一种基于改进经验傅里叶分解的多谐波源识别方法

技术领域

本发明属于电力系统控制技术领域，尤其是涉及一种基于改进经验傅里叶分解的多谐波源识别方法。

背景技术

随着分布式发电与电力电子设备高密度接入电网，特别是基于逆变器的分布式电源的使用越来越多，谐波源数目激增，使得配电系统中的谐波污染日益严重，谐波源识别有助于发现潜在的谐波问题，如变压器过热、断路器功能故障和电力系统中日益增加的损耗，对提高电力系统可靠性、降低电力系统维护成本至关重要。

当前，用于谐波源识别的方法主要分为单点测量法和多点测量法。与多点测量法相比，单点方法由于其简单、成本效益高、维护效率低的优点，在公共连接点(point ofcommon coupling，PCC)处的谐波源识别受到了越来越多的关注。高鹏，田敏等人通过计算负载参数，根据正弦法得到了负载的电压和电流，然后利用电流系数来识别谐波源，然而该方法并没有研究基于逆变器的分布式电源，且同时考虑电压和电流会增加更多的处理时间。梅峰等人使用二维图像矩阵变换和深度卷积神经网络对谐波源进行分类，Tayal提出了一种基于人工神经网络(ANN)的谐波源识别方法，但其均没有考虑像双馈感应发电机(DFIG)风力涡轮机和电弧炉等作为谐波源的情况。黄池等人提出了一种基于电压电流小波变换的自组织特征映射的方法，可以识别公共连接点不同的谐波源，然而，他们没有研究微型涡轮机(MT)和双馈感应发电机(DFIG)风力涡轮机，而且同时使用电压和电流信号会降低过程的速度并增加计算复杂性。Moradifar利用经验模态分解(EMD)和k近邻来识别包含基于逆变器的dg的不同谐波源，如PV和DFIG风力涡轮机，然而EMD具有较低的抗噪性，也没有将永磁同步发电机(PMSG)风力发电机和超导磁能储能(SMES)作为基于逆变器的分布式发电机进行研究；此外，根据IEC 61000-4-30、IEC 61000-4-7，如果采样频率大于6kHz，则谐波阶数会达到50，根据奈奎斯特采样定理，采样频率必须至少大于原信号最高频率分量的两倍，而Moradifar研究中使用的采样频率为4kHz，采样频率大小达不到要求，因此，获得的探测精度并不完全准确。因此，需要设计一种多谐波源识别方法，适用于配电系统中存在多种基于逆变器的分布式电源的情况，提高谐波源识别的效率和准确性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进经验傅里叶分解的多谐波源识别方法，有效识别公共连接点的谐波源，提高检测精度，缩短检测时间。

本发明的目的可以通过以下技术方案来实现：

一种基于改进经验傅里叶分解的多谐波源识别方法，包括以下步骤：

采集公共连接点处的电压信号，输入基于改进经验傅里叶分解的多谐波源识别模型，获取识别结果；

其中，所述基于改进经验傅里叶分解的多谐波源识别模型的训练过程如下：

S1、对不同类型的谐波源进行仿真，采集公共连接点处的电压信号；

S2、利用改进经验傅里叶分解算法对所述电压信号进行特征提取；

S3、对提取的特征进行特征选择，生成训练样本和测试样本；

S4、使用训练样本对支持向量机SVM分类器进行训练，训练完成后通过测试样本进行测试。

进一步地，步骤S1中，采样频率为10kHz。

进一步地，步骤S2的过程如下：

S201、将所述电压信号的傅里叶谱分割为若干个频段；

S202、基于分割频段构建理想滤波器组，对所述电压信号进行滤波；

S203、将滤波后的电压信号进行傅里叶反变换，在时域中分解为多级模态分量信号，提取各级模态分量信号的统计指标，获取所述电压信号的特征。

进一步地，步骤S201的过程如下：

将所述电压信号的傅里叶谱在[0,π]范围内平均分成M段，提取每段的局部最大值并按降序排列，对应频率段排列为[φ

则分割后每个频段的边界为：

其中Y

进一步地，所述理想滤波器组为零相位滤波器组。

进一步地，步骤S203中，将滤波后的电压信号分解为三级模态分量信号进行特征提取。

进一步地，步骤S203中，所述统计指标包括均值、面积、方差、均方根、Shannon熵、对数-能量熵、标准差、范围、二次至四次矩、偏度、波峰因子和峰度。

进一步地，步骤S3中，利用冲突特征选择方法，将步骤S2提取的特征进行降维处理，比较各特征的信息传输量并进行排序，获得最优特征子集。

进一步地，步骤S4中，所述支持向量机SVM分类器的核函数为径向基函数RBF。

进一步地，步骤S4中，采用鲸鱼优化算法对SVM分类器的参数进行优化。

与现有技术相比，本发明具有以下有益效果：

1、本发明利用改进经验傅里叶分解算法对公共连接点处的电压信号进行特征提取，对电压信号的傅里叶谱的局部最大值进行排序后，将电压信号的傅里叶谱分割为若干个频段进行特征提取，可以解决对于模态间距很近的信号在分解之后可能会出现的模态混叠问题，提高识别结果的准确性。

2、本发明仅需采集电压波形，可以节省检测的时间，减少检测设备的数量。

3、本发明支持向量机SVM分类器的核函数为径向基函数RBF，具有不受局部极小值影响、数值困难小以及将非线性数据映射到高维空间等优点；本发明采用鲸鱼优化算法对支持向量机SVM分类器的参数进行优化，提高了基于改进经验傅里叶分解的多谐波源识别模型的训练效率。

附图说明

图1为基于改进经验傅里叶分解的多谐波源识别模型训练流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种基于改进经验傅里叶分解的多谐波源识别方法，包括以下步骤：采集公共连接点处的电压信号，输入基于改进经验傅里叶分解的多谐波源识别模型，获取识别结果；其中，基于改进经验傅里叶分解的多谐波源识别模型的训练过程如图1所示，包括以下步骤：

S1、对不同类型谐波源进行仿真，采集公共连接点处的电压信号。

使用PSCAD或EMTDC软件对10个谐波源和1个线性负载进行仿真，包括直流(DC)电机、六脉冲和十二脉冲整流器、EAF作为非线性负载、PV、DFIG、PMSG风力涡轮机、SMES、BESS和MT作为基于逆变器的DG，以及静止无功补偿器(SVC)，从公共连接点采集电压信号传输到MATLAB环境。根据IEC 61000-4-30、IEC 61000-4-7，如果采样频率大于6kHz，则谐波阶数可达50。因此，将采样频率设置为10kHz。

S2、利用改进经验傅里叶分解算法对电压信号进行特征提取。

目前，有多种信号处理技术分析非平稳信号，例如经验模式分解(EMD)，然而其易受到模式混合的影响并且具有低的抗噪声性；再如小波变换，然而，它具有较高的计算负担，并且其结果取决于母小波的选择；再如经验小波变换(EWT)，通过构造自适应小波滤波器将信号分解为不同的模式，但由于在频域中的不可接受的划分，其对于有噪声的信号是无效的；再如变分模分解(VMD)，其可以将信号非递归地分解为几个带受限的固有模函数，但在这种技术中，平衡参数α应该提前被定义，因而获得的模式取决于平衡参数α，然而寻找最佳参数的方法非常耗时。本实施例利用改进经验傅里叶分解算法对电压信号进行特征提取，具有处理快速、不需要任何事先信息以及可以避免模态混合问题等优点，具体过程如下：

S201、将电压信号的傅里叶谱分割为若干个频段，具体过程如下：

将电压信号的傅里叶谱在[0,π]范围内平均分成M段，提取每段的局部最大值并按降序排列，对应频率段排列为[φ

则分割后每个频段的边界为：

其中Y

S202、基于分割频段构建理想滤波器组，对所述电压信号进行滤波；理想滤波器组为零相位带通滤波器组，其表达式为：

设f(t)为待分解的电压信号，经傅里叶变换后为

S203、将滤波后的电压信号进行傅里叶反变换，在时域中分解为多级模态分量信号，提取各级模态分量信号的统计指标，获取电压信号的特征。

利用傅里叶反变换在时域中获取分解分量：

其中，当m＝1时，f(t)被分解为第一级模态信号分量，当m＝2时，f(t)被分解为第二级模态信号分量，以此类推。本实施例通过电压信号前三级模态分量波形，提取各模态分量信号的均值、面积、方差、均方根(RMS)、Shannon熵、对数-能量熵、标准差(STD)、范围、二次至四次矩、偏度、波峰因子和峰度等统计指标，得到这些统计指标的特征。

S3、对提取的特征进行特征选择，生成训练样本和测试样本。

特征选择是影响分类器性能的重要阶段之一，有些数据集规模巨大，具有高维特征；有些是多余的、不必要的和无关紧要的，这会提高计算成本和耗时，并且影响分类器的检测精度。因此，需要将冗余数量的特征消除到适当的大小，这可以通过特征选择来实现。特征选择的目的是减少特征子集的维度，具有降低测量成本和存储要求，减少计算要求和去除冗余数据等优点，可以提高分类器的效率。特征选择技术可以分为两大类：包装方法和过滤方法。在包装方法中，预测器的性能评估特征子集的值，因此，该方法的缺点为计算复杂度高；滤波方法不依赖于学习算法，并且应用预定义的标准来找到最优化的特征子集，此外，过滤方法的计算复杂度较低，并且比包装方法更快，可以显著减少分类时间。本实施例利用冲突特征选择，将步骤S2提取的特征进行降维处理，比较各个特征的信息传输量，并进行排序处理，选取最优特征子集。

S4、使用训练样本对支持向量机SVM分类器进行训练，训练完成后通过测试样本进行测试。

支持向量机SVM分类器可以采用多种核函数，例如多项式、sigmoid、径向基函数(RBF)和线性函数。本实施例采用RBF函数，结构简单，计算复杂度不高，占用存储空间小，具有不受局部极小值影响、数值困难小以及将非线性数据映射到高维空间等优点。RBF核对其参数很敏感，SVM分类器的泛化性能取决于它，其中一个参数是惩罚因子或成本C，用于平衡训练误差和模型的复杂项目，其可以增加不可接受的检测精度；另一个参数是σ，其可以改变高维特征空间中的数据分布。本实施例采用鲸鱼优化算法对SVM分类器的上述参数进行优化，可以选择最佳超平面，这提高了检测精度，改进了检测过程，提高了分类性能。

上述方法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-Only Memory)、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。

实施例2

本实施例和实施例1的不同之处在于，本实施例中，采集公共连接点处的电压信号后，先进行预处理，去除有明显噪声的信号，再输入基于改进经验傅里叶分解的多谐波源识别模型，以进一步提高识别结果的准确性。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。