基于麻雀搜索算法与变分模态分解的负荷电能计量方法技术

本发明专利技术公开了基于麻雀搜索算法与变分模态分解的负荷电能计量方法，涉及电网技术领域，包括设定采样条件，根据采样条件采集历史数据；对采集到的历史数据进行预处理；使用变分模态分解和麻雀搜索算法结合，对预处理后的历史数据进行实时分解，得到有限带宽的模态分量数据，即提取出不同次数谐波的时间

【技术实现步骤摘要】
基于麻雀搜索算法与变分模态分解的负荷电能计量方法


[0001]本专利技术涉及电网
，特别是基于麻雀搜索算法与变分模态分解的负荷电能计量方法。

技术介绍

[0002]在现代电力系统中，地铁、高铁等电气化铁路和电解工厂的大功率硅整流设备、新能源汽车充电桩、光伏或风力等新能源发电输出端变化的供电负荷、炼钢交直流电弧炉以及电机变频调速装置等广泛应用，使工业新型负荷迅速增加[1
‑
2]。这些具有随机性强、波动性和冲击性大或非线性强的负荷运行，导致电网信号波形严重畸变，使电网信号具有谐波、间谐波、电压与电流剧变等复杂特性，电能质量日趋劣化，直接影响着电能计量的准确性与合理性。如果不解决非稳态畸变信号条件下电能准确计量的问题，电能准确计量便无从谈起，也会影响新型电力系统的可持续发展。
[0003]现有的电能计量方式主要是以快速傅里叶变换（FFT）为主，但FFT仅适用于电压、电流平稳的稳态系统。针对非稳态电能计量，目前现有技术提出改变窗函数并插值的FFT算法，可以减小频谱泄露，抑制各次谐波间的相互影响，但并不能完全消除该影响。现有技术利用小波变换来计算畸变电能，但由于小波变换各频带间可能存在严重的频率混叠，以及会受到小波基函数的选择影响，使得计量结果误差会较大。因此有学者提出将短时傅里叶与连续小波变换相结合的方式，即S变换来计量非线性负荷电能，但S变换受到窗宽影响，此外引入调节因子调节高斯窗宽度随频率变化的速度对S变换进行改进，但其本质依旧是基于FFT，受限于测不准原理。希尔伯特
‑
黄变换（HHT）可以对非线性信号进行自适应分解，但在分解过程中容易出现模态混叠、端点效应等现象。学者Dragomiretskiy等人于2014年提出一种多分量自适应分解方法—变分模态分解（VMD），基于变分思想对信号分解，实现信号的频率划分与有效分离。该算法分解得到的本征模态分量（Intrinsic Mode Function, IMF）能够有效避免EMD算法中存在的虚假分量和模态混叠问题。但VMD存在分解个数和二次惩罚因子难确定的缺点。

技术实现思路

[0004]鉴于现有的基于麻雀搜索算法与变分模态分解的负荷电能计量方法中存在的问题，提出了本专利技术。
[0005]因此，本专利技术的目的在于提供基于麻雀搜索算法与变分模态分解的负荷电能计量方法，以避免
技术介绍
中所提到的问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：第一方面，本专利技术实施例提供了一种基于麻雀搜索算法与变分模态分解的负荷电能计量方法，其包括设定采样条件，根据采样条件采集历史数据；对采集到的历史数据进行预处理；使用变分模态分解和麻雀搜索算法结合，对预处理后的历史数据进行实时分解，得到有限带宽的模态分量数据，即提取出不同次数谐波的时间
‑
幅值关系；对所述模态分量数
据进行处理，计算出瞬时功率和工频周期内的电能。
[0007]作为本专利技术所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案，其中：所述采样条件包括采样频率和测量时间窗，所述采样频率为3kHZ，所述测量时间窗为10个工频周期。
[0008]作为本专利技术所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案，其中：所述根据采样条件采集历史数据是通过模数转换器连续采集多个历史时刻的历史数据；所述历史数据包括多个历史时刻的负荷点电压和多个历史时刻的负荷点电流。
[0009]作为本专利技术所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案，其中：所述预处理是对历史时刻的负荷点电压和历史时刻的负荷点电流分别依次进行异常数据剔除处理、缺失数据填充处理、重复数据过滤处理，以及数据标准化处理。
[0010]作为本专利技术所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案，其中：所述有限带宽的模态分量数据的具体定为：；；其中，t表示时间；表示各个分量；为瞬时幅值；为瞬时相位；为瞬时频率；表示分解的模态；表示中心频率；表示信号相位；为梯度计算；，表示分解得到的K个IMF分量集合；，表示K个中心频率的集合；s.t.是指subject to，表示约束条件；f是原始待分解的信号；表示狄拉克函数；j是虚数单位。
[0011]所述使用变分模态分解算法和麻雀搜索算法结合，对预处理后的历史数据进行实时分解是指将预处理后的历史数据输入变分模态分解算法，同时结合麻雀搜索算法来优化变分模态分解的参数，实时分解采集时间段内的历史数据后得到有限带宽的模态分量数据，具体包括如下步骤：初始化麻雀算法种群、最大种群数和最大迭代参数、权值上边界、权值下边界、阈值上边界、阈值下边界、安全值、发现者比例，以及报警者的比例，变分模态分解的参数的优化范围；定义适应度函数并计算初始个体适应度值；其中，个体适应度值由个体对应的位置作为权值和阈值带入变分模态分解中计算而得；将样本熵和各分量重构后的信号与原始信号的相关性系数相结合作为适应度函数寻找最优解，将样本熵与相关系数比值的最小值作为适应度函数，利用麻雀搜索算法寻优获得适应度的极小值；当样本熵值越小时，表明序列中频率分量越少、信号噪声越少，其模态混叠问题小、分解效果好，所提取的故障信息越丰富；当各分量重构后的信号与原始信号的相关性系数越大时，信号失真小、重合度高。
[0012]作为本专利技术所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案，其中：所述使用变分模态分解和麻雀搜索算法结合，对预处理后的历史数据进行实时分解还包括，基于麻雀搜索算法中的雀群觅食和反捕食设计算法，麻雀群体中的发现者和跟随者这两种角色根据自身位置的更新通过如下公式所示：；；其中，为正态分布的随机数组，是报警值；是迭代数，是最大迭代数，，，表示j有d个维度；是第个麻雀在维度的位置；，与均为的矩阵，其中中元素均为1，中元素为1与
‑
1，表明雀种中除发现者，其他个体作为跟随者，依照发现者进行觅食；为历史最差位置，为现在发现者的最佳位置，为雀种总数。
[0013]作为本专利技术所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案，其中：所述使用变分模态分解和麻雀搜索算法结合，对预处理后的历史数据进行实时分解还包括引入报警者，防止算法落入局部最优，全局搜索能力增强，该种群数占10%到20%之间，其位置如下：；其中，为当前自适应度值，为当前最差适应度值，为当前最好适应度值；当时，此时报警者在局部最优位置，当时，报警者不在局部最优位置，将前往局部最优位置；为全域最佳位置；与表示随机数，表示最小常数，其目的在于防止分母为0；输入采集时间段内的负荷点电压和负荷点电流信号，以进行算法的迭代优化，当满足迭代条件时，转入下一步；否则更新各麻雀位置，继续寻优；将寻优结果的参数组合代入变分模态分解中进行分解，得到个本征模态分量IMFs；对模态分量进行频谱分析，提取基波与畸变信号。
[0014]作为本专利技术所述基于麻雀搜索算法与变分模态分解的负荷电能计量方法的一种优选方案，其中：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于麻雀搜索算法与变分模态分解的负荷电能计量方法，其特征在于：包括，设定采样条件，根据采样条件采集历史数据；对采集到的历史数据进行预处理；使用变分模态分解和麻雀搜索算法结合，对预处理后的历史数据进行实时分解，得到有限带宽的模态分量数据，即提取出不同次数谐波的时间
‑
幅值关系；对所述模态分量数据进行处理，计算出瞬时功率和工频周期内的电能。2.如权利要求1所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法，其特征在于：所述采样条件包括采样频率和测量时间窗，所述采样频率为3kHZ，所述测量时间窗为10个工频周期。3.如权利要求2所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法，其特征在于：所述根据采样条件采集历史数据是通过模数转换器连续采集多个历史时刻的历史数据；所述历史数据包括多个历史时刻的负荷点电压和多个历史时刻的负荷点电流。4.如权利要求3所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法，其特征在于：所述预处理是对历史时刻的负荷点电压和历史时刻的负荷点电流分别依次进行异常数据剔除处理、缺失数据填充处理、重复数据过滤处理，以及数据标准化处理。5.如权利要求4所述的基于麻雀搜索算法与变分模态分解的负荷电能计量方法，其特征在于：所述有限带宽的模态分量数据的具体定为：；；其中，t表示时间；表示各个分量；为瞬时幅值；为瞬时相位；为瞬时频率；表示分解的模态；表示中心频率；表示信号相位；为梯度计算；，表示分解得到的K个IMF分量集合；，表示K个中心频率的集合；s.t.是指subject to，表示约束条件；f是原始待分解的信号；表示狄拉克函数；j是虚数单位；所述使用变分模态分解算法和麻雀搜索算法结合，对预处理后的历史数据进行实时分解是指将预处理后的历史数据输入变分模态分解算法，同时结合麻雀搜索算法来优化变分模态分解的参数，实时分解采集时间段内的历史数据后得到有限带宽的模态分量数据，具体包括如下步骤：初始化麻雀算法种群、最大种群数和最大迭代参数、权值上边界、权值下边界、阈值上边界、阈值下边界、安全值、发现者比例，以及报警者的比例，变分模态分解的参数的优化范围；
定义适应度函数并计算初始个体适应度值；其中，个体适应度值由个体对应的位置作为权值和阈值带入变分模态分解中计算而得；将样本熵和各分量重构后的信号与原始信号的相关性系数相结合作为适应度函数寻找最优解，将样本熵与相关系数比值的最小值作为适应度函数，利用SSA算法寻优获得适应度的极小值；当样本熵值越小时，表明序列中频率分量越少、信号噪声越少，其模态混叠问题小、分解效果好，所提取的故障信息越丰富；当各分量...

【专利技术属性】
技术研发人员：何兆磊，林聪，朱梦梦，赵静，余恒洁，朱葛，孙黎敏，刘进，方瑞，王景，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：