一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法与流程

本发明涉及电动汽车充电站内同次多谐波电流源叠加预测评估领域，特别涉及一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法。

背景技术：

随着化石能源的日趋枯竭，气候变化和环境污染等问题的日益加剧，已经严重威胁到人类的生存和社会的可持续发展。电动汽车(electricvehicle，ev)作为新一代环保型交通工具，在节能减排、减缓温室效应、减少人类对传统化石能源的依赖以及保障石油供应安全等方面有着传统汽车无法比拟的优势，随之配套的大规模充电站也发展迅猛。然而，大规模电动汽车快速充电站的接入势必会给配电网的电能质量问题带来不可忽视的影响，因为快速充电站中含有多台大功率整流装置，其作为一种非线性负载，当其投入使用时会产生大量谐波，由于非线性负荷的参数、开关状态、运行方式的变化等都是随机的，因而投入使用的充电桩产生的谐波电流具有随机性与不确定性，充电站产生的谐波电流难以精确检测。当这些谐波电流注入配电网时，会造成电网电压波形畸变、降低电力系统功率因数、增加系统损耗等危害。因此建立其谐波源叠加数学模型，进而对充电桩的谐波叠加进行分析研究，对抑制和治理充电站谐波，保障配电网电能质量等具有重要的意义。

目前国家标准规定负荷接入系统前必须满足谐波标准gb/t14549-1993《电能质量公用电网谐波》，低压(380v)的电压总谐波畸变率为5％。充电站内谐波检测需要考虑多个谐波源的同次谐波电流在同一条线路的叠加，目前对于充电站内谐波叠加检测有以下几种最常见的算法：目前普遍采用的是国标谐波叠加系数方法，但该方法需要站内谐波相位满足一定的分布且受站内各种因素的影响，该方法检测精度较低、效果较差；另外利用蒙特卡洛检测方法进行随机采样计算随机变量，避免了出现在分析过程中的随机变量相互关联的问题，该方法具有很高的检测精确性，但需要复杂的采样以及大量的计算；此外还有采用一种谐波概率密度函数进行谐波叠加预测，这种方法不需要谐波满足某种特殊分布，适用于处理各种不同分布的谐波，但是该方法需要大量的样本采集，采样过程较为复杂。

目前针对充电站内谐波叠加检测算法大多是需要足够多的样本数据，且样本数据需满足某种固定的分布，由于此类算法没有对数据分布进行验证分析，所以具有一定的片面性与局限性，且检测精度有待提高，因此本文采用一种基于变分贝叶斯参数学习方法的充电站谐波电流检测算法，对满足正态高斯分布的谐波电流相位进行后验分析，确保其逼近参数的真实后验分布，从而提高检测的精确性。

技术实现要素：

针对目前电动汽车充电站内大规模充电桩随机接入电网产生的谐波电流的叠加检测问题，本发明提出了一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法，用以解决对充电桩随机接入配电网产生的谐波电流叠加检测的问题，确保谐波电流叠加检测的准确性，为采取准确的谐波治理方案提供有效的依据。

本发明的技术方案是：一种基于变分贝叶斯参数学习方法的电动汽车充电站谐波电流检测算法，其特征包括以下步骤：

步骤1：建立电动汽车充电站等效电路模型及其数学模型，充电机模型中的负载其中e为充电桩输入电压，rc为等效电阻，l为滤波电感，c为滤波电容，ul、il为经过lc滤波后输出的电压、电流。设p1为输入功率，rc随着输出功率的变化而变化，充电机等效负载模型及其输出功率模型为当输入电压e＝emsin(wt+θ)，电流id为：其中τ＝2ωrc。由此可见，网侧电流i正半周与id相同，负半周与正半周镜像对称，因此系统中只含有奇次的谐波电流。根据上述充电转模型，利用随机数算法与比较模块控制该充电桩是否接入电网系统，形成充电站模型。在大规模充电站中，受电动汽车电池与充电桩整流室的影响，每台充电桩在充电时产生的谐波电流的幅值和相位会不断地发生改变，充电桩理想化谐波电流信号数学模型可描述为：其中，n＝1,2,3,...,n为谐波的序号；an,ωn分别为第n个谐波的幅值、相位角和角速度；v(t)为高斯噪声；角速度ωn＝2πfn。假定i1、i2、…、in分别表示充电站中n台充电桩随机产生的的n个同次谐波向量，其幅值和相角是随机变化。因此n个同次谐波叠加为it＝i1t(cosθ1t+jsinθ1t)+i2t(cosθ2t+jsinθ2t)+…+int(cosθnt+jsinθnt)，其中it为任意n个同次谐波叠加后的瞬时值，i1t,i2t,…,int为随机n个同次谐波的瞬时值，θ1t,θ2t,…,θnt为随机n个同次谐波的瞬时相角值。将多谐波的叠加定义为任意两个谐波的叠加后再与第三个谐波进行叠加，以此类推。当任意两个随机谐波变量的瞬时值叠加时，其有效值为：对其求期望值，得：上式可以等价转换为：其中定义kn＝e(cosθ)＝e(cos(θ1-θ2))为同次谐波叠加系数。

步骤2：将量测看成是由多目标随机分布的谐波产生且谐波的相位是随机变化的，即将谐波量测产生点集合看成随机集，通常情况下，量测产生点的谐波相位均服从高斯正态分布。

假定k时刻有n(k)个目标，m(k)个量测集，在随机有限集(rfs)方法中，目标k时刻的谐波相位状态集合和zk可以看成如下随机集：根据谐波相位的状态空间与量测空间。可以假设单个谐波目标的状态方程与量测方程公式为：其中θk表示目标在k时刻的状态，f和g分别是量测谐波的状态转移矩阵和输入矩阵，h是观测矩阵，σk和vk是状态噪声和量测噪声，常态下其值为0，而表示量测谐波相位产生点。为k时刻谐波相位观测目标状态随机集，z为隐变量，则谐波叠加相位的先验信息为p(θk,z)，利用多组较易处理的q(θk,z)去逼近参数的真实后验分布

步骤3：变分贝叶斯方法通过最大化变分参数的对数边缘似然函数的下界求得模型参数，并利用中均值理论，将多变量的联合概率分布近似为各变量边缘概率分布的乘积，使得对多变量的联合估计方便的转化为对这些变量边缘分布的迭代估计，计算复杂度显著降低，计算效率得到提高，贝叶斯模型的对数边缘似然函数为：式中为q(θk,z)与之间的kl散度，f(q(θk,z))为变分自由变量，当q(θk,z)与同分布时等号成立，此时散度最小，f(q(θk,z))达到最大值。因此，从几何意义上看，f(q(θk,z))是的下界。最大化变分自由能量等价于最小化q(θk,z)与之间的kl散度，当kl散度为0，即时，近似分布可等价于原分布，此时的下界最大。变分贝叶斯学习通过q(θk,z)的迭代实现f(q(θk,z))最大化。令q(θk,z)＝q(θk)q(z)，根据变分学泛函理论，分别对q(θk)与q(z)求偏导，可得到相应的通解为：上式中分母是归一化因子常数，而每一个参数的分布q(θi)都需要涉及对其他分布q(θk)期望的计算，因此初始化q(θ,z)中的超参数，在进行循环迭代参数更新，每循环步骤计算可得：直到δf＝|fm(q(θk))-fm-1(q(θk))|＜t，t为设定的下界阈值，数量级较低，用于判断收敛，m代表循环次数。当δf＜t时，可以认定该算法已经接近收敛，从而得到逼近于原相位分布的近似相位分布此时可以将相位分布代入谐波相位叠加系数计算kn＝e(cosθ)＝e(cos(θ1-θ2))中，从而可以得到正确的谐波相位叠加系数kn值。

附图说明

图1是电动汽车充电站内充电桩随机接入电网的等效电路模型图；

图2是同次多谐波电流相量叠加示意图；

图3是基于变分贝叶斯学习算法谐波电流叠加算法流程图；

图4是充电站内5次谐波电流叠加曲线图；

图5是充电站内13次谐波电流叠加曲线图。

具体实施方式

下面将结合附图对本发明做进一步的详细说明。

参见图1所示，电动汽车充电站内充电桩随机接入电网的等效电路模型图。其中以非线性负载作为充电桩的等效数学模型，加入随机数算法控制非线性负载是否接入系统，形成电动汽车充电站内充电桩随机接入电网的等效模型。

所述充电站内充电桩随机接入电网的等效数学模型包括以下三部分：

(1)以非线性负载作为充电桩的等效数学模型，充电桩模型中的负载为输出功率模型为

(2)利用随机数算法生成固定范围内的随机数，采用比较模块与固定参数ρ比较，形成开关s1、s2、……、sn，从而判断该非线性负载是否接入电网。

(3)根据上述负载模型与功率输出模型，设定每台充电桩输入电压e＝emsin(wt+θ)，此时电流因为网侧电流i正半周与id相同，负半周与正半周镜像对称，因此系统中只含有奇次的谐波电流。

参见图2所示，同次多谐波电流相量叠加示意图。充电桩谐波电流数学模型可以描述为：其中n＝1,2,3,...,n为谐波的序号；an,ωn分别为第n个谐波的幅值、相位角和角速度；v(t)为高斯噪声；角速度ωn＝2πfn。i1、i2、…、in分别表示充电站中n台充电桩随机产生的的n个同次谐波向量，其幅值和相角是随机变化。it＝i1t(cosθ1t+jsinθ1t)+i2t(cosθ2t+jsinθ2t)+…+int(cosθnt+jsinθnt)，其中it为任意n个同次谐波叠加后的瞬时值，i1t,i2t,…,int为随机n个同次谐波的瞬时值，θ1t,θ2t,…,θnt为随机n个同次谐波的瞬时相角值。将多谐波的叠加定义为任意两个谐波的叠加后再与第三个谐波进行叠加，以此类推。当任意两个随机谐波变量的瞬时值叠加时，并求期望值可以得上式可以等价转换为其中谐波叠加系数kn＝e(cosθ)＝e(cos(θ1-θ2))

参见图3所示，基于变分贝叶斯学习算法谐波电流叠加算法流程图。首先根据图1建立电动汽车充电站内充电桩随机接入电网的等效电路模型，得到正确的谐波电流函数，并根据国标谐波电流叠加算法进行谐波电流叠加，并进行最优谐波叠加系数计算。然后进行谐波电流相位样本采集，假定k时刻有n(k)个目标，m(k)个量测集，在随机有限集(rfs)方法中，目标k时刻的谐波相位状态集合和zk可以看成如下随机集：假设单个谐波目标的状态方程与量测方程公式为：其中θk表示目标在k时刻的状态，f和g分别是量测谐波的状态转移矩阵和输入矩阵，h是观测矩阵，σk和vk是状态噪声和量测噪声，常态下其值为0，而表示量测谐波相位产生点。为k时刻谐波相位观测目标状态随机集，z为隐变量，则谐波叠加相位的先验信息为p(θk,z)，利用多组较易处理的q(θk,z)去逼近参数的真实后验分布最后通过变分贝叶斯方法通过最大化变分参数的对数边缘似然函数的下界求得模型参数，并利用中均值理论，将多变量的联合概率分布近似为各变量边缘概率分布的乘积，使得对多变量的联合估计方便的转化为对这些变量边缘分布的迭代估计，计算复杂度显著降低，计算效率得到提高，贝叶斯模型的对数边缘似然函数为：

上式中为q(θk,z)与之间的kl散度，f(q(θk,z))为变分自由变量，当q(θk,z)与同分布时等号成立，此时散度最小，f(q(θk,z))达到最大值。因此，从几何意义上看，f(q(θk,z))是的下界。最大化变分自由能量等价于最小化q(θk,z)与之间的kl散度，当kl散度为0，即时，近似分布可等价于原分布，此时的下界最大。变分贝叶斯学习通过q(θk,z)的迭代实现f(q(θk,z))最大化。令q(θk,z)＝q(θk)q(z)，根据变分学泛函理论，分别对q(θk)与q(z)求偏导，可得到相应的通解为：

上式中分母是归一化因子常数，而每一个参数的分布q(θi)都需要涉及对其他分布q(θk)期望的计算，因此初始化q(θ,z)中的超参数，在进行循环迭代参数更新，每循环步骤计算可得：直到δf＝|fm(q(θk))-fm-1(q(θk))|＜t，t为设定的下界阈值，数量级较低，用于判断收敛，m代表循环次数。当δf＜t时，可以认定该算法已经接近收敛，从而得到逼近于原分布的近似分布此时可以将分布代入kn＝e(cosθ)＝e(cos(θ1-θ2))中，从而可以得到正确的kn值。

参见图4所示，充电站内5次谐波电流叠加曲线图。对多台充电桩谐波电流以及充电站的总谐波电流进行采样，将采样的相位代入上述的贝叶斯参数后验估计算法中，从而得到逼近于原分布的近似分布从而可以计算得到正确的kn值。5次谐波电流叠加的计算结果如图4所示，可以看出基于变分贝叶斯后验估计的谐波叠加曲线与实际叠加曲线基本一致，而采用国标的谐波叠加曲线存在一定的偏差。

参见图5所示，充电站内13次谐波电流叠加曲线图。对多台充电桩谐波电流以及充电站的总谐波电流进行采样，将采样的相位代入上述贝叶斯参数后验估计算法中，从而得到逼近于原分布的近似分布从而可以计算得正确的kn值。13次谐波电流叠加的计算结果如图5所示，可以看出利用该算法得到的谐波曲线与真实曲线波形基本一致，检测效果较好。

最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。