基于云边端协同的电力网络自适应谐波辨别方法及系统

1.一种基于云边端协同的电力网络自适应谐波辨别方法，其特征在于，应用于边缘设备，所述边缘设备与云端服务器以及电力网络中的终端设备建立通信；所述方法包括：获取谐波辨别请求，所述谐波辨别请求中包括待辨别的电信号，所述待辨别的电信号为所述电力网络中的原始信号；将所述待辨别的电信号输入至预设模型，以使所述预设模型向所述电信号中加入高斯噪声以及解析信号，得到待分解信号，其中，高斯噪声参数包括高斯噪声的幅值顶点以及频率范围，所述高斯噪声参数由所述预设模型基于所述电信号确定；解析信号参数包括解析信号的幅值以及频率，所述解析信号参数由所述预设模型基于所述电信号确定；对所述待分解信号进行经验模态分解，得到所述待分解信号对应的多组IMF，其中，每组IMF对应所述电信号包含的一个频率；确定所述多组IMF的平均能量，获取IMF能量频谱图；基于所述IMF能量频谱图，确定所述IMF能量频谱图中随频率增加而出现的第一个极小值点，并确定频率小于所述第一个极小值点的频率的IMF为普通信号主导的IMF；从所述电信号中剔除所述普通信号主导的IMF，得到谐波信号；所述预设模型中包括粒子群算法，所述预设模型通过以下步骤得到：获取待训练数据，所述待训练数据为原始电信号数据，所述原始电信号数据中包括噪声、基波以及谐波；所述训练数据的标签为针对所述训练数据设置的高斯噪声幅值顶点范围以及高斯噪声频率范围；设置粒子群的大小与各粒子的初始速度以及初始位置，以及预设迭代次数；基于惯性权重、第一学习因子、第二学习因子、粒子当前速度、粒子当前位置、粒子最佳位置、粒子群最佳位置以及随机量更新各所述粒子的速度以及位置，其中，所述惯性权重用于评估粒子当前速度为更新后的粒子速度的影响，所述第一学习因子用于评估所述粒子最佳位置与所述粒子当前位置之间的差对所述更新后的粒子速度的影响，所述第二学习因子用于评估所述粒子群最佳位置与所述粒子当前位置之间的差对所述更新后的粒子速度的影响，所述随机量为预设系数与[0,1]内的随机数的乘积；在达到所述预设迭代次数的情况下，确定所述粒子群寻到的最优结果是否落在相应训练数据对应的高斯噪声幅值顶点范围以及高斯噪声频率范围内，若所述最优结果未落在所述相应训练数据对应的高斯噪声幅值顶点范围以及高斯噪声频率范围内，则调整所述惯性权重以及所述预设系数，返回所述基于惯性权重、第一学习因子、第二学习因子、粒子当前速度、粒子当前位置、粒子最佳位置、粒子群最佳位置以及随机量更新各所述粒子的速度以及位置的步骤，直至所述粒子群寻到的最优结果落在相应训练数据对应的高斯噪声幅值顶点范围以及高斯噪声频率范围内；确定此时的惯性权重为目标惯性权重，确定此时的预设系数为目标系数；所述高斯噪声参数通过以下步骤得到：基于所述待辨别的电信号设置高斯噪声幅值顶点范围以及频率范围；其中，所述高斯噪声幅值顶点小于所述电信号极值，所述频率范围最小值大于所述电信号中包含的频率范围的1/2；通过所述粒子群算法，基于所述目标惯性权重以及所述目标系数确定所述高斯噪声参数最优结果；在所述最优结果落在所述高斯噪声极值范围以及频率范围的情况下，将所述最优结果作为目标高斯噪声参数。 2.根据权利要求1所述的方法，其特征在于，所述普通信号包括基波信号以及噪声信号；所述基于所述IMF能量频谱图，确定所述IMF能量频谱图中随频率增加而出现的第一个极小值点，并确定频率小于所述第一个极小值点的频率的IMF为普通信号主导的IMF，包括：基于所述IMF能量频谱图，确定所述IMF能量频谱图中随频率增加而出现的第一个极小值点，并确定频率小于所述第一个极小值点的频率的IMF为噪声主导的IMF；所述方法还包括：从所述多组IMF中剔除所述噪声主导的IMF，并对剔除所述噪声主导的IMF后的剩余IMF进行重构，得到重构信号；对所述重构信号进行经验模态分解，得到所述重构信号对应的多组第二IMF，并确定所述多组第二IMF的平均能量，获得第二IMF能量频谱图；基于所述第二IMF能量频谱图，确定所述第二IMF能量频谱图中随频率增加而出现的第一个极小值点，并确定频率小于所述第一个极小值点的频率的第二IMF为基波主导的IMF；所述从所述电信号中剔除所述普通信号主导的IMF，得到谐波信号，包括：从所述电信号中剔除所述噪声主导的IMF以及所述基波主导的IMF，得到谐波信号。 3.根据权利要求1所述的方法，其特征在于，按照以下公式更新所述粒子的速度：其中， 为粒子p的更新后速度，w为惯性权重， 为粒子p的当前速度，c1为第一学习因子，c2为第二学习因子， 、 以及 均为[0,1]内的随机数， 为粒子p的最佳位置， 为粒子p的当前位置， 为粒子群的最佳位置， 为预设系数；所述惯性权重与粒子优劣程度参量正相关，所述粒子优劣程度参量为与粒子当前位置与粒子群最佳位置之间的差正相关，与粒子群最佳位置与粒子群最差位置之间的差负相关；所述方法还包括：在所述粒子的最佳位置未更新迭代次数超过预设迭代次数阈值的情况下，确定当前速度低于预设速度阈值的低速粒子；更新所述低速粒子的速度以及当前位置，使得所述低速粒子的当前速度不小于所述预设速度阈值。 4.根据权利要求1所述的方法，其特征在于，所述第一学习因子以及第二学习因子通过以下公式得到：其中，c1为第一学习因子，c2为第二学习因子，c max 为所述粒子群中各粒子的第一学习因子以及第二学习因子中的最大值，cmin为所述粒子群中各粒子的第一学习因子以及第二学习因子中的最小值，I为预设迭代次数，i为当前迭代次数。 5.根据权利要求1所述的方法，其特征在于，所述谐波辨别请求中还包括噪声参数，所述噪声参数包括噪声幅值以及频率；所述噪声参数通过所述终端设备处设置的滤波器得到；所述解析信号为正弦函数或余弦函数，且所述解析信号的幅值以及频率与所述噪声幅值以及频率相同。 6.一种基于云边端协同的电力网络自适应谐波辨别系统，其特征在于，所述系统包括：云端服务器、边缘设备以及终端设备，所述终端设备为电力网络中的任意类型的终端设备；所述终端设备，用于发送谐波辨别请求，所述谐波辨别请求中包括待辨别的电信号以及所述电信号中包括的噪声的噪声参数，所述噪声参数包括噪声幅值以及频率，所述待辨别的电信号为所述电力网络中的原始信号；所述边缘设备，用于将所述待辨别的电信号输入至预设模型，以使所述预设模型向所述电信号中加入高斯噪声以及解析信号，得到待分解信号，其中，高斯噪声参数包括高斯噪声的幅值顶点以及频率范围，所述高斯噪声参数由所述预设模型基于所述电信号确定；解析信号参数包括解析信号的幅值以及频率，所述解析信号参数由所述预设模型基于所述电信号确定；对所述待分解信号进行经验模态分解，得到所述待分解信号对应的多组IMF，其中，每组IMF对应所述电信号包含的一个频率；确定所述多组IMF的平均能量，获取IMF能量频谱图；基于所述IMF能量频谱图，确定所述IMF能量频谱图中随频率增加而出现的第一个极小值点，并确定频率小于所述第一个极小值点的频率的IMF为普通信号主导的IMF；从所述电信号中剔除所述普通信号主导的IMF，得到谐波信号；将所述电信号、高斯噪声参数、解析信号参数、普通信号主导的IMF以及所述谐波信号发送至所述云端服务器；所述云端服务器，用于存储所述电信号、高斯噪声参数、解析信号参数、普通信号主导的IMF以及所述谐波信号，并基于所述高斯噪声参数更新所述电信号对应的高斯参数范围；所述预设模型中包括粒子群算法，所述预设模型通过以下步骤得到：获取待训练数据，所述待训练数据为原始电信号数据，所述原始电信号数据中包括噪声、基波以及谐波；所述训练数据的标签为针对所述训练数据设置的高斯噪声幅值顶点范围以及高斯噪声频率范围；设置粒子群的大小与各粒子的初始速度以及初始位置，以及预设迭代次数；基于惯性权重、第一学习因子、第二学习因子、粒子当前速度、粒子当前位置、粒子最佳位置、粒子群最佳位置以及随机量更新各所述粒子的速度以及位置，其中，所述惯性权重用于评估粒子当前速度为更新后的粒子速度的影响，所述第一学习因子用于评估所述粒子最佳位置与所述粒子当前位置之间的差对所述更新后的粒子速度的影响，所述第二学习因子用于评估所述粒子群最佳位置与所述粒子当前位置之间的差对所述更新后的粒子速度的影响，所述随机量为预设系数与[0,1]内的随机数的乘积；在达到所述预设迭代次数的情况下，确定所述粒子群寻到的最优结果是否落在相应训练数据对应的高斯噪声幅值顶点范围以及高斯噪声频率范围内，若所述最优结果未落在所述相应训练数据对应的高斯噪声幅值顶点范围以及高斯噪声频率范围内，则调整所述惯性权重以及所述预设系数，返回所述基于惯性权重、第一学习因子、第二学习因子、粒子当前速度、粒子当前位置、粒子最佳位置、粒子群最佳位置以及随机量更新各所述粒子的速度以及位置的步骤，直至所述粒子群寻到的最优结果落在相应训练数据对应的高斯噪声幅值顶点范围以及高斯噪声频率范围内；确定此时的惯性权重为目标惯性权重，确定此时的预设系数为目标系数；所述高斯噪声参数通过以下步骤得到：基于所述待辨别的电信号设置高斯噪声幅值顶点范围以及频率范围；其中，所述高斯噪声幅值顶点小于所述电信号极值，所述频率范围最小值大于所述电信号中包含的频率范围的1/2；通过所述粒子群算法，基于所述目标惯性权重以及所述目标系数确定所述高斯噪声参数最优结果；在所述最优结果落在所述高斯噪声极值范围以及频率范围的情况下，将所述最优结果作为目标高斯噪声参数。 7. 一种电子设备，包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-5中任一项所述的方法。 8.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。