CN104833852A - 一种基于人工神经网络的电力系统谐波信号估计测量方法 - Google Patents

Abstract

本发明公开了一种基于人工神经网络的电力信号的谐波参数估计方法，属于电力系统领域。该方法包括以下步骤：一：获取目标信号；二：确定滤波目标信号特征；三：初始化神经网络，并根据获取的目标信号建立离散信号模型；四：对神经网络的相应函数和参数进行选取，根据人工神经网络方法的递推规则，得到人工神经网络的离散算法公式；五：将离散目标信号输入到神经网络的输入层，对离散目标信号进行滤波和参数估计，得到相应的电力信号参数。由于人工神经网络具有很强的自适应和学习能力，鲁棒性和容错能力，从而可以代替复杂耗时的传统算法，使得处理过程更接近于人类思维活动。利用神经网络的高度并行运算能力，则保证了此方法在线应用实时性。

Description

一种基于人工神经网络的电力系统谐波信号估计测量方法

技术领域

本发明属于电力系统领域，涉及一种基于人工神经网络的电力系统谐波信号估计测量方法。

背景技术

参数估计对于现代电力系统的运行有着重要意义。本发明所述的参数估计主要针对电力系统中的谐波信号参数估计。通常而言，在电力系统的参数估计中，谐波信号参数估计是目前要解决的核心和难点。电力系统数字化保护中，继电器采用基于频率的信号处理算法，从采样得到的电压信号或电流信号中，可估计系统状态信息。在电能质量监控领域，电力信号的电压幅值和相位检测皆是基于频率测量而进行的。在分布式发电系统并网过程中，根据频率测量值可分析供电设备与电网之间的动态能量平衡关系。但是电力系统中电力电子装置的广泛使用，可控硅转换装置和高频逆变器注入非正弦电流信号，导致电力信号受到谐波和噪声信号的破坏而失真。因此快速并准确测量谐波信号参数成为当前电力系统研究热点。

目前，国内外比较常用的方法有快速傅里叶变换，最小二乘法、牛顿递归法、自适应陷波滤波法、最小均方误差法、正交分量滤波法等方法。这些方法各具特点，只能针对某一特定的工程问题，在强噪声和谐波干扰条件下，大多表现不尽如人意。人工神经网络理论，作为人工智能的一个最活跃的分支，其模拟人脑的工作方式，为解决复杂的非线性、不确定性、不确知性系统的问题开创了一个崭新的途径。因而在电力系统应用研究中受到了广泛的关注。目前已在电力系统故障诊断、智能控制、继电保护和暂稳态计算、短期负荷预报等系统计算优化中获得大量的研究成果，并随着人工神经网络技术不断地成熟，人工神经网络逐渐被应用到电力系统的其他各个方面。人工神经网络具有以下几个突出的特点：(1)大规模的并行计算与分布式存储能力；(2)高度的非线性能力；(3)较强的鲁棒性和容错性；(4)自适应、自组织和自学习的能力；(5)非局域性；(6)非凸性。这些特点使得采用人工神经网络进行电力信号滤波和参数估计成为了可能性。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工神经网络的电力系统谐波信号估计测量方法，此算法利用三次采样正弦波关系模型对信号的平滑能力，以及人工神经网络的自适应能力，改进了对信号突变跟踪的鲁棒性。另外，由于神经网络的高度并行运算能力，则保证了此方法在线应用的实时性

为达到上述目的，本发明提供如下技术方案：

一种基于人工神经网络的电力系统谐波信号估计测量方法，属于电力系统领域。该方法包括以下步骤：步骤一：获取目标信号；步骤二：确定滤波目标信号特征；步骤三：初始化神经网络，并根据获取的目标信号建立离散信号模型；步骤四：对神经网络的相应函数和参数进行选取，根据人工神经网络方法的递推规则，得到人工神经网络的离散算法公式；步骤五：将离散目标信号输入到神经网络的输入层，对离散目标信号进行滤波和参数估计，得到相应的电力信号参数。

进一步，步骤一具体包括，通过电压互感器获取电力系统中的失真信号，并将该失真信号调制为弱电信号制，从而得到滤波目标信号y。

进一步，步骤二中，所述的滤波目标信号特征为，该信号为电力系统的所有正弦失真信号，包括三相或单相、电流或电压。

进一步，步骤三具体包括如下步骤：首先，将连续非线性的电力系统失真信号转换为离散时间信号y_k。之后，根据滤波目标信号的特征，采用连续三个采样时刻的电压等式关系构建滤波模型。

进一步，步骤四具体包括，假设神经网络每层有N个节点，x为神经网络权值，且权值矩阵为X＝[x₀,x₁,…x_N]^T，则可根据信号模型推出神经网络隐层神经无激励矩阵C。之后根据权值矩阵和隐层神经无激励矩阵推出神经网络的输出函数误差函数e_k表达式及其性能指标J表达式。接着根据获得的各项表达式得出权值调整的相关公式。

进一步，步骤五中利用人工神经网络进行滤波和参数估计采用以下步骤：

a初始化神经网络的权值等参数，并对神经网络各层节点数进行设定，根据经验对学习速率0＜η＜1进行取值，学习速率决定了每一次训练中的权值变化大小；

b输入离散目标信号y_k给神经网络的输入层节点；

c根据计算神经网络对应该时刻输入的输出值

d根据实际输出和理论输出z_k计算出此时的误差值e_k，并采用逐层递归计算出对应的性能指标J；

e通过采用梯度算法对网络的权值进行调整，以达到逐步减小误差的目的，每次调整量为ΔX；

f时间参数k增加一个单位，之后重复b～e的步骤，直到达到最大训练次数。

进一步，所述方法还包括以下步骤：为了甄别该方法的精准性，采用标准偏差STD和差异系数COV对其精准性进行评判；另外，为了确定该方法满足实时应用，通过获得该方法的计算时间来间接知道该方法的复杂程度，从而确定其是否满足实时应用要求。

本发明的有益效果在于：本发明所述的方法，利用三次采样正弦波等式关系对信号的平滑能力，以及人工神经网络的自适应能力，改进了对信号突变跟踪的鲁棒性。又由于神经网络的高度并行运算能力，则保证了此方法在线应用的实时性，且能够较快速准确的谐波信号，并保持较高的跟踪精度。这对于快速并准确对电力的失真电压(电流)信号进行参数估计具有重要意义。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明的流程示意图；

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述：

图1为本发明的流程示意图，该电力系统失真信号参数估计方法包括五个步骤：步骤一：获取目标信号；步骤二：确定滤波目标信号特征；步骤三：初始化神经网络，并根据获取的目标信号建立离散信号模型；步骤四：对神经网络的相应函数和参数进行选取，根据人工神经网络方法的递推规则，得到人工神经网络的离散算法公式；步骤五：将离散目标信号输入到神经网络的输入层，对离散目标信号进行滤波和参数估计，得到相应的电力信号参数。

1.由于本发明针对的是电力系统由谐波干扰导致失真的信号，则步骤一中所述的获取滤波目标信号具体步骤为，通过电压互感器获取电力系统中的失真信号，并将该失真信号调制为弱电信号制，从而得到滤波目标信号y。

2.在本实施例中，步骤二中所述的滤波目标信号特征，首先需明确的一点便是该信号中混有附加噪声或谐波信号，本发明主要考虑电力系统信号混有零均值的高斯白噪声情况。其次，该滤波目标信号的特征还包括，该信号可以为单相或者三相非线性正弦波电压或电流信号。

3.在本实施例中，步骤三采用的具体内容为：首先将连续非线性的电力系统失真信号转换为离散时间信号y_k。由于三次采样正弦波关系模型对信号具有较好的平滑能力，可进一步提高滤波效果，从而本发明采用如

${\hat{y}}_k-2\cos {\mathrm{\ωT}}_s{\hat{y}}_{k-1}+{\hat{y}}_{k-2}=0---\left(1\right)$

所示的连续三个采样时刻的电压等式模型对离散滤波目标信号y_k进行构建模型，得到的信号模型为：

${\hat{y}}_k=2\cos {\mathrm{\ωT}}_s{\hat{y}}_{k-1}-{\hat{y}}_{k-2}+\underset{m=1}{\overset{M}{\mathrm{\Σ}}}[A_m\·(2\cos m{\mathrm{\ωT}}_s-2\cos {\mathrm{\ωT}}_s)\·\sin \{\mathrm{m\ω}(k-1)T_s+{\mathrm{\φ}}_m\left\}\right]---\left(2\right)$

式中：y_k为k时刻信号采样值；m为谐波阶次；M为信号中谐波最高阶次；A_m为m阶谐波幅值；φ_m为m阶谐波相位；ε_k为附加噪声。

4.本发明所述参数估计方法的步骤四主要包含的内容即为根据人工神经网络的基本原理，得到人工神经网络滤波和参数估计的离散算法公式。根据步骤三中给出的电力系统失真信号采样后的离散信号关系式(2)，设定出神经网络权值，并写出对应的权值矩阵X＝[x₀,x₁,…x_N]^T，以及推导出满足相关要求的隐层神经无激励矩阵C，C由公式(4)中2cosmωT、sinmω(k-1)T_s等分量组成。之后借助人工神经网络的基本原理和前面推导得到的相关公式，推导得出神经网络的输出函数的表达式、误差函数e_k的表达式及其性能指标J的表达式。接着根据获得的各项表达式得出权值调整的相关公式。

5.在本实施例中，步骤五采用人工神经网络算法，算法具体步骤如下所述：

a初始化神经网络的权值等参数，并对神经网络各层节点数进行设定，根据经验对学习速率0＜η＜1进行取值，学习速率决定了每一次训练中的权值变化大小；

b输入离散目标信号给神经网络的输入层节点；

c写出对应离散目标信号的权值矩阵和隐层神经无激励矩阵，并计算神经网络对应该时刻输入的输出值具体运算公式如下：

${\hat{y}}_k=X^{T}C---\left(5\right)$

d根据实际输出和理论输出z_k计算出此时的误差值e_k，并采用逐层递归计算出对应的性能指标J；

误差函数：

e_k＝y_d(k)-y(k),(k＝0,1,…,K-1))      (6)

性能指标：

$J=\frac{1}{2}\underset{0}{\overset{K-1}{\mathrm{\Σ}}}{e}^2\left(k\right)---\left(7\right)$

e通过采用梯度算法对网络的权值进行调整，以达到逐步减小误差的目的，每次调整量为ΔX，则有：

$\mathrm{\ΔX}=-\mathrm{\η}\frac{\∂J}{\∂X}=-\mathrm{\η}\frac{\∂J}{{\∂e}_k}\·\frac{{\∂e}_k}{\∂X}=\mathrm{\η}{e}_k{C}_k---\left(8\right)$

X_k+1＝X_k+ΔX     (9)

f时间参数k增加一个单位，之后重复b～e的步骤，直到达到最大训练次数。

6.在本实施例中，所述方法还包括以下步骤：为了甄别该方法的精准性，采用标准偏差STD和差异系数COV对其精准性进行评判，二者的计算公式分别如下所示：

$\mathrm{STD}=\sqrt{\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{X})}^2}{N-1}}---\left(10\right)$

$\mathrm{COV}=\frac{\mathrm{STD}}{\stackrel{\‾}{X}}\×100\%---\left(11\right)$

式中：N为最大采样步数；x_k为第k个采样步数时的测量值，而X则为测量值的平均值。

另外，为了确定该方法满足实时应用，通过获得该方法的计算时间来间接知道该方法的复杂程度，从而确定其是否满足实时应用要求。

通过以上六个步骤，能够为电力系统的失真信号提供有效的参数估计，特别是在信号发生突变时，能够提供快速准确的参数估计测量，从而为电力系统运行时的安全监控和有效保护提供数据基础。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种基于人工神经网络的电力系统谐波信号参数估计测量方法，其特征在于：包括以下步骤：

步骤一：获取目标信号；

步骤二：确定滤波目标信号特征；

步骤三：初始化神经网络，并根据获取的目标信号建立离散信号模型；

步骤四：对神经网络的相应函数和参数进行选取，根据人工神经网络方法的递推规则，得到人工神经网络的离散算法公式；

步骤五：将离散目标信号输入到神经网络的输入层，对离散目标信号进行滤波和参数估计，得到相应的电力信号参数。

2.根据权利要求1所述的基于人工神经网络的电力系统谐波信号估计测量方法，其特征在于：步骤一具体包括，通过电压互感器获取电力系统中的失真信号，并将该失真信号调制为弱电信号制，从而得到估计目标信号y。

3.根据权利要求2所述的基于人工神经网络的电力系统谐波信号估计测量方法，其特征在于：步骤二中，所述的滤波目标信号特征为，该信号为电力系统的所有正弦失真信号，包括三相或单相、电流或电压。

4.根据权利要求3所述的基于人工神经网络的电力系统谐波信号估计测量方法，其特征在于：步骤三具体包括如下步骤：首先，将连续非线性的电力系统失真信号转换为离散时间信号y_k。之后，根据滤波目标信号的特征，采用连续三个采样时刻的电压等式关系构建滤波模型。

5.根据权利要求4所述的基于人工神经网络的电力系统谐波信号估计测量方法，其特征在于：步骤四具体包括如下步骤：假设神经网络每层有N个节点，x为神经网络权值，且权值矩阵为X＝[x₀,x₁,…x_N]^T，则可根据信号模型推出神经网络隐层神经无激励矩阵C。之后根据权值矩阵和隐层神经无激励矩阵推出神经网络的输出函数误差函数e_k表达式及其性能指标J表达式。接着根据获得的各项表达式得出权值调整的相关公式。

6.根据权利要求5所述的基于人工神经网络的电力系统谐波信号估计测量方法，其特征在于：步骤五中利用人工神经网络进行参数估计采用以下步骤：

(1)初始化神经网络的权值等参数，并对神经网络各层节点数进行设定，根据经验对学习速率0＜η＜1进行取值，学习速率决定了每一次训练中的权值变化大小；

(2)输入离散目标信号y_k给神经网络的输入层节点；

(3)根据计算神经网络对应该时刻输入的输出值

(4)根据实际输出和理论输出z_k计算出此时的误差值e_k，并采用逐层递归计算出对应的性能指标J；

(5)通过采用梯度算法对网络的权值进行调整，以达到逐步减小误差的目的，每次调整量为ΔX；

(6)时间参数k增加一个单位，之后重复(2)～(5)的步骤，直到达到最大训练次数。

7.根据权利要求6所述的基于人工神经网络的电力系统谐波信号参数估计测量方法，其特征在于：所述方法还包括以下步骤：为了甄别该方法的精准性，采用标准偏差STD和差异系数COV对其精准性进行评判；另外，为了确定该方法满足实时应用，通过获得该方法的计算时间来间接知道该方法的复杂程度，从而确定其是否满足实时应用要求。