CN115062668A

CN115062668A - 基于RAdam优化宽度学习的谐波参数检测方法和系统

Info

Publication number: CN115062668A
Application number: CN202210778084.6A
Authority: CN
Inventors: 张莹莹; 李聪聪; 李思齐; 孙晨宇
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2022-06-28
Filing date: 2022-06-28
Publication date: 2022-09-16

Abstract

本发明公开了一种基于RAdam优化宽度学习的谐波参数检测方法和系统，该方法包括：获取谐波信号及其谐波参数并构建原始谐波信号数据集，再按比例划分为训练集和测试集；利用训练集训练出谐波参数检测模型；其中，包括初始化设置各项参数，后续再利用RAdam优化器自适应更新宽度学习系统的各项参数直至满足迭代终止条件；最后再输入测试集数据，并利用训练好的谐波参数检测模型估计谐波参数并计算估计误差。通过上述构建的谐波参数检测模型可以估算出电力系统中待检测谐波信号的谐波参数。综上，本发明所述方法应用在由于大量非线性设备的接入而使电流信号产生畸变的电力系统中，可以高效以及准确的估算出谐波信号的谐波参数。

Description

基于RAdam优化宽度学习的谐波参数检测方法和系统

技术领域

本发明属于电力系统中的谐波信号智能检测技术，具体涉及一种基于RAdam优化宽度学习的谐波参数检测方法和系统。

背景技术

在现代电力系统迅速发展和能源体系迭代升级的背景下，非线性电力电子设备应用广泛。大量非线性设备的接入可能导致电力系统中电流信号畸变而形成谐波，谐波的存在会降低公共电网中发电和输配电效率，影响用电设备的正常运转且增加额外的损耗，同时还隐藏着巨大的安全隐患。精确、快速的谐波检测和分析方法可以有效地为谐波的抑制和补偿奠定基础，是解决电力系统中非现性设备接入带来的电流信号畸变问题的前提。

谐波检测的经典方法如快速傅里叶变换(FFT)、小波包变换(WPT)等，不过需要完整周期的信号进行检测和分析是这类方法的特点，当采用较少周期数时，FFT和WPT一般只对基波检测比较有效，当存在基频偏差、间谐波和噪声等复杂多干扰因素时，其对高次谐波的检测误差将进一步增加，一般需要10/12个周期才能达到期望的精度。而电力系统中由于非线性设备的接入将导致电力系统内存在基波偏差、间谐波和噪声等复杂多干扰因素，对存在上述多干扰因素的谐波信号进行估计时，谐波次数越高，信号的幅值、频率、相位等参数越容易受干扰因素的影响，因此，经典的FFT以及WPT应用于电力系统的谐波估计将导致较大的检测误差，从而需要更多个周期信号才能达到期望精度。

近年来，神经网络得益于其强大的非线性关系拟合能力，在图像处理、目标检测、故障诊断等领域取得了蓬勃发展和应用。目标应用神经网络进行谐波参数估计技术主要有4种，依次为基于多层感知器神经网络(MLPNN)、径向基网络(RBFNN)、小波神经网络(AWNN)、回声状态网络(ESN)的谐波参数估计方法，然而，MLPNN的多层结构和基于BP算法参数学习机制本身的贪婪特性容易导致算法收敛速度慢或陷入局部最优；基于RBFNN和基于AWNN的方法均采用了梯度下降法参数学习机制，该机制的学习率对方法的估计精度影响较大且需要人工调节，太小容易收敛速度慢，太大容易发散或溢出，基于ESN方法采用元启发式群智能优化算法更新参数，因为需要不断地进行参数寻优过程，在提高精度的同时也具有较高的时间复杂度，且参数最优解的形成依赖于优化算法的初始值，包括初始种群数等。

