优选地,CEEMD的基本流程如下:
①构建互补集合,生成多组随机噪声,将噪声加到原始信号上生成多组随机试验信号。
②对每组试验信号进行EEMD分解,得到一组IMF函数。
③将每组IMF函数进行组合加权处理,生成一组总IMF函数。
④对总IMF函数进行EEMD分解,得到一组新的IMF函数。
⑤按照③至④反复迭代,直到得到的IMF函数的数量不再增加。
优选地,经过CEEMD分解后,可以对不同的IMF函数进行分析和处理,例如可以对噪声成分进行过滤、对信号的长期和短期趋势进行分离等。
步骤S3,通过双系数信号分析法分别获取每个固有模态函数的特征值。
优选地,双系数信号分析法采用的是电流信号中的两个特征系数的乘积,计算得到的特征值无量纲。
步骤S4,获取特征值大于等于预设阈值的固有模态函数,并标记为特征信号。
优选地,固有模态函数即上述的IMF函数。
步骤S5,通过全局寻优算法迭代预设幅值以及预设个数,以使特征值达到最大值。
优选地,本实施例的全局寻优算法还可以选用Q-learning算法寻找特征值达到最大值时的预设幅值以及预设个数,或者直接通过极大似然法求解。
步骤S6,获取特征值达到最大值时的特征信号,并标记为故障信号。
优选地,可直接获取与特征值达到最大值时对应的固有模态函数以及原始的电流信号作为故障信号。
步骤S7,获取与故障信号相匹配的预设故障类型,即为直流微电网的故障类型。
优选地,直流微电网的故障类型包括线路断路、线路短路、过载、接地故障,可将前述的故障类型直接设置为预设故障类型,以作为对照进行后续匹配。在实际检测过程中,各种故障类型所对应的电流信号均不同,具体波形参见现有技术即可。
进一步地,步骤S2,将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数,包括:
步骤S21,分别对每个电流信号进行预设幅值的白噪声扰动,得到预设个数的噪声扰动信号集。
步骤S22,对当前的噪声扰动信号集进行经验模态分解,得到若干个本征模态函数。
优选地,经验模态分解(Empirical Mode Decomposition, EMD)是依据数据自身的时间尺度特征来进行信号分解,无需预先设定任何基函数,是一种时频域信号处理方式。EMD在处理非平稳及非线性数据上具有明显的优势,适合分析非线性非平稳的信号序列,具有较高的信噪比。
步骤S23,将同一个噪声扰动信号集的所有本征模态函数进行算术平均,得到去噪后本征模态函数。
步骤S24,基于同一个噪声扰动信号集迭代步骤S21至步骤S23预设次数,以使每个噪声扰动信号集分别具有若干个去噪后本征模态函数。
步骤S25,将同一个噪声扰动信号集的所有去噪后本征模态函数进行算术平均,得到预设个数的固有模态函数。
进一步地,步骤S22,对当前的噪声扰动信号集进行经验模态分解,得到若干个本征模态函数,包括:
步骤S221,获取当前的噪声扰动信号的所有极大值、所有极小值。
步骤S222,依次连接所有极大值形成上包络线,依次连接所有极小值形成下包络线;
步骤S223,获取上包络线与下包络线的平均值,形成均值包络线。
步骤S224,将当前的噪声扰动信号减去均值包络线以得到中间信号。
需要说明的是,一个信号的上包络线和下包络线分别只有一条,形成的均值包络线同样只有一条,一个信号减去一条均值包络线即可得到新的信号。
步骤S225,重复步骤S221至步骤S224,以迭代中间信号;
步骤S226,分别获取每次迭代后的中间信号的极值点个数与过零点个数的差值。
步骤S227,获取差值位于预设区间内的中间信号,并标记为本征模态函数。
进一步地,步骤S3,通过双系数信号分析法分别获取每个固有模态函数的特征值,包括:
步骤S31,根据式(1)计算当前的固有模态函数的峰度系数:
(1)。
其中,为峰度系数;/>为当前的固有模态函数的信号总个数;/>为当前的固有模态函数的第/>个信号;/>为当前的固有模态函数的所有信号平均值。
步骤S32,根据式(2)计算当前的固有模态函数的相似系数:
(2)。
其中,为相似系数;/>为当前的固有模态函数的第/>个信号,且/>。
步骤S33,将峰度系数与相似系数相乘并对结果取绝对值,得到当前的固有模态函数的特征值。
进一步地,步骤S5,通过全局寻优算法迭代预设幅值以及预设个数,以使特征值达到最大值,包括:
步骤S51,根据式(3)分别对预设幅值以及预设个数赋予若干个随机解,定义所有随机解的结果为特征值达到最大值。
(3);
其中,为所有随机解的集合,/>分别为每个随机解,为随机解的标号,/>为所有随机解的个数;/>为所有随机解的速度的集合,分别为每个随机解的速度。
步骤S52,初始化每个随机解的位置,并基于同一个随机解根据式(4)分别更新当前位置和当前速度:
(4);
其中,为第/>个随机解在第/>步的速度,/>为第/>个随机解在第/>步的速度惯性,/>为惯性系数,/>为第/>个随机解的自我认知表征,/>为第/>个随机解的社会认知表征;/>与/>均为学习因子,/>为预设取值范围的随机数,/>为第/>个随机解已获得的个体最优解,为第/>个随机解已获得的全局最优解。
步骤S53,根据式(4)分别迭代每个随机解预设次数,以更新每个以及每个。
步骤S54,分别判断每个相比于上一步迭代的第一差值是否小于等于第一预设适应阈值,若每个/>相比于上一步迭代的第一差值均小于等于第一预设适应阈值,则执行步骤S55。
步骤S55,分别判断每个相比于上一步迭代的第二差值是否小于等于第二预设适应阈值,若每个/>相比于上一步迭代的第二差值均小于等于第二预设适应阈值,则执行步骤S56。
步骤S56,判定已获得最大值的最优解。
进一步地,步骤S53,根据式(4)分别迭代每个随机解预设次数,以更新每个以及每个/>,包括:
步骤S531,基于每一步迭代根据式(5)线性递减惯性系数一次:
(5)。
其中,为第/>个随机解在第/>步优化后的惯性系数,/>为初始惯性系数,为当前的迭代步数,/>为最大迭代步数。
优选地,若采用上述的Q-learning算法,则包括如下步骤:
首先,在预设区间内分别定义预设幅值以及预设次数的若干个随机值,并分别将每个随机值定义为一个动作。
其次,初始化Q值表、R值表、学习率、衰减系数、更新次数,并通过奖励函数分别计算每个动作的奖励值。
其次,根据所有动作的个数定义Q-learning算法的R值表:
。
其中,为第/>动作在第/>个状态下的奖励值。
其次,根据所有动作的个数定义Q-learning算法的Q值表:
。
其中,为第/>动作在第/>个状态下的经验值。
其次,通过下式迭代更新Q值表:
。
其中,为Q值表的第/>次更新;/>为所有动作的动作集合;/>为当前更新的动作;/>为所有动作的状态集合;/>为学习率;/>为衰减系数。
最后,获取更新完成后的Q值表中奖励值最大的动作,并定义为特征值的最大值。
优选地,若通过极大似然法直接求解,则设特征值是离散型随机变量X,其概率函数为p(x,θ),其中θ是预设幅值或预设次数的值。设X1,X2,…,Xn为取自总体X的样本,则可求出X1,X2,…,Xn的联合概率函数。如果样本取值x1,x2,...,xn,则事件(X1=x1,X2=x2,…,Xn=xn)发生的概率是为可求,这一概率值随θ的值的变化而变化,从直观上来看,既然样本值x1,x2,...,xn已经出现,它们出现的概率相对来说应比较大,应使其概率取比较大的值。极大似然法就是在参数θ的可能取值范围内,选取使L(θ)达到最大的参数值θ,作为参数θ的估计值。即取θ,使得L(θ)=L(x1,x2,...,xn;θ)=max(x1,x2,...,xn;θ)。
需要说明的是,本实施例为了防止字母符号的过度使用或者刻意采用不同字母符号,上述附加的拓展算法中的符号含义与文本其他位置的符号含义不互通。
进一步地,步骤S7,获取与故障信号相匹配的预设故障类型,即为直流微电网的故障类型,之后,包括:
步骤S8,将故障信号以及相匹配的预设故障类型发送至外部接收端。
举例说明:本实施例采用500kW双馈风力发电机、100kW容量光伏矩阵、300kWh容量的电存储容器组成直流微电网。该直流微电网的电路总长度为5km。具体参数参见下表1(直流微电网各部件参数):
表1:直流微电网各部件参数。
优选地,本实施例采用MATLAB动态仿真,设置100组随机故障电阻、随机故障距离和随机故障发生时间,通过本实施例联合算法、支持向量机、神经网络训练、决策树三种算法进行故障判断,得到下表2(本实施例联合算法、支持向量机、神经网络训练、决策树训练情况与判断精度):
表2:本实施例联合算法、支持向量机、神经网络训练、决策树训练情况与判断精度。
由上表可知,本实施例的故障检测方法迭代次数更短、精度更高。
本实施例通过间隔预设时长周期获取直流微电网的若干个电流信号;将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数;通过双系数信号分析法分别获取每个固有模态函数的特征值;获取特征值大于等于预设阈值的固有模态函数,并标记为特征信号;通过全局寻优算法迭代预设幅值以及预设个数,以使特征值达到最大值;获取特征值达到最大值时的特征信号,并标记为故障信号;获取与故障信号相匹配的预设故障类型,即为直流微电网的故障类型。本实施例通过互补集合经验模态分解法分解电流信号得到固有模态函数,再通过固有模态函数的两个系数来评价其特征值,不需要考虑故障电路的瞬时电阻、故障电路的时间序列,且用于评价的特征值相比于现有技术具有显著性,最后通过全局寻优算法寻找特征值最大时所对应的白噪声幅值以及互补集合经验模态分解法的分解次数,且在实际应用过程中,通过MATLAB在白噪声幅值迭代至0.198至0.203之间、分解次数迭代至8次至9次时,特征值已达到最大值,并在后续迭代中没有变化,表明本实施例的计算速度较快,且算力负担较小。
如图2所示,本实施例提供了直流微电网的故障检测装置的一个实施例,在本实施例中,该故障检测装置应用于如上述实施例中的故障检测方法,该故障检测装置包括依次电性连接的电流信号获取模块1、固有模态函数获取模块2、特征值获取模块3、特征信号标记模块4、特征值迭代模块5、故障信号标记模块6、故障类型匹配模块7。
其中,电流信号获取模块1用于间隔预设时长周期获取直流微电网的若干个电流信号;固有模态函数获取模块2用于将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数;特征值获取模块3用于通过双系数信号分析法分别获取每个固有模态函数的特征值;特征信号标记模块4用于获取特征值大于等于预设阈值的固有模态函数,并标记为特征信号;特征值迭代模块5用于通过全局寻优算法迭代预设幅值以及预设个数,以使特征值达到最大值;故障信号标记模块6用于获取特征值达到最大值时的特征信号,并标记为故障信号;故障类型匹配模块7用于获取与故障信号相匹配的预设故障类型,即为直流微电网的故障类型。
进一步地,固有模态函数获取模块具体包括依次电性连接的第一固有模态函数获取子模块、第二固有模态函数获取子模块、第三固有模态函数获取子模块、第四固有模态函数获取子模块、第五固有模态函数获取子模块;第一固有模态函数获取子模块与电流信号获取模块电性连接,第五固有模态函数获取子模块与特征值获取模块电性连接。
其中,第一固有模态函数获取子模块用于分别对每个电流信号进行预设幅值的白噪声扰动,得到预设个数的噪声扰动信号集;第二固有模态函数获取子模块用于对当前的噪声扰动信号集进行经验模态分解,得到若干个本征模态函数;第三固有模态函数获取子模块用于将同一个噪声扰动信号集的所有本征模态函数进行算术平均,得到去噪后本征模态函数;第四固有模态函数获取子模块用于基于同一个噪声扰动信号集以预设次数重复执行第一固有模态函数获取子模块至第三固有模态函数获取子模块所搭载的程序,以使每个噪声扰动信号集分别具有若干个去噪后本征模态函数;第五固有模态函数获取子模块用于将同一个噪声扰动信号集的所有去噪后本征模态函数进行算术平均,得到预设个数的固有模态函数。
进一步地,第二固有模态函数获取子模块具体包括依次电性连接的第一固有模态函数获取单元、第二固有模态函数获取单元、第三固有模态函数获取单元、第四固有模态函数获取单元、第五固有模态函数获取单元、第六固有模态函数获取单元、第七固有模态函数获取单元;第一固有模态函数获取单元与第一固有模态函数获取子模块电性连接,第七固有模态函数获取单元与第三固有模态函数获取子模块电性连接。
其中,第一固有模态函数获取单元用于获取当前的噪声扰动信号的所有极大值、所有极小值;第二固有模态函数获取单元用于依次连接所有极大值形成上包络线,依次连接所有极小值形成下包络线;第三固有模态函数获取单元用于获取上包络线与下包络线的平均值,形成均值包络线;第四固有模态函数获取单元用于将当前的噪声扰动信号减去均值包络线以得到中间信号;第五固有模态函数获取单元用于重复执行第一固有模态函数获取单元至第四固有模态函数获取单元,以迭代中间信号;第六固有模态函数获取单元用于分别获取每次迭代后的中间信号的极值点个数与过零点个数的差值;第七固有模态函数获取单元用于获取差值位于预设区间内的中间信号,并标记为本征模态函数。
进一步地,特征值获取模块具体包括依次电性连接的第一特征值获取子模块、第二特征值获取子模块、第三特征值获取子模块;第一特征值获取子模块与第五固有模态函数获取子模块电性连接,第三特征值获取子模块与特征信号标记模块电性连接。
其中,第一特征值获取子模块用于根据式(1)计算当前的固有模态函数的峰度系数:
(1)。
其中,为峰度系数;/>为当前的固有模态函数的信号总个数;/>为当前的固有模态函数的第/>个信号;/>为当前的固有模态函数的所有信号平均值。
第二特征值获取子模块用于根据式(2)计算当前的固有模态函数的相似系数:
(2)。
其中,为相似系数;/>为当前的固有模态函数的第/>个信号,且/>。
第三特征值获取子模块用于将峰度系数与相似系数相乘并对结果取绝对值,得到当前的固有模态函数的特征值。
进一步地,特征值迭代模块具体包括依次电性连接的第一特征值迭代子模块、第二特征值迭代子模块、第三特征值迭代子模块、第四特征值迭代子模块、第五特征值迭代子模块、第六特征值迭代子模块;第一特征值迭代子模块与第三特征值获取子模块电性连接,第六特征值迭代子模块与故障信号标记模块电性连接。
第一特征值迭代子模块用于根据式(3)分别对预设幅值以及预设个数赋予若干个随机解,定义所有随机解的结果为特征值达到最大值。
(3);/>
其中,为所有随机解的集合,/>分别为每个随机解,为随机解的标号,/>为所有随机解的个数;/>为所有随机解的速度的集合,分别为每个随机解的速度。
第二特征值迭代子模块用于初始化每个随机解的位置,并基于同一个随机解根据式(4)分别更新当前位置和当前速度:
(4);
其中,为第/>个随机解在第/>步的速度,/>为第/>个随机解在第/>步的速度惯性,/>为惯性系数,/>为第/>个随机解的自我认知表征,/>为第/>个随机解的社会认知表征;/>与/>均为学习因子,/>为预设取值范围的随机数,/>为第/>个随机解已获得的个体最优解,为第/>个随机解已获得的全局最优解。
第三特征值迭代子模块用于根据式(4)分别迭代每个随机解预设次数,以更新每个以及每个/>。
