CN118035732A - 基于变模态分解算法的复杂充电下的电能计量方法及系统 - Google Patents
基于变模态分解算法的复杂充电下的电能计量方法及系统 Download PDFInfo
- Publication number
- CN118035732A CN118035732A CN202311684451.7A CN202311684451A CN118035732A CN 118035732 A CN118035732 A CN 118035732A CN 202311684451 A CN202311684451 A CN 202311684451A CN 118035732 A CN118035732 A CN 118035732A
- Authority
- CN
- China
- Prior art keywords
- harmonic
- electric energy
- signal
- metering
- modal
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000926 separation method Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了基于变模态分解算法的复杂充电下的电能计量方法及系统，涉及电能信号分析处理技术领域，包括用户充电时采集发出的电流电压信号并定义为原始信号，对原始信号进行模态分解，提取基波的所有特征；参照基波特征，将基波从原始信号中剔除进而得到谐波，对谐波进行分离分析获得各次谐波的特征参数；根据基波特征和谐波的特征参数计算出相应的电能数据并进行计量。本发明提供的方法解决了信号分解存在的模态混叠问题，相较于经验模态分解(EMD)在模态分解过程中可能存在的数据间断点会引发模态混叠现象，导致信号有用信息丢失的问题，抑制了经验模态分解存在的模态混叠现象，在频域通过不断迭代求解，实现了信号的自适应分解。
Description
技术领域
本发明涉及电能信号分析处理技术领域，特别是基于变模态分解算法的复杂充电下的电能计量方法及系统。
背景技术
当前直流充电现场大多采用平均值法和有效值法。两种方法能对直流和稳态信号的电能进行准确计算，但当信号中含有大量的谐波及非稳态信号时，该方法将产生较大的误差。鉴于此，提出如下方法。将采集到的原始信号准确识别，并采用变模态分解算法将其分解成一系列的本征模态分量(IMF)，然后对分解出来的IMF采用希尔伯特黄变换(HHT)，获得各IMF的瞬时频率和瞬时幅值，分别对它们进行电能计量，将会极大地提高电能计算的准确性。
当前的直流充电桩现场，电磁环境非常复杂，不仅有直流信号，还含有大量的谐波、各种畸变和非稳态信号等。电能计量的准确与否直接影响充电计费是否准确。因此需考虑谐波、畸变等影响，提高电能计量的精确度，进而减小计量误差带来的经济损失。
傅里叶变换和小波变换是常用的信号识别和分解方法。但傅里叶变换法存在频谱泄露和栅栏效应等问题，更适合对稳态信号进行分析；而小波变换法则适合对短时、畸变等信号进行分析。针对这些问题，本方法提出了采用变模态分解算法对信号进行模态分解的方法，对分解后的直流、谐波非稳态信号分别进行电能计量。
本发明是一种大规模直流充电场所背景下的基于变模态分解(VMD)算法的电能计量方法。变模态分解(VariationalMode Decomposition)是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现固有模态分量(IMF)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分问题的最优解。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明所要解决的问题在于：当信号中含有大量的谐波及非稳态信号时，现有的计算方法将产生较大的误差。
为解决上述技术问题，本发明提供如下技术方案：基于变模态分解算法的复杂充电下的电能计量方法，其包括，用户充电时采集发出的电流电压信号并定义为原始信号，对原始信号进行模态分解，提取基波的所有特征；参照基波特征，将基波从原始信号中剔除进而得到谐波，对谐波进行分离分析获得各次谐波的特征参数；根据基波特征和谐波的特征参数计算出相应的电能数据并进行计量。
