The invention discloses an electric vehicle charging station harmonic current detection algorithm based on the variational Bayesian parameter learning method. Firstly, the equivalent circuit model of the charger is established, and the random number algorithm and comparison module are used to determine whether the charging pile is randomly connected to the distribution network system. Then, the ideal harmonic current satisfying the Gauss normal distribution is calculated by ideal superposition, and the ideal harmonic superposition is obtained. Finally, the harmonic phase is sampled to form two sets of random sets in state space and measurement space. The model parameters are obtained by using the variational Bayesian parameter learning method for the lower bound of the logarithmic edge likelihood function. The lower bound of the logarithmic edge likelihood function is continuously maximized, and the variational phase parameters are updated iteratively until the approximate distribution approximates the real posterior distribution of the parameters. The harmonic phase superposition detection and the harmonic phase distribution are substituted into the calculation method of the harmonic superposition coefficient to obtain the actual harmonic superposition coefficient, which realizes the accurate detection of the same multi-harmonic current superposition in the charging station.
【技术实现步骤摘要】
一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法
本专利技术涉及电动汽车充电站内同次多谐波电流源叠加预测评估领域,特别涉及一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法。
技术介绍
随着化石能源的日趋枯竭,气候变化和环境污染等问题的日益加剧,已经严重威胁到人类的生存和社会的可持续发展。电动汽车(electricvehicle,EV)作为新一代环保型交通工具,在节能减排、减缓温室效应、减少人类对传统化石能源的依赖以及保障石油供应安全等方面有着传统汽车无法比拟的优势,随之配套的大规模充电站也发展迅猛。然而,大规模电动汽车快速充电站的接入势必会给配电网的电能质量问题带来不可忽视的影响,因为快速充电站中含有多台大功率整流装置,其作为一种非线性负载,当其投入使用时会产生大量谐波,由于非线性负荷的参数、开关状态、运行方式的变化等都是随机的,因而投入使用的充电桩产生的谐波电流具有随机性与不确定性,充电站产生的谐波电流难以精确检测。当这些谐波电流注入配电网时,会造成电网电压波形畸变、降低电力系统功率因数、增加系统损耗等危害。因此建立其谐波源叠加数学模型,进而对充电桩的谐波叠加进行分析研究,对抑制和治理充电站谐波,保障配电网电能质量等具有重要的意义。目前国家标准规定负荷接入系统前必须满足谐波标准GB/T14549-1993《电能质量公用电网谐波》,低压(380V)的电压总谐波畸变率为5%。充电站内谐波检测需要考虑多个谐波源的同次谐波电流在同一条线路的叠加,目前对于充电站内谐波叠加检测有以下几种最常见的算法:目前普遍采用的是国标谐波叠加系数方法, ...
【技术保护点】
1.一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法,其特征在于:利用变分贝叶斯参数学习方法对充电站内同次谐波电流相位叠加计算,针对满足高斯正态分布的谐波电流信号,建立谐波电流相位的混合高斯正态分布模型,采用变分贝叶斯学习算法进行模型的参数估计,对谐波相位的状态空间与量测空间的两组随机集利用变分贝叶斯方法进行最大化变分参数的对数边缘似然函数的下界求得模型参数,并利用中均值理论,将多变量的联合概率分布近似为各变量边缘概率分布的乘积,使得对多变量的联合估计方便的转化为对这些变量边缘分布的迭代估计,贝叶斯模型的对数边缘似然函数如下所示:
【技术特征摘要】
2018.05.03 CN 20181041462081.一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法,其特征在于:利用变分贝叶斯参数学习方法对充电站内同次谐波电流相位叠加计算,针对满足高斯正态分布的谐波电流信号,建立谐波电流相位的混合高斯正态分布模型,采用变分贝叶斯学习算法进行模型的参数估计,对谐波相位的状态空间与量测空间的两组随机集利用变分贝叶斯方法进行最大化变分参数的对数边缘似然函数的下界求得模型参数,并利用中均值理论,将多变量的联合概率分布近似为各变量边缘概率分布的乘积,使得对多变量的联合估计方便的转化为对这些变量边缘分布的迭代估计,贝叶斯模型的对数边缘似然函数如下所示:上式中为q(θk,Z)与之间的KL散度,F(q(θk,Z))为变分自由变量,当q(θk,Z)与同分布时等号成立,此时散度最小,F(q(θk,Z))达到最大值;从几何意义上看,F(q(θk,Z))是的下界,最大化变分自由能量等价于最小化q(θk,Z)与之间的KL散度,当KL散度为0,即时,近似分布可等价于原分布,此时的下界最大;变分贝叶斯学习通过q(θk,Z)的迭代实现F(q(θk,Z))最大化,令q(θk,Z)=q(θk)q(Z),根据变分学泛函理论,分别对q(θk)与q(Z)求偏导,可得到相应的通解:上式中分母是归一化因子常数,而每一个参数的分布q(θi)都需要涉及对其他分布q(θk)期望的计算,因此初始化q(θ,Z)中的超参数,在进行循环迭代参数更新,每一循环步骤计算可得:直到ΔF=|FM(q(θk))-FM-1(q(θk))|<t,t为设定的下界阈值,数量级较低,用于判断收敛,M代表循环次...
【专利技术属性】
技术研发人员:陈文,黄永红,周杰,胥峥,
申请(专利权)人:国网江苏省电力公司盐城供电公司,国网江苏省电力公司,国家电网公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。