本发明专利技术公开了一种自适应电压暂降波形分解方法及系统，涉及电压暂降技术领域，包括以下步骤：获取复合扰动信号；通过完全自适应噪声集合经验模态分解方法对复合扰动信号进行分解，生成多个本征模态函数分量；根据模糊熵的大小将多个本征模态函数分量中对应的高频本征模态函数分量去除并将其余本征模态函数分量进行合并，获得重构信号；采用最优参数的变分模态分解方法对重构信号进行分解，生成多个变分模态分量；通过评价函数将重构信号分别与多个变分模态分量进行相似度计算，选择相似度最高的变分模态分量作为输出的电压暂降波形。本发明专利技术提出了一种考虑模糊熵的两阶段分解技术来自动获得更稳定的信号序列，提高了信号的分解性能。的分解性能。的分解性能。
【技术实现步骤摘要】
一种自适应电压暂降波形分解方法及系统
[0001]本专利技术涉及电压暂降
，特别是涉及一种自适应电压暂降波形分解方法及系统。
技术介绍
[0002]新能源汽车产业在全球经济中占有重要地位，由于全球能源供应危机和动力电池技术的发展，新能源汽车产业发展迅速。此外，经济的快速发展和非线性器件的大规模应用也加剧了配电网的供电压力，这将导致电压波动、电压跌落、三相电压不平衡、谐波污染等电能质量问题。在电能质量问题中，电压暂降频繁发生，严重影响电动汽车充电(EVC)，会造成严重的损失，如降低充电效率，提高电池温度，降低电池寿命，甚至导致汽车在充电过程中燃烧或爆炸。因此，配电网电压暂降事件已成为影响EVC质量的主要电能质量问题，不仅会限制新能源汽车产业的发展，延迟电力系统智能电网的建设，还会阻碍全球能源转化进程。
[0003]目前，大多数研究人员主要关注电动汽车充电(EVC)对电网的影响，而较少关注电能质量对EVC的影响。此外，新能源汽车领域公布的标准也很少涉及电压暂降事件。因此，迫切需要一种电压暂降波形自动分解技术，帮助新能源企业分析电压暂降事件的特征，优化电动汽车充电策略。
[0004]电压暂降在实际配网环境下，多与其他电能质量扰动以混合形式存在。比如振荡、谐波，以及噪声等。近年来的一些研究采用传统的方法来分解电压暂降波形，包括傅里叶变换、小波变换和s变换。但这些方法需要人工调整参数，不适合自适应波形分解。同时，电压暂降事件的波形取决于环境的特定上下文属性。例如，针对配电网上的电压暂降事件，天气情况、季节变化、或者采集设备的精度都会改变包括电压暂降事件在内的信号波形。此外，配电网结构的剧烈变化也会影响电压暂降波形。这些特定的条件实际上是影响弧垂波形分解性能的上下文条件。现有方法主要针对于仅含有电压暂降的单一扰动信号，当处理复合扰动信号时存在模态混叠和边缘效应，分解效果不佳。难以适用于实际环境。
技术实现思路
[0005]本专利技术实施例提供了一种自适应电压暂降波形分解方法及系统，可以解决现有技术中存在的处理复合扰动信号时存在模态混叠和边缘效应，分解效果不佳的问题。
[0006]本专利技术提供一种自适应电压暂降波形分解方法，包括以下步骤：
[0007]获取配电网中的复合扰动信号；
[0008]通过完全自适应噪声集合经验模态分解方法对复合扰动信号进行分解，生成多个本征模态函数分量；
[0009]计算多个本征模态函数分量的模糊熵；
[0010]根据模糊熵的大小将多个本征模态函数分量中对应的高频本征模态函数分量去除并将其余本征模态函数分量进行合并，获得重构信号；
[0011]通过贝叶斯算法对变分模态分解方法的参数进行优化，得到最优参数；
[0012]采用最优参数的变分模态分解方法对重构信号进行分解，生成多个变分模态分量；
[0013]通过评价函数将重构信号分别与多个变分模态分量进行相似度计算，选择相似度最高的变分模态分量作为输出的电压暂降波形。
[0014]优选的，根据模糊熵的大小将多个本征模态函数分量中对应的高频本征模态函数分量去除并将其余本征模态函数分量进行合并，获得重构信号，包括以下步骤：
[0015]计算多个本征模态函数IMF分量的模糊熵值，选择模糊熵值最小的本征模态函数IMF
h
对复合信号中的基波进行定位；
[0016]将基波之前的本征模态函数IMF1～IMF
h
‑2分量进行去除，合并本征模态函数IMF
h
‑1～IMF
m
分量，获得重构信号S(t)。
[0017]优选的，通过下式获得重构信号：
[0018][0019]式中，IMF
m
(t)代表第m个本征模态函数IMF分量，R(t)代表残差，M代表经完全自适应噪声集合经验模态分解方法分解得到的模态总数量，t代表复合扰动信号波形上的第t个点。
[0020]优选的，通过贝叶斯算法对变分模态分解方法的参数进行优化，得到最优参数，具体包括以下步骤：
[0021]创建向量G
j
(α,k)，其中α为惩罚因子，k为分解数量；
[0022]将分解数量k和惩罚因子α进行初始化得到k0和α0；
[0023]采用参数为k0和α0的VMD对重构信号S(t)进行分解，获得N个变分模态分量；
[0024]计算N个变分模态分量VIMF与重构信号S(t)的绝对误差D(
·
)；
[0025]计算所有的绝对误差D(
·
)之和，并保存在向量G
j
(α,k)中；
[0026]通过贝叶斯算法对当前VMD参数分析，并估计下一个k和α值，对VMD的参数进行更新，其中k0≤k≤3k0，0.2α0≤α≤3α0；
[0027]将每一次参数更新后的VMD所得到的变分模态分量与对应的重构信号S(t)的绝对误差和保存到向量G
j
(α,k)中；
[0028]将向量G
j
(α,k)中最小绝对误差和对应的k和α作为VMD的最优参数，得到最优配置结构
[0029]优选的，所述最优配置结构如下所示：
[0030][0031]式中，下标变量j代表数据集j，u是VMD在参数范围内第u次迭代分解次数，U是VMD在参数范围内的迭代分解次数。
[0032]优选的，通过下式生成多个变分模态分量：
[0033][0034]式中，V
n
(t)是第n个变分模态分量，Q(t)是残差，N是经变分模态分解方法分解得到的所有模态数量。
[0035]优选的，所述评价函数如下式所示：
[0036][0037]式中，R(V
n
)是相似度评价参数，T是复合扰动信号波形上所有点的数量，是n个变分模态分量所有波形点的平均值，是重构信号所有波形点的平均值。
[0038]一种自适应电压暂降波形分解系统，包括：
[0039]信号获取模块，用于获取配电网中的复合扰动信号；
[0040]一次分解模块，用于通过完全自适应噪声集合经验模态分解方法对复合扰动信号进行分解，生成多个本征模态函数分量；
[0041]计算模块，用于计算多个本征模态函数分量的模糊熵；
[0042]合并模块，用于根据模糊熵的大小将多个本征模态函数分量中对应的高频本征模态函数分量去除并将其余本征模态函数分量进行合并，获得重构信号；
[0043]参数优化模块，用于通过贝叶斯算法对变分模态分解方法的参数进行优化，得到最优参数；
[0044]二次分解模块，用于采用最优参数的变分模态分解方法对重构信号进行分解，生成多个变分模态分量；
[0045]输出模块，用于构建评价函数，通过评价函数将重构信号分别与多个变分模态分量进行相似度计算，选择相似度最高的变分模态分量作为输出的电压暂降波形。
[0046]一种计算机可读存储介质本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种自适应电压暂降波形分解方法，其特征在于，包括以下步骤：获取配电网中的复合扰动信号；通过完全自适应噪声集合经验模态分解方法对复合扰动信号进行分解，生成多个本征模态函数分量；计算多个本征模态函数分量的模糊熵；根据模糊熵的大小将多个本征模态函数分量中对应的高频本征模态函数分量去除并将其余本征模态函数分量进行合并，获得重构信号；通过贝叶斯算法对变分模态分解方法的参数进行优化，得到最优参数；采用最优参数的变分模态分解方法对重构信号进行分解，生成多个变分模态分量；构建评价函数，通过评价函数将重构信号分别与多个变分模态分量进行相似度计算，选择相似度最高的变分模态分量作为输出的电压暂降波形。2.如权利要求1所述的一种自适应电压暂降波形分解方法，其特征在于，根据模糊熵的大小将多个本征模态函数分量中对应的高频本征模态函数分量去除并将其余本征模态函数分量进行合并，获得重构信号，包括以下步骤：计算多个本征模态函数IMF分量的模糊熵值，选择模糊熵值最小的本征模态函数IMF
h
对复合信号中的基波进行定位；将基波之前的本征模态函数IMF1～IMF
h
‑2分量进行去除，合并本征模态函数IMF
h
‑1～IMF
m
分量，获得重构信号S(t)。3.如权利要求2所述的一种自适应电压暂降波形分解方法，其特征在于，通过下式获得重构信号：式中，IMF
m
(t)代表第m个本征模态函数IMF分量，R(t)代表残差，M代表经完全自适应噪声集合经验模态分解方法分解得到的模态总数量，t代表复合扰动信号波形上的第t个点。4.如权利要求3所述的一种自适应电压暂降波形分解方法，其特征在于，通过贝叶斯算法对变分模态分解方法的参数进行优化，得到最优参数，具体包括以下步骤：创建向量G
j
(α,k)，其中α为惩罚因子，k为分解数量；将分解数量k和惩罚因子α进行初始化得到k0和α0；采用参数为k0和α0的VMD对重构信号S(t)进行分解，获得N个变分模态分量；计算N个变分模态分量VIMF与重构信号S(t)的绝对误差D(
·
)；计算所有的绝对误差D(
·
)之和，并保存在向量G
j
(α,k...
【专利技术属性】
技术研发人员：邓卓夫，张育维，夏晨越，王明豪，
申请(专利权)人：东北大学，
类型：发明
国别省市：
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。