CN100383537C - 基于自适应神经元在线整定的谐波检测方法 - Google Patents

基于自适应神经元在线整定的谐波检测方法 Download PDF

Info

Publication number
CN100383537C
CN100383537C CNB2004100184707A CN200410018470A CN100383537C CN 100383537 C CN100383537 C CN 100383537C CN B2004100184707 A CNB2004100184707 A CN B2004100184707A CN 200410018470 A CN200410018470 A CN 200410018470A CN 100383537 C CN100383537 C CN 100383537C
Authority
CN
China
Prior art keywords
current
harmonic
value
amplitude
taken
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CNB2004100184707A
Other languages
English (en)
Other versions
CN1580791A (zh
Inventor
王冲
陈陈
解大
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CNB2004100184707A priority Critical patent/CN100383537C/zh
Publication of CN1580791A publication Critical patent/CN1580791A/zh
Application granted granted Critical
Publication of CN100383537C publication Critical patent/CN100383537C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于自适应神经元在线整定的谐波检测方法,用于电流信号处理技术领域。步骤如下:将电压作为参考输入,负载电流作为原始输入,通过实时运算输出与负载电流基波有功分量幅值、相位均相等的信号,将此信号从负载电流中扣除后,得到谐波和无功电流分量的总和;同时为了提高计算的速度和精度,对学习速率和积分环节的进行在线整定:通过对谐波电流的采样值数据窗分析,判断谐波是否发生或突变,在检测的初始阶段或者电流突变情况下,学习速率先取较大值,再取较小值;通过权值理论计算式可计算出权值初始值的估计值,从而以优化的初始值重新进行积分。本发明明显提高了算法速度和精度,优化了算法实时计算性能。

Description

基于自适应神经元在线整定的谐波检测方法
技术领域
本发明涉及一种谐波和无功电流分量的精确快速检测方法,具体是一种基于自适应神经元在线整定的谐波检测方法,用于电流信号处理技术领域。
背景技术
随着电力系统自动化和信息化程度的提高,出现了很多先进设备,如有源电力滤波器、静止无功补偿器和动态电压恢复器等,对它们而言,实时计算控制流程算法中的谐波和无功电流的检测是整个方案的关键,能否快速精确的检测出需补偿的分量,并具有良好的动态跟踪性能,决定了整个自动化装置的工作性能。
谐波和无功电流检测方法一般有:(1)基于频域分析的FFT方法,其特点是速度慢,且对高次谐波检测的效果不佳,同时无法检测出无功分量。(2)用模拟带通滤波器或陷波器检测高次谐波电流。由于滤波器的中心频率固定,当电网频率波动时,滤波器效果将随之变差。此外,滤波器的中心频率对元件的参数十分敏感,这样较难得到理想的幅频特性和相频特性。该法也不能分离出无功电流。(3)基于“瞬时无功功率理论”的电流检测法。该理论发展出了p-q法和ip-iq法,这两类算法用模拟电路和数字电路都可实现,但缺点是计算量大,涉及的数字信号处理算法复杂,实时性较差。(4)自适应谐波检测方法。
经文献检索发现,Qun Wang等人在《IEEE TRANSACTIONS ON INSTRUMENTATIONAND MEASUREMENT》VOL.50,NO.1,FEBRUARY 2001上发表的“A Neuron AdaptiveDetecting Approach of Harmonic Current for APF and Its Realization ofAnalog Circuit”(王群等,“有源电力滤波器谐波检测的神经元自适应方法及模拟电路的实现”,IEEE仪器和测量期刊,50卷1号,2001年2月),该文介绍:自适应谐波检测方法基于自适应噪声对消原理,经过自适应滤波处理,输出负载电流中的有功分量,将此分量从负载电流中减去就得到高次谐波和无功分量。此方法明显的优点是,实时计算量小,简洁快速;工作特性不受硬件器件参数变化和电压波形畸变的影响,具有良好的自适应能力。但该方法仍存在明显的缺陷,即检测精度和速度性能存在互相制约关系:如果为了保持谐波计算的高精度,则计算的收敛速度很慢;如果提高检测速度则又会明显降低计算精度,所以该方法难以同时达到最佳的计算速度和精度。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于自适应神经元在线整定的谐波检测方法,本发明可应用于对电流信号的实时快速精确分析计算,应用于电力系统的实时监测、补偿和控制,以及用于高要求高精度等特殊场合电源的辅助优化。
本发明是通过以下技术方案实现的,本发明包括步骤如下:
(1)信号实时迭代运算
将电压us作为参考输入,负载电流is作为原始输入,us经适应滤波器滤波处理后,输出与负载电流基波有功分量isf幅值、相位均相等的信号,将此信号从负载电流中扣除后,得到谐波和无功电流分量的总和ish。自适应滤波器可用单神经元代替。对于每一采样点的计算过程中,只有4步乘法,3步加法,计算量很少。
(2)学习速率在线整定
学习速率η取较大和较小值各有优缺点,可将二者的优点结合起来。在检测的初始阶段或者电流突变情况下,利用η取较大值(无量纲数350)时收敛速度快的优点,使补偿后的电流波形很快进入稳定阶段;然后利用η取较小值(无量纲数10)时精度高的优点,提高此时的检测精度,这样可达到理想的检测精度和速度的统一。
通过在算法中添加一判断环节实现对η大小的在线整定。对谐波电流的采样值数据窗分析,一般数据窗长度为半个周期,根据前后数据窗值域变化是否超出一定范围,一般取前一数据窗幅值的30%,来判断谐波是否发生或突变。
(3)权值初始值在线整定和重新积分
为了提高算法的收敛速度,当谐波发生突变时,需要进行权值初始值在线整定和重新积分。神经元权值较难确定,由谐波电流和参考电压的幅值通过权值理论值计算式
Figure C20041001847000051
得到W(0)的估计值。一般情况下,取0.85或者根据实际工况取估计值,取谐波电流的幅值作为基波分量幅值的估计值,这是因为两者相差不大,如畸变严重的方波,如电流波形幅值为1,基波分量幅值也仅为4/π≈1.273。电压电流的幅值用采样值数据窗得到。这样,如果发生了谐波突变,这样用估算得到的新权值估计值重新积分,可以有效缩短神经元学习过程,提高计算收敛速度。
本发明在自适应神经元算法的基础上,对影响算法速度和精度的关键参数进行在线整定,从而在保持自适应算法自身优点的同时,明显提高算法的速度和精度,提高了算法的实时计算性能。本发明可应用于对电流信号的实时快速精确分析计算,应用于电力系统的实时监测、补偿和控制,以及用于高要求高精度等特殊场合电源的辅助优化。
附图说明
图1本发明方法原理框图
具体实施方式
结合本发明的内容提供以下实施例:
如图1所示,输入为电流信号is和电压信号us,计算主流程是图中对电压、电流信号的乘法、积分等运算,ish为计算输出的谐波分量。同时,对电流信号进行权值和积分,和学习速率η的在线整定计算:权值初始值和积分控制模块控制着积分过程的重新开始,已经积分初始值的优化;而学习速率整定模块控制着学习速率η的优化。整个计算流程中,根据电流的实时状况优化主流程中的计算参数,达到计算速度和精度的最佳效果。
现以电流谐波状况严重的方波为例,其电流波形畸变率THD(TotalHarmonics Distortion)高达48.33%。对于没有采用改进方法的一般自适应神经元算法,当学习速率η取较小值时,尽管精度很高,滤除计算出的谐波分量后THD降为1.58%,但这需要近20个周期才能收敛并达到这样的效果;当η取较大值时,尽管计算收敛速度很快,半个周期就能收敛,但精度较差,滤除谐波分量后的THD达到了5.81%。可见,原来的方法难以达到计算收敛速度和精度的统一。
而采用了学习速率和权值估计值在线整定的改进方法,计算只需半个周期10ms就可以收敛稳定,而且滤除谐波分量后的THD可降至1.58%,可见改进方法不仅收敛速度很快,而且计算精度也相当高。

Claims (1)

1.一种基于自适应神经元在线整定的谐波检测方法,其特征在于,包括步骤如下:
(1)将电压us作为参考输入,负载电流is作为原始输入,us经适应滤波器滤波处理后,输出与负载电流基波有功分量isf幅值、相位均相等的信号,将此信号从负载电流中扣除后,得到谐波和无功电流分量的总和ish
(2)学习速率在线整定:
①在检测的初始阶段或者电流突变情况下,学习速率η取较大值,无量纲数350,使补偿后的电流波形很快进入稳定阶段;然后η取较小值,无量纲数10,提高此时的检测精度;
②对谐波电流的采样值数据窗分析,数据窗长度为半个周期,根据前后数据窗值域变化来判断谐波是否发生或突变;
(3)权值初始值在线整定和重新积分,神经元权值由谐波电流和参考电压的幅值通过:
Figure C2004100184700002C1
得到W(0)的估计值,取谐波电流的幅值作为基波分量幅值的估计值,电压电流的幅值用采样值数据窗得到。
CNB2004100184707A 2004-05-20 2004-05-20 基于自适应神经元在线整定的谐波检测方法 Expired - Fee Related CN100383537C (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CNB2004100184707A CN100383537C (zh) 2004-05-20 2004-05-20 基于自适应神经元在线整定的谐波检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CNB2004100184707A CN100383537C (zh) 2004-05-20 2004-05-20 基于自适应神经元在线整定的谐波检测方法

Publications (2)

Publication Number Publication Date
CN1580791A CN1580791A (zh) 2005-02-16
CN100383537C true CN100383537C (zh) 2008-04-23

Family

ID=34581791

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2004100184707A Expired - Fee Related CN100383537C (zh) 2004-05-20 2004-05-20 基于自适应神经元在线整定的谐波检测方法

Country Status (1)

Country Link
CN (1) CN100383537C (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101187682B (zh) * 2007-11-26 2010-06-02 天津理工大学 一种在线自适应谐波电流检测系统
CN101634669B (zh) * 2009-08-12 2011-11-16 江苏大学 一种谐波电流检测仪及检测方法
CN101915874B (zh) * 2010-07-20 2013-01-09 北海市深蓝科技发展有限责任公司 一种基于傅立叶变换的谐波检测方法
CN108152585A (zh) * 2017-12-27 2018-06-12 江苏中科君芯科技有限公司 基于神经网络的自适应谐波检测方法及检测电路

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4633411A (en) * 1982-12-27 1986-12-30 Rockwell International Corporation Link quality analyzer
CN2091462U (zh) * 1991-05-05 1991-12-25 中国矿业大学 便携式谐波分析仪
JPH11174100A (ja) * 1997-12-11 1999-07-02 Hitachi Ltd 高調波計測装置
US5994890A (en) * 1996-11-10 1999-11-30 Togami Electric Mfg. Co., Ltd. Harmonics survey system
CN1402012A (zh) * 2002-03-14 2003-03-12 艾默生网络能源有限公司 三相交流电的频率测量方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4633411A (en) * 1982-12-27 1986-12-30 Rockwell International Corporation Link quality analyzer
CN2091462U (zh) * 1991-05-05 1991-12-25 中国矿业大学 便携式谐波分析仪
US5994890A (en) * 1996-11-10 1999-11-30 Togami Electric Mfg. Co., Ltd. Harmonics survey system
JPH11174100A (ja) * 1997-12-11 1999-07-02 Hitachi Ltd 高調波計測装置
CN1402012A (zh) * 2002-03-14 2003-03-12 艾默生网络能源有限公司 三相交流电的频率测量方法和装置

Also Published As

Publication number Publication date
CN1580791A (zh) 2005-02-16

Similar Documents

Publication Publication Date Title
Xiao et al. Dynamic tracking of low-frequency oscillations with improved Prony method in wide-area measurement system
CN107196534B (zh) 一种基于干扰观测器的单相逆变器有限时间控制方法
CN103163363B (zh) 用于动态电压恢复器的电网电压跌落检测算法
KR101352204B1 (ko) 배전 계통에서 발생하는 전력 품질 외란의 원인 판별 장치 및 방법
CN101320063B (zh) 三相交流电相序检测装置及方法
CN103488238B (zh) 应对光照强度快速变化的自适应变步长mppt控制方法
CN110412415B (zh) 一种基于dft、多阶滤波和突变判据的同步相量计算方法
CN110579638A (zh) 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法
CN107102189A (zh) 基于s函数的变步长lms谐波电流检测方法
CN100383537C (zh) 基于自适应神经元在线整定的谐波检测方法
Dang et al. Square root unscented Kalman filter with modified measurement for dynamic state estimation of power systems
Chen et al. Online detection of fundamental and interharmonics in ac mains for parallel operation of multiple grid-connected power converters
CN109145825A (zh) 一种相干噪声滤除方法及系统
Fedele et al. Multi-sinusoidal signal estimation by an adaptive SOGI-filters bank
Timbus et al. ENS detection algorithm and its implementation for PV inverters
Patil et al. Robust zero-crossing detection of distorted line voltage using line fitting
Alrawashdeh et al. Adaptive Kalman filter for voltage sag detection in power system
CN112688325B (zh) 基于二阶段改进itd算法的风电场次同步振荡监测方法
Zhao et al. An improved variable step size LMS harmonic current detection method for active power filter
Zeng et al. Research on harmonic suppression in power system based on improved adaptive filter
CN110749841A (zh) 一种利用转换空间因子的负荷开关事件检测方法和系统
Wang et al. Adaptive Kalman filter for harmonic detection in active power filter application
Zhao et al. A novel sliding mode based nonlinear tracking differentiator for filtering noise
He et al. Research on an improved adaptive algorithm applied to active power filters
Gao et al. An improved permutation entropy algorithm for non-intrusive load state change detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20080423

Termination date: 20130520