（电力电子与电力传动专业论文）基于labview的自适应神经网络谐波检测系统.pdf

s u b j e c t ：h a r m o n i c sd e t e c t i n gs y s t e mo fa d a p t i v en e u r a ln e t w o r k b a s e d o nl a b v i e w s p e c i a l t y ：p o w e re l e c t r o n i c s & p o w e r t r a n s m i s s i o n n a m e ：y a n gx u e c u i i n s t r u c t o r ：x uj u n ( s i g n a t u r e ) 2 1 绁2 丝丝 ( s i g n a t u r e ) 垡学生 a b s t r a c t w i t ht h ed e v e l o p m e n to fm o d e mp o w e re l e c t r o n i c st e c h n o l o g y , t h ea p p l i c a t i o no f v a r i o u sp o w e rl o a d i n gw h i c ha r en o n l i n e a rb e c o m em o r ea n dm o r ew i d e ，w h i c hc a u s e st h e h a r mo fh a r m o n i e si ne l e c t r i cs y s t e m si sm u c hm o r es e r i o u s t h er e a lt i m ea n da c c u r a t e d e t e c t i n go f h a r m o n i c si ss i g n i f i c a n tt ot h es u p e r v i s i o na n dp r e v e n t i o no f c o n t a m i n a t i o n a b o v ea l l ，t h eh a r m o n i c sd e t e c t i n gm e t h o do f a d a p t i v el i n e a rn e u r a ln e t w o r ki ss t u d i e di n t h i sp 印e ra f t e rc o m p a r e daf e wh a r m o n i c sd e t e c t i n gm e t h o d si ne x i s t e n c e t h em e t h o dh a s t h ev i r t u eo fr a p i dr e s p o n s e ，h i g hp r e c i s i o na n do u t s t a n d i n ga d a p t i v ea b i l i t y i tc a nd e t e c t g e n e r a lh a r m o n i c sa n ds p e c i f i ch a r m o n i c a tt h es a m et i m e ，t h ee f f e c to fs t u d y i n gf a c t o rt o f o l l o w i n gs p e e da n dp r e c i s i o ni sd i s c u s s e de s p e c i a l l y ，a d a p t i v eh a r m o n i c sd e t e c t i n gm e t h o d b a s e do nv a r i a b l es t u d y i n gf a c t o ri sp r o p o s e da n dt h eo t h e ri m p r o v i n gm e t h o d sb a s e do nt w o l a y e r sn e u r a ln e t w o r ka r es u m m a r i z e d a l s os i m u l a t i o ni sm a d ef o rt h o s em e t h o d sw i t h m a t l a bs o f t w a r e f o l l o w i n g ，a f t e rab r i e fi n t r o d u c t i o n o fv i r t u a li n s t r u m e n ta n dg r a p h i c sl a n g u a g e l a b v i e w t h es o f t w a r ea n dh a r d w a r ei sd e s i g n e df o r t h e a d a p t i v eh a r m o n i c sd e t e c t i n g s y s t e m t h eh a r d w a r ei sm a d eu po fd a t aa c q u i s i t i o nc a r d 巾a q ) a n ds i g n a lc o n d i t i o n i n g e x t e n s i o nf o ri n s t r u m e n t a t i o n ( s c x i ) w h i c hi sc o m p o s e do fh a l lv o l t a g ec u r r e n ts e n s o r l a b v i e wi ss e l e c t e df o rs o f t w a r e b e c a u s em e a s u r ep r e c i s i o ni se f f e c t e db yf r e q u e n c y c h a n g e s o f t w a r ef r e q u e n c yt r a c i n gi sa d o p t e di nt h ep a p e r n l ei n p h a s ep r o b l e ma b o u tt h e r e f e r e n c ei n p u ta n dt h ef u n d a m e n t a lw a v eo fv o l t a g ew h e nh a r m o n i c so fc u r r e n ti sd e t e c t e di s s o l v e db ys o f t w a r ea l s o a tt h es a m et i m e ，t h ef u n c t i o ni sc o m p l e t e db ys o f t w a r ew h i c h i n v o l v e st h eh a r m o n i c sd e t e c t i n gb a s e do na d a p t i v el i n e a rn e u r a ln e t w o r k ，d a t am a n a g i n g ，t e s t r e p o r t p r i n t o u ta n ds oo n t h em e t h o d so f p r o g r a r a m i n ga r ee x p l a i n e di nd e t a i li nt h ea r t i c l e t op r o v et h ec a p a b i l i t yo ft h es y s t e m ，a ne x p e r i m e n ti sc o n d u c t e dt h r o u g ha c q u i r i n ga n d a n a l y z i n gas q u a r ew a v ew h i c hh a sr i c hh a r m o n i c s t h er e s u l ti n d i c a t e st h a th i g hp r e c i s ei s p r o v i d e db yt h ed e t e c t i n gs y s t e m k e yw o r d s ：s e l f - a d a p t i v e n e u r a ln e t w o r k h a r m o n i c sd e t e c t v i r t u a li n s t r u m e n tl a b v i e w t h e s i s ：a p p l i e dr e s e a r c h 压要料技大学 学位论文独创性说明 ， ( y 9 2 2 9 0 1 本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究工作及 其取得研究成果。尽我所知，除了文中加以标注和致谢的地方外，论文中不包含 其他人或集体己经公开发表或撰写过的研究成果，也不包含为获得西安科技大学 或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所 做的任何贡献均已在论文中做了明确的说明并表示了谢意。 0 学位论文作者签名：并弓专髯日期：加形2 学位论文知识产权声明书 本人完全了解学校有关保护知识产权的规定，即：研究生在校攻读学位期间 论文工作的知识产权单位属于西安科技大学。学校有权保留并向国家有关部门或 机构送交论文的复印件和电子版。本人允许论文被查阅和借阅。学校可以将本学 位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存和汇编本学位论文。同时本人保证，毕业后结合学位论文研究课 题再撰写的文章一律注明作者单位为西安科技大学。 保密论文待解密后适用本声明。 学位论文作者签名柱砖銎指导教师签名子黟 。 伽伴f 月l 日 1 绪论 1 1 谐波概述 1 绪论 谐波抑制和无功功率补偿是涉及电力电子技术、电力系统、电气自动化技术、理论 电工等领域的重大课题。近年来随着电力市场化和电子科技的发展，同时出现的两种趋 势使得谐波问题变的更加突出。两种趋势为：电力公司为改善功率因数而大量增加使用 电容器组；工业界为提高系统的可靠性和效率而广泛使用电力电子变流器。 电力公司一直致力于高功率因数运行状态，因为高功率因数运行可以降低设备所需 要的额定值以及线路损耗和电压降落，从而减少对电压调节设备的需求。同时，工业界 大量增加使用变速传动和电力电子设备，变速传动和电力电子设备是某些谐波现象的根 源。这些设备与功率因数校正电容器组相互作用导致了电压和电流的波形畸变，产生了 大量的电力谐波。 随着半导体电子工业的迅猛发展，促使了精密设备的诞生，与过去粗笨设备相比， 这些精密设备对电力公司提供的电能质量更加敏感，但同时这些设备也导致交流电流和 电压稳态波形的畸变。 电力系统中的谐波已经逐渐发展成为影响电力系统安全的重要因素，与电磁干扰、 功率因数降低并列为电力系统中的三大公害。因此解决电力系统谐波问题已经显得非常 迫切。随着电力电子技术的飞速进步，在谐波抑制和无功补偿方面的研究也取得了一些 突破性的进展。有源电力滤波器是近年出现的一种用于动态抑制谐波、补偿无功的新型 电力电子装置，它能对大小和频率都变化的谐波以及变化的无功进行补偿，其应用可克 服l c 滤波器等传统的谐波抑制和无功补偿装置的缺点。有源电力滤波器谐波电流的检 测和补偿电流的产生与控制是决定有源电力滤波器工作特性的关键性环节，直接影响到 有源电力滤波器的补偿精度和补偿速度，因此研究谐波和无功电流的实时、高精度检测 具有非常重要的意义。 1 1 1 谐波的产生 国际上公认谐波定义为：“谐波是一个周期电气量的正弦波分量。其频率为基波的 整数倍数”【2 1 。 电力系统的谐波问题早在1 9 2 0 1 9 3 0 年间就引起了人们的注意。到了五、六十年代， 由于高压直流输电技术的发展，对变流器谐波问题的研究有大量文章发表。近年来更由 于大容量电力整流、换流设备以及电子设备在各个工业部门和电力系统控制中的广泛应 用t 3 1 ，谐波所造成的危害也日益严重。世界许多国家都发布了限制电网谐波的国家标准 西安科技大学硕士学位论文 或由权威机构制定限制谐波的规定，世界各国所制定的谐波标准大都比较接近。一九八 五年，我国根据原国家经济委员会批准的全国用电规则的规定，制定了电力系统 谐波暂行规定( s d l 2 6 8 4 ) 【4 】，国家技术监督局于一九九三年又颁发了中华人民共 和国标准g b t 1 4 5 4 9 9 3 电能质量，公用电网谐波 5 1 。这两个标准规定了公用供电 系统谐波畸变最大允许值和谐波源注入供电点的最大谐波电流值。对于不同电压等级的 公用电网，允许电压谐波畸变率也不相同。电压等级越高，谐波限制越严。另外，对偶 次谐波的限制也要严于奇次谐波的限制。谐波标准具体见表1 1 、表1 2 、表1 3 。 表1 i 公用电网谐波电压( 相电压) 限值 表i 2 任一用户接入电力系统的谐波电流允许值 电压 ( k v ) 谐波次数及谐波电流允许值( a 方均根值) 5 33 82 76 11 34 39 58 47 62 16 31 85 45 17 16 7 4 23 1 41 07 21 2 4 8 8 2 3 63 24 3 7 92 46 72 12 9 2 7 2 51 61 5 5 4 3 6 2 7 4 32 13 11 61 21 12 91 12 51 50 ，7 0 71 30 6 0 6 4 9 3 ，93422 81 21 112 7l31 41 3 1 21 21 1i 系统中主要的谐波源可分为两大类：一类是含半导体非线性元件的谐波源；另一类 是含电弧和铁磁非线性设备的谐波源。如各种整流设备、交直流换流设备、变频调速装 置、电弧炉、感应炉、现代工业设施为节能和控制使用的各种电力电子设备、非线性负 荷以及多种家用电器和照明设备等。电气铁道机车采用的大容量单相整流供电设旌，会 产生大量谐波电流，并且对三相交流供电系统产生不平衡负荷和负序电流、电压。电弧 炉等含电弧的冶炼设备和电焊设备会产生谐波、间谐波、及电压闪变。这些负荷都使电 力系统的电压和电流产生畸变。 2 蒜鬻 1 绪论 表1 3 注入公共连接点的谐波电流允许值 1 1 2 谐波的危害 谐波对电力网络的污染日益严重，其产生的主要危害有 6 】： ( 1 ) 对旋转电机( 发电机和电动机) 产生附加功率损耗和发热，产生脉动转矩噪 声。此外由整流器供电的电机可引起明显的电压畸变。 ( 2 ) 对无功补偿电容器组引起谐振或谐波电流放大，从而导致电容器因过负荷或 过电压而损坏；对电力电缆也会造成电缆过负荷或过电压击穿，国t 勾# 1 - 这方面的教训是 深刻的，国内许多电力系统和用户都发生过无功补偿电容器组无法投入运行，大批电容 器损坏的事故。 ( 3 ) 对供电网和导线产生的影响。增加供电网的损耗。当发生谐振和放大现象时， 损耗更加严重。 ( 4 ) 对断路器和熔断器的影响。电流波形畸变明显影响断路器容量，当存在电流 畸变时，在过零点时可能造成高的d i d t ，比电流为正弦波时开断更为困难，而且由于开 断时间延长而延长了故障电流的切除时间，因而造成了快速重合闸后的再燃。熔断器是 由于发热而熔断的，它们对谐波过流集肤效应引起的发热效应很敏感。 ( 5 ) 对变压器的影响。负荷电流中的谐波在变压器中造成的损耗产生附加发热， 降低了其带负载能力。其它如变压器电感与系统电容之间，可能在谐波频率点发生谐振 和温度周期性变化，引起机械绝缘应力及铁心振动，产生附加损耗使变压器降低了带负 载的能力。 ( 6 ) 对电子设备的影响。主要影响表现在三个方面： 谐波畸变的结果产生多个过零问题，这种多个过零会破坏设备的运行，最明显 的是数字时钟，任何应用过零原理同步元件都应考虑这种影响。半导体器件经常在电压 3 西安科技大学硕士学位论文 过零时投入，以降低电磁干扰和涌流，多次过零会改变器件投入时间，破坏设备运行。 电力电子电源使用波形的峰值以维持滤波电容器的全充电。谐波畸变可提高或 削平波峰的峰值，其结果是即使均方根的输入电压是正常的，电力电源将运行在高的或 低的输入电压下，严重时设备运行可能遭到破坏。 电压陷波也会破坏电子设备的运行，电压陷波不过零但影响过零敏感的设备。 ( 7 ) 对照明的影响。电压畸变对白炽灯寿命有一定影响，如运行电压的均方根值 由于畸变而高于额定值时，灯丝温度升高而降低灯泡寿命。 ( 8 ) 对继电器保护和自动控制装置产生干扰和造成误动或拒动。尤其是一些衰减 时间较长的暂态过程，如变压器合闸涌流中的谐波分量，由于其幅值强大，谐波含量也 很大，更容易引起继电保护的误动作。 ( 9 ) 对仪表和电能计量的影响。现代指示均方根值的电压表和电流表相对不受波 形畸变的影响。受谐波影响较大的计量电能的感应型电能表，其误差与频率特性和非线 性造成的误差有关。 ( 1 0 ) 对通讯的干扰。谐波通过电磁和静电感应干扰音频通讯。通常2 0 0 - - - 5 0 0 0 h z 的谐波引起通讯噪声，降低通信质量；而千赫以上的谐波导致电话回路控制信号的误动， 使信息丢失，通信系统无法正常工作。 1 1 3 谐波的抑制 解决电力电子装置和其它谐波源的谐波污染问题主要有两条途径【7 j ：主动型的对电 力电子设备自身进行改进；被动型的对电网实施谐波补偿。这里只论及被动型的谐波补 偿，目前常用的滤波器有以下两种： ( 1 ) l c 无源滤波器，它是由电力电容器、电抗器和电阻器适当组合而成。它具有 结构简单、投资成本低、技术成熟、运行可靠及维护方便等优点，是目前采用得较为广 泛的谐波和无功抑制手段，但是存在以下缺陷 8 】： 谐振频率依赖于元件参数，因此只能对主要谐波进行滤波，不能对谐波和无功 功率实现动态补偿，滤波性能不稳定，而且滤波要求和无功补偿、调压要求有时难以协 调。 滤波特性依赖于电网参数，而电网的阻抗和谐波频率随着电力系统的运行工况 随时改变，设计较困难。 只能消除特定次的几次谐波，可能产生并联谐振使该次谐波分量放大，使电网 供电质量下降。 谐波电流增大时，滤波器负担随之加重，可能造成滤波器过载； 有效材料消耗多，体积大。 ( 2 ) 有源电力滤波器( a p f ) ，a p f 的基本工作原理是检测补偿对象的电流和电压， 4 1 绪论 经谐波和无功电流检测电路计算得出补偿电流的指令信号，该信号经补偿电流发生电路 放大，得出补偿电流，补偿电流与负载电流中要补偿的谐波及无功等电流相抵消，最终 得到期望的电源电流【9 j 。有源电力滤波器克服了传统l c 无源滤波器谐波抑制和无功补 偿方法的缺点，具有良好的调节性能，因而受到广泛的重视，并且己在日本等国得到广 泛应用1 1 0 】【l l 】。国内目前还主要停留在实验研究和理论研究阶段【1 2 】，尚未见有商品化的 国产a p f 产品。 1 2 谐波检测的意义 谐波测量作为研究分析谐波问题的出发点和依据，其主要作用有： ( 1 ) 鉴定实际电力系统及谐波源用户的谐波水平( 包括对所有谐波源用户的设备 投运时的测量) 是否符合标准的规定。 ( 2 ) 对电气设备调试、投运时的谐波进行测量。如发电机、变压器、线路、电抗 器及电容补偿装置等投运前、后的谐波水平及其变化。检验谐波对有关设备的影响，确 保设备投运后电力系统和设备的安全经济运行。 ( 3 ) 谐波故障或异常原因的测量。通过对谐波故障或异常原因的测量和分析，寻 找主要谐波源，采取相应的对策，避免对设备的破坏和损耗。 ( 4 ) 谐波专题检测。为了分析、研究及工程技术上的需要进行专题性的特殊实验。 如谐波源特性，系统谐波阻抗，谐波潮流，谐波谐振和放大等。【1 3 】 ( 5 ) 由于现代用电设备对供电质量的要求越来越高，谐波带来的影响越来越受人 关注，因此，为了最大限度的减少谐波影响，谐波抑制及补偿装置的研制己势在必行。 这些装置准确实用有效的运行，从而达到理想的抑制和补偿效果，显然都是以精确实时 的确定谐波的成分、幅值和相位等谐波检测结果为前提的。 1 3 国内外谐波检测的研究现状 1 3 1 主要谐波检测方法分析 目前用于电力系统中的谐波检测方法主要有以下几种： ( 1 ) 采用模拟带通( 或带阻1 滤波器的谐波测量 ( 2 ) 基于傅立叶变换的谐波测量 ( 3 ) 基于瞬时无功功率的谐波测量 ( 4 ) 利用小波分析方法的谐波测量 ( 5 ) 基于神经网络的谐波测量 最早的谐波测量是采用模拟带通( 或带阻) 滤波器实现。此方法采用陷波器将基波 电流分量滤除，得到谐波分量，或采用带通滤波器得出基波分量，再与被检测电流相减 5 西安科技大学硕士学位论文 得到谐波分量。其优点是结构简单，造价低，输出阻抗低，品质因素易于控制。但该方 法也有许多缺点，如滤波器的中心频率对元件参数十分敏感，受外界环境影响较大，难 以获得理想的幅频和相频特性；当电网频率发生波动时，不仅影响检测精度，而且检测 出的谐波电流中含较多的基波分量，大大增加了有源补偿器的容量和运行损耗；当需要 检测多次谐波分量时，实现电路变得复杂，其电路参数设计难度也随之增加。 基于傅立叶变换的谐波测量是当今应用最多也是最广泛的一种方法。实际上经常把 连续时间信号的一个周期t 等分成n 个点，在等分点进行采样而得到一系列离散时间 信号，然后采用离散傅立叶变换( d f t ) 或快速傅立叶变换( f f t ) 的方法进行谐波分 析，最终得出所需要的谐波电流。使用此方法测量谐波，精度较高，功能较多，使用方 便。其缺点是需要一定的时间采样并且要进行两次变换，计算量大、实时性不好，因此 该方法大多用于谐波的离线分析，难以实现现在所要求的在线分析。而且在采样过程中， 当信号频率和采样频率不一致时，使用该方法会产生频谱泄漏效应和栅栏效应，使计算 出的信号参数( 即频率、幅值和相位) 不准确，尤其是相位的误差很大，无法满足测量 精度的要求，因此出现了一些改进算法【1 4 q 引。 另一种较为流行的是基于瞬时无功功率理论的谐波电流检测方法1 1 9 - 2 1 1 。瞬时无功功 率理论由e t 本学者h a k a g i 提出并为国内外许多学者所使用，此理论是基于三相三线制 电路的。设三相电路各相电压和电流的瞬时值为g a 、e 。和i o 、，为分析问题 方便，把它们变换到口一卢两相正交的坐标系上研究。由下面的变换可得到口、卢两相 瞬时电压e a 、和瞬时电流屯、： 髀z | | ；| ，水：| | ；| m 。 其中：e ，：别1 竺_ 1 竺j l o , 3 2 4 3 2 j 在口一卢平面上，可以解得三相电路瞬时无功功率q ( 瞬时有功功率p ) ： h ：l g a e p 忙j ( 1 _ 2 ) l q jl 勺一p 。儿0 j 以三相瞬时无功功率理论为基础，计算p 、q 或i 、i o 为出发点即可得出三相三线制 电路谐波检测的两种方法，分别称之为p 、q 运算方式和f 。运算方式。当电网电压波 形没有畸变时，无论是对称或不对称三相三线制电路，这两种方法都能准确得出检测结 果。当电网电压波形畸变时，p 、q 运算方式检测结果有较大误差。文献【2 2 】【2 3 】对该检测 方法做了改进，在实时性和检测精度上得到了改善，但该检测方法中仍要用到低通滤波 器，其实时性无法得到进一步的提高，而且这种检测方法没有自适应能力，其检测精度 6 1 绪论 有很大的局限性【2 4 】。 利用小波变换进行谐波测量时。小波变换能对局部频域进行精确分析，实时性和动 态性能较好，故较适用于突变的和时变的非平稳谐波检测与时频分析。但它应用于谐波 检测时，也存在固有的缺陷，主要体现在窗口能量不集中，出现频率混迭现象。必须找 到分频严格，能量集中的小波函数，目前这种理想的小波函数还未出现。 2 5 2 6 1 应用神经网络进行谐波检测的相关研究及应用成果，概括起来有两个方面， 2 7 1 2 8 l ： 其一，提出了基于多层前馈神经网络的电力系统谐波检测方法，该方法用一个多层前馈 神经网络替代模拟并行式谐波测量装置中的带通滤波器，使各次谐波都可以用这个训练 过的神经网络测量出来，测量精度是比较高的。但是该方法还需要进一步改善多层前馈 神经网络( m l f n n ) j i 练方法，组成更好、更合理实际的训练样本，提高m l f n n 的训练 速度和推广能力。也可以考虑把其它类型的a n n 模型替代。其二，将自适应神经网络 和自适应对消噪声技术相结合进行谐波检测。这种检测方法显现出的优点有：计算量小； 检测精度高；实时性好；对数据流长度的敏感性低于傅立叶变换和小波变换等。神经网 络和小波变换一样，都属于目前正在研究的新方法，研究和应用时间短，实现技术尚需 完善，因此目前在工程应用中还未优先选用。 根据上述分析，对于各种电力谐波检测方法，可以分别从计算量、实时性、精确度、 可靠性、易于实现性、自适应能力、有效范围等几个方面加以综合比较，结果如表1 4 所 示。【2 9 】 表1 4 电力谐波检测方法对比 7 西安科技大学硕士学位论文 1 3 2 国内外谐波检测研究存在的主要问题 电力系统的谐波问题已经引起了国内外的广泛关注和研究，并且在谐波检测和抑制 方面获得的丰硕的研究成果。就电力系统的谐波检测方面，虽然产生了各种检测理论， 如瞬时无功功率谐波检测、基于神经网络的谐波测量、基于小波的谐波检测等，但在现 场的谐波检测应用层面上，目前的谐波检测仍存在如下问题： ( 1 ) 算法速度和准确度的矛盾。因为准确度的提高一般是以牺牲速度为代价的； ( 2 ) 部分算法还只停留在计算机仿真阶段。这往往是由于算法过于复杂，实用性 有待进一步改进。 ( 3 ) 在线测量实时性差。有的算法涉及的公式复杂，运算量大，这样势必会影响 计算速度，现场测量的实时性就很难保证。 ( 4 ) 谐波检测的精度不高。谐波检测过程中出现频谱泄漏，影响检测精度。 1 4 本文的研究内容 本论文首先概述了电力系统的谐波以及谐波检测研究的意义，分析了现有谐波检测 方法的优缺点，研究了目前谐波检测方法存在的问题。基于这些研究，本文详细介绍了 另一种谐波检测方法基于自适应线性神经网络的谐波电流检测方法。 由于线性自适应滤波器固有的学习因子的选择存在跟踪精度和速度的矛盾，本文研 究了学习因子玎对精度和跟踪速度的影响，提出一种变学习因子的学习方法，并总结了 另两种两层神经网络的改善方法。利用m a t l a b 语言，对基于单个人工神经元的自适 应电力谐波检测方法进行了仿真研究，以一个含有不同幅值和相位的多谐波源作为信号 从实时性、自适应能力和精确度等方面进行仿真。 由于l a b v i e w 是基于虚拟仪器的图形化语言，具有一系列优点，本文用l a b v i e w 8 实现了基于线性自适应神经网络的谐波检测方法，设计了基于线性自适应神经网络的谐 波检测系统。系统的硬件平台主要由数据采集卡和霍尔电压电流传感器构成的信号调理 器组成。用软件解决了电力系统中频率漂移对自适应谐波检测方法的影响，对于谐波电 流检测时需要参考输入与基波电压同相问题也用软件进行处理，实现了集实时测量、显 示、分析、趋势分析、报警和数据存储等功能于一体的谐波检测系统，提供了一种新的 实用而有效的谐波检测手段。 为验证系统的性能，系统对含有丰富谐波的方波信号进行了采集测量。 9 西安科技大学硕士学位论文 2 基于自适应神经网络的谐波测量方法 本章首先介绍了线性自适应神经网络基础知识，并将自适应噪声对消原理应用于谐 波测量，构建了自适应神经网络检测系统。对于线性自适应神经网络实现的自适应滤波 器，学习因子的选择存在跟踪精度和速度难以兼顾的矛盾，本章提出变学习因子的方法， 并总结了另两种两层神经网络的改善方法，最后用m a t l a b 软件进行了仿真。本章以 分析电流谐波的测量为例，此方法同样适用于电压谐波的测量。 2 1 线性自适应神经网络基础 2 1 1 人工神经网络发展概要及现状 1 9 4 3 年精神病学家和解剖学家w m c c u l l o c h 和数理逻辑学家w p i t t s 首先结合了神 经生理学和数理逻辑的研究描述了一个神经网络的逻辑演算，并证明这样构成的网络原 则上可以计算任何可计算函数。这个有重大意义的结果标志着神经网络和人工智能学科 的诞生。1 3 0 神经网络的第二个重要发展是在1 9 4 9 年h e b b 的书( ( t h eo r g a n i z a t i o no f b e h a v i o r 出版，首先提出了一种调整神经网络连接权值的规则，这就是有名的h e b b 学习规则。 直到现在，仍有许多神经网络在采用这种学习规则。1 9 5 8 年，e r o s e n b l a t t 提出了著名 的感知器( p e r c e p t r o n ) 模型，确立了从系统的角度研究神经网络的基础。1 9 6 0 年， b w i n d o w 和m e h o f f 提出了自适应线性神经网络神经元( a d a l i n e ) 它可以用于自适应滤 波、预测和模型识别。 1 9 6 9 年，m i n s k y 和p a p e r t 利用数学证明单层感知器所能计算的根本局限，他们认 为没有任何理由假定单层感知器的任何局限可以在多层的情况下被克服。这个结论使 在此之后的近十年中，神经网络的研究处于缓慢的发展阶段。 美国物理学家h o p f i e l d 于1 9 8 2 和1 9 8 4 年发表了两篇关于神经网络研究的论文，引 入了能量函数的概念，使神经网络的平衡稳定状态有了明确的判据方法，他所提出的全 联接网络后来被称为h o p f i e l d 网络。这一研究成果使人们重拾了对人工神经网络的信 心，带动了8 0 年代中期以来神经网络的发展。 1 9 8 6 年，d e r u m e l h a r t 和j l m c c l e l l a n d 等人提出t 多层前馈网的“逆推”或称 反向传播( b a c kp r o p a g a t i o n ) 算法，简称b p 算法。该算法从后向前修正各层之间的连接 权，可以求解感知机不能求解的问题，从实践上证实了人工神经网络具有很强的运算能 力。这一算法的提出真正重新掀起了神经网络研究的热潮。b 口算法是目前晟为引人注 目的、应用最广的神经网络算法之一。 l o 2 基于自适压神经网络的谐波测量方法 在此之后，又出现了许多模型和算法，如：b r o o r n h e a d 和l o w e 使用径向基函数设 计多层前馈网络，9 0 年代初v a p n i k 等人的支持向量机等等。二十世纪八十年代中期以 来，神经网络的应用研究取得了很大的成绩，涉及的面非常广泛。从众多应用研究领域 取得的丰硕成果来看，神经网络的发展具有强大的生命力。 2 1 2 线性自适应神经网络模型 线性自适应神经网络模型见图2 1 。 图2 1 线性自适应神经网络模型 图中输出为y ( t ) ；输入向量为x ( t ) ；w ( t ) 为神经元的权值向量。误差信号是p ( f ) ， 它是输出y ( ，) 与期望响应信号d ( t ) 的差值，自适应过程中，根据误差p ( ，) 对神经元权值 进行调整。 e 0 ) = d o ) 一y ( f ) ( 2 1 ) 因为神经元是线性的，取厂( x ) = z ，则输出为： y ( r ) = w k ( t ) x k ( t ) = x 7 ( f ) 矿( r ) = w 7 ( f ) x ( f ) ( 2 2 ) i = l 式中x ( f ) = i x o ( r ) x i ( f ) x ，( f ) 】7 ，( f ) = w o w l o ) w 。( f ) 7 神经元之间的权值，可以由学习规则进行调整，以使目标函数达到最小。自适应滤 波算法可以分为两类最基本的算法：递归最小二乘算法( r l s ) 和最小均方误差算法 ( l m s ) 。基于最小均方误差准则，l m s 算法使滤波器的输出信号与期望输出信号之间 的均方误差最小：基于最d x - - 乘准则r l s 算法使估计误差的加权平方和最小。r l s 算 法对输入信号的自相关矩阵的逆进行递推估计更新，收敛速度快，其收敛性能与输入信 号的频谱特性无关。但是，r l s 算法的计算复杂度很高，所需的存储量极大，不利于实 时实现；倘若被估计的自相关矩阵的逆失去了正定特性，这还将引起算法发散。相反， l m s 算法由于简单、计算量小、便于实现，在实际系统中得到广泛的应用。 2 1 3 最小均方算法 最小均方( 1 e a s t m e a ns q u a r e ，l m s ) 算法如下： 西安科技大学硕士学位论文 训练样本：输入信号向量= x ( f ) ；期望响应= d o ) 用户选择参数： 叩 初始化： 设置w ( o = o 计算： 当t = - i ，2 ，计算e ( t ) = d ( t ) 一w ( t ) x ( t ) 和w ( t + 1 ) = 矿0 ) + r l x ( t ) e ( t ) l m s 算法收敛的条件为：0 叩 1( 2 - 6 ) 式中l i p 和。分别为基波有功电流和基波无功电流，k 和k 分别为n 次谐波的正弦和 余弦分量。所以f ，( f ) 又可表示为： o ) = l i p ( f ) + l + l q o ) + p ) ( 2 - 7 ) 用基于自适应噪声对消法进行谐波测量时，由三角函数的正交特性可知：非线性负 载电流中的基波有功电流f 。与电源电压基波分量u 。是相关的：基波有功电流f l 。与基波 无功和高次谐波电流i 。+ i 。是不相关的：基波无功和高次谐波电流。+ i 。与电源电压基 波分量“。是不相关的。如果将非线性负载电流i ，作为原始输入，其中的基波有功电流f ，。 看作是“噪声干扰”电流，而基波无功和高次谐波电流i ，。+ f 。看作是“信号”：将电源 电压基波分量“，作为参考输入，经处理后，自适应滤波器的输出最终逼近于基波有功电 流。，然后和非线性负载电流i ，相减，系统的输出就是需要检测的基波无功和高次谐波 电流f 。+ f 。，从而实现了对非线性负载电流中基波无功与高次谐波电流之和的检测。 同样，若将非线性负载电流f ，作为原始输入，f - i 。+ 。作为“噪声干扰”电流， 则所有谐波的总电流i 。之和便是检测出的“信号”，此时取基波电压正弦和余弦信号 s i n o g t 、c o s c o l 作为参考输入，这样可方便地检测出谐波的总电流之和。 由三角函数的正交特性可知：c o s x 、s i n x 、c o s 2 x 、s i n 2 x ，c o s n x 、s i n n x ，是正 交函数组。用基于自适应噪声对消法进行谐波测量，取f ，作为原始输入，若将 f _ i + f ，十+ i 。作为“噪声干扰”电流，则其它更高次谐波的总电流f 。便是检测出的误 差信号e ，i 与f 。不相关：取基波电压正弦和余弦信号s i n a 】t 、c o s o a t 及它们的2 、3 、 m 次等倍频谐波作为参考输入，它们与“噪声干扰”电流i x a 应的各次正弦和余弦分量 分别相关，而与其它更高次谐波总电流i 。不相关。因此，可通过多路自适应滤波器得到 西安科技大学硕士学位论文 “噪声干扰”电流f 的各分量及其它更高次谐波总电流的最小均方误差意义下的逼近 值。所以此方法还可检测出任意次谐波。 2 3 基于自适应神经网络的谐波测量 2 3 1 自适应神经网络检测系统的构建 由于单个神经元具有一定的映射能力和自适应学习特性，且电路结构简单，因此可 以采用单个神经元电路实现多路自适应滤波器，构成自适应神经网络检测系统进行谐波 测量，这样可以通过在线学习使输出在最小均方误差下逼近要检测的“信号”。基于自 适应噪声对消技术的单神经元自适应谐波电流检测系统如图2 3 所示。 图2 3 单神经元自适应谐波电流检测系统 取基波电压正弦和余弦信号s i nc o t 、c o s c o l 及它们的2 、3 、m 次等倍频谐波作 为单个神经元的参考输入。将电流采样值t ( f ) 与神经元的输出值y ( t ) 之差作为误差p ( t ) 来不断调节神经元的各个输入权值m 。由图2 3 知： e ( t ) = yo ) = i ( f ) + o ) 一y ( t ) ( 2 8 ) e ( f ) 2 = f 。( r ) 2 + 2 i 。( f ) fo ) 一y o ) 】+ fo ) 一y 0 ) 】2 ( 2 9 ) 式中i ( t ) = i l ( f ) + + i m ( f ) ，i 。为次数大于m 的谐波总电流。 对等式两边取数学期望，同时由于( 力和i ( ，) ，g o ( t ) 矛f l y ( t ) 是不相关的，所以有： e p ( f ) 2 】= e i 。( ，) 2 + e j ( r ) 一y ( f ) 2 ) ( 2 1 0 ) 因为q ( f ) 2 】是定值，所以通过用误差e ( f ) 调节自适应线性神经网络的权值向量使 研口( f ) 2 】最小时，以【f ( t ) 一y ( r ) 】2 ) 也最小，神经网络的输出即为最佳均方估计值。同时， e ( f ) 一f 。( ，) 2 也最小。在理想情况下，经过若干次迭代，神经网络的权值向量逼近 1 4 2 基于自适压神经网络的谐波测量方法 最优值，系统的输出y 。( f ) 和( r ) 相等。而且进一步可以证明各支路自适应滤波器的输出 分别等于与其参考输入相关的“噪声干扰”电流以) 的各次正弦和余弦分量，权值分别 对应它们的峰值。因此，由权值w 。、1 4 ) 。，可求出基波的幅值为w l 。2 + w 1 ，2 ，初相角破为 a r c t a n ( w i 。w i ，) ，从而实现了谐波电流的动态检测。【3 3 】 该方法能够对奇次、偶次、特定次、总谐波以及相位进行实时准确的动态检测，具 体可实现的检测内容如下分析：【3 4 】 ( 1 ) 检测总谐波电流 只取s i n c a t 和c o s o ) t 作为参考输入，自适应神经网络学习完成之后，系统的输出y ( f ) 即为总谐波电流。 ( 2 ) 检测奇次谐波电流 取s i nc o t 、c o s o j t 以及s i n ( 2 k + 1 ) c o t 、c o s ( 2 k + 1 ) c o t ( 3 2k + 1 m ，k 为正整数) 等 作为参考输入，自适应神经网络学习完成之后 1 2 k + l ( ，) 2 h 2 ) s i n ( 2 七+ 】) c o t + _ 2 m p 。0 3 ( 2 k + 1 ) 耐就是对应的奇次谐波电流的值。 ( 3 ) 检测偶次谐波电流 取s i n c a t 、c o s ( a t 以及s i n 2 k c o t 、c o s 2 k c o t ( 2 2k i l l ，k 为正整数) 等作为参考输 入，自适应神经网络学习完成之后f 2 t ( r ) = w 2 bs i n 2 k o t + w 2 k t ：o s 2 k c o t就是对应的偶次 谐波电流的值。 ( 4 ) 检测特定次谐波和相位 取s i n c o t 、c o s o a t 以及s i n k c o t 、c o s k o t ( k 【2 ，n 且为正整数) 等作为参考输入， 自适应神经网络学习完成之后，( ，) = w k ss i n k c o t + 1 c o s k c o t 为k 次谐波的值；k 就是对应的k 次谐波相角的正切值。 在图2 _ 3 中，神经元的输入矢量x ( t ) 为 x ( t ) = 【s i n c o t ，c o s c o t ，s i n 2 t ，c o s 2 w t ，s i n m o o t ，c o s m o t ( 2 - 1 1 ) 神经元的净输入s ( f ) 为 三 s ( t ) = w l _ ( r ) 一o i ( 2 - 1 2 ) i = 1 式中w ，为连接权值；0 为神经元阈值，由于电力系统输电母线不含直流分量，因此 神经元阈值0 取值为0 。 神经元的输出y ( r ) 为 卫 y ( t ) = ， 5 ( f ) 】- w ，( r ) x ，( f ) ( 2 - 13 ) l _ 1 式中f ( x ) 为激发函数。由式( 2 5 ) 和( 2 6 ) 可知，基波以及各次谐波分量为其正弦和余 1 5 西安科技大学硕士学位论文 弦信号的线性组合，因此激活函数f ( x ) 可取线性函数f ( x ) = x 。 误差( 系统输出) 为 e ( t ) = i ( r ) 一y ( t ) ( 2 - 1 4 ) 这里，自适应线性神经网络的学习算法采用l m s 算法，权值修正公式为： 彬( t ) = u e ( t ) x ，( ，) ( 1 i 3 0 )( 2 1 5 ) 彤o + 1 ) = 彬o ) + 彬( f ) ( 1 i 3 0 )( 2 1 6 ) 式( 2 1 5 ) 中，町为学习因子，要求0 刁 1 。玎较大时会影响精度，较小时会影响 跟踪速度。 2 3 2 单神经元自适应谐波检测方法的改善 在上节单神经元自适应谐波电流检测方法构建中，提到学习因子玎的影响，这里配 合m a t l a b 仿真软件研究玎对精度和跟踪速度的影响，并给出几种改善方法。 这里只以