CN103424621A

CN103424621A - 一种谐波电流的人工神经网络检测方法

Info

Publication number: CN103424621A
Application number: CN2013103616326A
Authority: CN
Inventors: 廖志凌
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2013-08-20
Filing date: 2013-08-20
Publication date: 2013-12-04

Abstract

本发明公开了一种谐波电流的人工神经网络检测方法，属于电力系统谐波检测技术领域。本发明将信号处理中的自适应噪声对消技术应用于电力系统的谐波和无功电流的检测，并结合神经网络的特点，提出的一种谐波电流的人工神经网络检测方法，可用于单相电路，也可推广于三相电路。由于网络训练所需要的样本数取决于输入—输出非线性映射关系的复杂程度，因此，本发明使用这样一个经验规则，即：训练样本数是网络连接权总数的5～10倍，同时采用Widrow-Hoff学习规则来调整人工神经网络的权值。本发明的检测方法能实时、高精度地检测出负载电流中的谐波和无功电流，能应用于有源电力滤波器中，具有良好的工程借鉴价值。

Description

一种谐波电流的人工神经网络检测方法

技术领域

本发明涉及一种谐波电流的人工神经网络检测方法，属于电力系统谐波检测技术领域。

背景技术

随着电力电子装置的广泛应用，电网中的谐波污染和动态无功负荷已成为一个非常严重的问题。为了抑制谐波和补偿无功功率，国内外研制了许多新型的无功补偿装置和有源电力滤波系统。显然，其补偿效果与有源电力滤波系统所采用的谐波和无功电流的检测方法有关。

目前采用的检测方法主要是基于瞬时无功功率理论。这种检测方法能够较好地检测谐波和无功电流，但也存在不足之处，如电压波形畸变影响检测精度、对单相电路的谐波电流检测必须首先构建三相电路等。有的专家采用了一般模拟并行式谐波测量装置的原理，但由于实际电力系统的负载电流变化多样，该方法需要花大量的时间来训练样本，难以满足实时补偿的要求。应用神经网络理论检测可以解决谐波和无功电流检测的精度和实时性问题。

发明内容

针对传统检测方法的不足，本发明提出一种谐波电流的人工神经网络（以下简称ANN）检测方法，包括以下步骤：

(1) 检测原理

著名学者Widrow曾提出一种自适应噪声对消法用于信号处理中，将信号源s从噪声n ₀中分离出来，检测原理如图1所示。检测系统有两个输入，即原始输入s+n ₀和参考输入n ₁，其中s和n ₀不相关，s和n ₁也不相关，但n ₁是和n ₀相关的噪声干扰。自适应滤波器自动调整其输出n ₀ ^*，使其在最小均方误差下逼近主干道的噪声干扰n ₀。这里，系统输出y同时作为误差信号e来调节自适应滤波器的参数。

取i=i ₁+i ₃+i ₅+i ₇+i ₉作为噪声干扰代替n ₀（i ₁和i ₃、i ₅等分别是负载电流i _L中的基波和3、5次等谐波分量）。取负载电流i _L作为原始输入代替s+n ₀。用神经元代替自适应滤波器，分别取基波的正余弦信号

Figure 2013103616326100002DEST_PATH_IMAGE002

和以及3、5、7和9次谐波的正余弦信号（通过倍频获得）作为神经元的十个输入代替参考输入。根据正弦函数的正交特性，可以证明它们和“噪声干扰”电流i对应的各次正弦和余弦分量分别相关，和其他高次谐波总电流i _h不相关，这就构成了基于ANN的自适应谐波和无功电流检测电路。此时，输出y就是i _L中除3、5、7和9次谐波电流外的其他高次谐波电流之和。

实际负载电流可能含有很多高次谐波，所以从理论上讲，代替干扰噪声的i中含有的3、5、7、9等谐波次数越多，训练结果就越精确，但这样构成的ANN就越复杂，从而实时性会降低。因此，应综合考虑电力系统实际情况，结合训练精度以及系统的实时性，合理选取i中的谐波次数。

考虑到电力系统中谐波在其中占的比重不大，且大多是奇次谐波，特别是整流型非线性负载，任一奇次谐波的幅值一般不会超过基波幅值的50%，且谐波次数越高其幅值越小，在这里取i=i ₁+i ₃+i ₅+i ₇+i ₉作为噪声干扰代替n ₀，后面将对此作进一步分析说明。

(2) 检测方法

以三相电网中A相的谐波和无功电流的检测为例，这种方法同样可推广于B、C两相。其中ANN的输入采用单输入的自适应线性单元。由电网电压信号u _s(t)经过锁相电路（PLL）得到基波的正余弦信号

和

，再倍频得到3、5、7、9次谐波的正余弦信号，将他们作为ANN的参考输入。考虑到单个神经元不仅结构简单且具有一定的映射和自适应学习能力，所以用单个神经元模型构成的ANN来实现自适应谐波和无功电流的检测，原理图如图2所示。

图2中输出i ^*(t)以最小均方误差逼近“噪声干扰”电流i(t)，将检测电路的输出i _h ^*(t)作为调节ANN的权值W的误差信号e(t)。

Figure 2013103616326100002DEST_PATH_IMAGE006

(1)

式(1)两边平方后取数学期望，由于i _h(t)和i(t)与i ^*(t)都不相关，所以

(2)

当i _h(t)一定，则E[i _h ²(t)]也一定，当调节权值W _i(i=1,2,…,10)使E[e ²(t)]达最小时，E{[i(t)-i ^*(t)]²}达到最小，同时E{[i _h(t)-i _h ^*(t)]²}也达到最小。在理想情况下，经过若干次迭代，W _i(i=1,2,…,10)逼近最优，则

(3)

容易证明，此时各支路的权值W _i(i=1,2,…,10)等于“噪声干扰”电流i(t)中的各次分量的正余弦的幅值，即

(4)

由式(4)可得，

和分别对应于负载电流i _L的基波有功和无功电流分量。实际上，参考输入中加入各次谐波的正余弦信号只是为了精确得到基波有功电流分量，从而精确检测出除基波有功电流之外总的畸变电流（谐波和基波无功电流）。当同时补偿谐波和无功电流时，用负载电流i _L减去基波有功分量

即可。

本发明的有益效果是：将信号处理中的自适应噪声对消技术应用于电力系统的谐波和无功电流的检测，并结合ANN的特点，提出的一种谐波电流的ANN检测方法，可用于单相电路，也可推广于三相电路。本发明实时、高精度地检测出负载电流中的谐波和无功电流，能应用于有源电力滤波器中，具有良好的工程借鉴价值。

附图说明

图1为自适应噪声对消原理框图；

图2 为基于ANN的谐波电流检测框图。

具体实施方式

下面结合附图和实施例对本发明所述方法作进一步说明。

(1) 利用图1的检测原理，图中，s为信号源，n ₀为噪声，n ₁为参考输入，e为误差信号，n ₀ ^*为自适应滤波器的输出，y为系统输出。取i=i ₁+i ₃+i ₅+i ₇+i ₉作为噪声干扰代替n ₀，取负载电流i _L作为原始输入代替s+n ₀，用神经元代替自适应滤波器，分别取基波的正余弦信号

和

以及3、5、7和9次谐波的正余弦信号（通过倍频获得）作为神经元的十个输入代替参考输入，构成基于ANN的自适应谐波和无功电流检测电路。此时，输出y就是i _L中除3、5、7和9次谐波电流外的其他高次谐波电流之和。

(2) 以三相电网中A相的谐波和无功电流的检测为例，这种方法同样可推广于B、C两相。其中ANN的输入采用单输入的自适应线性单元。由电网电压信号u _s(t)经过锁相电路（PLL）得到基波的正余弦信号

和

，再倍频得到3、5、7、9次谐波的正余弦信号，将他们作为ANN的参考输入。考虑到单个神经元不仅结构简单且具有一定的映射和自适应学习能力，所以用单个神经元模型构成的ANN来实现自适应谐波和无功电流的检测，原理图如图2所示，图中，

为负载电流，i ₁为基波电流，i ₃为3次谐波电流，i ₅为5次谐波电流，i ₇为7次谐波电流，i ₉为9次谐波电流，

为检测电路输出，W _i(i=1,2,…,10)为各支路的权值，

和

分别为基波的正余弦信号，

和

分别为3次谐波的正余弦信号，

和

分别为5次谐波的正余弦信号，

和

分别为7次谐波的正余弦信号，

和

分别为9次谐波的正余弦信号，

为人工神经网络的输出信号，i _h为高次谐波电流，为“噪声干扰”电流，

为求和函数，

为人工神经网络激活函数。

利用以上发明内容所述的检测方法，分别得到对应于负载电流i _L的基波有功分量

和无功电流分量

，从而精确检测出除基波有功电流之外总的畸变电流（谐波和基波无功电流）。当同时补偿谐波和无功电流时，用负载电流i _L减去基波有功分量

即可。

(3) 训练样本的选取和权值的更新。由于网络训练所需要的样本数取决于输入——输出非线性映射关系的复杂程度。因此，可以使用这样一个经验规则，即：训练样本数是网络连接权总数的5～10倍。这里选择100组样本。

网络训练中提取的规律蕴涵在样本中，因此样本要有代表性。样本的选择要注意类别的均衡，尽量使每个类别的样本数量大致相等。可以在电网电压u _s(t)的一个周期内等分取点，构成100组样本。

假设各神经元的阈值取零，激活函数f(x)取线性函数，即f(x)=x，由图2可得，ANN的输入矢量、神经元净输入和神经元输出分别为：

(5)

(6)

(7)

这里采用Widrow-Hoff学习规则来调整网络的权值（为简单起见，不调整阈值），即：

(8)

式(8)中，

为学习率，如果取值较大，学习过程加速，网络收敛快；但是

太大时，学习过程变得不稳定且误差会加大。MATLAB的神经网络工具函数maxlinlr可用于求合适的学习率

，在此基础上通过试验适当选取

的值。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。