CN117807896B - 电解水制氢系统电磁暂态电压信号分解方法及系统 - Google Patents
电解水制氢系统电磁暂态电压信号分解方法及系统 Download PDFInfo
- Publication number
- CN117807896B CN117807896B CN202410228085.2A CN202410228085A CN117807896B CN 117807896 B CN117807896 B CN 117807896B CN 202410228085 A CN202410228085 A CN 202410228085A CN 117807896 B CN117807896 B CN 117807896B
- Authority
- CN
- China
- Prior art keywords
- voltage signal
- gold
- stage
- jackal
- electromagnetic transient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 75
- 230000001052 transient effect Effects 0.000 title claims abstract description 55
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 33
- 239000001257 hydrogen Substances 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000005868 electrolysis reaction Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000010248 power generation Methods 0.000 claims abstract description 13
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 42
- 239000010931 gold Substances 0.000 claims description 42
- 229910052737 gold Inorganic materials 0.000 claims description 42
- 241000282421 Canidae Species 0.000 claims description 40
- 230000002431 foraging effect Effects 0.000 claims description 25
- 235000008725 Artocarpus heterophyllus Nutrition 0.000 claims description 17
- 244000025352 Artocarpus heterophyllus Species 0.000 claims description 17
- 230000007123 defense Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 208000027697 autoimmune lymphoproliferative syndrome due to CTLA4 haploinsuffiency Diseases 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 244000062645 predators Species 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明公开了一种电解水制氢系统电磁暂态电压信号分解方法及系统,该方法通过电压传感器实时采集整流变压器一次侧的电压信号;使用变模态分解法对所得电压信号进行变模态分解;在变模态分解过程中,使用改进金豺优化算法优化变模态分解方法的模态数和惩罚因子,得到变模态分解法的最优模态数和最优惩罚因子,输出在最优模态数和最优惩罚因子条件下变模态分解所得模态分量;最后根据分解所得模态分量判断光伏发电系统是否发生能量跌落从而引起电磁暂态冲击。本发明使用改进金豺优化算法优化变模态分解方法,并对整流变压器一次侧的电压信号进行分析,可判断能量跌落引起的电磁暂态冲击。
Description
技术领域
本发明属于电磁暂态分析领域,具体涉及一种电解水制氢系统电磁暂态电压信号分解方法及系统。
背景技术
