CN114878900A - adaline神经网络和FFT补偿的闪变值测量方法 - Google Patents

adaline神经网络和FFT补偿的闪变值测量方法 Download PDF

Info

Publication number
CN114878900A
CN114878900A CN202210700910.5A CN202210700910A CN114878900A CN 114878900 A CN114878900 A CN 114878900A CN 202210700910 A CN202210700910 A CN 202210700910A CN 114878900 A CN114878900 A CN 114878900A
Authority
CN
China
Prior art keywords
flicker
voltage
neural network
value
frequency
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
Application number
CN202210700910.5A
Other languages
English (en)
Inventor
王再望
胡晓辉
李鸿
董晓宁
郑果果
金鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningxia LGG Instrument Co Ltd
Original Assignee
Ningxia LGG Instrument Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningxia LGG Instrument Co Ltd filed Critical Ningxia LGG Instrument Co Ltd
Priority to CN202210700910.5A priority Critical patent/CN114878900A/zh
Publication of CN114878900A publication Critical patent/CN114878900A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/12—Measuring rate of change
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2503—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques for measuring voltage only, e.g. digital volt meters (DVM's)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种基于adaline神经网络和FFT补偿的闪变值测量方法，该方法首先通过使用adaline神经网络提取电网电压中的波动量；通过FFT变换与pso算法相结合的方式，可以准确估计出波动量的幅值与频率；最后考虑了相应频率的闪变值补偿误差对得出的闪变包络信号进行补偿，得出最终的闪变值。本发明能够极大提高电压闪变的测量精度，同时降低计算成本。

Description

adaline神经网络和FFT补偿的闪变值测量方法
技术领域
本申请涉及电力系统领域，尤其涉及一种基于adaline神经网络和FFT补偿的闪变值测量方法。
背景技术
随着当前世界形势的不断复杂变化以及我国国民经济的高速健康发展，现代社会对电力供应的稳定可靠的性能要求也越来越高，即是对电能质量提出新要求，电力的电能质量作为工业的主导地位比以往任何时候都更加重要。目前随着工业技术的发展，大量非线性波动性负荷广泛应用，同时，多种形式的具有不规律特性的新能源逐渐并网。这些都会向电网注入多种波动，波动会引起白炽灯工作异常也即是电压闪变。闪变情况会导致精密器件无法正常工作以至于造成重大经济损失。采用治理措施的基本依据是闪变的准确测量，因此需要对电压闪变进行精准测量。
现有的闪变测量算法主要有IEC推荐的平方检波法和傅里叶变换FFT。平方检波法具体实现是将原始信号平方运算之后通过滤波器得到调幅波，这种方法计算量大，实现复杂。FFT由于傅里叶变换存在频谱泄露从而导致栅栏效应，最终导致计算结果不准确，现有的工作有的提出了一些fft改进方法，使用加窗插值来减小频谱泄露，但是栅栏效应依然存在，而且结果十分依赖窗函数大小，因此需要很高的计算成本结果依然存在误差。
发明内容
本申请提供了一种基于adaline神经网络和FFT补偿的闪变测量方法，解决了现有技术存在的计算成本高计算误差大的问题。
为解决上述技术问题，本申请提供了一种基于adaline神经网络和FFT补偿的初始闪变值测量方法，包括：
根据adaline神经网络和预先建立的实时电网电压闪变模型提取电压闪变的包络信号；
依据FFT变换对所述包络信号进行计算以得初始幅值和初始频率，并用PSO算法对所述初始幅值和所述初始频率进行修正以得所述包络信号的估计幅值和估计频率；
依据所述估计幅值和所述估计频率计算得出闪变包络信号，并对所述闪变包络信号采用国标闪变值计算方法进行计算，并进行误差补偿得闪变值。
优选地，所述实时电网电压闪变模型为：
u(t)＝A[1+v(t)]cos(2πf0t+θ0)
式中，A为电网电压幅值；f0为工频载波电压的频率；θ0为电压的初始相位；v(t)为u(t)假想零线的电压瞬时值的包络波相对于A的大小，考虑正弦波电压波动，v(t)表达式为：
Figure BDA0003703914950000021
其中，N为电压闪变分量的数量，mn为电网电压闪变的第n个分量的幅值，fn为电网电压闪变的第n个分量的频率，θn为第n个分量相对于工频电压的角度。
优选地，所述实时电网电压闪变模型为：
u(t)＝w1x1+w2x2
式中，自适应滤波器权值w1和w2分别为(AEN cos(θ0))和(-AEN sin(θ0))，输入信号x1和x2的值分别为cos(2πf0t)和sin(2πf0t)。
优选地，所述adaline神经网络的系统函数为：
Figure BDA0003703914950000022
式中，
Figure BDA0003703914950000023
为Adaline系统的输出，
Figure BDA0003703914950000024
为w1的估计值，
Figure BDA0003703914950000025
为w2的估计值；
t时刻的预测误差e(t)为：
Figure BDA0003703914950000026
式中，u(t)为电力系统实测电压；
对应地，根据预测误差和自适应规则调整加权系数，直到e(t)为零时，得出所述电压闪变的包络信号AEN为：
Figure BDA0003703914950000027
优选地，根据最小均方LMS算法作为自适应规则对所述adaline神经网络的系统函数中的
Figure BDA0003703914950000031
和
Figure BDA0003703914950000032
进行更新，公式如下：
Figure BDA0003703914950000033
式中，X(k)为输入向量的k个样本，e(k)为k个样本的误差信号，α为学习速率。
优选地，所述依据FFT变换对所述包络信号进行计算以得和初始估计幅值mrange和初始频率frange的范围为：
Figure BDA0003703914950000034
mm≤mrange≤mm+γmm
式中，TW为时间窗口，γ为小于1.0的常数。
优选地，所述用PSO算法对所述初始幅值和所述初始频率进行修正为：
对所述PSO算法中的速度和位置进行更新，公式为：
vi,k+1＝wpvik+c1r1(pi,k-xi,k)+c2r2(pg,k-xi,k)
xi,k+1＝xi,k+vi,k+1
式中，vi,k为第k代第i个粒子的速度矢量，xi,k为位置矢量，c1和c2是影响粒子速度的学习因子，r1和r2是介于0和1之间的随机数，系数wp减小公式如下：
Figure BDA0003703914950000035
式中，wmax为wp上限值，wmin为wp下限值，iter是迭代次数，itermax为最大迭代次数。
优选地，所述依据所述估计幅值和所述估计频率计算得出闪变包络信号为：
Figure BDA0003703914950000036
式中，
Figure BDA0003703914950000037
为mn的估计值，
Figure BDA0003703914950000038
为fn的估计值。
优选地，所述对所述闪变包络信号采用国标闪变值计算方法进行计算，并进行误差补偿得闪变值为：
Figure BDA0003703914950000039
其中，A为工频电压的幅值，
Figure BDA0003703914950000041
为pso算法估计得出的闪变幅值，通过pso算法估计的频率查表或者带入多项式进行计算获得补偿值c和标准波动值dLim。
由以上技术方案可知，本申请所提供的一种基于adaline神经网络和FFT补偿的闪变值测量方法，通过使用adaline神经网络提取电网电压中的波动量；通过FFT变换与pso算法相结合的方式，可以准确估计出波动量的幅值与频率；最后考虑了相应频率的闪变值补偿误差对得出的闪变包络信号进行补偿，得出最终的闪变值，在降低计算成本的时提高了计算精度。
附图说明
为了更清楚的说明本申请的技术方案，下面将对实施例中所需要使用的附图作简要的介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种基于adaline神经网络和FFT补偿的闪变值测量方法流程图；
图2为本发明实施例所提供的一种adaline神经网络的结构图；
图3为本发明实施例所提供的一种pso算法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚完整的描述。
本申请的核心是提供一种基于adaline神经网络和FFT补偿的闪变值测量方法，可以解决现有技术存在的计算成本高计算误差大的问题。
图1为本发明实施例所提供的一种基于adaline神经网络和FFT补偿的闪变值测量方法流程图，图2为本发明实施例所提供的一种adaline神经网络的结构图；图3为本发明实施例所提供的一种pso算法的流程图。
如图1至图3所示。
在执行之前，需要构建实时电网电压闪变模型。闪变是电网中电压波动作用的结果，因此，考虑波动分量，可以建立如下的实时电网电压闪变模型：
u(t)＝A[1+v(t)]cos(2πf0t+θ0) (1)
式中，A为电网电压幅值；f0为工频载波电压的频率；θ0为电压的初始相位；v(t)为u(t)假想零线的电压瞬时值的包络波相对于A的大小，考虑正弦波电压波动，v(t)表达式为：
Figure BDA0003703914950000051
其中，N为电压闪变分量的数量，mn为电网电压闪变的第n个分量的幅值，fn为电网电压闪变的第n个分量的频率，θn为第n个分量相对于工频电压的角度。
电压闪变信号实质是叠加了无数个正弦信号的结果，式1电网电压闪变模型可以变形如下，AEN为电压闪变的包络信号：
Figure BDA0003703914950000052
Figure BDA0003703914950000053
做完上述工作之后，一种基于adaline神经网络和FFT补偿的闪变值测量方法，该方法包括以下步骤：
S101：根据adaline神经网络和预先建立的实时电网电压闪变模型提取电压闪变的包络信号。
adaline是一个具有多个节点、一个输出和多个可调权值的单层神经网络。如果对一个信号直接使用FFT时，有必要以远高于信号频率的采样频率对信号进行采样，并且在时间窗内使用的内存需要足够大。因此使用Adaline系统提取电力系统电压的包络信号，从而有效地降低FFT计算的计算成本和内存使用。具体操作为，调整Adaline权值，使其跟踪电力系统电压的包络线。
为了使用Adaline，将式(2)变为式(3)，将式(1)变为式(5)
u(t)＝w1x1+w2x2 (5)
式中，自适应滤波器权值w1和w2分别为(AEN cos(θ0))和(-AEN sin(θ0))，输入信号x1和x2的值分别为cos(2πf0t)和sin(2πf0t)。
adaline神经网络的系统函数为：
Figure BDA0003703914950000061
式中，
Figure BDA0003703914950000062
为Adaline系统的输出，
Figure BDA0003703914950000063
为w1的估计值，
Figure BDA0003703914950000064
为w2的估计值，e(t)为t时刻的预测误差；
Figure BDA0003703914950000065
式中，u(t)为电力系统实测电压；
对应地，根据预测误差和自适应规则调整加权系数，直到e(t)为零时，得出包络信号AEN为：
Figure BDA0003703914950000066
在Adaline神经网络中，使用最小均方(LMS)算法，即Widro-Hoff delta规则作为自适应规则。对于第k个样本，权值更新公式如下：
Figure BDA0003703914950000067
式中，X(k)为输入向量的k个样本，e(k)为kk个样本的误差信号，α为学习速率。
S102：依据FFT变换对包络信号进行计算，此时是粗略估计，得出初始幅值和初始频率，并用PSO算法对初始幅值和初始频率进行修正以得包络信号的估计幅值和估计频率。
如果电网电压没有闪变，则AEN是常数，AEN的FFT在零频率处只有一个非零分量。反之，电压闪变的频率范围为0.5-35hz，对于其中的某一频率估计时，由于FFT自身存在的频谱泄露问题，会导致栅栏效应。求出的值并不准确，设最大幅值为mm，对应频率为ff。真实闪变的频率范围和相应的幅值(frange，mrange)为：
Figure BDA0003703914950000068
mm≤mrange≤mm+γmm (11)
式中，TW为时间窗口，γ为小于1.0的常数。
为了准确估计幅值和频率，采用PSO算法粒子群优化算法属于进化算法的一类，由Kennedy和Eberhart在1995年提出。近年来，这类优化算法在电力系统优化问题中得到了越来越多的应用。粒子群优化算法是一组在搜索空间中扩散的粒子(优化变量)。每个粒子都可能是一个潜在的解。很明显，有些粒子比其他粒子有更好的位置，而其余的粒子则试图将自己的位置提升到优势粒子的位置。与此同时，优越粒子的位置也发生了变化。每个粒子位置的变化是基于粒子在先前运动中的经验和相邻粒子的经验。事实上，每个粒子都知道自己对邻近的粒子以及对整个粒子群的优越性和非优越性。
S103：依据估计幅值和估计频率计算得出闪变包络信号，并对闪变包络信号采用国标闪变值计算方法进行计算，并进行误差补偿得闪变值。
依据估计幅值和估计频率计算得出闪变包络信号为：
Figure BDA0003703914950000071
式中，
Figure BDA0003703914950000072
为mn的估计值，
Figure BDA0003703914950000073
为fn的估计值。
在第k个样本的每个时刻，将真实闪烁分量与估计分量的差值提供给算法，并根据FFT算法获得的目标函数和优化变量的范围，计算出最佳的估计。
在粒子群算法中，粒子寻找最佳位置，直到遇到相对不变的状态或超过计算限制。粒子群算法的关键步骤是在每一个时间步长的时候，改变每个粒子朝向其个体历史最优位置pbest和群体历史最优gbest位置的速度。随机生成一个加速度，对于朝向pbest和gbest位置的速度产生单独的随机数。PSO的过程可以描述如下：
1.在目标空间的d维空间中初始化一个随机位置和速度的粒子群(数组)，第i个粒子的位置向量为
Figure BDA0003703914950000074
速度向量为
Figure BDA0003703914950000075
2.对于每个粒子，在d个变量中计算适应度。
3.比较粒子的适应值也即是目标函数和它迄今为止搜索到的最优位置pbest。如果当前粒子所在的位置计算的目标函数值优于pbest，则将pbest位置设置为d维空间中的当前位置。
4.将适应值与整个粒子群迄今为止搜索到的总体最佳值进行比较。如果当前值比gbest好，则重置gbest为当前粒子的位置。
5.用PSO算法对初始幅值和初始估计频率进行修正为：
根据式(8)对PSO算法中的速度和位置进行更新，公式为：
vi,k+1＝wpvik+c1r1(pi,k-xi,k)+c2r2(pg,k-xi,k) (13)
xi,k+1＝xi,k+vi,k+1 (14)
式中，vi,k为第k代第i个粒子的速度矢量，xi,k为位置矢量，c1和c2是影响粒子速度的学习因子，r1和r2是介于0和1之间的随机数。
在实际使用中，若wmax设置过大可能使粒子越过最小值点，相反的wmax设置过小可能使粒子绕其位置旋转，从而无法搜索目标空间。wmax的数量通常选择在变量范围的10％到20％之间。c1和c2选择范围为c1+c2＜4。此外，适当选择w的结果可以使得算法以较小的重复次数，达到最优点。在典型的PSO算法实现过程中，系数w从0.9减小到0.4，其减小公式如下：
Figure BDA0003703914950000081
式中，wmax为上限值，wmin为是下限值，iter是迭代次数，itermax为最大迭代次数。
6.返回到式2，直到满足一个标准，通常是一个足够好的适合度或最大的迭代数量，最后输出
Figure BDA0003703914950000084
根据《GBT 12326-2008电能质量电压波动和闪变》中规定的计算方法
Figure BDA0003703914950000082
便可以根据估计所得的频率查表1对应的dlim，结合估计的幅值即可求出闪变值。由于实际操作中存在衰减，故增加了闪变值补偿环节。求出的闪变值与补偿值相乘就能够求出准确的闪变值。当求出的频率不在表1范围内时，可用表2的多项式系数求得对应的值，再进行运算。
Figure BDA0003703914950000083
最后可求得闪变值为：
Figure BDA0003703914950000091
其中，A为工频电压的幅值，
Figure BDA0003703914950000092
为pso算法估计得出的闪变幅值，通过pso算法估计的频率查表或者带入多项式进行计算获得补偿值c和标准波动值dLim。
表1不同频率下单位闪变波动值和补偿值
f/Hz d<sub>lim</sub>/％ 补偿值c f/Hz d<sub>lim</sub>/％ 补偿值c
0.5 2.34 1.025641026 10 0.26 1.083423619
1 1.432 1.015228426 10.5 0.27 1.086956522
1.5 1.08 0.9765625 11 0.282 1.090512541
2 0.882 0.986193294 11.5 0.296 1.094091904
2.5 0.754 0.987166831 12 0.312 1.095290252
3 0.654 0.988142292 13 0.348 1.098901099
3.5 0.568 1.006036217 14 0.388 1.127395716
4 0.5 1.016260163 15 0.432 1.148105626
4.5 0.446 1.018329939 16 0.48 1.157407407
5 0.398 1.031991744 17 0.53 1.172332943
5.5 0.36 1.028806584 18 0.584 1.200480192
6 0.328 1.052631579 19 0.64 1.233045623
6.5 0.3 1.052631579 20 0.7 1.251564456
7 0.28 1.048218029 21 0.76 1.275510204
7.5 0.266 1.025641026 22 0.824 1.308900524
8 0.256 1.048218029 23 0.89 1.351351351
8.8 0.25 1.058201058 24 0.962 1.386962552
9.5 0.254 1.067235859 25 1.042 1.416430595
表2多项式拟合系数
Figure BDA0003703914950000101
本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其他实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包含本申请公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为实例性的，本申请的真正范围由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (9)

1.一种基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，包括：
根据adaline神经网络和预先建立的实时电网电压闪变模型提取电压闪变的包络信号；
依据FFT变换对所述包络信号进行计算以得初始幅值和初始频率，并用PSO算法对所述初始幅值和所述初始频率进行修正以得所述包络信号的估计幅值和估计频率；
依据所述估计幅值和所述估计频率计算得出闪变包络信号，并对所述闪变包络信号采用国标闪变值计算方法进行计算，并进行误差补偿得闪变值。
2.根据权利要求1所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述实时电网电压闪变模型为：
u(t)＝A[1+v(t)]cos(2πf0t+θ0)
式中，A为电网电压幅值；f0为工频载波电压的频率；θ0为电压的初始相位；v(t)为u(t)假想零线的电压瞬时值的包络波相对于A的大小，考虑正弦波电压波动，v(t)表达式为：
Figure FDA0003703914940000011
其中，N为电压闪变分量的数量，mn为电网电压闪变的第n个分量的幅值，fn为电网电压闪变的第n个分量的频率，θn为第n个分量相对于工频电压的角度。
3.根据权利要求2所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述实时电网电压闪变模型为：
u(t)＝w1x1+w2x2
式中，自适应滤波器权值w1和w2分别为(AEN cos(θ0))和(-AEN sin(θ0))，输入信号x1和x2的值分别为cos(2πf0t)和sin(2πf0t)。
4.根据权利要求3所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述adaline神经网络的系统函数为：
Figure FDA0003703914940000012
式中，
Figure FDA0003703914940000013
为Adaline系统的输出，
Figure FDA0003703914940000014
为w1的估计值，
Figure FDA0003703914940000015
为w2的估计值；
t时刻的预测误差e(t)为：
Figure FDA0003703914940000021
式中，u(t)为电力系统实测电压；
对应地，根据预测误差和自适应规则调整加权系数，直到e(t)为零时，得出所述电压闪变的包络信号AEN为：
Figure FDA0003703914940000022
5.根据权利要求4所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，根据最小均方LMS算法作为自适应规则对所述adaline神经网络的系统函数中的
Figure FDA0003703914940000023
和
Figure FDA0003703914940000024
进行更新，公式如下：
Figure FDA0003703914940000025
式中，X(k)为输入向量的k个样本，e(k)为k个样本的误差信号，α为学习速率。
6.根据权利要求5所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述依据FFT变换对所述包络信号进行计算以得和初始估计幅值mrange和初始频率frange的范围为：
Figure FDA0003703914940000026
mm≤mrange≤mm+γmm
式中，TW为时间窗口，γ为小于1.0的常数。
7.根据权利要求6所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述用PSO算法对所述初始幅值和所述初始频率进行修正为：
对所述PSO算法中的速度和位置进行更新，公式为：
vi,k+1＝wpvik+c1r1(pi,k-xi,k)+c2r2(pg,k-xi,k)
xi,k+1＝xi,k+vi,k+1
式中，vi,k为第k代第i个粒子的速度矢量，xi,k为位置矢量，c1和c2是影响粒子速度的学习因子，r1和r2是介于0和1之间的随机数，系数wp减小公式如下：
Figure FDA0003703914940000031
式中，wmax为wp上限值，wmin为wp下限值，iter是迭代次数，itermax为最大迭代次数。
8.根据权利要求7所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述依据所述估计幅值和所述估计频率计算得出闪变包络信号为：
Figure FDA0003703914940000032
式中，
Figure FDA0003703914940000033
为mn的估计值，
Figure FDA0003703914940000034
为fn的估计值。
9.根据权利要求8所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述对所述闪变包络信号采用国标闪变值计算方法进行计算，并进行误差补偿得闪变值为：
Figure FDA0003703914940000035
其中，A为工频电压的幅值，
Figure FDA0003703914940000036
为pso算法估计得出的闪变幅值，通过pso算法估计的频率查表或者带入多项式进行计算获得补偿值c和标准波动值dLim。
CN202210700910.5A 2022-06-20 2022-06-20 adaline神经网络和FFT补偿的闪变值测量方法 Pending CN114878900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210700910.5A CN114878900A (zh) 2022-06-20 2022-06-20 adaline神经网络和FFT补偿的闪变值测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210700910.5A CN114878900A (zh) 2022-06-20 2022-06-20 adaline神经网络和FFT补偿的闪变值测量方法

Publications (1)

Publication Number Publication Date
CN114878900A true CN114878900A (zh) 2022-08-09

Family

ID=82682256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210700910.5A Pending CN114878900A (zh) 2022-06-20 2022-06-20 adaline神经网络和FFT补偿的闪变值测量方法

Country Status (1)

Country Link
CN (1) CN114878900A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103219724A (zh) * 2012-03-15 2013-07-24 南京亚派科技实业有限公司 一种智能电网多目标控制系统及方法
CN110824282A (zh) * 2019-11-20 2020-02-21 湖南铁路科技职业技术学院 一种高压充电桩电能质量监测系统
JP2020076702A (ja) * 2018-11-09 2020-05-21 三菱電機株式会社 交流電気量測定装置、交流電気量測定方法、およびバス転送システム
CN111368892A (zh) * 2020-02-27 2020-07-03 合肥工业大学 一种广义s变换和svm的电能质量扰动高效识别方法
CN111722174A (zh) * 2020-05-31 2020-09-29 宁夏隆基宁光仪表股份有限公司 一种应用量子粒子群算法实现电能表异常诊断系统及方法
CN112213560A (zh) * 2020-09-01 2021-01-12 东南大学 一种基于z-adaline的高精度电网宽频信号测量方法
CN113378652A (zh) * 2021-05-21 2021-09-10 南京理工大学 一种基于ewt-mpe-pso-bp的扰动分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103219724A (zh) * 2012-03-15 2013-07-24 南京亚派科技实业有限公司 一种智能电网多目标控制系统及方法
JP2020076702A (ja) * 2018-11-09 2020-05-21 三菱電機株式会社 交流電気量測定装置、交流電気量測定方法、およびバス転送システム
CN110824282A (zh) * 2019-11-20 2020-02-21 湖南铁路科技职业技术学院 一种高压充电桩电能质量监测系统
CN111368892A (zh) * 2020-02-27 2020-07-03 合肥工业大学 一种广义s变换和svm的电能质量扰动高效识别方法
CN111722174A (zh) * 2020-05-31 2020-09-29 宁夏隆基宁光仪表股份有限公司 一种应用量子粒子群算法实现电能表异常诊断系统及方法
CN112213560A (zh) * 2020-09-01 2021-01-12 东南大学 一种基于z-adaline的高精度电网宽频信号测量方法
CN113378652A (zh) * 2021-05-21 2021-09-10 南京理工大学 一种基于ewt-mpe-pso-bp的扰动分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴丹岳: "基于谱估计和粒子群算法的电压闪变计算方法", 电力科学与技术学报, vol. 31, no. 04, 31 December 2016 (2016-12-31), pages 18 - 25 *

Similar Documents

Publication Publication Date Title
CN109494724B (zh) 基于lu分解的大电网戴维南等值参数在线辨识方法
Chen et al. An adaptive TLS-ESPRIT algorithm based on an SG filter for analysis of low frequency oscillation in wide area measurement systems
CN107658881A (zh) 基于戴维南等值方法的电压稳定临界点判断方法
CN109787250B (zh) 一种基于多元经验模态分解的电力系统低频振荡模式辨识方法
CN111046327A (zh) 适用于低频振荡与次同步振荡辨识的Prony分析方法
CN108776274B (zh) 一种基于自适应滤波的风电变流器故障诊断
CN114329347B (zh) 一种电能表计量误差预测方法、装置及存储介质
CN109376939B (zh) 一种基于自适应神经网络的电网稳定性实时预测方法
CN109765460B (zh) 一种基于自适应尺度Symlets小波的配电网故障选线方法
CN114418378A (zh) 基于lof离群因子检测算法的光伏发电上网数据校核方法
CN109635430A (zh) 电网输电线路暂态信号监测方法和系统
CN114878900A (zh) adaline神经网络和FFT补偿的闪变值测量方法
CN108462205B (zh) 一种适应风电随机波动性的互联电力系统阻尼控制方法
CN110703038B (zh) 一种适用于风机接入配电网的谐波阻抗估算方法
CN108334822B (zh) 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法
CN116559579A (zh) 基于改进的VMD和Teager能量算子故障定位方法
CN110470956A (zh) 一种电力设备局部放电超声定位方法
CN112510757B (zh) 一种基于阻抗测量的逆变器电网稳定性校验方法
CN113794198A (zh) 抑制宽频振荡的方法、装置、终端及存储介质
CN103630744A (zh) Pmu相角检测方法及系统
CN113866542A (zh) 大区域电网对埋地金属管网电压干扰截断边界确定方法
CN109217336B (zh) 基于分区建模的同步发电机阻尼系数在线辨识方法
Gao et al. Dynamic State Estimation for power system based on M-UKF algorithm
CN113162002B (zh) 一种计及宽频测量环节的直流行波保护方法及系统
CN110048393B (zh) 基于直流换相影响程度的暂态电压扰动抑制方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination