[发明专利]一种电动汽车充电站谐波电流检测算法

摘要

本发明公开一种电动汽车充电站谐波电流检测算法，首先建立充电机等效电路模型，并利用随机数算法与比较模块判断是否将此充电桩随机接入配电网系统，然后对满足高斯正态分布的谐波电流进行理想叠加计算，得到理想的谐波叠加系数计算方法，最后对谐波相位进行采样，组成状态空间与量测空间两组随机集，用变分贝叶斯参数学习方法对数边缘似然函数的下界求得模型参数，不断最大化边缘似然函数的下界，迭代地更新变分相位参数，直至近似分布逼近参数的真实后验分布，从而实现谐波相位叠加检测，谐波相位分布代入上述的谐波叠加系数计算方法中，得到实际的谐波叠加系数，实现充电站内同次多谐波电流叠加的精确检测。

主权项

1.一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，其特征在于：利用变分贝叶斯参数学习方法对充电站内同次谐波电流相位叠加计算，针对满足高斯正态分布的谐波电流信号，建立谐波电流相位的混合高斯正态分布模型，采用变分贝叶斯学习算法进行模型的参数估计，对谐波相位的状态空间与量测空间的两组随机集利用变分贝叶斯方法进行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，贝叶斯模型的对数边缘似然函数如下所示：上式中为q(θ_k,Z)与之间的KL散度，F(q(θ_k,Z))为变分自由变量，当q(θ_k,Z)与同分布时等号成立，此时散度最小，F(q(θ_k,Z))达到最大值；从几何意义上看，F(q(θ_k,Z))是的下界，最大化变分自由能量等价于最小化q(θ_k,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(θ_k,Z)的迭代实现F(q(θ_k,Z))最大化，令q(θ_k,Z)＝q(θ_k)q(Z)，根据变分学泛函理论，分别对q(θ_k)与q(Z)求偏导，可得到相应的通解：上式中分母是归一化因子常数，而每一个参数的分布q(θ_i)都需要涉及对其他分布q(θ_k)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，每一循环步骤计算可得：直到ΔF＝|F_M(q(θ_k))‑F_M‑1(q(θ_k))|＜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，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将相位分布代入波相位叠加系数计算K_n＝E(cosθ)＝E(cos(θ₁‑θ₂))中，从而得到正确的谐波相位叠加系数K_n值。