一种基于间谐波分量的直流充电设备状态估计方法与流程

本发明涉及电力自动化，尤其涉及一种基于间谐波分量的直流充电设备状态估计方法。

背景技术：

1、对于电动汽车来说最重要的是电池和充电设备，目前电动汽车的充电设备有交流充电桩、车载充电机、直流充电桩。交流充电桩内部无充电模块，需要和车载充电机配套使用，而车载充电机是小功率慢充，充电速率慢、充电时间久。直流充电桩是大功率快充，内置充电模块，用于满足家用汽车和客车等快速充电的需求，是电动汽车充电设备未来发展的方向。

2、直流充电设备从功能逻辑上在系统级、模块级、板件级、器件级呈现梯阶分布式结构，结构中各相关节点的控制信息和故障信息之间存在或强或弱的关联性，不断影响着系统内、外部特性的变化。目前对直流充电设备失效的研究多集中在各种外部特性，对内部的失效机理及过程仍缺乏深入的研究，并且无法在故障发展阶段监测故障征兆，难以适应新型配电网理念。鉴于直流充电设备的潜隐性故障具有趋势性和累积效应，使其可以被鉴别和诊断，在故障发展阶段实时诊断、预警并采取相应的容错运行策略，可以防止事故发生甚至扩大，对保障电网安全、可靠、稳定运行具有重要的意义。

技术实现思路

1、本发明的目的在于提供一种基于间谐波分量的直流充电设备状态估计方法，以解决上述背景技术中提出的问题。

2、本发明是通过以下技术方案实现的：一种基于间谐波分量的直流充电设备状态估计方法，该方法的具体步骤包括：

3、s1、对充电桩交流侧的电流以及电压信号进行采样；

4、s2、将所述电流以及电压信号进行小波变换预处理，得到谐波小波能量熵；

5、s3、利用加权小波能量熵理论计算所述能量熵，得到含有权重因子的能量熵序列；

6、s4、根据所述能量熵序列实验对比确定模糊加权系数；

7、s5、基于聚类并根据所述模糊加权系数对能量熵序列中的典型熵值进行聚类分析；

8、s6、将聚类分析结果输入lstm神经网络进行训练，实现故障特征比对。

9、优选地，所述谐波小波能量熵的表达式为：

10、

11、其中ξ为谐波小波能量熵，pj为相对能量满足公式。

12、优选地，所述含有权重因子的能量熵序列表达式为：

13、entropynew(k)＝a*(entropy(k)-entropy_nean)

14、其中，权重因子的表达式为：

15、a＝bδ4/(entropy-υ)4

16、其中，entropy(k)为每个序列的能量熵大小，

17、b为比例因子，υ表示能量熵序列的均值，δ表示能量熵序列的标准差。

18、优选地，所述模糊加权系数的取值为1.8。

19、优选地，所述能量熵序列中的典型熵值包括故障熵，所述故障熵特征隶属度函数表达式为：

20、

21、优选地，根据所述故障熵特征隶属度函数计算对应的聚类中心值为：

22、

23、其中，μij为故障熵特征隶属度函数。

24、优选地，根据所述聚类中心值得到的隶属度矩阵通过式为：

25、其中，μij为故障熵特征隶属度函数，dij为样本xi到类中心vj的距离,类中心数据集v＝{v1,v2,…,vc}，vj(j＝1,2,…,c)为第j个聚类中心。

26、优选地，根据所述隶属度矩阵通过式进行循环计算，得到的聚类分析结果为：

27、

28、其中，dkj为样本xj到各聚类中心vk的距离，k＝1～50。

29、优选地，所述lstm神经网络的训练值分别为：学习率设置为0.001；神经网络的隐式层设置为100，最大轮数设置为100。

30、与现有技术相比，本发明达到的有益效果如下：

31、本发明提供的一种基于间谐波分量的直流充电设备状态估计方法，该方法首先对采样后的电压和电流信号进行小波变换预处理；其次，找出各信号特征分量的能量熵，分别分析能量熵序列的内部变异性，引入加权系数，经数学处理后得到改进的能量熵序列；最后，将改进后的能量熵序列作为lstm神经网络的训练样本，实现算法在不同新能量占用比下的判断准确率，能够在故障发展阶段监测故障征兆，适应新型配电网理念，防止事故发生甚至扩大，保障电网安全、可靠、稳定运行。

技术特征：

1.一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，该方法的具体步骤包括：

2.根据权利要求1所述的一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，所述谐波小波能量熵的表达式为：

3.根据权利要求1所述的一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，所述含有权重因子的能量熵序列表达式为：

4.根据权利要求1所述的一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，所述模糊加权系数的取值为1.8。

5.根据权利要求4所述的一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，所述能量熵序列中的典型熵值包括故障熵，所述故障熵特征隶属度函数表达式为：

6.根据权利要求5所述的一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，根据所述故障熵特征隶属度函数计算对应的聚类中心值为：

7.根据权利要求6所述的一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，根据所述聚类中心值得到的隶属度矩阵通过式为：

8.根据权利要求7所述的一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，根据所述隶属度矩阵通过式进行循环计算，得到的聚类分析结果为：

9.根据权利要求1所述的一种基于间谐波分量的直流充电设备状态估计方法，其特征在于，所述lstm神经网络的训练值分别为：学习率设置为0.001；神经网络的隐式层设置为100，最大轮数设置为100。

技术总结
本发明提供一种基于间谐波分量的直流充电设备状态估计方法，步骤为对充电桩交流侧的电流以及电压信号进行采样；将所述电流以及电压信号进行小波变换预处理，得到谐波小波能量熵；利用加权小波能量熵理论计算所述能量熵，得到含有权重因子的能量熵序列；根据所述能量熵序列实验对比确定模糊加权系数；基于聚类并根据所述模糊加权系数对能量熵序列中的典型熵值进行聚类分析；将聚类分析结果输入LSTM神经网络进行训练，实现故障特征比对。本发明将改进后的能量熵序列作为LSTM神经网络的训练样本，实现算法在不同新能量占用比下的判断准确率，能够在故障发展阶段监测故障征兆，适应新型配电网理念，防止事故发生甚至扩大，保障电网安全、可靠、稳定运行。

技术研发人员：庞松岭,张晨佳,范凯迪,赵雨楠,张瑞恩,霍美屹
受保护的技术使用者：海南电网有限责任公司电力科学研究院
技术研发日：
技术公布日：2024/2/29