作为本发明所述基于变模态分解算法的复杂充电下的电能计量方法的一种优选方案，其中：所述模态分解包括，采用VMD和希尔伯特变换的方法对含有谐波的原始信号进行模态分解，通过迭代搜索变分模型最优解以此来提取每一个分量的中心频率及带宽，从而得到本征模态分量，对每一个本征模态分量进行希尔伯特变换，找出基波的幅值和频率参数。
作为本发明所述基于变模态分解算法的复杂充电下的电能计量方法的一种优选方案，其中：所述希尔伯特变换包括，对一个时间信号f，设存在K个模态函数uk(t)，满足各模态之和等于原始分解信号f，且每个模态的估计带宽之和最小；现将一个待检测信号x分解成多个本征模态分量uk(t)，对uk(t)进行Hilbert变换，得到uk(t)的解析信号，计算出uk(t)的单边谱表示为，
其中，δ(t)表示为单位脉冲函数，j表示为虚数单位，*表示为卷积运算；对模态分量uk(t)的解析信号估计它的中心频率将每一个uk(t)的频谱调制到与它相对应的基频带可表示为，
计算基频带解调信号的梯度的L2范数的平方，得到约束变分模型表示为：
其中，{uk}＝{u1,···,uK}表示为分解的K个模态分量，{ωk}＝{ω1,···,ωK}表示为各分量的中心频率；向约束变分模型引入拉格朗日函数进行变形，并采用乘法算子交替方向法求得最优解表示为，
其中，α表示为惩罚因子，λ表示为Lagrange乘子；对最优解采用傅里叶等距变换，求得二次优化问题的解表示为，
进而推导中心频率计算式表示为，
其中，∧表示为求导，是的维纳滤波，/>表示为模态功率谱的中心频率；对/>进行傅里叶逆变换，则其实部为{uk(t)}，即为各模态分量时域形式。
作为本发明所述基于变模态分解算法的复杂充电下的电能计量方法的一种优选方案，其中：所述VMD包括：
对和n进行初始化；对n＝n+1进行迭代，更新/>和ωk；对于ω≥0，依据/>对/>进行更新，γ表示为噪声容限参数；给定判别精度ε＞0，若满足
则停止迭代，若不满足则继续迭代直至满足预设条件。
作为本发明所述基于变模态分解算法的复杂充电下的电能计量方法的一种优选方案，其中：所述分离分析包括，采用基于Hanning自卷积的离散频谱校正算法进行谐波参数分析，进行频域谐波参数分析时，对离散化的电压和电流信号序列分别进行加4阶Hanning自卷积窗运算，减少频谱泄漏对谐波参数分析的影响；对加窗后的序列进行离散傅里叶变换后，采用基于4阶Hanning自卷积窗的离散频谱相位差校正算法进行频域参数估计，获得电压和电流信号中各次谐波分量的频率偏差、幅值和初相角。
作为本发明所述基于变模态分解算法的复杂充电下的电能计量方法的一种优选方案，其中：所述校正算法包括，对时域连续的信号x(t)进行离散化，获得无限长离散序列x(m)，其中m为整数，且m∈[0,+∞]；对x(m)进行分段截短，得到两段长度均为N离散序列x1(n1)(n1∈[0,N-1])和x2(n2)(n2∈[0,N+L-1])，其中N表示为截短后的序列长度，一般取值为N＝2i，i为自然数，L为信号时域平移长度，一般取值为0<L<N；采用长度为N的Hanning自卷积窗分别对截短后的序列x1(n1)和x2(n2)进行加权，并进行离散傅里叶变换，分别得到离散频谱X1(k)和X2(k)，k∈[0,N-1]；在第h次谐波频率即hk0搜索其局部频谱峰值，找到离散频谱中局部幅值最大谱线kh，并确定其幅值|X1(kh)|、|X2(kh)|，相位利用离散频谱相位差特性进行频率偏差量kh的校正，并结合Hanning自卷积窗的频谱函数，获取第h次谐波的频率、幅值、初相角参数的估计值。
作为本发明所述基于变模态分解算法的复杂充电下的电能计量方法的一种优选方案，其中：所述进行计量包括，根据所得信号谐波特征参数，计算出基波与各次谐波有功电能和无功电能、谐波总畸变率、谐波含量参数，对其分别进行功率计算，再汇总。
本发明的另外一个目的是提供一种基于变模态分解算法的复杂充电下的电能计量系统，此系统可对基波与谐波进行分析，得到基波和各次谐波的频率、幅值、初相角等参数，并对其进行电能计量。
为解决上述技术问题，本发明提供如下技术方案：基于变模态分解算法的复杂充电下的电能计量方法的系统，包括：基波处理模块、谐波处理模块和电能计量模块；所述基波处理模块用于提取基波特征，用户充电时采集发出的电流电压信号并定义为原始信号，对原始信号进行模态分解，提取基波的所有特征；所述谐波处理模块用于获得谐波的特征参数，参照基波特征，将基波从原始信号中剔除进而得到谐波，对谐波进行分离分析获得各次谐波的特征参数；所述电能计量模块用于功率计算，根据基波特征和谐波的特征参数计算出相应的电能数据并进行计量。
