CN108334822B - 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 - Google Patents

基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 Download PDF

Info

Publication number
CN108334822B
CN108334822B CN201810052698.XA CN201810052698A CN108334822B CN 108334822 B CN108334822 B CN 108334822B CN 201810052698 A CN201810052698 A CN 201810052698A CN 108334822 B CN108334822 B CN 108334822B
Authority
CN
China
Prior art keywords
signal
kalman
charging
wavelet transform
waves
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810052698.XA
Other languages
English (en)
Other versions
CN108334822A (zh
Inventor
王立辉
祁顺然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810052698.XA priority Critical patent/CN108334822B/zh
Publication of CN108334822A publication Critical patent/CN108334822A/zh
Application granted granted Critical
Publication of CN108334822B publication Critical patent/CN108334822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法，包括如下步骤：根据电动汽车充电非线性负荷中直流基波、非稳态波信号特征对传统小波变换算法的阈值参数、分层参数进行合理修正；利用修正小波变换滤除非稳态波和高次谐波；利用卡尔曼滤波算法滤除低次谐波；检测信号突变点；卡尔曼滤波算法信号突变点处的平滑；通过上一步检测到信号突变点处后，在其后的时间L采用修正小波变换分解替换卡尔曼滤波算法分解得到信号突变点处的基波信号。本发明能够提高卡尔曼滤波算法的识别准确度，避免了卡尔曼滤波算法在信号突变处的“爬坡延迟”现象。

Description

基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换 滤波方法
技术领域
本发明涉及电动汽车充电非线性负荷滤波技术领域，尤其是一种基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法。
背景技术
新能源汽车以电动汽车为主，超常规的电动汽车规模化发展需要大量配套的充电站支撑。电动汽车充电站的充电机属于新型大功率非线性设备，在充电过程中会形成150～600A的大电流，并且过分密集的集中充电可能导致充电站瞬时负荷过大。且电动汽车蓄电池充电属容性负荷，负荷功率因数偏低，充电负荷体现非线性特征。充电过程的复杂性，导致充电过程中将产生大量的谐波、非稳态波，对充电站的电能计量和电网运行产生影响。
目前，最常见的是采用傅里叶算法来对电动汽车充电过程中非线性负荷进行滤波，将周期性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，具有响应速度快、数据处理能力高、计算精度高、实时性好等优点，适用于检测谐波，但傅里叶算法作为一种全局性的数学变化，不具备局部化分析能力、不能分析冲击波等非稳态波，无法精确识别非常数的直流充电信号。采用的的滑动窗函数的短时傅立叶变换(STFT)可以改善这种局限性，但其时频分辨率固定不变，不具备自适应能力。小波变换算法的时窗和频窗的宽度可以调节，依据信号的频率成分，自动调节采样密度来处理突变信号，适合反映信号的突发变化和时变跟踪，特别适合波动谐波、快速变化谐波、突变信号和非平稳信号的分析，但无法分析计算基波、多次谐波的信号特征。本领域亦曾采用单独的卡尔曼滤波算法对电动汽车充电过程中非线性负荷进行，可以很好识别分解各次谐波，但通过已有数据进行预测，当信号出现快速变化时，需要一定的缓冲时间，仍然无法精确识别非稳态波，且在信号突变处对信号成分的识别存在严重的“爬坡延迟”。三种方法均无法满足现实应用对滤波的要求。
发明内容
本发明所要解决的技术问题在于，提供一种基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法，能够提高卡尔曼滤波算法的识别准确度，避免了卡尔曼滤波算法在信号突变处的“爬坡延迟”现象。
为解决上述技术问题，本发明提供一种基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法，包括如下步骤：
(1)根据电动汽车充电非线性负荷中直流基波、非稳态波信号特征对传统小波变换算法的阈值参数、分层参数进行合理修正；
(2)利用修正小波变换滤除非稳态波和高次谐波；
(3)利用卡尔曼滤波算法滤除低次谐波；
(4)检测信号突变点；
(5)卡尔曼滤波算法信号突变点处的平滑；通过步骤(4)检测到信号突变点处后，在其后的时间L采用修正小波变换分解替换卡尔曼滤波算法分解得到信号突变点处的基波信号。
优选的，步骤(1)中，对分层参数的修正具体为：电动汽车直流充电时基波频率为0Hz，计算分解层数时，在原来的基础上增加n层，其分解层数的公式为：
Figure BDA0001552811460000021
其中fs为采样频率，f0为纹波信号频率的最大公约数，μ＝2；
对阈值参数的修正具体为：对两种阈值取平均值；
Figure BDA0001552811460000022
其中，Ds为处理后的数据，D为采集的数据，β为修正权数，ε为选取的阈值；利用线性插值函数，对式(2)进行平滑。
优选的，步骤(2)中，利用修正小波变换滤除非稳态波和高次谐波具体为：基波信号处于电动汽车充电非线性负荷频率最底层部分，利用修正小波变换滤除非稳态波和高次谐波；
Figure BDA0001552811460000023
式中f(t)为电动汽车充电非线性负荷的低频信号；χ()为尺度空间函数；
Figure BDA0001552811460000024
为尺度上的投影，实现对非稳态波和高次谐波的滤除；er,k、er,m为r尺度上的逼近参数；j为为基波序号，取1：m为尺度离散化的幂级数；S()为尺度空间滤波函数，体现信号低通特性。
优选的，步骤(3)中，利用卡尔曼滤波算法滤除低次谐波具体包括如下步骤：
(31)选择观测状态
Figure BDA0001552811460000031
其中y1,z,y2,z为一组，为基波和各次谐波的正交分解波形；wi为第i次谐波的幅值；θi第i次谐波的相角；
(32)选择***动态方程以及量测方程
Figure BDA0001552811460000032
其中，W(K)为观测矩阵，YK为与W(K)有关的观测向量，ωk为过程噪声随机序列，vk为观测噪声，
Figure BDA0001552811460000033
为转移矩阵，xK+1***动态矩阵，N为电动汽车充电非线性负荷中谐波(纹波)频率；
(33)识别、追踪基波的幅值和相角；
Figure BDA0001552811460000034
优选的，步骤(4)中，检测信号突变点具体包括如下步骤：
(41)对于电动汽车直流充电，采集当前时刻数据D0,时间间隔T、2T、3T前的数据D1、D2、D3，如果
Figure BDA0001552811460000035
均成立，则此时刻为信号突变点，其中σ1为确定的阈值；
(42)对于电动汽车交流充电，采集当前时刻卡尔曼算法计算的幅值Δw0，时间间隔T1、2T1、3T1前的幅值Δw1、Δw2、Δw3，如果
Figure BDA0001552811460000041
均成立，则此时刻为信号突变点，其中σ2为确定的阈值。
本发明的有益效果为：根据电动汽车充电非线性负荷中直流基波、非稳态波信号特征对传统小波变换算法的阈值参数、分层参数进行合理修正，得到的修正小波算法对采集的电动汽车交直流充电信号分层更加准确，滤除的非稳态波更加精确；通过修正小波变换消除非稳态波的影响后，再使用卡尔曼滤波算法识别基波信号，提高了卡尔曼滤波算法的识别准确度；检测信号突变，并利用小波变化算法替换卡尔曼滤波算法分解得到的信号，避免了卡尔曼滤波算法在信号突变处的“爬坡延迟”现象。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示，一种基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法，包括如下步骤：
步骤1：根据电动汽车充电非线性负荷中直流基波、非稳态波信号特征对传统小波变换算法的阈值参数、分层参数进行合理修正；
(11)对分层参数的修正；
电动汽车直流充电时基波频率为0Hz，计算分解层数时，f0不能以基波频率计算。且直流中存在一次函数和二次函数的形式，对小波分解层级有很大干扰，所以在原来的基础上需要增加n层，其分解层数的公式为：
Figure BDA0001552811460000042
其中fs为采样频率，f0为纹波信号频率的最大公约数，μ＝2。
(12)阈值的确定
本发明对经典的软阈值法和硬阈值法进行合理的修正，并采用线性插值函数平滑变化的不连续性，具体方法如下：
①首先对两种阈值取平均值；
Figure BDA0001552811460000043
其中，Ds为处理后的数据，D为采集的数据，β为修正权数，ε为选取的阈值。
②利用线性插值函数，对(2)式进行平滑。
步骤2：利用修正小波变换滤除非稳态波和高次谐波；
基波信号处于电动汽车充电非线性负荷频率最底层部分，利用修正小波变换可以滤除非稳态波和高次谐波。
Figure BDA0001552811460000051
式中f(t)为电动汽车充电非线性负荷的低频信号；χ()为尺度空间函数；
Figure BDA0001552811460000052
为尺度上的投影，实现对非稳态波和高次谐波的滤除；er,k、er,m为r尺度上的逼近参数；j为为基波序号，取1：m为尺度离散化的幂级数；S()为尺度空间滤波函数，体现信号低通特性。
步骤3：利用卡尔曼滤波算法滤除低次谐波
①选择观测状态
Figure BDA0001552811460000053
其中y1,z,y2,z为一组，为基波和各次谐波的正交分解波形；wi为第i次谐波的幅值；θi第i次谐波的相角。
②选择***动态方程以及量测方程
Figure BDA0001552811460000054
其中，W(K)为观测矩阵，YK为与W(K)有关的观测向量，ωk为过程噪声随机序列，vk为观测噪声，
Figure BDA0001552811460000055
为转移矩阵，xK+1***动态矩阵，N为电动汽车充电非线性负荷中谐波(纹波)频率。
③识别、追踪基波的幅值和相角
Figure BDA0001552811460000061
步骤4：检测信号突变点
①对于电动汽车直流充电，采集当前时刻数据D0,时间间隔T、2T、3T前的数据D1、D2、D3，如果
Figure BDA0001552811460000062
均成立，则此时刻为信号突变点，其中σ1为确定的阈值。
②对于电动汽车交流充电，采集当前时刻卡尔曼算法计算的幅值Δw0,时间间隔T1、2T1、3T1前的幅值Δw1、Δw2、Δw3，如果
Figure BDA0001552811460000063
均成立，则此时刻为信号突变点，其中σ2为确定的阈值。
步骤5：卡尔曼滤波算法信号突变点处的平滑
通过步骤4检测到的信号突变点处后，在其后的时间L采用修正小波变化分解替换卡尔曼滤波算法分解得到信号突变点处的基波信号。
本发明根据电动汽车充电非线性负荷中直流基波、非稳态波信号特征对传统小波变换算法的阈值参数、分层参数进行合理修正，得到的修正小波算法对采集的电动汽车交直流充电信号分层更加准确，滤除的非稳态波更加精确；通过修正小波变换消除非稳态波的影响后，再使用卡尔曼滤波算法识别基波信号，提高了卡尔曼滤波算法的识别准确度；检测信号突变，并利用小波变化算法替换卡尔曼滤波算法分解得到的信号，避免了卡尔曼滤波算法在信号突变处的“爬坡延迟”现象。

Claims (3)

1.基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法，其特征在于，包括如下步骤：
(1)根据电动汽车充电非线性负荷中直流基波、非稳态波信号特征对传统小波变换算法的阈值参数、分层参数进行合理修正；
(2)利用修正小波变换滤除非稳态波和高次谐波；基波信号处于电动汽车充电非线性负荷频率最底层部分，利用修正小波变换滤除非稳态波和高次谐波；
Figure FDA0003041395290000011
式中f(t)为电动汽车充电非线性负荷的低频信号；χ()为尺度空间函数；
Figure FDA0003041395290000012
为尺度上的投影，实现对非稳态波和高次谐波的滤除；er,k、er,m为r尺度上的逼近参数；j为基波序号，取1；m为尺度离散化的幂级数；S()为尺度空间滤波函数，体现信号低通特性；
(3)利用卡尔曼滤波算法滤除低次谐波；具体包括如下步骤：
(31)选择观测状态
Figure FDA0003041395290000013
其中y1,z,y2,z为一组，为基波和各次谐波的正交分解波形；wi为第i次谐波的幅值；θi第i次谐波的相角；
(32)选择***动态方程以及量测方程
Figure FDA0003041395290000014
其中，W(K)为观测矩阵，YK为与W(K)有关的观测向量，ωk为过程噪声随机序列，vk为观测噪声，
Figure FDA0003041395290000015
为转移矩阵，xK+1***动态矩阵，fN为电动汽车充电非线性负荷中谐波频率；
(33)识别、追踪基波的幅值和相角；
Figure FDA0003041395290000021
(4)检测信号突变点；
(5)卡尔曼滤波算法信号突变点处的平滑；通过步骤(4)检测到信号突变点处后，在其后的时间L采用修正小波变换分解替换卡尔曼滤波算法分解得到信号突变点处的基波信号。
2.如权利要求1所述的基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法，其特征在于，步骤(1)中，对分层参数的修正具体为：电动汽车直流充电时基波频率为0Hz，计算分解层数时，在原来的基础上增加n层，其分解层数的公式为：
Figure FDA0003041395290000022
其中fs为采样频率，f0为纹波信号频率的最大公约数，μ＝2；
对阈值参数的修正具体为：对两种阈值取平均值；
Figure FDA0003041395290000023
其中，Ds为处理后的数据，D为采集的数据，β为修正权数，ε为选取的阈值；利用线性插值函数，对式(2)进行平滑。
3.如权利要求1所述的基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法，其特征在于，步骤(4)中，检测信号突变点具体包括如下步骤：
(41)对于电动汽车直流充电，采集当前时刻数据D0,时间间隔T、2T、3T前的数据D1、D2、D3，如果
Figure FDA0003041395290000024
均成立，则此时刻为信号突变点，其中σ1为确定的阈值；
(42)对于电动汽车交流充电，采集当前时刻卡尔曼算法计算的幅值Δw0，时间间隔T1、2T1、3T1前的幅值Δw1、Δw2、Δw3，如果
Figure FDA0003041395290000031
均成立，则此时刻为信号突变点，其中σ2为确定的阈值。
CN201810052698.XA 2018-01-19 2018-01-19 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 Active CN108334822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810052698.XA CN108334822B (zh) 2018-01-19 2018-01-19 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810052698.XA CN108334822B (zh) 2018-01-19 2018-01-19 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法

