CN103336173A - 基于遗传算法自适应谐波检测方法 - Google Patents
基于遗传算法自适应谐波检测方法 Download PDFInfo
- Publication number
- CN103336173A CN103336173A CN2013100333471A CN201310033347A CN103336173A CN 103336173 A CN103336173 A CN 103336173A CN 2013100333471 A CN2013100333471 A CN 2013100333471A CN 201310033347 A CN201310033347 A CN 201310033347A CN 103336173 A CN103336173 A CN 103336173A
- Authority
- CN
- China
- Prior art keywords
- genetic algorithm
- adaption
- value
- weights
- algorithm
- 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.)
- Pending
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明所提出的基于遗传算法的自适应谐波检测方法，基于自适应噪声对消技术基础，包括步骤：定义：信号i L (n)为滤波器输入非线性负载电流的采样值；x 1(n)、x 2(n)分别为标准正弦u * (t)及经90°移相的余弦离散值；w 1(n)、 w 2(n)分别表示参考输入x 1(n)、 x 2(n)的权值；y(n)为自适应滤波器的输出。基于遗传算法自适应谐波检测算法既继承了定步长算法稳态性能好的优点，又加快了算法的收敛速度，适用于算法收敛速度和稳定性要求较高的情况，提高了谐波电流的实时检测性能。其结构简单、易于实现，不仅适用于信噪比低的工况，而且具有较好的抗干扰性能。
Description
技术领域
一种检测方法，具体为一种用于谐波检测的方法。
背景技术
近些年来随着电力电子器件在生产使用中的广泛应用，导致了大量变流型负荷，造成了电网谐波污染，从而降低了电力系统的供电质量，对用户设备的安全运行构成威胁。APF (Active Power Filter, 有源电力滤波器)能有效的抑制电力系统中由于非线性负荷而引起的谐波污染，是一种主动式的谐波补偿装置。由于谐波电流实时、精确的检测决定了APF性能的好坏，因此APF所采用的谐波电流检测方法具有决定性的作用。
目前的谐波电流检测方法主要有：快速傅立叶变换法、瞬时无功功率理论、小波变换以及自适应谐波检测方法等。其中，快速傅立叶变换法因其明确的物理意义而得到广泛关注，但计算量较大，对于实时性要求很高的谐波检测有其局限性。瞬时无功理论是一种根据参考信号进行谐波检测的方法，具有计算量小、受外界条件变化影响小等优点，但实现电路相对复杂为其实现和调试带来困难。小波变换主要用于短时间谐波，电压闪变的检测，存在频带混叠现象，从而发生小波混叠现象，影响谐波检测的精度。自适应谐波检测方法是一种自适应噪声对消法，该方法作为闭环检测系统，将其应用于谐波电流检测，相对于瞬时无功理论更适合三相系统而言，算法对于单相、三相系统具有通用性，并且对电网参数变化不敏感，具有较强的自适应能力，而且计算量相对较小，是一种性能较好，检测精度较高的一种检测方法。
基于自适应噪声对消技术的谐波检测方法，将误差作为权值调整的反馈量，当均方误差达到最小值时权值不再调整，此时算法完全收敛。采用定步长LMS (Least Means Square, LMS)算法，设定一恒值作为调整权值的步长量，但该算法跟踪精度与收敛速度之间存在明显的矛盾，使得两者难以兼得。因此，在此基础上假设某一时刻后系统进入稳态阶段，此时可以通过计算得出最佳权系数以加快算法收敛速度，但是仍然存在如何判断稳态阶段开始的问题。在保证跟踪精度的基础上为了提高定步长LMS算法的收敛速度，提出了变步长LMS (Variable Step Size Least Mean Square, VSSLMS)算法。该算法在收敛过程中，当权系数远离最佳权系数时，权值调整的步长较大，以加快动态响应速度和对时变系统的跟踪能力；当权系数接近最佳权系数时，权值调整的步长较小，以获得较高的跟踪精度和较小的稳态误差。其中，采用时变步长代替定步长，以与瞬时均方误差建立一定函数关系的瞬时误差时间均值为依据，同时对步长因子的最大值进行实时调整，从而增强跟踪精度及保证算法稳定性。但将该算法用于APF谐波检测中，由于瞬时误差极易受到环境噪声(电网中即谐波电流)的干扰，导致改善的效果并不明显。为此，通过瞬时误差在相邻迭代时刻的自相关值作为权值调整依据，消除了谐波电流的干扰，减小了稳态失调。在继承变步长LMS算法优点的同时，提出了变步长动量项LMS (Momentum Least Mean Square, MLMS)算法，即在权值迭代公式中引入了动量项以进一步加快权值的收敛速度。但MLMS算法在低信噪比及加大其响应速度的情况下其跟踪的基波会产生一定的稳态失调，特别是当负载突变情况下，会造成跟踪精度降低。
发明内容
为了解决动态响应速度速度和跟踪精度的矛盾，本发明提出了一种遗传算法自适应谐波检测算法。在保证跟踪精度的前提下，极大地加快了动态响应速度，同时提高了抗干扰性。
本发明所提出的基于遗传算法的自适应谐波检测方法，基于自适应噪声对消技术基础，包括步骤：
（1）定义：信号i L (n)为滤波器输入非线性负载电流的采样值；
x 1(n)、x 2(n) 分别为标准正弦u * (t)及经90°移相的余弦离散值；
w 1(n)、w 2(n) 分别表示参考输入x 1(n)、x 2(n)的权值；
y(n)为自适应滤波器的输出；
e(n)为用于权值调节的误差反馈信号；
（2）参考输入x 1(n)、x 2(n)。
遗传算法的权值最优化，包括步骤：
信号实时迭代运算
（1）定义：电流信号i L (n)中的基波分量i 1(n)视为期望信号，所有谐波总量i h (n)视为噪声信号；
（2）根据误差反馈信号e(n)控制权值向量 W (n)=[ w 1(n) w 2(n)]T的迭代，使 W (n)逼近最佳权值 W opt ，当 W (n)达到最佳权值时，输出向量y(n)即逼近基波分量i 1(n)，从而得到谐波电流i h (n)；
（3）根据LMS算法原理，记输入向量 X (n)=[ x 1(n) x 2(n)]T，则迭代公式为： 
式中，设定步长为μ，
由式(1)可知，确定误差反馈信号e(n)及输出向量y(n)后，进行迭代运算，设步长为一定值，求最佳权值 W opt (n)，由式(1)求取权值 W (n)。
遗传算法的权值最优化，还包括步骤：
（1）初始化
选择一个数量为M个的群体M,取M=30—160；
（2）选择
根据适者生存原则选择下一代的个体；
（3）交叉
按照交叉概率Ps在选中的位置上对两者进行交换，交叉概率Ps取值为0.25～0.75；
（4）变异
对所要执行变异的串进行对应的位取反，变异概率Pm的取值一般为0.01～0.2；
（5）全局最优收敛 。
所述遗传算法的权值最优化，还包括步骤：
当最优个体的适应度还没有达到预先给定的权阀值时，重新（2）选择、（3）交叉、（4）变异，以得到的新一代群体用来取代上一代群体；
返回到第（2）步继续循环执行，直到它的值等于给定的权阀值，或者直到最优个体的适应度和群体适应度不能再上升时，算法的迭代过程收敛；
结束算法。
本发明提出的基于遗传算法自适应谐波检测算法既继承了定步长算法稳态性能好的优点，又加快了算法的收敛速度，适用于算法收敛速度和稳定性要求较高的情况，提高了谐波电流的实时检测性能。其结构简单、易于实现，不仅适用于信噪比低的工况，而且具有较好的抗干扰性能。
具体实施方式
本发明所提出的一种基于遗传算法的自适应谐波检测方法，基于自适应噪声对消技术基础，包括步骤：
（1）定义：信号i L (n)为滤波器输入非线性负载电流的采样值；
x 1(n)、x 2(n) 分别为标准正弦u * (t)及经90°移相的余弦离散值；
w 1(n)、w 2(n) 分别表示参考输入x 1(n)、x 2(n)的权值；
y(n)为自适应滤波器的输出；
e(n)为用于权值调节的误差反馈信号；
（2）参考输入x 1(n)、x 2(n)。
遗传算法的权值最优化，包括步骤：
信号实时迭代运算
（1）定义：电流信号i L (n)中的基波分量i 1(n)视为期望信号，所有谐波总量i h (n)视为噪声信号；
（2）根据误差反馈信号e(n)控制权值向量 W (n)=[ w 1(n) w 2(n)]T的迭代，使 W (n)逼近最佳权值 W opt ，当 W (n)达到最佳权值时，输出向量y(n)即逼近基波分量i 1(n)，从而得到谐波电流i h (n)；
（3）根据LMS算法原理，记输入向量 X (n)=[ x 1(n) x 2(n)]T，则迭代公式为：
式中，设定步长为μ，由此迭代公式可知，确定误差反馈信号e(n)及输出向量y(n)后，进行迭代运算，设步长为一定值，求最佳权值 W opt (n)，由式(1)求取权值 W (n)。
所述遗传算法的权值最优化，还包括步骤：
（1）初始化
选择一个数量为M个的群体M,取M=30—160；
（2）选择
根据适者生存原则选择下一代的个体；
（3）交叉
按照交叉概率Ps在选中的位置上对两者进行交换，交叉概率Ps取值为0.25～0.75；
（4）变异
对所要执行变异的串进行对应的位取反，变异概率Pm的取值一般为0.01～0.2；
（5）全局最优收敛 。
如权利要求3基于遗传算法的自适应谐波检测方法，所述遗传算法的权值最优化，还包括步骤：
当最优个体的适应度还没有达到预先给定的权阀值时，重新（2）选择、（3）交叉、（4）变异，以得到的新一代群体用来取代上一代群体；
返回到第（2）步继续循环执行，直到它的值等于给定的权阀值，或者直到最优个体的适应度和群体适应度不能再上升时，算法的迭代过程收敛；
结束算法。
Claims (4)
1.基于遗传算法自适应谐波检测方法，基于自适应噪声对消技术基础，其特征在于，包括步骤：
（1）定义：信号i L (n)为滤波器输入非线性负载电流的采样值；
x 1(n)、x 2(n) 分别为标准正弦u * (t)及经90°移相的余弦离散值；
w 1(n)、w 2(n) 分别表示参考输入x 1(n)、x 2(n)的权值；
y(n)为自适应滤波器的输出；
e(n)为用于权值调节的误差反馈信号；
（2）参考输入x 1(n)、x 2(n)。
2.如权利要求1所述的基于遗传算法自适应谐波检测方法，其特征在于，所述遗传算法的权值最优化，包括步骤：
信号实时迭代运算
（1）定义：电流信号i L (n)中的基波分量i 1(n)视为期望信号，所有谐波总量i h (n)视为噪声信号；
（2）根据误差反馈信号e(n)控制权值向量 W (n)=[ w 1(n) w 2(n)]T的迭代，使 W (n)逼近最佳权值 W opt ，当 W (n)达到最佳权值时，输出向量y(n)即逼近基波分量i 1(n)，从而得到谐波电流i h (n)；
（3）根据LMS算法原理，记输入向量 X (n)=[ x 1(n) x 2(n)]T，则迭代公式为： 
式中，设定步长为μ，
由式(1)可知，确定误差反馈信号e(n)及输出向量y(n)后，进行迭代运算，设步长为一定值，求最佳权值 W opt (n)，由式(1)求取权值 W (n)。
3.如权利要求1所述的基于遗传算法自适应谐波检测方法，其特征在于，所述遗传算法的权值最优化，包括步骤：
（1）初始化
选择一个数量为M个的群体M,取M=30—160；
（2）选择
根据适者生存原则选择下一代的个体；
（3）交叉
按照交叉概率Ps在选中的位置上对两者进行交换，交叉概率Ps取值为0.25～0.75；
（4）变异
对所要执行变异的串进行对应的位取反，变异概率Pm的取值一般为0.01～0.2；
（5）全局最优收敛 。
4.如权利要求3基于遗传算法自适应谐波检测方法，其特征在于，所述遗传算法的权值最优化，还包括步骤：
当最优个体的适应度还没有达到预先给定的权阀值时，重新（2）选择、（3）交叉、（4）变异，以得到的新一代群体用来取代上一代群体；
返回到第（2）步继续循环执行，直到它的值等于给定的权阀值，或者直到最优个体的适应度和群体适应度不能再上升时，算法的迭代过程收敛；
F.结束算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013100333471A CN103336173A (zh) | 2013-01-29 | 2013-01-29 | 基于遗传算法自适应谐波检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013100333471A CN103336173A (zh) | 2013-01-29 | 2013-01-29 | 基于遗传算法自适应谐波检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103336173A true CN103336173A (zh) | 2013-10-02 |
Family
ID=49244376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2013100333471A Pending CN103336173A (zh) | 2013-01-29 | 2013-01-29 | 基于遗传算法自适应谐波检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103336173A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103701392A (zh) * | 2013-12-17 | 2014-04-02 | 华中科技大学 | 一种基于自适应陷波器的电流谐波补偿方法及系统 |
| CN104198893A (zh) * | 2014-09-24 | 2014-12-10 | 中国科学院电工研究所 | 自适应故障电流检测方法 |
| CN105403771A (zh) * | 2015-09-15 | 2016-03-16 | 中国矿业大学 | 一种改进的自适应原理谐波检测方法 |
| CN106771592A (zh) * | 2017-02-17 | 2017-05-31 | 华中科技大学 | 一种电力系统谐波检测方法 |
| CN107064794A (zh) * | 2016-12-16 | 2017-08-18 | 南阳师范学院 | 一种基于遗传算法的防爆电机故障检测方法 |
| CN110954747A (zh) * | 2019-11-25 | 2020-04-03 | 南昌大学 | 一种猫群算法优化最小均方根自适应谐波检测方法 |
| CN111445895A (zh) * | 2020-03-12 | 2020-07-24 | 中国科学院声学研究所 | 一种基于遗传算法的指向性有源噪声控制系统及方法 |
| CN111795791A (zh) * | 2020-07-06 | 2020-10-20 | 浙江大学 | 一种变步长液压振动台自适应幅相控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2292558C1 (ru) * | 2005-05-17 | 2007-01-27 | Федеральное государственное унитарное предприятие "Центральный научно-исследовательский институт "Морфизприбор" | Способ определения энергетического спектра шумового электрического сигнала |
| CN102364800A (zh) * | 2011-09-16 | 2012-02-29 | 中冶南方工程技术有限公司 | 基于多目标优化算法的无源滤波器参数设计方法 |
| CN102654533A (zh) * | 2012-04-26 | 2012-09-05 | 中国人民解放军海军工程大学 | 一种无功和谐波分量检测分离方法 |
| CN102707122A (zh) * | 2012-06-15 | 2012-10-03 | 西南交通大学 | 基于箕舌线的变步长lms谐波电流检测方法 |
-
2013
- 2013-01-29 CN CN2013100333471A patent/CN103336173A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2292558C1 (ru) * | 2005-05-17 | 2007-01-27 | Федеральное государственное унитарное предприятие "Центральный научно-исследовательский институт "Морфизприбор" | Способ определения энергетического спектра шумового электрического сигнала |
| CN102364800A (zh) * | 2011-09-16 | 2012-02-29 | 中冶南方工程技术有限公司 | 基于多目标优化算法的无源滤波器参数设计方法 |
| CN102654533A (zh) * | 2012-04-26 | 2012-09-05 | 中国人民解放军海军工程大学 | 一种无功和谐波分量检测分离方法 |
| CN102707122A (zh) * | 2012-06-15 | 2012-10-03 | 西南交通大学 | 基于箕舌线的变步长lms谐波电流检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 侯世英等: "遗传算法改进神经网络的电力系统谐波检测法", 《重庆大学学报》, vol. 31, no. 5, 31 May 2008 (2008-05-31), pages 490 - 494 * |
| 黄华: "基于自适应变步长最小均方的谐波检测算法的研究", 《电工电气》, no. 1, 31 January 2010 (2010-01-31), pages 47 - 50 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103701392A (zh) * | 2013-12-17 | 2014-04-02 | 华中科技大学 | 一种基于自适应陷波器的电流谐波补偿方法及系统 |
| CN103701392B (zh) * | 2013-12-17 | 2016-01-20 | 华中科技大学 | 一种基于自适应陷波器的电流谐波补偿系统 |
| CN104198893A (zh) * | 2014-09-24 | 2014-12-10 | 中国科学院电工研究所 | 自适应故障电流检测方法 |
| CN104198893B (zh) * | 2014-09-24 | 2017-03-15 | 中国科学院电工研究所 | 自适应故障电流检测方法 |
| CN105403771A (zh) * | 2015-09-15 | 2016-03-16 | 中国矿业大学 | 一种改进的自适应原理谐波检测方法 |
| CN107064794A (zh) * | 2016-12-16 | 2017-08-18 | 南阳师范学院 | 一种基于遗传算法的防爆电机故障检测方法 |
| CN106771592A (zh) * | 2017-02-17 | 2017-05-31 | 华中科技大学 | 一种电力系统谐波检测方法 |
| CN110954747A (zh) * | 2019-11-25 | 2020-04-03 | 南昌大学 | 一种猫群算法优化最小均方根自适应谐波检测方法 |
| CN111445895A (zh) * | 2020-03-12 | 2020-07-24 | 中国科学院声学研究所 | 一种基于遗传算法的指向性有源噪声控制系统及方法 |
| CN111795791A (zh) * | 2020-07-06 | 2020-10-20 | 浙江大学 | 一种变步长液压振动台自适应幅相控制方法 |
| CN111795791B (zh) * | 2020-07-06 | 2021-06-04 | 浙江大学 | 一种变步长液压振动台自适应幅相控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103336173A (zh) | 基于遗传算法自适应谐波检测方法 | |
| CN109149646B (zh) | 提高逆变器并网系统稳定性且可功率调节的有源阻尼器 | |
| CN107154636B (zh) | 电网电压不平衡时基于虚拟同步发电机的多目标优化控制方法 | |
| CN102570476B (zh) | 一种基于重复控制的dstatcom的补偿电流控制方法 | |
| CN109167361A (zh) | 一种lcl型三相并联有源电力滤波器的新型控制方法 | |
| CN102118028B (zh) | 一种三相lcl型并网逆变器电流谐波抑制控制方法 | |
| CN104578182B (zh) | 一种低延时鲁棒功率下垂多环控制方法 | |
| CN103259472B (zh) | 大型发电机组次同步振荡的反振荡自适应抑制系统 | |
| CN104934991B (zh) | 一种抑制系统高频振荡的并网变换器电流自适应控制系统 | |
| CN108306332B (zh) | 一种lcl型并网逆变系统及电流跟踪控制方法 | |
| CN109802433B (zh) | 一种并网逆变器功率振荡抑制系统及方法 | |
| Gupta et al. | Power quality improvement of single phase weak grid interfaced hybrid solar PV and wind system using double fundamental signal extracter‐based control | |
| CN112448697A (zh) | 一种基于量子粒子群算法的有源滤波器优化方法及系统 | |
| CN103323651B (zh) | 基于时间相干平均的变步长仿射投影谐波电流检测方法 | |
| CN105137174A (zh) | 应用于apf的变步长lms自适应谐波检测方法 | |
| CN102654533A (zh) | 一种无功和谐波分量检测分离方法 | |
| CN109921422A (zh) | 基于单反馈神经网络的有源电力滤波器非奇异终端滑模控制方法 | |
| CN102110984B (zh) | 一种复合型的四桥臂并联有源电力滤波器控制方法 | |
| CN105403771A (zh) | 一种改进的自适应原理谐波检测方法 | |
| CN103427421B (zh) | 基于谐波电压选择补偿的有源滤波器控制方法 | |
| CN102570879B (zh) | 基于fpga实现的并联型重复控制系统 | |
| CN112688338A (zh) | 一种基于锁频环稳态线性卡尔曼滤波的upqc电能质量补偿控制方法 | |
| CN107104451B (zh) | 一种分布式发电变流器不平衡抑制方法 | |
| Chen et al. | Harmonic suppression and resonance damping for shunt APF with selective closed-loop regulation of PCC voltage | |
| CN106849084B (zh) | 网侧基波有功正序电流前馈apf直流电压波动抑制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131002 |