目前常常采用抽水蓄能、电解水制氢等技术将弃风、弃光能源所发电力进行存储,从而实现能源的时空平移。在电解水制氢领域,通过将弃风弃光所发电力接入到电解槽中,将水电解后以氢能的形式进行存储,从而解决可再生能源的消纳问题,但是由于新能源发电存在一定的不稳定性,例如在光伏发电中由于云彩遮住阳光、其他物体的影子遮住光伏板等原因会导致光伏能量的快速跌落最终引发电磁暂态过程,而电磁暂态过程将对整个电解水制氢系统造成冲击。
目前已有大量的电解水制氢系统投入了实际工程运用中,虽然在短期内一定的电磁暂态冲击并不会对设备造成严重的故障,但是随着冲击次数、冲击能量的增加,将会对设备造成损伤累积,最终降低设备的使用寿命,引起设备的故障。目前针对电解水制氢系统的抗电磁暂态冲击方面的研究还较少,因此亟需研究一种能够及时发现电磁暂态冲击的方法来对整套电解水制氢系统进行实时分析,通过分析的结果以研判系统发生电磁暂态过程时的强度、持续时间等重要指标,为后期抑制暂态冲击强度提供支撑。
发明内容
针对光伏发电电解水制氢系统在光伏能量跌落时引起的电磁暂态冲击,目前研究较少,并没有一种方法能够实时分析是否发生电磁暂态冲击,以及根据分析结果提出相应的电磁暂态抑制方法,为了解决实际工程应用中的问题,减少电解水制氢系统由于电磁暂态冲击引起的故障风险,本发明提出一种电解水制氢系统电磁暂态电压信号分解方法及系统,本发明通过采集整流变压器一次侧的电压信号;采用变模态分解方法对采集到的电压信号进行分解,特别地,由于变模态分解方法中的相对平稳的固有模态分量(IMF)和惩罚因子α的选取对算法的分解效果起关键作用,因此采用改进金豺优化算法选取最优固有模态分量和最优惩罚因子;最后将分解出来的暂态电压信号进行对比分析以确定是否发生光伏能量跌落从而引起电磁暂态过电压。
本发明可以实时提取运行中的数据进行分析,实现电磁暂态冲击的及时发现并采取措施进行抑制,能够极大减小光伏发电能量跌落引起的电磁暂态过程对电解水制氢的冲击。具体原理为:当光伏发电发生能量跌落时会引发电磁暂态现象,但是由于当前对于电解水制氢系统中的电磁暂态现象的研究较少,难以检测到是否发生暂态冲击,并且暂态冲击会在整个系统中传播,对整个系统设备均造成危害。通过安装在整流变压器一次侧的传感器采集从光伏发电系统输送过来的电压信号,在未发生电磁暂态冲击的时候,电压信号是具有一定规律的曲线,当发生电磁暂态现象以后电压曲线会发生较大的变化,并且包含着许多谐波,因此采用变模态分解的方法将电压信号分解为多个不同频率且相对平稳的固有分量,然后将各分量与正常工作时候的电压曲线进行对比以得出是否发生电磁暂态冲击,并得出冲击持续的时间和冲击的最大幅值。在使用变模态分解时,模态数N和惩罚因子α一般采用随机选取的方法,在本发明中,为了选取适应本方案的最优值,使用改进金豺优化算法选取最优模态数Nbest和最优惩罚因子αbest。
本发明通过以下技术方案来实现。一种电解水制氢系统电磁暂态电压信号分解方法,通过电压传感器实时采集整流变压器一次侧的电压信号;使用变模态分解法对所得电压信号进行变模态分解;在变模态分解过程中,使用改进金豺优化算法优化变模态分解方法的模态数N和惩罚因子α,得到变模态分解法的最优模态数Nbest和最优惩罚因子αbest,输出在最优模态数Nbest和最优惩罚因子αbest条件下变模态分解所得模态分量;最后根据分解所得模态分量判断光伏发电系统是否发生能量跌落从而引起电磁暂态冲击;
所述改进金豺优化算法的步骤如下:
步骤2.1:随机初始化猎物种群作为候选解;
步骤2.2:探索阶段,金豺个体根据自身所处位置进行狩猎,雌性金豺跟随雄性金豺狩猎,在搜索区内寻找和等待猎物,探索阶段使用莱维飞行策略,并引入扰动因子对雄性金豺和雌性金豺的位置进行扰动;金豺个体根据猎物的逃避能量决定是否对猎物发起攻击;金豺个体的位置计算方法如下:
;
式中,k表示当前迭代次数,F为扰动因子,为角度,E为猎物的逃避能量,为基
于莱维飞行策略的任意向量,Prey(k)表示猎物的位置向量,和分别表示雄性
金豺和雌性金豺的位置,和分别表示更新后的雄性金豺和雌性金豺的位置;
步骤2.3:攻击阶段,引入柯西变异算子增加种群的多样性,并引入觅食阶段和防御阶段;攻击阶段,金豺个体的位置更新公式为:
;
其中,为区间内满足柯西分布的随机相量。
进一步优选,使用变模态分解法对所得电压信号进行变模态分解的过程如下:
步骤1.1:将采集到的电压信号分解为N个模态分量;
步骤1.2:对分解出的每个模态分量依次进行希尔伯特变换、频谱调制、梯度二范数运算后估算出各个模态分量的带宽,并据此构建约束变分模型;
步骤1.3:利用惩罚因子α和拉格朗日算子进行重构,将约束变分问题转换为非约束变分问题;
步骤1.4:非约束变分问题采用交替方法乘子法求取最优解,迭代求解中心频率,模态分量中心频率以及拉格朗日算子。
进一步优选,使用改进金豺优化算法优化变模态分解方法的模态数N和惩罚因子α,是指将模态数N和惩罚因子α作为改进金豺优化算法的初始猎物种群进行迭代更新,迭代结束后得到变模态分解法的最优模态数Nbest和最优惩罚因子αbest。
进一步优选,扰动因子取值如下:
;
式中,r为取值范围在[0,1]之间的随机数。
进一步优选,猎物的逃避能量E 的计算公式为:
;
式中,E1表示递减的猎物能量,E0表示猎物所具有的原始能量;
;
其中,表示最大迭代次数,C1表示一个常数。
进一步优选,为进一步优化金豺种群捕猎时的位置,引入觅食阶段和防御阶段;
在觅食阶段的位置移动公式为:
;
;
式中,是最优金豺个体,表示觅食前第 i 只金豺的位置,表示觅食阶
段更新前第 i 只金豺的第j维位置,表示觅食阶段第 i 只金豺的第j维位置,r是[0,
1]之间的随机数,,rand是区间[0,1]内的随机数, 表示觅食后的金
豺位置, 表示第i只金豺的目标函数值,表示觅食阶段更新后的第 i 只金豺的目
标函数值,是觅食阶段更新后的第 i 只金豺的位置;
防御阶段分为逃跑策略和攻击策略,采用以下公式进行建模:
;
式中,S1表示逃跑策略,S2表示攻击策略,表示被攻击的处于j维的金豺的状
态;表示防御阶段更新前第 i 只金豺的第j维位置,R是一个值为0.01的常数;为两种
策略的切换概率,其值为[0,1]之间的随机数;
;
式中, 表示防御阶段更新前第 i 只金豺的位置,表示防御阶段更新后第
i 只金豺的位置,表示防御阶段更新后的第 i 只金豺的目标函数值,是防御
阶段更新后的第 i 只金豺的位置。
本发明还提供了一种用于实现上述的电解水制氢系统电磁暂态电压信号分解方法的系统,包括电压信号采集模块、电压信号分解模块和诊断模块;电压信号采集模块用于采集整流变压器一次侧的电压信号;电压信号分解模块用于对所得电压信号进行变模态分解;诊断模块用于根据变模态分解所得模态分量判断光伏发电系统是否发生能量跌落从而引起电磁暂态冲击。
本发明还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令执行上述的电解水制氢系统电磁暂态电压信号分解方法。
本发明还提供了一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述的电解水制氢系统电磁暂态电压信号分解方法。
本发明的有益效果:本发明通过提取整流变压器一次侧电压信号后使用一种改进金豺优化算法优化变模态分解的方法进行分析判定是否发生光伏能量跌落从而引起电磁暂态冲击现象,当前对于光伏跌落引起的电磁暂态冲击研究较少,特别是针对电解水制氢系统的研究领域几乎为空白,因此该方案具有十分重大的意义,能够指导暂态抑制方案的制定,在本发明中采用改进金豺优化算法优化变模态分解的方案,能够极大提升信号分解的精度,经过改进以后的金豺优化算法跳出局部最优解的能力得到了大幅度的提升,收敛速度和精度均得到了改善。
附图说明
图1是本发明的方法流程图。
图2是金豺优化算法的改进前后对比图。
具体实施方式
下面结合附图和实施例进一步详细阐明本发明。
如图1所示,一种电解水制氢系统电磁暂态电压信号分解方法,通过电压传感器实时采集整流变压器一次侧的电压信号;使用变模态分解法对所得电压信号进行变模态分解;在变模态分解过程中,使用改进金豺优化算法优化变模态分解方法的模态数N和惩罚因子α,得到变模态分解法的最优模态数Nbest和最优惩罚因子αbest,输出在最优模态数Nbest和最优惩罚因子αbest条件下变模态分解所得模态分量,最后根据分解所得模态分量判断光伏发电系统是否发生能量跌落从而引起电磁暂态冲击。
本发明使用变模态分解法对所得电压信号进行变模态分解的过程如下:
步骤1.1:将采集到的电压信号分解为N个模态分量:
;
式中,为第n个模态分量,t为时间,An为振幅函数,为相位函数, n=1,2,3…N;
步骤1.2:对分解出的每个模态分量依次进行希尔伯特变换、频谱调制、梯度二范数运算后估算出各个模态分量的带宽,并据此构建约束变分模型;
;
式中,为各模态分量的集合,为各模态分量中心频率的集合,为第n个
模态分量中心频率,为卷积运算,为狄拉克函数;为对时间t求偏导数,f(t)为原电
压信号序列,e为自然常数,j为虚数单位。
步骤1.3:为了将约束变分问题转换为非约束变分问题,充分利用惩罚因子α和拉
格朗日算子的优点进行重构;
其中L为将约束变分模型的最小化问题转换为增广表达式;
步骤1.4:非约束变分问题采用交替方法乘子法求取最优解,迭代求解中心频率,模态分量中心频率以及拉格朗日算子的计算式为:
;
;
;
式中,为第k+1次迭代频域下的模态分量,表示频域下第i个模态分量
的初值,表示频域下的待分解信号,表示频域下的拉格朗日乘法算子,为频
域下的第n个中心频率的初值,通过维纳滤波获得,k为迭代次数;为拉
格朗日算子更新步长;对进行傅里叶逆变换则其实部为。
本发明使用改进金豺优化算法优化变模态分解方法的模态数N和惩罚因子α,是指将模态数N和惩罚因子α作为改进金豺优化算法的初始猎物种群进行迭代更新,迭代结束后得到变模态分解法的最优模态数Nbest和最优惩罚因子αbest;改进金豺优化算法的步骤如下:
步骤2.1:随机初始化猎物种群作为候选解,初始种群的计算如下:
;
式中,为初始化金豺种群,表示上限,表示下限,rand表示(0,1)内的随
机数;
初始猎物种群为:
;
式中,表示第i个猎物的第j维,i∈1,2,…,n;n表示猎物数量,j ∈1,2,…,d;d
表示问题数量。优化时采用适应度函数估计每个猎物的适应度值,所有猎物的适应度值矩
阵为:
;
式中,为猎物适应度值的矩阵,f表示适应度函数,其中最佳适应度值为雄性金
豺所处位置,次佳适应度值为雌性金豺所处位置;
步骤2.2:探索阶段,金豺个体根据自身所处位置进行狩猎,雌性金豺跟随雄性金豺狩猎,在搜索区内寻找和等待猎物,计算方法如下:
;
式中,k表示当前迭代次数,E为猎物的逃避能量,为基于莱维飞行策略的任意向
量,Prey(k)表示猎物的位置向量,和分别表示雄性金豺和雌性金豺的位置,和分别表示更新后的雄性金豺和雌性金豺的位置;
在此步骤中,为了为解决算法易陷入局部最优这一缺点,引入扰动因子F对雄性金豺和雌性金豺的位置进行扰动,扰动在一个圆形区域内进行,扰动方向由随机角度决定,所选角度在0到360度之间;
;
式中,r为取值范围在[0,1]之间的随机数;
;
式中,r为取值范围在[0,1]之间的随机数,为角度;
莱维飞行策略的适应度函数为:
;
;
式中,和表示[0,1]内的随机数,为常数,一般取值为1.5,为调节参数;
金豺个体根据猎物的逃避能量E决定是否对猎物发起攻击,因为随着迭代过程的增加,猎物的逃避能量E是逐渐下降的,当|E|≥1时猎物有足够的能量进行逃离,金豺种群会重新选取猎物进行狩猎,当|E|<1时,金豺种群会发起攻击,其中猎物的逃避能量E的计算公式为:
;
式中,E1表示递减的猎物能量,E0表示猎物所具有的原始能量,其中:
;
s表示(0,1)之间的随机数;
;
k表示当前迭代次数,表示最大迭代次数,C1表示一个值为1.5的常数,E1根据
迭代从1.5线性下降到0。为了提升算法的精度,解决算法容易陷入局部最优解的能力,本发
明对递减能量进行了改进,具体为:
;
金豺位置的更新公式为:
;
步骤2.3:攻击阶段,当金豺发现逃避能量较低的猎物时会发起攻击,这时位置的更新公式为:
;
为进一步提升算法性能,引入柯西变异算子增加种群的多样性,帮助算法在后期跳出局部最优,经过改进后上式变为:
;
为区间内满足柯西分布的随机相量。经过柯西变异后的金豺个体
具备了能够迅速逃离局部最优值的特点,同时,柯西分布的峰值较低,该特点能够缩短变异
后的金豺个体在邻域周围搜索的时间。
为进一步优化金豺种群捕猎时的位置,引入觅食阶段和防御阶段;在觅食阶段,捕猎经验丰富的最优金豺个体会处于最优位置,其他金豺个体会向着最优位置移动,位置移动公式为:
;
;
式中,是最优金豺个体,表示觅食前第 i 只金豺的位置,表示觅食阶
段更新前第 i 只金豺的第j维位置,表示觅食阶段第 i 只金豺的第j维位置,r是[0,
1]之间的随机数,,rand是区间[0,1]内的随机数, 表示觅食后的金
豺位置, 表示第i只金豺的目标函数值,表示觅食阶段更新后的第 i 只金豺的目
标函数值,是觅食阶段更新后的第 i 只金豺的位置;
防御阶段是针对捕食者的防御行为:在捕食过程中,金豺还要防止被其他捕食者攻击,分为逃跑策略和攻击策略:(1)逃跑策略:其他大型捕食者捕猎金豺时,金豺选择逃跑策略;(2)攻击策略:其他小型捕食者攻击金豺,其他金豺会试图建立防御结构来恐吓和迷惑捕食者。在防御阶段,采用以下公式进行建模:
;
式中,S1表示逃跑策略,S2表示攻击策略,表示被攻击的处于j维的金豺的状
态;表示防御阶段更新前第 i 只金豺的第j维位置,R是一个值为0.01的常数;为两种
策略的切换概率,其值为[0,1]之间的随机数;
;
式中, 表示防御阶段更新前第 i 只金豺的位置,表示防御阶段更新后第
i 只金豺的位置,表示防御阶段更新后的第 i 只金豺的目标函数值;是防御
阶段更新后的第 i 只金豺的位置。
如图2所示,金豺优化算法改进后,收敛速度更快,表明本发明的改进可更快寻找到最优值。
本发明的另一个实施例,提供一种用于实现上述的电解水制氢系统电磁暂态电压信号分解方法的系统,包括电压信号采集模块、电压信号分解模块和诊断模块;电压信号采集模块用于采集整流变压器一次侧的电压信号;电压信号分解模块用于对所得电压信号进行变模态分解;诊断模块用于根据变模态分解所得模态分量判断光伏发电系统是否发生能量跌落从而引起电磁暂态冲击。
本发明的另一个实施例,提供一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令执行上述的电解水制氢系统电磁暂态电压信号分解方法。
本发明的另一个实施例,提供一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述的电解水制氢系统电磁暂态电压信号分解方法。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (8)
1.一种电解水制氢系统电磁暂态电压信号分解方法,其特征在于,通过电压传感器实时采集整流变压器一次侧的电压信号;使用变模态分解法对所得电压信号进行变模态分解;在变模态分解过程中,使用改进金豺优化算法优化变模态分解方法的模态数N和惩罚因子α,得到变模态分解法的最优模态数Nbest和最优惩罚因子αbest,输出在最优模态数Nbest和最优惩罚因子αbest条件下变模态分解所得模态分量;最后根据分解所得模态分量判断光伏发电系统是否发生能量跌落从而引起电磁暂态冲击;
所述改进金豺优化算法的步骤如下:
步骤2.1:随机初始化猎物种群作为候选解;
步骤2.2:探索阶段,金豺个体根据自身所处位置进行狩猎,雌性金豺跟随雄性金豺狩猎,在搜索区内寻找和等待猎物,探索阶段使用莱维飞行策略,并引入扰动因子对雄性金豺和雌性金豺的位置进行扰动;金豺个体根据猎物的逃避能量决定是否对猎物发起攻击;金豺个体的位置计算方法如下:
;
式中,k表示当前迭代次数,F为扰动因子,为角度,E为猎物的逃避能量,/>为基于莱维飞行策略的任意向量,Prey(k)表示猎物的位置向量,/>和/>分别表示雄性金豺和雌性金豺的位置,/>和/>分别表示更新后的雄性金豺和雌性金豺的位置;
步骤2.3:攻击阶段,引入柯西变异算子增加种群的多样性,并引入觅食阶段和防御阶段;
攻击阶段,金豺个体的位置更新公式为:
;
其中,为/>区间内满足柯西分布的随机相量;
使用变模态分解法对所得电压信号进行变模态分解的过程如下:
步骤1.1:将采集到的电压信号分解为N个模态分量;
步骤1.2:对分解出的每个模态分量依次进行希尔伯特变换、频谱调制、梯度二范数运算后估算出各个模态分量的带宽,并据此构建约束变分模型;
步骤1.3:利用惩罚因子α和拉格朗日算子进行重构,将约束变分问题转换为非约束变分问题;
步骤1.4:非约束变分问题采用交替方法乘子法求取最优解,迭代求解中心频率,模态分量中心频率以及拉格朗日算子。
2.根据权利要求1所述的电解水制氢系统电磁暂态电压信号分解方法,其特征在于,使用改进金豺优化算法优化变模态分解方法的模态数N和惩罚因子α,是指将模态数N和惩罚因子α作为改进金豺优化算法的初始猎物种群进行迭代更新,迭代结束后得到变模态分解法的最优模态数Nbest和最优惩罚因子αbest。
3.根据权利要求1所述的电解水制氢系统电磁暂态电压信号分解方法,其特征在于,扰动因子取值如下:
;
式中,r为取值范围在[0,1]之间的随机数。
4.根据权利要求3所述的电解水制氢系统电磁暂态电压信号分解方法,其特征在于,猎物的逃避能量E 的计算公式为:
;
式中,E1表示递减的猎物能量,E0表示猎物所具有的原始能量;
;
其中,表示最大迭代次数,C1表示一个常数。
5.根据权利要求4所述的电解水制氢系统电磁暂态电压信号分解方法,其特征在于,为进一步优化金豺种群捕猎时的位置,引入觅食阶段和防御阶段;
在觅食阶段的位置移动公式为:
;
;
式中,是最优金豺个体,/>表示觅食前第 i 只金豺的位置,/>表示觅食阶段更新前第 i 只金豺的第j维位置,/>表示觅食阶段第 i 只金豺的第j维位置,r是[0,1]之间的随机数,/>,rand是区间[0,1]内的随机数, />表示觅食后的金豺位置, />表示第i只金豺的目标函数值,/>表示觅食阶段更新后的第 i 只金豺的目标函数值,/>是觅食阶段更新后的第 i 只金豺的位置;
防御阶段分为逃跑策略和攻击策略,采用以下公式进行建模:
;
式中,S1表示逃跑策略,S2表示攻击策略,表示被攻击的处于j维的金豺的状态;/>表示防御阶段更新前第 i 只金豺的第j维位置,R是一个值为0.01的常数;/>为两种策略的切换概率,其值为[0,1]之间的随机数;
;
式中, 表示防御阶段更新前第 i 只金豺的位置,/>表示防御阶段更新后第 i只金豺的位置,/>表示防御阶段更新后的第 i 只金豺的目标函数值,/>是防御阶段更新后的第 i 只金豺的位置。
6.一种用于实现权利要求1-5任意一项所述的电解水制氢系统电磁暂态电压信号分解方法的系统,其特征在于,包括电压信号采集模块、电压信号分解模块和诊断模块;电压信号采集模块用于采集整流变压器一次侧的电压信号;电压信号分解模块用于对所得电压信号进行变模态分解;诊断模块用于根据变模态分解所得模态分量判断光伏发电系统是否发生能量跌落从而引起电磁暂态冲击。
7.一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令执行权利要求1-5任意一项所述的电解水制氢系统电磁暂态电压信号分解方法。
8.一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,其特征在于,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-5任意一项所述的电解水制氢系统电磁暂态电压信号分解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410228085.2A CN117807896B (zh) | 2024-02-29 | 2024-02-29 | 电解水制氢系统电磁暂态电压信号分解方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410228085.2A CN117807896B (zh) | 2024-02-29 | 2024-02-29 | 电解水制氢系统电磁暂态电压信号分解方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117807896A CN117807896A (zh) | 2024-04-02 |
CN117807896B true CN117807896B (zh) | 2024-04-30 |
Family
ID=90428217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410228085.2A Active CN117807896B (zh) | 2024-02-29 | 2024-02-29 | 电解水制氢系统电磁暂态电压信号分解方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807896B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
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 |
CN112733458A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于自适应变分模态分解的工程结构信号处理方法 |
WO2021147191A1 (zh) * | 2020-01-23 | 2021-07-29 | 深圳大学 | 应变模态分析方法及相关装置 |
WO2021227408A1 (zh) * | 2020-05-09 | 2021-11-18 | 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 |
CN113865866A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于改进局部非负矩阵分解的轴承复合故障诊断方法 |
CN114462452A (zh) * | 2022-01-27 | 2022-05-10 | 浙江浙能兰溪发电有限责任公司 | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 |
CN115659665A (zh) * | 2022-11-01 | 2023-01-31 | 南昌大学 | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 |
CN116207797A (zh) * | 2023-04-26 | 2023-06-02 | 武汉理工大学 | 一种配电网多串并联设备协调优化控制方法 |
CN116562331A (zh) * | 2023-05-19 | 2023-08-08 | 石家庄铁道大学 | 一种改进爬行动物搜索算法优化svm的方法及其应用 |
CN117084730A (zh) * | 2023-06-08 | 2023-11-21 | 中国矿业大学 | 一种基于igjo的花生形磁流变胶囊机器人活组织采样控制器 |
CN117434829A (zh) * | 2023-12-21 | 2024-01-23 | 济南大学 | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR0316272A (pt) * | 2002-11-14 | 2005-10-11 | Team Medical Llc | Método e sistema para o processamento de sinal de diagnóstico |
US20060224547A1 (en) * | 2005-03-24 | 2006-10-05 | Ulyanov Sergey V | Efficient simulation system of quantum algorithm gates on classical computer based on fast algorithm |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN114742097B (zh) * | 2022-03-23 | 2023-05-23 | 大连理工大学 | 一种基于轴承振动信号自动确定变分模态分解参数的优化方法 |
-
2024
- 2024-02-29 CN CN202410228085.2A patent/CN117807896B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018120077A1 (zh) * | 2016-12-26 | 2018-07-05 | 江南大学 | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 |
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 |
WO2021147191A1 (zh) * | 2020-01-23 | 2021-07-29 | 深圳大学 | 应变模态分析方法及相关装置 |
WO2021227408A1 (zh) * | 2020-05-09 | 2021-11-18 | 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 |
CN112733458A (zh) * | 2021-01-18 | 2021-04-30 | 福州大学 | 一种基于自适应变分模态分解的工程结构信号处理方法 |
CN113865866A (zh) * | 2021-08-20 | 2021-12-31 | 北京工业大学 | 一种基于改进局部非负矩阵分解的轴承复合故障诊断方法 |
CN114462452A (zh) * | 2022-01-27 | 2022-05-10 | 浙江浙能兰溪发电有限责任公司 | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 |
CN115659665A (zh) * | 2022-11-01 | 2023-01-31 | 南昌大学 | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 |
CN116207797A (zh) * | 2023-04-26 | 2023-06-02 | 武汉理工大学 | 一种配电网多串并联设备协调优化控制方法 |
CN116562331A (zh) * | 2023-05-19 | 2023-08-08 | 石家庄铁道大学 | 一种改进爬行动物搜索算法优化svm的方法及其应用 |
CN117084730A (zh) * | 2023-06-08 | 2023-11-21 | 中国矿业大学 | 一种基于igjo的花生形磁流变胶囊机器人活组织采样控制器 |
CN117434829A (zh) * | 2023-12-21 | 2024-01-23 | 济南大学 | 一种基于改进金豺算法的飞机主机轮风扇pid控制方法 |
Non-Patent Citations (4)
Title |
---|
BFA优化VMD参数的轴承故障诊断;张树;刘德平;;组合机床与自动化加工技术;20200520(05);全文 * |
夏敬婵 ; 段敬民 ; 赵洪波 ; 俞晓勋 ; .基于模态参数和支持向量机的桁架结构损伤识别研究.工业建筑.2011,(第07期),全文. * |
张树 ; 刘德平 ; .BFA优化VMD参数的轴承故障诊断.组合机床与自动化加工技术.2020,(05),全文. * |
敬远兵 ; 蒋冰玉 ; 李军 ; .基于动应变测量在桥梁动挠度识别应用研究.公路工程.2018,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117807896A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abbassi et al. | Parameters identification of photovoltaic cell models using enhanced exploratory salp chains-based approach | |
Wang et al. | The study and application of a novel hybrid forecasting model–A case study of wind speed forecasting in China | |
Rahimian et al. | Optimal PID controller design for AVR system using particle swarm optimization algorithm | |
Ramadan | Optimal fractional order PI control applicability for enhanced dynamic behavior of on-grid solar PV systems | |
Pathak et al. | A state-of-the-art review on shading mitigation techniques in solar photovoltaics via meta-heuristic approach | |
Hemeida et al. | Optimal probabilistic location of DGs using Monte Carlo simulation based different bio-inspired algorithms | |
CN112149264A (zh) | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 | |
CN108830411A (zh) | 一种基于数据处理的风电功率预测方法 | |
CN115759435A (zh) | 一种基于改进cnn-lstm的光伏发电功率预测方法 | |
CN117807896B (zh) | 电解水制氢系统电磁暂态电压信号分解方法及系统 | |
CN112417761B (zh) | 一种基于多目标布谷鸟优化算法的系泊截断设计方法 | |
Ru | Parameter extraction of photovoltaic model based on butterfly optimization algorithm with chaos learning strategy | |
Aghaie et al. | Maximum power point tracker for photovoltaic systems based on moth-flame optimization considering partial shading conditions | |
CN116542882B (zh) | 光伏发电平滑方法、系统和存储介质 | |
CN110336332B (zh) | 一种基于出力曲线聚合的区间潮流典型场景构造方法 | |
CN116578830A (zh) | 一种基于改进海洋捕食者算法的光伏阵列重构方法 | |
Gunasekaran et al. | Solar irradiation forecasting using genetic algorithms | |
CN114519283B (zh) | 风电并网逆变器故障诊断方法与装置 | |
El Marghichi et al. | Rapid parameter identification of three diode photovoltaic systems using the Cheetah optimizer | |
Miry et al. | Improving of maximum power point tracking for photovoltaic systems based on swarm optimization techniques | |
CN114298300A (zh) | 不确定度预测方法、装置、电子设备及存储介质 | |
CN113343491A (zh) | 一种考虑时序自相关和互相关性的随机场景分析方法 | |
CN108964134B (zh) | 基于面积灰色关联决策的分布式电源规划的概率分析方法 | |
Zhang et al. | A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting | |
CN114709836B (zh) | 基于ag-mopso的含风电配电网无功优化方法 |
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 |