Publications (2)

Publication Number Publication Date
CN108334822A CN108334822A (zh) 2018-07-27
CN108334822B true CN108334822B (zh) 2021-07-27

Family

ID=62925209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810052698.XA Active CN108334822B (zh) 2018-01-19 2018-01-19 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法

Country Status (1)

Country Link
CN (1) CN108334822B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163148B (zh) * 2019-05-21 2021-02-09 东南大学 一种电动汽车直流充电畸变信号自适应识别方法
CN111695618B (zh) * 2020-06-01 2023-04-07 清华大学深圳国际研究生院 一种基于obd数据的电动汽车电机故障检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105425039A (zh) * 2015-12-29 2016-03-23 南京因泰莱电器股份有限公司 基于自适应卡尔曼滤波的谐波检测方法
CN106645929A (zh) * 2016-09-30 2017-05-10 国网江苏省电力公司电力科学研究院 一种改进的电动汽车充电非线性负荷谐波电能计量方法
CN106908663A (zh) * 2017-03-07 2017-06-30 国网江苏省电力公司电力科学研究院 一种基于小波变换的电动汽车充电谐波辨识方法
CN106980044A (zh) * 2017-03-22 2017-07-25 西南交通大学 一种适应风电接入的电力***谐波电流估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105425039A (zh) * 2015-12-29 2016-03-23 南京因泰莱电器股份有限公司 基于自适应卡尔曼滤波的谐波检测方法
CN106645929A (zh) * 2016-09-30 2017-05-10 国网江苏省电力公司电力科学研究院 一种改进的电动汽车充电非线性负荷谐波电能计量方法
CN106908663A (zh) * 2017-03-07 2017-06-30 国网江苏省电力公司电力科学研究院 一种基于小波变换的电动汽车充电谐波辨识方法
CN106980044A (zh) * 2017-03-22 2017-07-25 西南交通大学 一种适应风电接入的电力***谐波电流估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
EMD阈值滤波在光纤陀螺漂移信号去噪中的应用;崔冰波等;《光学学报》;20150210;全文 *

Also Published As

Publication number Publication date
CN108334822A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN106845010B (zh) 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法
CN107590317B (zh) 一种计及模型参数不确定性的发电机动态估计方法
CN111046327B (zh) 适用于低频振荡与次同步振荡辨识的Prony分析方法
CN109521275B (zh) 一种同步相量确定方法、***、装置及可读存储介质
CN107543962B (zh) 主导间谐波频谱分布的计算方法
CN109633266B (zh) 一种频率测量方法、***、装置及计算机可读存储介质
CN106501602B (zh) 一种基于滑窗频谱分离的基波参数测量方法
CN106980044B (zh) 一种适应风电接入的电力***谐波电流估计方法
CN108334822B (zh) 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法
CN111077386A (zh) 一种电气设备早期故障信号降噪方法
CN113032716A (zh) 基于加窗插值和Prony算法的谐波与间谐波分析方法
CN108197073B (zh) 一种改进的电动汽车充电电能信号特征分析方法
CN110163148B (zh) 一种电动汽车直流充电畸变信号自适应识别方法
CN114065114A (zh) 一种电容式电压互感器计量误差预测方法及***
CN110287853B (zh) 一种基于小波分解的暂态信号去噪方法
CN110045250B (zh) 一种电力电缆的绝缘状态判断方法及***
CN111913034A (zh) 一种基于高阶累积量与esprit算法的功率振荡检测方法
US20170363670A1 (en) Noise spectrum analysis for electronic device
CN109254202B (zh) 一种应用于配电网的同步相量测量装置
CN113358922B (zh) 非稳态电网信号的基波、谐波、间谐波电能功率测量方法
CN114184838A (zh) 基于sn互卷积窗的电力***谐波检测方法、***及介质
CN104360297B (zh) 一种基于瞬时值比较的pmu动态性能多指标测试方法
CN112269058A (zh) 电动汽车直流充电信号特征提取方法
CN117872039B (zh) 一种基于改进rbf网络的线路故障测距方法及***
Zhang et al. Denoising algorithm for dual-tree complex wavelet disturbance signal with improved threshold function

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant