电动汽车直流充电信号特征提取方法

技术领域

本发明属于电气工程科学领域，尤其是一种电动汽车直流充电信号特征提取方法。

背景技术

快速发展的电动汽车产业推动了电动汽车充电站和充电桩的建设，通过常规充电、快速充电2种模式给电动汽车供能，其中快速充电模式采用大功率直流充电，与常规充电模式中的交流充电有很大区别。由于充电机和蓄电池属非线性设备，电动汽车充电过程中将不可避免地产生纹波和非稳态波。随着充电机台数的增加，产生的纹波信号的有效值将随之增大，非稳态波成分也会增加。电动汽车直流充电对电力系统的影响主要体现在造成谐波污染和电网功率因数的下降等方面。

针对电动汽车直流充电的特殊环境，急需开展信号特征提取方法研究。相关的经典算法有傅立叶变换法、带通滤波法、小波分析法、瞬时功率理论法、神经网络法等。傅立叶分析方法能够分解多次纹波，但无法精确识别非稳态波，且纹波的检测精度很易受到直流基波和非稳态信号的影响，难以满足电动汽车直流充电信号特征提取的现实需求。小波变换采用时间和频域的局域变换，可以精确检测非稳态信特性，但局部精确的检测却降低了多次纹波识别的精确度，无法精确提取电动汽车直流充电全部的信号特征。目前单一的算法无法同时精确识别基波、各次纹波以及非稳态波的信号特征。

发明内容

针对以上问题，本发明根据电动汽车直流充电负荷及信号特征，结合FFT算法和小波变换两种方法对不同类型信号的检测优势，提出采用傅立叶/小波变换的电动汽车直流充电信号特征提取方法，实现电动汽车直流充电全过程的无缝测量。本发明实施例采用的技术方案是：

一种电动汽车直流充电信号特征提取方法，包括：

基于小波变换对电流信号基波、非稳态信号特征提取；

基于傅里叶变换对电流信号的纹波信号特征提取。

进一步地，所述基于小波变换对电流信号基波、非稳态信号特征提取，具体包括：

对于电动汽车直流充电信号f(t)，将其分解为低频特征的逼近信号和高频特征的局部特征信号；将f(t)按照如下公式进行j尺度分解：

其中，k为自然数，

其中，c

经过分解后的各频带内包含不同的信号成分，对各频带进行重构获取基波和非稳态波的信号特征提取，重构公式为：

其中，f

公式(4)中，x(t)的等式右边被舍去。

进一步地，按照纹波信号频率的最大公约数和采样频率来确定分解层数，分解层数的公式为：

其中，f

进一步地，所述基于傅里叶变换对电流信号的纹波信号特征提取，具体包括：

纹波信号x(t)用周期函数表示为：

x(t)＝x(t+kT) (k＝0,1,2,...) (6)

T为周期，该周期函数的频率为1/T，角频率为ω

其中，a

要从理论上的傅立叶级数分析过渡到利用傅立叶级数的指数形式，得到各次纹波的幅值与相位，获取相应的特征值；

根据欧拉定理将式(7)化为：

本发明的优点在于：由于非线性负荷和电动汽车集中充电的影响，电动汽车直流充电过程中存在大量的纹波和非稳态波。傅立叶变换难以辨识间歇波的频率从而造成频谱泄露，对于非稳态波信号特征的提取非常不准确，且在识别纹波信号的过程中易受到非稳态信号的影响；而小波变换可以有效提取出非稳态信号以及基波信号的特征，精确度更高，但对多次纹波信号识别能力有限。实验证明，将两者结合形成的综合算法，弥补了FFT算法对非稳态波和间谐波电能测量不准确的缺陷，较现有的FFT算法提取电动汽车直流充电信号特征具有明显优势，有效解决了FFT算法难以识别非稳态波的缺点，提升了检测精度，使电动汽车直流充电信号特征的整个提取过程更加全面可靠。对于电动汽车直流充电的电能计量、滤波电路的改进都有重要的参考意义。

附图说明

图1为本发明实施例中的原始电压信号示意图。

图2为本发明实施例中的原始电流信号示意图。

图3为本发明实施例中的电压信号小波变换的各次分量示意图。

图4为本发明实施例中的电流信号小波变换的各次分量示意图。

图5为本发明实施例中的纹波电压信号FFT的各次分量示意图。

图6为本发明实施例中的纹波电流信号FFT的各次分量示意图。

图7为本发明实施例中的电压信号纹波分解示意图。

图8为本发明实施例中的电流信号纹波分解示意图。

图9为本发明实施例中的方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例中提出的方案，根据电动汽车直流充电负荷及信号特征，结合FFT算法和小波变换两种方法对不同类型信号的检测优势，提出采用傅立叶变换/小波变换的电动汽车直流充电信号特征提取方法，基于小波变换对电流信号基波、非稳态信号特征提取，基于傅里叶变换对电流信号的纹波信号特征提取，实现电动汽车直流充电全过程的无缝测量；

(一)基于小波变换的基波、非稳态信号特征提取；

对于电动汽车直流充电信号f(t)，将其分解为低频特征的逼近信号和高频特征的局部特征信号；将f(t)按照如下公式进行j尺度分解：

其中，k为自然数，

其中，c

公式(2)和(3)可以实现不同层次的信号分离；经过分解后的各频带内包含不同的信号成分，对各频带进行重构获取基波和非稳态波的信号特征提取，重构公式为：

其中，f

公式(4)中，x(t)的等式右边在本申请中被舍去，而是采用后续的基于FFT的纹波信号特征提取；

划分层数可以确保同一频带的各层次信号不产生混叠；按照纹波信号频率的最大公约数和采样频率来确定分解层数，分解层数的公式为：

其中，f

(二)基于傅里叶变换的纹波信号特征提取；

FFT算法将周期性的纹波信号按照傅立叶级数的方式分解为不同频率分量的叠加形式，然后利用分离后的信号进行相关特征的计算；

纹波信号x(t)用周期函数表示为：

x(t)＝x(t+kT) (k＝0,1,2,...) (6)

T为周期，该周期函数的频率为1/T，角频率为ω

其中，a

为了分析电动汽车直流充电纹波信号的特征，要从理论上的傅立叶级数分析过渡到利用傅立叶级数的指数形式，得到各次纹波的幅值与相位，获取相应的特征值；

根据欧拉定理将式(7)化为：

(三)仿真分析和验证；

对现场采集的电动汽车直流充电数据进行预处理，获取纹波和非稳态波信号特征，进行建模和仿真分析，验证采用傅立叶/小波变换的电动汽车直流充电信号特征提取算法的准确性；

选用现场采集的实际数据，500V直流电压，100A直流电流；采样频率fs＝6400Hz，根据电动汽车蓄电池的充电曲线特性，电压和电流的基波频率均为0Hz，且时常伴随有一次函数和二次函数信号；基波电压、电流信号如下：

u(t)＝500-100t

i(t)＝100＝100t∧2

考虑含有多次纹波、间歇波以及非稳态波的情况，选取分析小波db40、5层小波变换对直流充电信号进行分解；由于电车充电过程中偶次纹波和19次以上奇数次纹波太小可以忽略，所以加入某处充电站的输出电信号的实际数据中前19次奇数次纹波，如表1所示；

表1电动汽车直流充电纹波含量

在电压和电流信号内随机时间分别加入衰减性和冲击性非稳态信号：

分析结果如图1-8、表2所示；

表2交流充电基波、非稳态波电能对比

由图5、6和图7、8表明，FFT算法对于复杂的直流充电信号中的非稳态波，只能分解为一个正弦波信号，无法提取相关特征，且受到基波和非稳态波的影响，对于纹波的提取也会出现较大的偏差；图3、4表明，当纹波次数太多，小波变换无法将多次纹波一一还原，但是可以精准的识别非稳态波和基波。通过基波和非稳态波电信号的电能计算，表2表明，采用本方案傅立叶/小波变换的电动汽车直流充电信号特征提取算法能够提取基波以及非稳态信号的特征，且在消除非稳态波的影响后，多次纹波的幅值及频率识别精度更高。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实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。