因此，本发明致力于探索另外一种神经网络，将其应用于电力系统的谐波参数估计。其中，宽度学习系统(BLS)是在随机向量函数链接神经网络(RVFLNN)的基础上被提出，不同其他神经网络通过增加层数提高网络响应精度，宽度学习系统(BLS)通过增加网络节点提升拟合准确率，其具有拓扑结构简单、训练速度快等特点，且网络结构改变后无需重新训练整个网络，采用增量学习算法训练新增节点即可。为此，本发明将探索如何将BLS网络应用于电力系统的谐波参数估计，提供一种全新的谐波参数检测技术，充分发挥以及利用BLS网络优势。

发明内容

本发明为了解决电力系统因非线性设备接入带来的谐波检测的问题，提供了一种全新的技术思路来实现谐波参数检测。具体是提供了一种基于RAdam优化宽度学习的谐波参数检测方法和系统，该谐波参数检测方法将BLS网络引入到电力系统中的谐波信号智能检测技术内，更是进一步将RAdam与BLS网络结合，其中，利用RAdam优化BLS网络的参数，使得基于RAdam与BLS网络构建的谐波参数检测模型的精度更高，可以用于检测谐波信号的幅值、频率、相位等谐波参数。

一方面，本发明提供了一种基于RAdam优化宽度学习的谐波参数检测方法，包括以下步骤：

步骤S1：获取电力系统中的谐波信号以及所述谐波信号对应的谐波参数，进而构建出原始谐波信号数据集；

步骤S2：利用所述原始谐波信号数据集训练出谐波参数检测模型，其中，所述谐波检测模型是基于宽度学习系统构建的，并采用RAdam优化模型参数；

其中，所述谐波参数检测模型的模型输入为谐波信号，模型输出为谐波信号对应的谐波参数；

步骤S3：获取待检测的电力系统中的谐波信号并输入至所述谐波参数检测模型得到谐波信号的谐波参数。

在电力系统中，由于大量非线性负载的接入，导致电力系统的谐波信号相比于其他领域的谐波畸变程度严重得多，因此估计谐波参数的难度也更高；同时电力系统的谐波畸变具有随机性和波动性，运行时谐波状态随时可能发生变化，因此，对电力系统的谐波信号的谐波参数检测，实时性以及准确性是主要考虑点。其中，BLS网络结构简单且训练速度快，同时其本身的增量学习网络更新机制使得在谐波状态发生变化需要保证模型精度且不用重新训练整个网络，因此面对谐波状态突发变化等情况，BLS可快速适应谐波实时状态并准确预测谐波参数，更加符合电力系统的谐波检测需求。为此，本发明技术方案创造性地将BLS网络引入到电力系统的谐波信号检测中，进而提供一种基于RAdam优化宽度学习的谐波参数检测方法，实验结果表明，基于RAdam优化的宽度学习谐波参数检测方法的估计精度高，同时运算速度能够满足谐波实时检测和分析需求。

其次，本发明在BLS网络基础上加入了RAdam优化器。其中，RAdam是Adam的改进算法，其克服了Adam在优化过程中因方差太大而导致的局部最优，其收敛性和稳定性也更佳。再者，RAdam在Adam的基础上加入了方差动态减少机制—“整流项”，克服了Adam在训练初期因数据有限而造成方差过大，也避免了预热阶段手动调整学习率，这种机制保证了RAdam优化宽度学习的谐波参数估计方法在运行过程中不会像Adam等优化器那样可能陷入待优化参数的局部最优解，且能够自适应地调整学习率，因此能够与快速、稳定地收敛至谐波参数估计所需的BLS各层全局最优参数，最终能够准确估计出电力系统的各项谐波参数，更加符合电力系统的谐波参数检测需求。

此外，和经典的FFT、WPT等方法相比，针对

周期或

周期的谐波信号，应用本发明技术方案提供的谐波参数检测方法也可以实现谐波参数估计；整体而言，本发明技术方案提供的所述谐波参数检测方法具有拓扑结构简单、估计精度高和计算时间短的特点，适用于在大量非线性设备接入的电力系统中，在存在基波偏差、间谐波和噪声等复杂多干扰因素的情况下对谐波参数进行实时高效估计。

进一步可选地，步骤S2中所述谐波参数检测模型的训练过程如下：

步骤S2-1：初始化设置：其中，包括设置所述谐波参数检测模型中宽度学习系统内特征映射层-增强层、增强层-输出层的权值和偏置；

步骤S2-2：将所述原始谐波信号数据集中的谐波信号输入所述宽度学习系统得到映射特征与增强特征之间的联合特征；

步骤S2-3：判断是否需要初始化所述宽度学习系统中输出层的权值；

其中，若是第一次进入训练所述谐波参数检测模型，则利用W＝A⁺Y得到输出层的权值，进入下一次迭代训练，返回步骤S2-2；否则，执行步骤S2-4；W表示输出层的权值，Y表示期望的网络输出，并选用所述原始谐波信号数据集中谐波信号的谐波参数表示；A⁺表示对联合特征A进行伪逆运算；

步骤S2-4：采用RAdam优化器更新所述宽度学习系统的参数，其中，更新的参数包括：特征映射层-增强层、增强层-输出层的权值和偏置以及输出层的权值；

步骤S2-5：判断是否达到迭代终止条件，若达到，训练结束，得到所述谐波参数检测模型的最优模型参数；否则，返回步骤S2-2进入下一次的迭代。

进一步可选地，所述RAdam优化器的更新策略为：

其中，t为时间步数，即参数迭代更新的次数；θ_t,θ_t-1表示更新后、更新前的谐波参数检测模型的模型参数，α_t为步长，k_t为方差修正项，

为偏差修正移动平均线，l_t为自适应学习率。

进一步可选地，所述方差修正项，偏差修正移动平均线以及自适应学习率的计算如下：

γ_max＝2/(1-μ₂)-1

当γ_t＞γ时，k_t、

和l_t满足：

否则，取k_t＝l_t＝1以及

其中，γ_max、γ_t、γ分别表示第t步的近似SMA的最大值、近似SMA值、近似SMA的阈值；μ₁为一阶矩估计指数衰减率，μ₂为二阶矩估计指数衰减率，

为μ₂的t次方，m_t为有偏一阶矩估计，n_t为有偏二阶矩估计，其计算公式如下：

m_t＝μ₁m_t-1+(1-μ₁)g_t

其中，g_t为待更新参数θ的梯度，其满足：

E为目标函数，其与谐波参数的模型输出值以及真实值有关。

本发明的技术方案，其基于参数的梯度信息，建立基于RAdam优化器的参数学习策略，使得待优化各参数的学习率根据预测目标进行自适应调整；此外，RAdam优化器的收敛速度快、收敛精度高，因此可进一步提高模型结果的准确率和稳定性。

进一步可选地，所述宽度学习系统内的增强函数为双曲正切函数，特征映射函数采用线性函数。

进一步可选地，所述原始谐波信号数据集中谐波信号对应的独立样本是将整周期的谐波信号分解为1/2周期或1/4周期得到的。

第二方面，本发明提供一种基于所述谐波参数检测方法的模拟系统，其包括相互连接的谐波信号采集子系统以及谐波信号处理子系统；

其中，所述谐波信号采集子系统用于采集电力系统的谐波信号；所述谐波信号处理子系统用于根据步骤S2方式进行处理谐波信号进而得到谐波参数检测模型，其中，将待检测的电力系统中的谐波信号输入至所述谐波参数检测模型得到谐波信号的谐波参数；

所述谐波信号采集子系统至少包括：输入交流电源、非线性电力电子设备、可编程大功率直流电子负载、以及信号采集单元以及信号存储单元；

其中，输入交流电源与非线性电力电子设备连接，所述输入交流电源向所述谐波信号采集子系统提供可变的输出电压、输出频率和负载电流于非线性电力电子设备，进而产生谐波；

所述可编程大功率直流电子负载用于模拟实际负载且大小可调；

所述信号采集单元用于采集畸变的谐波信号，并与所述信号存储单元相连，将采样后的信号数据传输到信号存储单元进行存储，以便谐波信号处理子系统进行后续分析。

第三方面，本发明提供一种基于所述谐波参数检测方法的系统，其包括：

原始谐波信号数据集构建模块，用于获取电力系统中的谐波信号以及所述谐波信号对应的谐波参数，进而构建出原始谐波信号数据集；

谐波参数检测模型构建模块，用于利用所述原始谐波信号数据集训练出谐波参数检测模型，其中，所述谐波检测模型是基于宽度学习系统构建的，并采用RAdam优化模型参数；

检测模块，用于将待检测的电力系统中的谐波信号输入至所述谐波参数检测模型得到谐波信号的谐波参数。

第四方面，本发明提供一种电子终端其包括：

一个或多个处理器；

存储了一个或多个计算机程序的存储器；

所述处理器调用所述计算机程序以实现：

一种基于RAdam优化宽度学习的谐波参数检测方法的步骤。

第五方面，本发明提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：

一种基于RAdam优化宽度学习的谐波参数检测方法的步骤。

有益效果

本发明技术方案提供的谐波参数检测方法，将拓扑结构简单、运算速度快的宽度学习系统(BLS)应用于电力系统中谐波信号的参数估计，充分利用BLS网络结构简单、训练速度快以及增量学习网络更新机制，能够快速适应谐波实时状态并准确预测谐波参数。此外，本发明所述谐波参数检测方法还在BLS网络基础上加入了RAdam优化器，克服了Adam在训练初期因数据有限而造成方差过大，也避免了预热阶段手动调整学习率，保证了RAdam优化的宽度学习谐波参数估计方法运行过程中不会像Adam等优化器那样可能陷入待优化参数的局部最优解，且能够自适应地调整学习率，最终能够与快速、稳定地收敛至谐波参数估计所需的BLS各层全局最优参数，进而准确估计出电力系统的各项谐波参数。综上，本发明技术方案提供的谐波参数检测方法能够准确快速估算出各项谐波参数，同时，针对

周期甚至

周期的谐波信号，也能准确估算，更符合电力系统的谐波参数检测需求。

附图说明

图1是本发明提供的基于RAdam优化宽度学习的谐波参数检测方法的流程图；

图2是本发明提供的谐波参数检测模型的训练流程图；

图3是本发明提供的谐波参数检测方法的模拟系统的结构框图；

图4是本发明实例中采用的谐波信号波形；

图5是本发明实例中12个周期的谐波信号FFT分析结果；

图6是本发明实例中1—15次奇次谐波幅值参数；

图7是本发明实例中基于RAdam优化的宽度学习系统总均方误差(平均值)变化过程；

图8是本发明实例中测试集相对误差最大值；

图9是本发明实例中测试集相对误差平均值。

具体实施方式

本发明技术方案提供的一种基于RAdam优化宽度学习的谐波参数检测方法适用于电力系统中谐波信号的参数估计。其核心是将BLS网络引入到电力系统中的谐波信号智能检测技术内，提供了一种全新的技术思路来实现谐波参数检测；其次是，在BLS网络的基础上，引入RAdam，利用RAdam优化BLS网络的参数，使得基于RAdam与BLS网络构建的谐波参数检测模型的精度更高。具体的，本发明从谐波参数估计的实时性和精确性角度考虑，从而选择BLS网络以及RAdam。一方面，在实际的谐波估计场景中，基频偏差、间谐波和噪声等多种干扰因素的存在给电力系统的谐波参数估计模型带来了挑战，这也是经典的方法如快速傅里叶变换(FFT)、小波包变换(WPT)只对基波估计比较有效的原因之一，而宽度学习系统(BLS)具有强大的非线性拟合功能，对所有次数的谐波估计都有效，进一步采用迭代速度快、寻优能力强的RAadm优化器，进而建立基于参数梯度信息的参数自适应学习策略，可以明显提升模型的估计精度。二方面，宽度学习系统(BLS)具有拓扑结构简单、训练周期短和运算速度快的特点，RAadm优化器的强大寻优能力使得模型能够快速收敛，满足谐波估计的实时性需求。因此，本发明的谐波参数检测方法可以准确、高效地估算出电力系统内谐波信号的谐波参数。

应当理解，本发明技术方案提供的谐波参数检测方法可以实现幅值、频率、相位等谐波参数的估计，其中，幅值参数受容易系统中非线性负载的影响且畸变较大，因此下述实施例将以包含幅值为模型响应为例进行详细陈述，下面将结合实施例对本发明做进一步的说明。

实施例1：

本实施例提供一种基于RAdam优化宽度学习的谐波参数检测方法，包括以下步骤：

步骤1：获取电力系统的谐波信号，进而构建出原始谐波信号数据集，并按比例将所述原始谐波信号数据集划分为训练集和测试集。

其中，电力系统的谐波信号是因基波偏差、间谐波和噪声等复杂多干扰因素影响而产生畸变的谐波失真信号，即在电力系统中因大量非线性设备接入后产生失真现象的电流信号。譬如，响应输出包括幅值时，则采集的数据至少包括电力系统的谐波信号以及谐波幅值，以此为基础构建样本。其中谐波幅值是可以采用现有技术手段来获取的，在满足精度要求的基础上，本发明并不约束其技术手段。若包括其他响应，则同样采用现有技术手段来获取满足精度要求的谐波参数。

步骤2：利用所述原始谐波信号数据集训练出谐波参数检测模型。具体包括以下步骤：

步骤2-1：初始化设置。

本实施例中，宽度学习系统的参数：特征映射层节点组数a＝8，每组节点数b＝8，增强层节点数m＝8，输出层节点数N＝8，特征映射层—增强层的权值W^f和偏置β^f以及增强层—输出层的权值W^e和偏置β^e随机初始化，输出层的权值则在后续步骤中采用伪逆算法初始化。RAdam优化器的参数包括初始步长α₀＝6×10^-7、近似简单移动平均线(SMA)阈值γ＝4、一阶矩估计指数衰减率μ₁＝0.9，二阶矩估计指数衰减率μ₂＝0.995；其他可行的实施例中，μ₁和μ₂的范围均为[0,1)，初始步长α₀可设为其他定值。后续每一步的步长α_t也可以设置为定值或者设置为随迭代次数减小。应当注意的是，在不同的谐波参数的估计应用中，以上参数的设定可根据具体的任务需求/精度进行调整。

步骤2-2：将训练集中的谐波信号输入所述宽度学习系统得到映射特征与增强特征之间的联合特征。其中，利用训练集以及初始化设置执行训练过程，具体如下：

S201：将训练集中的原始谐波信号X映射为a组映射特征，第i组映射特征表示为F_i，其计算公式如下：

其中，X表示由训练集中的原始谐波信号构成的L个独立样本，每个独立样本为D维，该D维对应一个独立样本的采样点数，i＝1,2,...,a，W_fi和

为第i组特征映射层—增强层的权值和偏置项，ζ_i为第i个特征映射函数，令W^f＝[W_f1,...,W_fa]和

本实施例中独立样本数目为800个(由400个整周期信号分解而来)，若采用

周期，每个独立样本包含62个采样点，若采用

周期，每个独立样本包含31个采样点。

本实施例中，优选在输入宽度学习系统前采用公式：

对谐波信号进行了归一化处理，式中，x为归一化后的采样点幅值数据，x₀为原始谐波信号，xmax和xmin分别为原始谐波信号的最大值和最小值。本实施例中优选特征映射函数ζ_i采用线性函数。其他可行的实施例中，根据任务需求和具体的预测精度确定特征映射函数的类型，只是基于目前的验证情况来看，选择线性函数的效果最佳。应当注意，本实例中训练时每次输入的信号为单个独立样本。

S202：将所有映射特征串联组成映射特征矩阵F＝[F₁,F₂,...,F_a]；

S203：将所述映射特征矩阵F映射为m个增强特征，第j个增强特征表示为H_j，其计算公式如下：

其中，i＝1,2,...,m，W_ej和

为第j个增强层—输出层的权值和偏置项，ξ_j为第j个增强函数，记W^e＝[W_e1,...,W_eb]以及

本实施例中增强函数采用双曲正切函数，其表达式和导数表达式如下：

其中，v表示输入到增强函数的采样点。应当理解，其他可行的实施例中，根据具体的需求以及精度可以选择其他类型的激活函数。

S204：所有增强特征串联组成增强特征矩阵H＝[H₁,H₂,...,H_m]；

S205：映射特征矩阵F和增强特征矩阵H的联合特征构成宽度学习系统的输入特征A＝[F|H]。

步骤2-3：判断是否需要初始化所述宽度学习系统中输出层的权值。其中，若是第一次进入谐波参数估计模型，则需要初始化，初始化后进入下一次的迭代训练；否则，不需要初始化输出层权值，而是采用RAdam优化器更新宽度学习系统参数，执行步骤S2-4。

本实施例中，如果需要初始化输出层的权值，期望的网络输出Y＝AW，进而输出层矩阵W＝A⁺Y，其中，A⁺表示对联合特征A进行伪逆运算，期望的网络输出选择是训练集中谐波信号对应的幅值。

步骤2-4：采用RAdam优化器更新所述宽度学习系统的参数，其中，更新的参数包括：特征映射层-增强层、增强层-输出层的权值和偏置以及输出层的权值。具体是基于待更新参数的梯度信息进行优化，梯度信息为基于目标函数求待优化/更新参数的梯度，因此，RAdam的本质还是基于梯度下降思路。

其中，基于RAdam优化器的参数学习更新策略为：

其中，t为时间步数，即参数迭代更新的次数；θ为需要学习的参数，具体为W^f,W^e,β^e,β^f,W^F,W^H；g_t-1为更新前参数，g_t为更新后参数，α_t为步长，k_t为方差修正项，

为偏差修正移动平均线，l_t为自适应学习率。

本实施例中，第t步的近似SMA值γ_t和其最大值γ_max的计算公式如下：

γ_max＝2/(1-μ₂)-1

当γ_t＞γ时，k_t、

和l_t的计算方式如下：

否则，取k_t＝l_t＝1；

其中，m_t为有偏一阶矩估计，n_t为有偏二阶矩估计，其计算公式如下：

m_t＝μ₁m_t-1+(1-μ₁)g_t

其中，g_t为待更新参数的梯度信息。其满足：

E为目标函数，其与谐波参数的模型输出值以及真实值有关。应当理解，目标函数不同，待更新参数的梯度的计算方式也不同。本实施例中选择真实值和响应值之间的总均方误差E为目标函数，其他可行的实施例中，可以选择其他类型的目标函数。总均方误差E表示为：

其中，n＝1,...,N，N表示输出节点个数，

是谐波参数的期望值，Y_n为系统响应值。本实施例中，系统响应值为模型输出，具体如下：

取X的第l个独立样本，记

第l个独立样本所对应的参数记为：F＝(f_i)_1×(a×b),H＝(h_i)_1×m,

输出层权值W分解为两部分

其中

连接F到输出层，

连接H到输出层，则宽度学习系统的第n个响应输出(譬如，本实施例中包括为幅值的响应输出n)可表示为：

其中，

为第l个独立样本中的第d个采样点。

按照上述目标函数，各类待更新的谐波参数检测模型的模型参数的梯度如下所示：

其中，f_i,h_i,

均表示第l个独立样本所对应的映射特征矩阵F、增强特征矩阵H、特征映射层—增强层的权值W^f和偏置β^f、增强层—输出层的权值W^e和偏置β^e、输出层权值W中W^F、W^H中的元素。h'_j是h_j的导数。

其中，训练迭代终止条件是达到最高训练次数或者最低误差阈值，本实例中最高训练次数是100轮，最低误差阈值为1×10^-7。

步骤S2-6：输入测试集数据，利用训练好的宽度学习系统估计谐波参数并计算估计误差。

综上，本发明的训练和测试样本是由输入数据和输出数据组成的，输入数据就是采集的谐波信号数据，输出数据是期望的谐波信号参数。因此训练过程的简述为：以训练样本中每个独立样本(谐波信号数据)对应映射特征和增强特征的联合特征为输入，得到输出结果(BLS预测的谐波信号参数)与训练样本的输出数据相对应并衡量误差，从而以此为标准进行训练，确定特征映射层参数、增强层参数和输出层的参数。

且本实施例中优选训练阶段是将独立样本一个一个或一组一组输入宽度学习系统中进行训练，即下一次迭代使用下一个或下一组独立样本，若达到了最后一个样本，则返回从第一个样本重新开始，直至达到迭代终止条件。

应当理解，本实施例的谐波参数检测方法采用特征映射层和增强层的联合特征组成网络输入，以及基于宽度学习系统(BLS)学习参数的梯度信息，建立基于梯度下降策略的参数学习机制，提高了宽度学习系统的网络性能；网络参数初始化时，输出层的权值初始化采用伪逆算法，减少因参数随机生成而训练过程耗时，同时也可以提高模型的估计精度。

实施例2：

基于上述谐波参数检测方法，本发明为了验证该方法的性能，搭建了如图3所示的谐波参数检测方法的模拟系统，是为了验证本发明提出的谐波参数检测方法性能而搭建的，其包括：谐波信号采集子系统和谐波信号处理子系统。该谐波信号采集子系统获取谐波信号，包括：输入交流电源、多脉冲整流电源(非线性电力电子设备)、电流探头、可编程大功率直流电子负载、示波器、数字万用表、功率分析仪以及信号采集单元以及信号存储单元。

其中，输入交流电源与多脉冲整流电源连接，所述输入交流电源向整个信号采集子系统提供可变的输出电压、输出频率和负载电流，输出正弦电压加压于多脉冲整流电源，使得基波电流畸变而产生谐波；

其中，所述电流探头是将待测信号完整可靠地传输到示波器的信号链路；

其中，所述示波器用于可视化电路中输入和输出信号波形；

其中，所述数字万用表用于测量电压、电流和电阻值；

其中，所述功率分析仪用于监测谐波数量、功率因数等参数；

其中，所述可编程大功率直流电子负载用于模拟实际负载且大小可调；

其中，所述信号采集单元用于采集畸变谐波信号，并与所述信号存储单元相连，将采样后的信号数据传输到信号存储单元进行存储，以便谐波信号处理子系统进行后续分析；

其中，所述谐波信号处理子系统设有信号处理分析单元，用于根据本发明技术方案提供的所述谐波参数估计方法估计各次谐波参数。

基于上述系统，本实施例中可变频交流电源输出值设定为电压115V、频率400Hz，可编程大功率直流电子负载的设定电压为270V、电流为5A，电力电子设备为400Hz的18脉冲整流电源，并采用上述系统以49.6kHz的采样率获取了400组整周期的谐波信号，训练集和测试集比例设定为7:3。应当注意的是，在本发明的谐波参数估计中，400个整周期的谐波信号将根据估计需要进一步拆分为

周期和

周期信号，原始信号数据集的输出值，则采用12个周期的已获取真实谐波信号FFT分析值。

为了验证本发明所述方法的可靠性，本实例中采集了400组整周期谐波信号，其波形如图4所示，上述信号进一步分解为800组半周期信号，本发明提出的基于RAdam优化宽度学习的谐波参数检测方法采用

周期和

周期两种输入信号，

周期的信号选用

周期的任意一半数据组成，按照70％的训练集比例，训练数据为560组，测试数据为240组。谐波参数估计模型的真实值采用12个整周期的快速傅里叶变换(FFT)分析值，FFT的分析结果如图5所示，本实例中选择1、3、5、7、9、11、13、15次谐波进行估计，其幅值参数进一步如图6所示。首先，基于RAdam优化的宽度学习谐波估计方法进行参数初始化，具体地，本实例中需要优化的参数包括特征映射层—增强层的权值W^f和偏置β^f、增强层—输出层的权值W^e和偏置β^e、输出层的权值W^F、W^H，以总均方误差作为优化目标函数，图7展示了100次迭代过程中每轮迭代结束谐波参数估计模型响应值和测试集真实值之间的总均方误差的平均值，由图可知，采用伪逆算法初始化输出层权值使得模型初始误差值不高，且随着迭代次数的增加，误差值越来越小，并逐渐趋于稳定，

周期和

周期的输入数据相比，前者的误差更小且参数寻优效果更好。训练过程结束后，即得到了基于RAdam优化宽度学习的谐波参数检测模型的最优权值和阈值，测试过程中误差以测试集240组输入信号和系统响应值之间的相对误差平均值和最大值衡量，并与经典的FFT、WPT两种方法的估计结果进行比较，其中FFT和WPT采用1个和2个整周期的输入信号，其误差结果比较依次如图8和图9所示，可以看出，FFT和WPT对基波的参数估计仍然是相当有效的，当信号周期数由1变成2时，FFT和WPT两种方法的误差显著减小，但因为基频偏差、间谐波和噪声等多复杂因素的干扰，对于高次谐波的估计，FFT、WPT和本发明提出的方法相比误差较大，当输入信号由

周期减少为

周期，本发明提出方法的误差虽有细微的增加，但并无大的波动，因此在谐波参数估计应用中，从实时性和精确度两个角度比较，实时性需求占优者可采用

周期输入信号，精确度需求占优者可采用

周期输入信号。通过本实例中的初步测试，本发明的最初的想法也得到验证，即在大量非线性设备接入的电力系统中信号畸变严重的情况下，且存在基波偏差、间谐波和噪声等多复杂因素的干扰时，采用基于RAdam优化宽度学习的谐波参数检测方法能够实现谐波信号参数的实时、准确估计。

实施例3：

本实施例提供一种基于所示谐波参数检测方法的系统，其包括：相互连接或依次连接的原始谐波信号数据集构建模块、谐波参数检测模型构建模块以及检测模块。

其中，原始谐波信号数据集构建模块，用于获取电力系统中的谐波信号以及所述谐波信号对应的谐波参数，进而构建出原始谐波信号数据集；

具体各个模块的实现过程请参照上述方法的内容，在此不再赘述。应该理解到，上述功能模块的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

实施例4：

本实施例提供一种电子终端，其包括一个或多个处理器以及存储了一个或多个计算机程序的存储器，该处理器调用计算机程序以实现：一种基于RAdam优化宽度学习的谐波参数检测方法的步骤。具体执行：

其中，存储器可能包含高速RAM存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。

如果存储器、处理器独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。

可选的，在具体实现上，如果存储器、处理器集成在一块芯片上，则存储器、处理器可以通过内部接口完成相互之间的通信。

各个步骤的具体实现过程请参照前述方法的阐述。

应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。

实施例5：

本实施例提供一种可读存储介质，其存储了计算机程序，存储了计算机程序，所述计算机程序被处理器调用以实现：一种基于RAdam优化宽度学习的谐波参数检测方法的步骤。具体执行：

各个步骤的具体实现过程请参照前述方法的阐述。

所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。