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如上所述基于变模态分解算法的复杂充电下的电能计量方法的步骤。
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如上所述基于变模态分解算法的复杂充电下的电能计量方法的步骤。
本发明有益效果为：1.本发明提供的方法解决了信号分解存在的模态混叠问题，VMD将信号的分解过程转化为对非约束性变分问题的最优求解，相较于经验模态分解(EMD)在模态分解过程中可能存在的数据间断点会引发模态混叠现象，导致信号有用信息丢失的问题，抑制了经验模态分解存在的模态混叠现象，在频域通过不断迭代求解，实现了信号的自适应分解。
2.现有方法受频谱泄漏和栅栏效应的影响，直接采用FFT进行谐波分析会产生较大误差。本发明利用4阶Hanning自卷积窗的优良旁瓣性能，采用基于Hanning自卷积的离散频谱校正算法进行谐波参数分析，实现谐波电能计量与谐波参数分析。Hanning自卷积窗的旁瓣衰减速率随着卷积阶数的增加而迅速提高，有利于抑制谐波间相互干扰，减少频谱泄漏。
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为实施例1中基于变模态分解算法的复杂充电下的电能计量方法的大体流程图。
图2为实施例1中基于变模态分解算法的复杂充电下的电能计量方法的方法整体流程图。
图3为实施例1中基于变模态分解算法的复杂充电下的电能计量方法的VMD算法流程图。
图4为实施例1中基于变模态分解算法的复杂充电下的电能计量方法的基于Hanning自卷积窗加权傅里叶变换的谐波分析算流程图。
图5为实施例3中基于变模态分解算法的复杂充电下的电能计量系统的模块结构图。
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。
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。
实施例1
参照图1-图4，为本发明第一个实施例，该实施例提供了基于变模态分解算法的复杂充电下的电能计量方法包括，如图1所示：
步骤1：用户充电时采集发出的电流电压信号并定义为原始信号，对原始信号进行模态分解，提取基波的所有特征。
采用VMD和希尔伯特变换的方法对含有谐波的原始信号进行模态分解，通过迭代搜索变分模型最优解以此来提取每一个分量的中心频率及带宽，从而得到本征模态分量，对每一个本征模态分量进行希尔伯特变换，找出基波的幅值和频率参数。
希尔伯特变换包括，对一个时间信号f，设存在K个模态函数uk(t)，满足各模态之和等于原始分解信号f，且每个模态的估计带宽之和最小，为估计各模态带宽，对每个函数进行Hilbert变换，得到对应的单边频谱。通过指数调节将每个单边频谱混合到相应的基频带，对调制后的信号进行高斯平滑估计，即计算梯度的平方L2范数，得到各模态的带宽。具体流程如下：
现将一个待检测信号x分解成多个本征模态分量uk(t)，对uk(t)进行Hilbert变换，得到uk(t)的解析信号，计算出uk(t)的单边谱表示为，
其中，δ(t)表示为单位脉冲函数，j表示为虚数单位，*表示为卷积运算；
对模态分量uk(t)的解析信号估计它的中心频率将每一个uk(t)的频谱调制到与它相对应的基频带可表示为，
计算基频带解调信号的梯度的L2范数的平方，
可得到约束变分模型表示为：
其中，{uk}＝{u1,···,uK}表示为分解的K个模态分量，{ωk}＝{ω1,···,ωK}表示为各分量的中心频率；
在此引入拉格朗日函数将约束性变分问题转化为非约束性变分问题
并采用乘法算子交替方向法(Alternate Direction Method of Multipliers,ADMM)求得最优解，
其中，α表示为惩罚因子，λ表示为Lagrange乘子；
对最优解采用傅里叶等距变换，求得二次优化问题的解表示为，
进而推导中心频率计算式表示为，
其中，∧表示为求导，是的维纳滤波，/>表示为模态功率谱的中心频率；
对进行傅里叶逆变换，则其实部为{uk(t)}，即为各模态分量时域形式。
根据上述推导，VMD算法流程如下：
对和n进行初始化。
对n＝n+1进行迭代，更新和ωk。
对于ω≥0，依据对/>进行更新，γ表示为噪声容限参数；给定判别精度ε＞0，若满足
则停止迭代，若不满足则继续迭代直至满足预设条件。
对于以上步骤只不过求出来的是每一个IMF分量的频域表达式，然后在利用傅里叶变换的逆变换取其实部即可得到uk(t)分量的时域表达式。对于谐波只需找到谐波信号的基波分量，将原始信号减去基波分量即可找出谐波分量。
步骤2：参照基波特征，将基波从原始信号中剔除进而得到谐波，对谐波进行分离分析获得各次谐波的特征参数。
采用基于Hanning自卷积的离散频谱校正算法进行谐波参数分析，进行频域谐波参数分析时，对离散化的电压和电流信号序列分别进行加4阶Hanning自卷积窗运算，减少频谱泄漏对谐波参数分析的影响；对加窗后的序列进行离散傅里叶变换后，采用基于4阶Hanning自卷积窗的离散频谱相位差校正算法进行频域参数估计，获得电压和电流信号中各次谐波分量的频率偏差、幅值和初相角。
基于Hanning自卷积的离散频谱校正算法包括，对时域连续的信号x(t)进行离散化，获得无限长离散序列x(m)，其中m为整数，且m∈[0,+∞]。
对x(m)进行分段截短，得到两段长度均为N离散序列x1(n1)(n1∈[0,N-1])和x2(n2)(n2∈[0,N+L-1])，其中N表示为截短后的序列长度，一般取值为N＝2i，i为自然数，L为信号时域平移长度，一般取值为0<L<N。
采用长度为N的Hanning自卷积窗分别对截短后的序列x1(n1)和x2(n2)进行加权，并进行离散傅里叶变换，分别得到离散频谱X1(k)和X2(k)，k∈[0,N-1]；
在第h次谐波频率即hk0搜索其局部频谱峰值，找到离散频谱中局部幅值最大谱线kh，并确定其幅值|X1(kh)|、|X2(kh)|，相位
利用离散频谱相位差特性进行频率偏差量kh的校正，并结合Hanning自卷积窗的频谱函数，获取第h次谐波的频率、幅值、初相角参数的估计值。
步骤3：根据基波特征和谐波的特征参数计算出相应的电能数据并进行计量。
根据所得信号谐波特征参数，计算出基波与各次谐波有功电能和无功电能、谐波总畸变率、谐波含量参数，对其分别进行功率计算，再汇总。
实施例2
本发明第二个实施例，其不同于第一个实施例的是：基于变模态分解算法的复杂充电下的电能计量方法及系统还包括，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明发放进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
1.实验设置：
样本信号生成：创建一系列包含直流成分、谐波、畸变和非稳态信号的合成样本信号。
信号处理方法：傅里叶变换(FT)：用于稳态信号分析。
小波变换(WT)：用于短时、畸变信号分析。
变模态分解(VMD)：用于信号的自适应分解。
2.实验步骤
步骤1：应用FT和WT对样本信号进行处理，记录谐波分析和电能计量结果。
步骤2：应用VMD算法对样本信号进行处理，使用Hanning自卷积窗进行谐波参数分析和电能计量。
步骤3：对每个IMF应用希尔伯特黄变换(HHT)，获取瞬时频率和瞬时幅值。
3.数据收集
电能计量精度：记录每种方法的电能计量结果，并计算与真实值的误差。
谐波分析精度：记录谐波参数分析的结果，包括谐波幅值和频率。
计算效率：记录每种方法处理信号的时间。
4.数据分析
比较误差：比较FT、WT和VMD在电能计量精度上的误差。
谐波分析：比较各方法在谐波参数分析的准确性。
效率分析：比较各方法的计算效率。
得到的实验数据如下表所示：
表1：各类方法实验对比表
电能计量误差：
傅里叶变换(FT)的电能计量误差为2.5％，这表明在稳态信号分析中表现良好，但对于含有谐波和非稳态信号的复杂环境，准确性较低。
小波变换(WT)的误差为1.8％，比FT稍好，因为WT能够更好地处理短时、畸变信号。
变模态分解(VMD)的误差为0.6％，显著低于FT和WT，说明我方发明在处理复杂信号时具有更高的准确性。
谐波幅值误差：
FT的谐波幅值误差为5.0％，这可能是由于频谱泄露和栅栏效应导致的。
WT的误差为3.5％，比FT更准确，因为它可以更好地定位和分析非稳态信号中的瞬时特性。
VMD的误差为1.2％，这表明我方发明在分离和量化谐波成分方面更为精确。
谐波频率误差：
FT的频率误差为0.8Hz，这可能是由于其固有的分辨率限制。
WT的误差为0.5Hz，显示出对频率的更好识别能力。
VMD的误差为0.1Hz，几乎可以忽略不计，表明我方发明在频率分析方面极为精确。
计算时间：
FT的计算时间最短，为0.5秒，因为它是一种快速且简单的变换方法。
WT需要1.2秒，因为它在处理信号时更为复杂。
VMD需要2.0秒，这是因为它进行了更复杂的迭代计算过程，但这种增加的计算时间换来了更高的准确性。
实施例3
参照图5，为本发明第三个实施例，其不同于前两个实施例的是：基于变模态分解算法的复杂充电下的电能计量方法的系统，包括基波处理模块、谐波处理模块和电能计量模块；基波处理模块用于提取基波特征，用户充电时采集发出的电流电压信号并定义为原始信号，对原始信号进行模态分解，提取基波的所有特征；谐波处理模块用于获得谐波的特征参数，参照基波特征，将基波从原始信号中剔除进而得到谐波，对谐波进行分离分析获得各次谐波的特征参数；电能计量模块用于功率计算，根据基波特征和谐波的特征参数计算出相应的电能数据并进行计量。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例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-OnlyMemory)、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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
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.基于变模态分解算法的复杂充电下的电能计量方法，其特征在于：包括，
用户充电时采集发出的电流电压信号并定义为原始信号，对原始信号进行模态分解，提取基波的所有特征；
参照基波特征，将基波从原始信号中剔除进而得到谐波，对谐波进行分离分析获得各次谐波的特征参数；
根据基波特征和谐波的特征参数计算出相应的电能数据并进行计量。
2.如权利要求1所述的基于变模态分解算法的复杂充电下的电能计量方法，其特征在于：所述模态分解包括，采用VMD和希尔伯特变换的方法对含有谐波的原始信号进行模态分解，通过迭代搜索变分模型最优解以此来提取每一个分量的中心频率及带宽，从而得到本征模态分量，对每一个本征模态分量进行希尔伯特变换，找出基波的幅值和频率参数。
3.如权利要求2所述的基于变模态分解算法的复杂充电下的电能计量方法，其特征在于：所述希尔伯特变换包括，对一个时间信号f，设存在K个模态函数uk(t)，满足各模态之和等于原始分解信号f，且每个模态的估计带宽之和最小；
现将一个待检测信号x分解成多个本征模态分量uk(t)，对uk(t)进行Hilbert变换，得到uk(t)的解析信号，计算出uk(t)的单边谱表示为，
其中，δ(t)表示为单位脉冲函数，j表示为虚数单位，*表示为卷积运算；
对模态分量uk(t)的解析信号估计它的中心频率将每一个uk(t)的频谱调制到与它相对应的基频带可表示为，
计算基频带解调信号的梯度的L2范数的平方，得到约束变分模型表示为：
其中，{uk}＝{u1,···,uK}表示为分解的K个模态分量，{ωk}＝{ω1,···,ωK}表示为各分量的中心频率；
向约束变分模型引入拉格朗日函数进行变形，并采用乘法算子交替方向法求得最优解表示为，
其中，α表示为惩罚因子，λ表示为Lagrange乘子；
对最优解采用傅里叶等距变换，求得二次优化问题的解表示为，
进而推导中心频率计算式表示为，
其中，∧表示为求导，是的维纳滤波，/>表示为模态功率谱的中心频率；
对进行傅里叶逆变换，则其实部为{uk(t)}，即为各模态分量时域形式。
4.如权利要求3所述的基于变模态分解算法的复杂充电下的电能计量方法，其特征在于：所述VMD包括：
对和n进行初始化；
对n＝n+1进行迭代，更新和ωk；
对于ω≥0，依据对/>进行更新，γ表示为噪声容限参数；
给定判别精度ε＞0，若满足
则停止迭代，若不满足则继续迭代直至满足预设条件。
5.如权利要求4所述的基于变模态分解算法的复杂充电下的电能计量方法，其特征在于：所述分离分析包括，采用基于Hanning自卷积的离散频谱校正算法进行谐波参数分析，进行频域谐波参数分析时，对离散化的电压和电流信号序列分别进行加4阶Hanning自卷积窗运算，减少频谱泄漏对谐波参数分析的影响；对加窗后的序列进行离散傅里叶变换后，采用基于4阶Hanning自卷积窗的离散频谱相位差校正算法进行频域参数估计，获得电压和电流信号中各次谐波分量的频率偏差、幅值和初相角。
6.如权利要求5所述的基于变模态分解算法的复杂充电下的电能计量方法，其特征在于：所述校正算法包括，对时域连续的信号x(t)进行离散化，获得无限长离散序列x(m)，其中m为整数，且m∈[0,+∞]；
对x(m)进行分段截短，得到两段长度均为N离散序列x1(n1)(n1∈[0,N-1])和x2(n2)(n2∈[0,N+L-1])，其中N表示为截短后的序列长度，一般取值为N＝2i，i为自然数，L为信号时域平移长度，一般取值为0<L<N；
采用长度为N的Hanning自卷积窗分别对截短后的序列x1(n1)和x2(n2)进行加权，并进行离散傅里叶变换，分别得到离散频谱X1(k)和X2(k)，k∈[0,N-1]；
在第h次谐波频率即hk0搜索其局部频谱峰值，找到离散频谱中局部幅值最大谱线kh，并确定其幅值|X1(kh)|、|X2(kh)|，相位
利用离散频谱相位差特性进行频率偏差量kh的校正，并结合Hanning自卷积窗的频谱函数，获取第h次谐波的频率、幅值、初相角参数的估计值。
7.如权利要求6所述的基于变模态分解算法的复杂充电下的电能计量方法，其特征在于：所述进行计量包括，根据所得信号谐波特征参数，计算出基波与各次谐波有功电能和无功电能、谐波总畸变率、谐波含量参数，对其分别进行功率计算，再汇总。
8.一种采用如权利要求1～7任一所述的基于变模态分解算法的复杂充电下的电能计量方法的系统，其特征在于：包括基波处理模块、谐波处理模块和电能计量模块；
所述基波处理模块用于提取基波特征，用户充电时采集发出的电流电压信号并定义为原始信号，对原始信号进行模态分解，提取基波的所有特征；
所述谐波处理模块用于获得谐波的特征参数，参照基波特征，将基波从原始信号中剔除进而得到谐波，对谐波进行分离分析获得各次谐波的特征参数；
所述电能计量模块用于功率计算，根据基波特征和谐波的特征参数计算出相应的电能数据并进行计量。
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至7中任一项所述的基于变模态分解算法的复杂充电下的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至7中任一项所述的基于变模态分解算法的复杂充电下的电能计量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684451.7A CN118035732A (zh) | 2023-12-08 | 2023-12-08 | 基于变模态分解算法的复杂充电下的电能计量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311684451.7A CN118035732A (zh) | 2023-12-08 | 2023-12-08 | 基于变模态分解算法的复杂充电下的电能计量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118035732A true CN118035732A (zh) | 2024-05-14 |
Family
ID=91001116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311684451.7A Pending CN118035732A (zh) | 2023-12-08 | 2023-12-08 | 基于变模态分解算法的复杂充电下的电能计量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118035732A (zh) |
-
2023
- 2023-12-08 CN CN202311684451.7A patent/CN118035732A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110967599A (zh) | 一种电能质量扰动检测与定位算法 | |
| EP0632899B1 (en) | Method and apparatus for time varying spectrum analysis | |
| Sun et al. | Cross-correlation analysis and time delay estimation of a homologous micro-seismic signal based on the Hilbert–Huang transform | |
| CN111222088B (zh) | 一种改进的平顶自卷积窗加权电力谐波幅值估计方法 | |
| CN103063909B (zh) | 一种基于功率谱的线性调频信号参数估值方法 | |
| CN104901909B (zh) | 一种α非高斯噪声下chirp信号的参数估计方法 | |
| CN113032716A (zh) | 基于加窗插值和Prony算法的谐波与间谐波分析方法 | |
| CN112362966A (zh) | 基于小波包变换与stft相融合的电网谐波检测方法及装置 | |
| CN111427018A (zh) | 一种雷达干扰装备干扰效果评估方法 | |
| CN115575707A (zh) | 基于改进fft算法与小波变换结合的谐波检测装置及方法 | |
| CN104251934A (zh) | 谐波分析方法和装置以及确定谐波间杂波的方法和装置 | |
| CN113887398A (zh) | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 | |
| CN109783770A (zh) | 频率分析方法及装置 | |
| Gong et al. | Nonlinear vibration feature extraction based on power spectrum envelope adaptive empirical Fourier decomposition | |
| Lei et al. | High voltage shunt reactor acoustic signal denoising based on the combination of VMD parameters optimized by coati optimization algorithm and wavelet threshold | |
| Zhang et al. | Partial discharge signal self-adaptive sparse decomposition noise abatement based on spectral kurtosis and S-transform | |
| CN112816779A (zh) | 一种解析信号生成的谐波实信号参数估计方法 | |
| Jones et al. | Generalized instantaneous parameters and window matching in the time-frequency plane | |
| CN118035732A (zh) | 基于变模态分解算法的复杂充电下的电能计量方法及系统 | |
| CN108334822B (zh) | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 | |
| Wen et al. | Performance comparison of windowed interpolation FFT and quasisynchronous sampling algorithm for frequency estimation | |
| Liu et al. | An approximate maximum likelihood estimator for instantaneous frequency estimation of multicomponent nonstationary signals | |
| Peng et al. | Modulated broadband mode decomposition for the feature extraction of double pulse metal inert gas welding | |
| CN114545350A (zh) | 一种基于同步压缩算子的空间信号参数估计方法 | |
| CN107632963A (zh) | 长度为复合数的基于fft的电力系统采样信号希尔伯特变换方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |