CN103424621A - 一种谐波电流的人工神经网络检测方法 - Google Patents
一种谐波电流的人工神经网络检测方法 Download PDFInfo
- Publication number
- CN103424621A CN103424621A CN2013103616326A CN201310361632A CN103424621A CN 103424621 A CN103424621 A CN 103424621A CN 2013103616326 A CN2013103616326 A CN 2013103616326A CN 201310361632 A CN201310361632 A CN 201310361632A CN 103424621 A CN103424621 A CN 103424621A
- Authority
- CN
- China
- Prior art keywords
- artificial neural
- neural network
- current
- harmonic
- harmonic current
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
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
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 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)。
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
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
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:
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:
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。
Claims (6)
1.一种谐波电流的人工神经网络检测方法,其特征在于:用自适应噪声对消方法结合人工神经网络检测电力系统的谐波和无功电流。
3.根据权利要求1或2所述的一种谐波电流的人工神经网络检测方法,其特征在于:训练样本的选取和权值的更新规则为: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。
4.根据权利要求1或2所述的一种谐波电流的人工神经网络检测方法,其特征在于:所述人工神经网络由单个神经元模型构成。
5.根据权利要求1或2所述的一种谐波电流的人工神经网络检测方法,其特征在于:所述谐波电流的人工神经网络检测方法应用于单相电路或三相电路。
6.根据权利要求1或2所述的一种谐波电流的人工神经网络检测方法,其特征在于:所述谐波电流的人工神经网络检测方法的检测结果为:除基波有功电流之外总的畸变电流,以及谐波与无功电流之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103616326A CN103424621A (zh) | 2013-08-20 | 2013-08-20 | 一种谐波电流的人工神经网络检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103616326A CN103424621A (zh) | 2013-08-20 | 2013-08-20 | 一种谐波电流的人工神经网络检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103424621A true CN103424621A (zh) | 2013-12-04 |
Family
ID=49649664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103616326A Pending CN103424621A (zh) | 2013-08-20 | 2013-08-20 | 一种谐波电流的人工神经网络检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103424621A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049159A (zh) * | 2014-05-16 | 2014-09-17 | 北京京东方能源科技有限公司 | 逆变器的故障检测方法和检测装置 |
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 |
CN108152584A (zh) * | 2017-12-21 | 2018-06-12 | 中南大学 | 一种高铁牵引供电系统谐波多路同步快速检测方法 |
CN108663570A (zh) * | 2018-03-15 | 2018-10-16 | 杭州市电力设计院有限公司 | 基于三角函数神经网络的电流谐波分析方法 |
CN109581054A (zh) * | 2018-11-23 | 2019-04-05 | 温州晶彩光电有限公司 | 一种岸基船用变频供电系统的实时谐波快速检测方法 |
CN110210152A (zh) * | 2019-06-06 | 2019-09-06 | 福州大学 | 一种超高次谐波源建模方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701983A (zh) * | 2009-11-23 | 2010-05-05 | 浙江大学 | 基于music谱估计和hbf神经网络的电力系统间谐波检测方法 |
CN102288820A (zh) * | 2011-08-05 | 2011-12-21 | 上海理工大学 | 基于锁相环和神经网络相结合的谐波检测方法 |
-
2013
- 2013-08-20 CN CN2013103616326A patent/CN103424621A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701983A (zh) * | 2009-11-23 | 2010-05-05 | 浙江大学 | 基于music谱估计和hbf神经网络的电力系统间谐波检测方法 |
CN102288820A (zh) * | 2011-08-05 | 2011-12-21 | 上海理工大学 | 基于锁相环和神经网络相结合的谐波检测方法 |
Non-Patent Citations (1)
Title |
---|
廖志凌: "神经网络理论在自适应谐波和无功电流检测中的应用", 《电测与仪表》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049159A (zh) * | 2014-05-16 | 2014-09-17 | 北京京东方能源科技有限公司 | 逆变器的故障检测方法和检测装置 |
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 |
CN108152584A (zh) * | 2017-12-21 | 2018-06-12 | 中南大学 | 一种高铁牵引供电系统谐波多路同步快速检测方法 |
CN108663570A (zh) * | 2018-03-15 | 2018-10-16 | 杭州市电力设计院有限公司 | 基于三角函数神经网络的电流谐波分析方法 |
CN108663570B (zh) * | 2018-03-15 | 2023-05-23 | 杭州市电力设计院有限公司 | 基于三角函数神经网络的电流谐波分析方法 |
CN109581054A (zh) * | 2018-11-23 | 2019-04-05 | 温州晶彩光电有限公司 | 一种岸基船用变频供电系统的实时谐波快速检测方法 |
CN110210152A (zh) * | 2019-06-06 | 2019-09-06 | 福州大学 | 一种超高次谐波源建模方法 |
CN110210152B (zh) * | 2019-06-06 | 2021-01-29 | 福州大学 | 一种超高次谐波源建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Power harmonic and interharmonic detection method in renewable power based on Nuttall double‐window all‐phase FFT algorithm | |
CN103472282B (zh) | 一种基于自适应原理的fbd谐波电流检测方法 | |
CN103424621A (zh) | 一种谐波电流的人工神经网络检测方法 | |
CN103257271B (zh) | 一种基于stm32f107vct6的微电网谐波与间谐波检测装置及检测方法 | |
CN107576851B (zh) | 基于旋转电流相量的系统谐波阻抗测量方法 | |
Garanayak et al. | A high-speed master-slave ADALINE for accurate power system harmonic and inter-harmonic estimation | |
CN107102189B (zh) | 基于s函数的变步长lms谐波电流检测方法 | |
Jain et al. | An adaptive time-efficient technique for harmonic estimation of nonstationary signals | |
CN107478896A (zh) | 一种基于级联广义积分器的频率自适应谐波电流检测方法 | |
CN101187682B (zh) | 一种在线自适应谐波电流检测系统 | |
CN105606900B (zh) | 一种基于方波信号的单相谐波阻抗测量方法 | |
CN105811408B (zh) | 面向mmc换流站的谐波能量传递函数建模方法 | |
Reddy et al. | An open-loop fundamental and harmonic phasor estimator for single-phase voltage signals | |
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 | |
Dash et al. | Performance analysis of a multilevel inverter based shunt active filter with RT‐EMD control technique under ideal and non‐ideal supply voltage conditions | |
CN104111373A (zh) | 一种用于智能变电站数字化电能的计量方法 | |
Ge et al. | A dynamic parameter model of harmonic source networks | |
Nguyen et al. | Harmonics identification with artificial neural networks: Application to active power filtering | |
Zou et al. | Optimized harmonic detecting and repetitive control scheme for shunt active power filter in synchronous reference frame | |
CN202119835U (zh) | 非稳定谐波及间谐波测量仪 | |
Patoliya et al. | Smart meter for the estimation of power quality indices based on second-order generalized integrator | |
Zeng et al. | Research on harmonic suppression in power system based on improved adaptive filter | |
Yu et al. | Research of improved iterative DFT method in harmonic current detection | |
Wang et al. | Total harmonic distortion (THD) estimation technique based on power concept for smart power meters | |
Li et al. | Harmonic current forecasting method for hybrid active power filter based on optimal linear prediction theory |
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: 20131204 |