第四特征值迭代子模块用于分别判断每个相比于上一步迭代的第一差值是否小于等于第一预设适应阈值。
第五特征值迭代子模块用于若每个相比于上一步迭代的第一差值均小于等于第一预设适应阈值,则分别判断每个/>相比于上一步迭代的第二差值是否小于等于第二预设适应阈值。
第六特征值迭代子模块用于若每个相比于上一步迭代的第二差值均小于等于第二预设适应阈值,则判定已获得最大值的最优解。
进一步地,第三特征值迭代子模块具体用于基于每一步迭代根据式(5)线性递减惯性系数一次:
(5)。
其中,为第/>个随机解在第/>步优化后的惯性系数,/>为初始惯性系数,为当前的迭代步数,/>为最大迭代步数。
进一步地,该故障检测装置还包括电性连接于故障类型匹配模块的故障发送模块,该故障发送模块用于将故障信号以及相匹配的预设故障类型发送至外部接收端。
需要说明的是,本实施例为基于上述方法实施例的装置实施例,本实施例的优选、拓展、限定、举例说明等额外内容参见上述方法实施例即可,本实施例不再赘述。
本实施例通过间隔预设时长周期获取直流微电网的若干个电流信号;将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数;通过双系数信号分析法分别获取每个固有模态函数的特征值;获取特征值大于等于预设阈值的固有模态函数,并标记为特征信号;通过全局寻优算法迭代预设幅值以及预设个数,以使特征值达到最大值;获取特征值达到最大值时的特征信号,并标记为故障信号;获取与故障信号相匹配的预设故障类型,即为直流微电网的故障类型。本实施例通过互补集合经验模态分解法分解电流信号得到固有模态函数,再通过固有模态函数的两个系数来评价其特征值,不需要考虑故障电路的瞬时电阻、故障电路的时间序列,且用于评价的特征值相比于现有技术具有显著性,最后通过全局寻优算法寻找特征值最大时所对应的白噪声幅值以及互补集合经验模态分解法的分解次数,且在实际应用过程中,通过MATLAB在白噪声幅值迭代至0.198至0.203之间、分解次数迭代至8次至9次时,特征值已达到最大值,并在后续迭代中没有变化,表明本实施例的计算速度较快,且算力负担较小。
图3是本申请一实施例的电子设备的结构示意图。如图3所示,该电子设备8包括处理器81及和处理器81耦接的存储器82。
存储器82存储有用于实现上述任一实施例的一种直流微电网的故障检测方法的程序指令。
处理器81用于执行存储器82存储的程序指令以进行直流微电网的故障检测。
其中,处理器81还可以称为CPU(Central Processing Unit,中央处理单元)。处理器81可能是一种集成电路芯片,具有信号的处理能力。处理器81还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
进一步地,图4为本申请一实施例的存储介质的结构示意图,参见图4,本申请实施例的存储介质9存储有能够实现上述所有方法的程序指令91,其中,该程序指令91可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所做的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围。
Claims (8)
1.一种直流微电网的故障检测方法,其特征在于,所述故障检测方法包括:
步骤S1,间隔预设时长周期获取所述直流微电网的若干个电流信号;
步骤S2,将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数;
步骤S3,通过双系数信号分析法分别获取每个固有模态函数的特征值;
步骤S4,获取所述特征值大于等于预设阈值的固有模态函数,并标记为特征信号;
步骤S5,通过全局寻优算法迭代所述预设幅值以及所述预设个数,以使所述特征值达到最大值;
步骤S6,获取特征值达到最大值时的特征信号,并标记为故障信号;
步骤S7,获取与所述故障信号相匹配的预设故障类型,即为所述直流微电网的故障类型;
步骤S3,通过双系数信号分析法分别获取每个固有模态函数的特征值,包括:
步骤S31,根据式(1)计算当前的固有模态函数的峰度系数:
(1);
其中,为所述峰度系数;/>为当前的固有模态函数的信号总个数;/>为当前的固有模态函数的第/>个信号;/>为当前的固有模态函数的所有信号平均值;
步骤S32,根据式(2)计算当前的固有模态函数的相似系数:
(2);
其中,为所述相似系数;/>为当前的固有模态函数的第/>个信号,且/>;
步骤S33,将所述峰度系数与所述相似系数相乘并对结果取绝对值,得到当前的固有模态函数的特征值;
步骤S5,通过全局寻优算法迭代所述预设幅值以及所述预设个数,以使所述特征值达到最大值,包括:
步骤S51,根据式(3)分别对所述预设幅值以及所述预设个数赋予若干个随机解,定义所有随机解的结果为所述特征值达到最大值;
(3);
其中,为所有随机解的集合,/>分别为每个随机解,/>为随机解的标号,/>为所有随机解的个数;/>为所有随机解的速度的集合,分别为每个随机解的速度;
步骤S52,初始化每个随机解的位置,并基于同一个随机解根据式(4)分别更新当前位置和当前速度:
(4);
其中,为第/>个随机解在第/>步的速度,/>为第/>个随机解在第/>步的速度惯性,/>为惯性系数,/>为第/>个随机解的自我认知表征,为第/>个随机解的社会认知表征;/>与/>均为学习因子,为预设取值范围的随机数,/>为第/>个随机解已获得的个体最优解,为第/>个随机解已获得的全局最优解;
步骤S53,根据所述式(4)分别迭代每个随机解预设次数,以更新每个以及每个;
步骤S54,分别判断每个相比于上一步迭代的第一差值是否小于等于第一预设适应阈值,若每个/>相比于上一步迭代的第一差值均小于等于第一预设适应阈值,则执行步骤S55;
步骤S55,分别判断每个相比于上一步迭代的第二差值是否小于等于第二预设适应阈值,若每个/>相比于上一步迭代的第二差值均小于等于第二预设适应阈值,则执行步骤S56;
步骤S56,判定已获得所述最大值的最优解。
2.根据权利要求1所述的故障检测方法,其特征在于,步骤S2,将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数,包括:
步骤S21,分别对每个电流信号进行所述预设幅值的白噪声扰动,得到所述预设个数的噪声扰动信号集;
步骤S22,对当前的噪声扰动信号集进行经验模态分解,得到若干个本征模态函数;
步骤S23,将同一个噪声扰动信号集的所有本征模态函数进行算术平均,得到去噪后本征模态函数;
步骤S24,基于同一个噪声扰动信号集迭代步骤S21至步骤S23预设次数,以使每个噪声扰动信号集分别具有若干个去噪后本征模态函数;
步骤S25,将同一个噪声扰动信号集的所有去噪后本征模态函数进行算术平均,得到所述预设个数的固有模态函数。
3.根据权利要求2所述的故障检测方法,其特征在于,步骤S22,对当前的噪声扰动信号集进行经验模态分解,得到若干个本征模态函数,包括:
步骤S221,获取当前的噪声扰动信号的所有极大值、所有极小值;
步骤S222,依次连接所有极大值形成上包络线,依次连接所有极小值形成下包络线;
步骤S223,获取所述上包络线与所述下包络线的平均值,形成均值包络线;
步骤S224,将当前的噪声扰动信号减去所述均值包络线以得到中间信号;
步骤S225,重复步骤S221至步骤S224,以迭代所述中间信号;
步骤S226,分别获取每次迭代后的中间信号的极值点个数与过零点个数的差值;
步骤S227,获取所述差值位于预设区间内的中间信号,并标记为本征模态函数。
4.根据权利要求1所述的故障检测方法,其特征在于,步骤S53,根据所述式(4)分别迭代每个随机解预设次数,以更新每个以及每个/>,包括:
步骤S531,基于每一步迭代根据式(5)线性递减所述惯性系数一次:
(5);
其中,为第/>个随机解在第/>步优化后的惯性系数,/>为初始惯性系数,/>为当前的迭代步数,/>为最大迭代步数。
5.根据权利要求1所述的直流微电网的故障检测方法,其特征在于,步骤S7,获取与所述故障信号相匹配的预设故障类型,即为所述直流微电网的故障类型,之后,包括:
步骤S8,将所述故障信号以及相匹配的预设故障类型发送至外部接收端。
6.一种直流微电网的故障检测装置,所述故障检测装置应用于如权利要求1至5中任一项所述的直流微电网的故障检测方法,其特征在于,所述故障检测装置包括:
电流信号获取模块,用于间隔预设时长周期获取所述直流微电网的若干个电流信号;
固有模态函数获取模块,用于将预设幅值的白噪声信号分别添加至每个电流信号中,通过互补集合经验模态分解法分别分解每个电流信号,基于每个电流信号得到预设个数的固有模态函数;
特征值获取模块,用于通过双系数信号分析法分别获取每个固有模态函数的特征值;
特征信号标记模块,用于获取所述特征值大于等于预设阈值的固有模态函数,并标记为特征信号;
特征值迭代模块,用于通过全局寻优算法迭代所述预设幅值以及所述预设个数,以使所述特征值达到最大值;
故障信号标记模块,用于获取特征值达到最大值时的特征信号,并标记为故障信号;
故障类型匹配模块,用于获取与所述故障信号相匹配的预设故障类型,即为所述直流微电网的故障类型;
特征值获取模块具体包括依次电性连接的第一特征值获取子模块、第二特征值获取子模块、第三特征值获取子模块;第一特征值获取子模块与第五固有模态函数获取子模块电性连接,第三特征值获取子模块与特征信号标记模块电性连接;
其中,第一特征值获取子模块用于根据式(1)计算当前的固有模态函数的峰度系数:
(1);
其中,为峰度系数;/>为当前的固有模态函数的信号总个数;/>为当前的固有模态函数的第/>个信号;/>为当前的固有模态函数的所有信号平均值;
第二特征值获取子模块用于根据式(2)计算当前的固有模态函数的相似系数:
(2);
其中,为相似系数;/>为当前的固有模态函数的第/>个信号,且/>;
第三特征值获取子模块用于将峰度系数与相似系数相乘并对结果取绝对值,得到当前的固有模态函数的特征值;
特征值迭代模块具体包括依次电性连接的第一特征值迭代子模块、第二特征值迭代子模块、第三特征值迭代子模块、第四特征值迭代子模块、第五特征值迭代子模块、第六特征值迭代子模块;第一特征值迭代子模块与第三特征值获取子模块电性连接,第六特征值迭代子模块与故障信号标记模块电性连接;
第一特征值迭代子模块用于根据式(3)分别对预设幅值以及预设个数赋予若干个随机解,定义所有随机解的结果为特征值达到最大值;
(3);
其中,为所有随机解的集合,/>分别为每个随机解,/>为随机解的标号,/>为所有随机解的个数;/>为所有随机解的速度的集合,分别为每个随机解的速度;
第二特征值迭代子模块用于初始化每个随机解的位置,并基于同一个随机解根据式(4)分别更新当前位置和当前速度:
(4);
其中,为第/>个随机解在第/>步的速度,/>为第/>个随机解在第/>步的速度惯性,/>为惯性系数,/>为第/>个随机解的自我认知表征,为第/>个随机解的社会认知表征;/>与/>均为学习因子,为预设取值范围的随机数,/>为第/>个随机解已获得的个体最优解,为第/>个随机解已获得的全局最优解。
7.一种电子设备,其特征在于,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至5中任一项所述的一种直流微电网的故障检测方法。
8.一种存储介质,其特征在于,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现如权利要求1至5中任一项所述的一种直流微电网的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311654856.6A CN117349735B (zh) | 2023-12-05 | 2023-12-05 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311654856.6A CN117349735B (zh) | 2023-12-05 | 2023-12-05 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349735A CN117349735A (zh) | 2024-01-05 |
CN117349735B true CN117349735B (zh) | 2024-03-26 |
Family
ID=89359883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311654856.6A Active CN117349735B (zh) | 2023-12-05 | 2023-12-05 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349735B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111458640A (zh) * | 2020-04-22 | 2020-07-28 | 西安交通大学 | 一种基于三相电流的交流异步电机转子断条故障诊断方法 |
CN111931576A (zh) * | 2020-07-07 | 2020-11-13 | 杭州电子科技大学 | 基于ewt和改进csp的癫痫信号分类方法 |
CN113361205A (zh) * | 2021-06-23 | 2021-09-07 | 合肥工业大学 | 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法 |
CN113534006A (zh) * | 2021-07-11 | 2021-10-22 | 太原理工大学 | 基于ceemd与自相关阈值去噪的单相接地故障选线法 |
CN113673630A (zh) * | 2021-09-15 | 2021-11-19 | 国网能源研究院有限公司 | 配电网故障分类方法、系统及装置 |
CN114354188A (zh) * | 2022-01-10 | 2022-04-15 | 郑州大学 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
CN114648096A (zh) * | 2022-03-07 | 2022-06-21 | 杭州电子科技大学 | 基于动态步长pso优化神经网络的电梯故障诊断方法 |
CN114781435A (zh) * | 2022-03-24 | 2022-07-22 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
WO2023274121A1 (zh) * | 2021-06-28 | 2023-01-05 | 中兴通讯股份有限公司 | 故障检测方法及装置、电子设备和计算机可读存储介质 |
CN115630280A (zh) * | 2022-11-10 | 2023-01-20 | 湘潭大学 | 一种基于ceemd多尺度散布熵与pso-elm的滚动轴承故障诊断方法 |
CN116008721A (zh) * | 2022-12-07 | 2023-04-25 | 国网福建省电力有限公司经济技术研究院 | 一种配电网故障定位方法及终端 |
CN116451123A (zh) * | 2023-04-27 | 2023-07-18 | 合肥工业大学 | 基于issa-mkelm的变压器早期故障诊断方法 |
CN117077064A (zh) * | 2023-10-13 | 2023-11-17 | 云南滇能智慧能源有限公司 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858473B (zh) * | 2020-12-25 | 2022-07-12 | 杭州浙达精益机电技术股份有限公司 | 一种基于特征融合的道岔尖轨伤损状态监测方法 |
-
2023
- 2023-12-05 CN CN202311654856.6A patent/CN117349735B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111458640A (zh) * | 2020-04-22 | 2020-07-28 | 西安交通大学 | 一种基于三相电流的交流异步电机转子断条故障诊断方法 |
CN111931576A (zh) * | 2020-07-07 | 2020-11-13 | 杭州电子科技大学 | 基于ewt和改进csp的癫痫信号分类方法 |
CN113361205A (zh) * | 2021-06-23 | 2021-09-07 | 合肥工业大学 | 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法 |
WO2023274121A1 (zh) * | 2021-06-28 | 2023-01-05 | 中兴通讯股份有限公司 | 故障检测方法及装置、电子设备和计算机可读存储介质 |
CN113534006A (zh) * | 2021-07-11 | 2021-10-22 | 太原理工大学 | 基于ceemd与自相关阈值去噪的单相接地故障选线法 |
CN113673630A (zh) * | 2021-09-15 | 2021-11-19 | 国网能源研究院有限公司 | 配电网故障分类方法、系统及装置 |
CN114354188A (zh) * | 2022-01-10 | 2022-04-15 | 郑州大学 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
CN114648096A (zh) * | 2022-03-07 | 2022-06-21 | 杭州电子科技大学 | 基于动态步长pso优化神经网络的电梯故障诊断方法 |
CN114781435A (zh) * | 2022-03-24 | 2022-07-22 | 安徽理工大学 | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 |
CN115630280A (zh) * | 2022-11-10 | 2023-01-20 | 湘潭大学 | 一种基于ceemd多尺度散布熵与pso-elm的滚动轴承故障诊断方法 |
CN116008721A (zh) * | 2022-12-07 | 2023-04-25 | 国网福建省电力有限公司经济技术研究院 | 一种配电网故障定位方法及终端 |
CN116451123A (zh) * | 2023-04-27 | 2023-07-18 | 合肥工业大学 | 基于issa-mkelm的变压器早期故障诊断方法 |
CN117077064A (zh) * | 2023-10-13 | 2023-11-17 | 云南滇能智慧能源有限公司 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
An Integrated Approach Fusing CEEMD Energy Entropy and Sparrow Search Algorithm-Based PNN for Fault Diagnosis of Rolling Bearings;Yue Xiao等;《Computational Intelligence and Neuroscience》;第1-19页 * |
EEMD分解在电力系统故障信号检测中的应用;陈可等;《计算机仿真》;第27卷(第3期);第263-266页 * |
Fault Diagnosis Algorithm Based on Mutual Information and Deep Learning;Shen Yang等;《2022 34th Chinese Control and Decision Conference (CCDC)》;第546-551页 * |
基于CEEMDAN样本熵和SSA-ELM的风机齿轮箱故障诊断;刘晓悦等;《组合机床与自动化加工技术》(第9期);第126-130+134页 * |
基于特征融合的电机轴承故障诊断研究;刘淳洋;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第4期);第C042-246页 * |
基于邻近差异分析的风速仪故障诊断;魏敏等;《云南水力发电》;第36卷(第9期);第27-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117349735A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahela et al. | Recognition of power quality disturbances using S-transform based ruled decision tree and fuzzy C-means clustering classifiers | |
Maatallah et al. | Recursive wind speed forecasting based on Hammerstein Auto-Regressive model | |
CN109977920A (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
CN110648088B (zh) | 一种基于鸟群算法与svm的电能质量扰动源判断方法 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
Zhang et al. | Support vector regression based on grid‐search method for short‐term wind power forecasting | |
EP3422518A1 (en) | A method for recognizing contingencies in a power supply network | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
CN111368892B (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
Li et al. | Multi-step ahead wind speed forecasting approach coupling maximal overlap discrete wavelet transform, improved grey wolf optimization algorithm and long short-term memory | |
CN109193635B (zh) | 一种基于自适应稀疏回归方法的配电网拓扑结构重建方法 | |
CN114006369B (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
CN110826803A (zh) | 一种电力现货市场的电价预测方法及装置 | |
CN111537853A (zh) | 基于多源异构数据分析的开关柜局部放电智能检测方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
Dokur | Swarm decomposition technique based hybrid model for very short-term solar PV power generation forecast | |
CN111398814A (zh) | 一种软启动器控制的电机故障检测与智能快速诊断方法 | |
CN117349735B (zh) | 一种直流微电网的故障检测方法、装置、设备及存储介质 | |
CN104239689B (zh) | 基于优化相关向量机的短期风速预测方法 | |
Song et al. | Sea level simulation with signal decomposition and machine learning | |
CN110174553A (zh) | 一种基于解析模态分解的密集频率谐波/间谐波检测方法 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN109993335A (zh) | 一种用于风电功率的概率预报方法及系统 | |
Drisya et al. | Deterministic prediction of surface wind speed variations | |
Bentley et al. | Power quality disturbance source identification using self-organising maps |
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 |