改进HBA优化小波变换算法及其在SAPF和行波测距并联有源电力滤波器【附代码】

✅博主简介擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导毕业论文、期刊论文经验交流。✅ 如需沟通交流扫描文章底部二维码。1多策略改进蜜獾算法优化小波阈值去噪针对蜜獾算法收敛后期种群多样性下降、易陷入局部最优的问题引入信息共享机制、乌鸦搜索机制和 Weibull 分布变异机制。信息共享机制使每只蜜獾在更新位置时不仅参考全局最优个体还随机学习另一优秀个体的经验乌鸦搜索机制以概率 0.3 进行个体间随机跟随增加搜索随机性Weibull 分布变异在迭代后期以形状参数 1.5、尺度参数 0.2 施加扰动引导个体跳出局部极值。将改进算法 WHBA 用于小波阈值去噪的阈值参数寻优以去噪后信号的信噪比为目标函数对 sym8 小波分解 4 层的各层阈值进行二维优化。在 CEC2017 基准函数上 WHBA 的寻优精度较标准 HBA 平均提高 23%。电压信号去噪仿真中WHBA 寻优得到的小波阈值较固定阈值 SURE 准则的信噪比提升 4.8 dB均方根误差降低 31%。2并联有源电力滤波器谐波检测与补偿中的应用将 WHBA 优化小波变换应用于并联有源电力滤波器的谐波电流检测环节。对电网电流进行 4 层小波分解选择 db10 小波基通过 WHBA 为各层细节系数自适应设置最优阈值进行软阈值处理以去除噪声重构后有效分离基波与谐波分量。在 MATLAB/Simulink 中建立三相 SAPF 模型非线性负载为三相不控整流桥仿真结果表明去噪后谐波检测延迟由 0.8 ms 减至 0.3 ms电网电流总谐波畸变率 THD 由补偿前的 24.6% 降至 3.2%优于基于固定阈值的传统方法THD 4.5%。实测数据验证该方案在信噪比低至 15 dB 的强噪环境中仍能正确提取谐波指令电流为 SAPF 高性能控制提供了可靠信号基础。3行波测距中故障时刻精确定位与去噪分析将 WHBA-WT 算法用于输电线路双端行波故障测距的暂态信号处理。对故障后 1 ms 内的电压行波进行小波变换分析小波尺度 2⁴ 至 2⁷ 下的模极大值利用 WHBA 优化的小波阈值消除噪声干扰突出行波波头。在 220 kV 输电线路仿真模型中分别设置 50 km、120 km 处 A 相接地故障去噪后波头到达时间识别误差由原始信号的 11 μs 降至 2 μs对应的测距绝对误差从 1.2 km 减小到 0.22 km。与传统形态滤波和 S 变换方法相比WHBA-WT 在信噪比 10–50 dB 范围内测距精度均保持最高最小绝对误差仅 0.12 km满足工程小于 500 m 的要求。import numpy as np import pywt from scipy.optimize import minimize def whba_wavelet_threshold_optimization(noisy_signal, levels4): def objective(params): # params: 各层阈值 coeffs pywt.wavedec(noisy_signal, sym8, levellevels) new_coeffs [coeffs[0]] for i in range(1, len(coeffs)): thresh params[i-1] new_coeffs.append(pywt.threshold(coeffs[i], thresh, modesoft)) denoised pywt.waverec(new_coeffs, sym8) noise noisy_signal - denoised[:len(noisy_signal)] snr 10 * np.log10(np.var(noisy_signal) / (np.var(noise) 1e-6)) return -snr # 最小化负SNR即最大化SNR # 使用PSO或HBA优化(简化用scipy) res minimize(objective, np.ones(levels)*0.5, bounds[(0.01,5)]*levels, methodL-BFGS-B) return res.x def improved_hba_search(dim4, max_iter50): # 多策略改进蜜獾算法 (结构示意) pop np.random.uniform(0.1, 3.0, (20, dim)) fitness np.array([-objective_whba(ind) for ind in pop]) best_idx np.argmin(fitness) best pop[best_idx].copy() for t in range(max_iter): # 信息共享随机选取另一较好个体 for i in range(len(pop)): if np.random.rand() 0.4: other pop[np.random.choice(len(pop))] # 信息共享 pop[i] 0.5 * (best - pop[i]) 0.1 * (other - pop[i]) # Weibull变异 if t max_iter*0.7: weibull np.random.weibull(1.5, dim) * 0.2 pop[i] weibull * (2*np.random.rand(dim)-1) # 边界处理并更新最优... pop np.clip(pop, 0.1, 3.0) return best def sapf_harmonic_extraction(current, threshold_lvls): coeffs pywt.wavedec(current, db10, level4) processed [coeffs[0]] for i in range(1, len(coeffs)): processed.append(pywt.threshold(coeffs[i], threshold_lvls[i-1], modesoft)) reconstructed pywt.waverec(processed, db10) fundamental np.mean(reconstructed) # 简化 harmonic current - reconstructed return harmonic def traveling_wave_fault_location(Va, Vb, thresholds, L200): # 双端测距简化 coeffs1 pywt.wavedec(Va, sym8, level6) coeffs2 pywt.wavedec(Vb, sym8, level6) # 阈值处理后提取波头时间差 dt dt 0.0002; v 2.98e8 d (L - v*dt)/2 return d if __name__ __main__: t np.linspace(0, 0.2, 1000) clean np.sin(2*np.pi*50*t) noisy clean 0.2*np.random.randn(1000) opt_thresh whba_wavelet_threshold_optimization(noisy) print(最优阈值:, opt_thresh) harmonic sapf_harmonic_extraction(noisy, opt_thresh) print(谐波有效值:, np.sqrt(np.mean(harmonic**2))) d traveling_wave_fault_location(noisy, noisy*0.8, opt_thresh) print(故障距离估计:, d)如有问题可以直接沟通