CN103344823B - 应用于兆瓦级变流器的小波网络电流瞬时值检测方法 - Google Patents
应用于兆瓦级变流器的小波网络电流瞬时值检测方法 Download PDFInfo
- Publication number
- CN103344823B CN103344823B CN201310289716.3A CN201310289716A CN103344823B CN 103344823 B CN103344823 B CN 103344823B CN 201310289716 A CN201310289716 A CN 201310289716A CN 103344823 B CN103344823 B CN 103344823B
- Authority
- CN
- China
- Prior art keywords
- partiald
- current
- sigma
- output
- hidden layer
- 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.)
- Active
Links
Abstract
本发明公开了一种应用于兆瓦级变流器的小波网络电流瞬时值检测方法,将变流器电流采样值作为小波神经网络的输入向量,将滤波后的变流器电流输出值作为小波神经网络的输出向量,选取Morlet小波函数,利用计算样本重心的方法初始化小波神经网络中间隐层的伸缩参数和平移参数,并利用伸缩参数和平移参数,采用梯度下降法,调整网络参数,求得滤波后的变流器电流输出值。本发明无需对变流器三相网侧电流进行实时采样,保证了变流器系统稳定可靠,提高了电流瞬时值检测的准确性,提高了电流环路的动态性能;本发明的方法实现方便,运算量小,且有很好的稳定性和抗扰性,是一种非常理想的检测方法。
Description
技术领域
本发明涉及电力电子智能化检测技术,特别是一种应用于兆瓦级变流器的小波网络电流瞬时值检测方法。
背景技术
在电力电子应用领域,由于变流器能够方便地实现能量的双向流动,且在网侧能够获得近似正弦的电流波形,功率因数接近1,较之传统的整流技术,对电网的污染很小,可以实现“绿色的电能变换”,在无功补偿、有源电力滤波、统一潮流控制、UPS以及太阳能、风能等可再生能源的利用中得到了越来越广泛的应用。
基于旋转坐标系dq变换的控制算法是三相兆瓦级变流器目前应用最广泛的控制方式。它实际上是矢量控制PWM的具体应用,它采用坐标变换将三相坐标系下的交流量变成直流量,可以用PI调节器进行电流控制,清除静差。在同步坐标系下,d轴和q轴电流是独立控制的,一般是控制d轴电流以控制有功,控制q轴电流以控制无功,为使兆瓦级变流器运行在单位功率因数的状态下,采用使iq=0的控制方式实现。由于引入电流状态反馈和电网电压作为前馈控制,使得系统输入电流解耦,提高了动态性能,同时对参数的变化不敏感,稳定性比较高。
该控制方案需要对三相网侧电流进行实时采样:这些信号采样后被转换成数字信号。而网侧电流信号的频率是与开关频率一样的。因此,网侧电流信号需要实时检测与反馈,这在模拟控制中是容易实现的。数字控制相对模拟控制来说有其优越性,但由于数字控制系统的采样和A/D转换时间的限制以及噪声的影响,要满足实时检测与反馈有一定难度。为了抑制采样电路中高频噪声的干扰,同时使采样信号更接近网侧电流的真实值,目前通用的采样算法多为在网侧电流的采样比例环节之后和DSP的A/D转换输入之前加入一个低通滤波器,但低通滤波器会引起检测到的电流相位滞后于实际电流波形,整个电流环路的动态性能变差,甚至导致系统的不稳定。为了保证系统可靠性,必须设计良好的网侧电流瞬时值检测算法。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种应用于兆瓦级变流器的小波网络电流瞬时值检测方法,无需对变流器三相网侧电流进行实时采样,保证变流器系统稳定可靠,提高电流瞬时值检测的准确性,提高电流环路的动态性能。
为解决上述技术问题,本发明所采用的技术方案是:一种应用于兆瓦级变流器的小波网络电流瞬时值检测方法,该方法为:
1)设未经滤波的变流器电流采样值xr=[x1,x2,…,xn]T为小波神经网络的输入向量,设滤波后的变流器电流输出值yr=[y1,y2,…,ym]T为输出向量,输出层到隐层的权值为wij,隐层到输入层的权值为wjk,中间隐层的伸缩参数和平移参数分别为aj和bj,隐层神经元数为N,i=1,2,…,m;j=1,2,…,N;k=1,2,…,n;n为输入节点数,m为输出节点数;
2)初始化伸缩参数aj和平移参数bj;
3)输入学习样本对(xr,yr),r=1,2,…,n;
4)利用所述学习样本对对应的伸缩参数aj和平移参数bj计算输出向量yr,所述输出向量yr的计算公式为:
其中, Ψ()为选取的小波函数;fi(t)为小波函数第i个输出向量的表达式;
5)采用BP算法训练所述小波神经网络,取优化目标函数E为:
其中,为输入样本p第i个输出节点的期望输出电流,为输入样本p第i个输出节点的实际输出电流;p=xr;
6)计算优化目标函数E的瞬时梯度向量:
其中,wij(n)、wjk(n)分别为当前输出层到隐层的权值和当前隐层到输入层的权值;aj(n)和bj(n)分别为当前中间隐层的伸缩参数和平移参数;为输入样本p第j个输出节点中间隐层的伸缩参数;为输入样本p第j个输出节点输出层到隐层的权值;为[ba,p]区间内小波函数;为输入样本p第i个输出节点的实际输出电流;
7)利用上述各瞬时梯度向量得到以下权值迭代公式:
其中,ηij,ηjk,ηa,ηb分别为参数wij,wjk,aj,bj的学习速率;wjk(n+1)、wij(n+1)分别为下一次学习的输出层到隐层的权值和隐层到输入层的权值,aj(n+1)、bj(n+1)分别为下一次学习的中间隐层的伸缩参数和平移参数;
8)当E<10-5,或者达到最大学习次数105时,终止学习;否则,返回3),输入另一个样本对,进行下一次学习。
与现有技术相比,本发明所具有的有益效果为:本发明无需对变流器三相网侧电流进行实时采样,保证了变流器系统稳定可靠,提高了电流瞬时值检测的准确性,提高了电流环路的动态性能;本发明的方法实现方便,运算量小,且有很好的稳定性和抗扰性,是一种非常理想的检测方法。
具体实施方式
本发明采用紧致型小波神经网络[4],设x=[x1,x2,…,xn]T为输入向量,即未经滤波的电流采样值,y=[y1,y2,…,ym]T为输出向量,即滤波后的电流输出值,输出层到隐层的权值为wij,隐层到输入层的权值为wjk,中间隐层的伸缩参数和平移参数分别为aj和bj,若隐层神经元数为N,则i=1,2,…,m,j=1,2,…,N,k=1,2,…,n,其网络方程的实现可表示为:
令 则有
则:
Ψ( )为选取的小波函数。
在小波网络进行训练之前,小波基函数的选取,以及小波基个数的多少,都将直接影响到估计精度和计算的复杂程度,本发明选取Morlet小波函数:
h(x)=exp(-x2/2)cos(αx) (6)
则:
它是Gauss函数的二阶导数,在时域和频域都有很好的局部特性。一般α取1.75,共有N组训练样本对(x(n),y(tn),n=1,2,…,N。采用学习速率自适应调整的BP算法训练小波神经网络,训练时采用批量处理.取优化目标函数为:
式中:为输入样本p第i个输出节点的期望输出;为输入样本p第i个输出节点的实际输出.N为样本数,即隐层神经元数。
兆瓦级变流器电流采样的特点决定了网络的输入节点数和输出节点数,因此选择网络规模主要是确定隐层节点数的大小。小波神经网络的训练学习和隐层节点数密切相关,隐层节点数过少,网络不能具有必要的信息处理能力和学习能力,隐层节点数过多,增加了网络结构的复杂性,在学习过程中更容易陷入局部最小,而且使网络的学习速度变慢。常用的试凑法一般是根据经验来选取隐层的节点数,有很大的随机性。本发明采用下述公式来确定神经网络隐层节点数:
n为输入节点数,m为输出节点数。
采用梯度下降法,调整网络参数,得到相应的最优参数,
具体步骤是:
第一步:网络参数的初始化:wij设为0,中间隐层的伸缩参数和平移参数分别为aj和bj,利用计算样本重心的方法,即选取区间[0,n]的重心点E,设a1=E,b1=ξn,其中ξ取值范围为[0.40.6],本发明取ξ=0.5;选取区间[0,E]的重心点V,设a2=V,b2=ξT,其中T为区间[0,E]的长度;依次类推,直到得到aN和bN;
第二步:输入学习样本对(xr,yr),r=1,2,…,n;
第三步:网络的自学习:利用当前的网络参数aj和bj计算出网络的输出,即计算滤波后的电流输出值;
第四步:计算瞬时梯度向量和增量
各梯度项为
wij(n)、wjk(n)分别为当前输出层到隐层的权值和当前隐层到输入层的权值;aj(n)和bj(n)分别为当前中间隐层的伸缩参数和平移参数;为输入样本p第j个输出节点中间隐层的伸缩参数;为输入样本p第j个输出节点输出层到隐层的权值
相应的权值迭代公式为
式中:ηij,ηjk,ηa,ηb分别为参数wij,wjk,aj,bj的学习速率;wjk(n+1)、wij(n+1)分别为下一次学习的输出层到隐层的权值和隐层到输入层的权值,aj(n+1)、bj(n+1)分别为下一次学习的中间隐层的伸缩参数和平移参数;
第五步:当E小于容许误差10-5或达到最大学习次数105时,终止学习;否则,返回步骤(2)。
本发明利用小波元来代替神经元,通过作为一致逼近的小波分解来建立其小波变换与神经网络的连接,具有小波变换良好的时频局部化特性和神经网络强大的学习功能,可使网络训练避免局部最优且加快收敛速度,具有很强的学习和泛化能力。通过对小波分解进行平移和伸缩变换后而得到的级数,具有小波分解的一般逼近性质,并且由于它引入了两个新的变量,即伸缩参数和平移参数,所以小波神经网络具有比小波分解更多的自由度,从而使其具有更灵活有效的函数逼近能力和较强的容错能力。
Claims (1)
1.一种应用于兆瓦级变流器的小波网络电流瞬时值检测方法,其特征在于,该方法为:
1)设未经滤波的变流器电流采样值xr=[x1,x2,…,xn]T为小波神经网络的输入向量,设滤波后的变流器电流输出值yr=[y1,y2,…,ym]T为输出向量,输出层到隐层的权值为wij,隐层到输入层的权值为wjk,中间隐层的伸缩参数和平移参数分别为aj和bj,隐层神经元数为N,i=1,2,…,m;j=1,2,…,N;k=1,2,…,n;n为输入节点数,m为输出节点数;
2)初始化伸缩参数aj和平移参数bj;
3)输入学习样本对(xr,yr),r=1,2,…,n;
4)利用所述学习样本对对应的伸缩参数aj和平移参数bj计算输出向量yr,所述输出向量yr的计算公式为:
其中, Ψ()为选取的小波函数;fi(t)为小波函数第i个输出向量的表达式;
5)采用BP算法训练所述小波神经网络,取优化目标函数E为:
其中,为输入样本p第i个输出节点的期望输出电流,为输入样本p第i个输出节点的实际输出电流;p=xr;
6)计算优化目标函数E的瞬时梯度向量:
其中,wij(n)、wjk(n)分别为当前输出层到隐层的权值和当前隐层到输入层的权值;aj(n)和bj(n)分别为当前中间隐层的伸缩参数和平移参数;为输入样本p第j个输出节点中间隐层的伸缩参数;为输入样本p第j个输出节点输出层到隐层的权值;()为[ba,p]区间内小波函数;为输入样本p第i个输出节点的实际输出电流;
7)利用上述各瞬时梯度向量得到以下权值迭代公式:
其中,ηij,ηjk,ηa,ηb分别为参数wij,wjk,aj,bj的学习速率;wjk(n+1)、wij(n+1)分别为下一次学习的输出层到隐层的权值和隐层到输入层的权值,aj(n+1)、bj(n+1)分别为下一次学习的中间隐层的伸缩参数和平移参数;
8)当E<10-5,或者达到最大学习次数105时,终止学习;否则,返回3),输入另一个样本对,进行下一次学习;
所述步骤1)中,隐层神经元数N的计算公式为:
所述步骤2)中,初始化伸缩参数aj和平移参数bj的过程为:选取区间[0,n]的重心点E,设a1=E,b1=ξn,其中ξ取值范围为[0.40.6];选取区间[0,E]的重心点V,设a2=V,b2=ξT,其中T为区间[0,E]的长度;依次类推,直到得到aN和bN;
所述步骤4)中,选取Morlet小波函数,即:
其中α=1.75。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310289716.3A CN103344823B (zh) | 2013-07-10 | 2013-07-10 | 应用于兆瓦级变流器的小波网络电流瞬时值检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310289716.3A CN103344823B (zh) | 2013-07-10 | 2013-07-10 | 应用于兆瓦级变流器的小波网络电流瞬时值检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103344823A CN103344823A (zh) | 2013-10-09 |
CN103344823B true CN103344823B (zh) | 2014-08-13 |
Family
ID=49279636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310289716.3A Active CN103344823B (zh) | 2013-07-10 | 2013-07-10 | 应用于兆瓦级变流器的小波网络电流瞬时值检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103344823B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104596957A (zh) * | 2015-01-12 | 2015-05-06 | 西安科技大学 | 基于可见光近红外光谱技术的土壤铜含量估算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154807A (zh) * | 2007-10-11 | 2008-04-02 | 天津大学 | 基于暂态零序电流的配电网单相接地故障自适应选线方法 |
CN101666848A (zh) * | 2009-10-15 | 2010-03-10 | 北京四方继保自动化股份有限公司 | 基于行波的故障定位方法 |
-
2013
- 2013-07-10 CN CN201310289716.3A patent/CN103344823B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154807A (zh) * | 2007-10-11 | 2008-04-02 | 天津大学 | 基于暂态零序电流的配电网单相接地故障自适应选线方法 |
CN101666848A (zh) * | 2009-10-15 | 2010-03-10 | 北京四方继保自动化股份有限公司 | 基于行波的故障定位方法 |
Non-Patent Citations (2)
Title |
---|
《基于小波变换的电流互感器饱和实时检测新判据》;曹豫宁;《电力系统自动化》;20010525;第27-30页 * |
曹豫宁.《基于小波变换的电流互感器饱和实时检测新判据》.《电力系统自动化》.2001,第27-30页. |
Also Published As
Publication number | Publication date |
---|---|
CN103344823A (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103560690B (zh) | 一种单相lcl型并网逆变器谐波阻尼控制方法 | |
CN106707763B (zh) | 光伏并网逆变器的模糊神经全局快速终端滑模控制方法 | |
CN105763094B (zh) | 一种基于电压前馈和复合电流控制的逆变器控制方法 | |
CN107565545B (zh) | 一种基于阻抗回比矩阵的牵引车-网耦合系统稳定性判据计算方法 | |
CN103472282B (zh) | 一种基于自适应原理的fbd谐波电流检测方法 | |
CN105610162A (zh) | 一种有源电力滤波器自适应模糊滑模rbf神经网络控制方法 | |
CN108336758A (zh) | 一种基于纹波关联法的光伏组件mppt算法 | |
Garanayak et al. | A high-speed master-slave ADALINE for accurate power system harmonic and inter-harmonic estimation | |
CN103326386A (zh) | 一种基于电容电压的并网逆变器有源阻尼方法 | |
CN106849705A (zh) | 一种基于单相Vienna整流器的电流预测控制方法 | |
Shukla et al. | Implementation of empirical mode decomposition based algorithm for shunt active filter | |
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 | |
Geng et al. | Fault diagnosis of converter based on wavelet decomposition and BP neural network | |
CN106292283B (zh) | 一种光伏并网逆变器的自适应模糊积分滑模控制方法 | |
CN105406741A (zh) | 一种三相电网电压不平衡时pwm整流器模糊滑模变结构控制方法 | |
CN107607784A (zh) | 一种开环同步方法 | |
CN113411002B (zh) | 一种基于极限学习机的滑模变结构的单相逆变器控制系统及方法 | |
CN103344823B (zh) | 应用于兆瓦级变流器的小波网络电流瞬时值检测方法 | |
Djerboub et al. | Particle swarm optimization trained artificial neural network to control shunt active power filter based on multilevel flying capacitor inverter | |
CN107482677A (zh) | 一种基于干扰观测器的光伏并网逆变器模糊滑模控制方法 | |
CN110518625B (zh) | 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法 | |
CN105977979A (zh) | 单相并联型有源电力滤波器的单环控制算法 | |
CN105977981B (zh) | 一种有源电力滤波器模糊神经网络控制方法 | |
CN114329980A (zh) | 模块化多电平矩阵变换器的机电暂态建模方法及拓扑结构 | |
Mazumdar et al. | Synchronous reference frame based active filter current reference generation using neural networks |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20170619 Address after: 523000, Tangxia City, Guangdong province Dongguan Tian heart Industrial Zone Guangdong Zhicheng Champion Group Co., Ltd. Patentee after: Guangdong Zhicheng Champoin Group Co., Ltd. Address before: 325035 Wenzhou Higher Education Park, Zhejiang Patentee before: Wenzhou University |
|
TR01 | Transfer of patent right |