基于改进级联神经网络自适应电网谐波检测-刘传林.pdf

《基于改进级联神经网络自适应电网谐波检测-刘传林.pdf》由会员分享，可在线阅读，更多相关《基于改进级联神经网络自适应电网谐波检测-刘传林.pdf（8页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第44卷第20期 电力系统保护与控制V0144 No20!生!旦!旦 呈竺!苎z!堕里旦竺堡竺!i竺翌!塑垦旦堕旦! Q垡：!鱼：兰Q!鱼DOI：107667PSPCI51749基于改进级联神经网络自适应电网谐波检测刘传林1，苏景军1，梁文祯1，匡畅1，刘开培2(1广东水利电力职业技术学院自动化工程系，广东广州510635；2武汉大学电气工程学院，湖北武汉430072)摘要：为克服电网谐波检测快速性与稳定性矛盾，基于神经网络自适应原理提出了一种级联神经网络自适应电网谐波检测的改进系统。改进级联系统初级运用大步长常规LMS(Least Meall Square)自适应神经网络单元提高检测跟随性能

2、，次级通过嵌入均值滤波环节平滑权值波动的策略构造新的自适应神经网络单元，保证次级神经网络单元具有良好的电网谐波检测稳态精度。运用传递函数z域变换分析嵌入均值滤波环节的电网谐波检测自适应神经网络单元的稳定性能，运算推导新的级联次级神经网络自适应单元的步长约束条件，保证改进系统既能够有效地提高电网谐波检测的跟随性能同时又可以提高检测的稳态精度。仿真实验表明改进的级联神经网络自适应系统能有效提高电网谐波检测动态性与精确性。关键词：电网谐波检测；级联神经网络；改进自适应单元步长约束条件AdaptiVe detection of harmonic current in power grid based

3、on improVed cascade neural networkLIU ChllaIllml，SU Jin萄uIll，LIANG wjnzllenl，KuANG chaJl91，LIU Kaipei2(1Dept ofAutomation Eng岫er啦，GuaIl鲥ong TecllIlical CoIlege ofw|ater Resources aIld Ele砌c Enginee凼g，G啪g办ou 510635，Chma；2School ofElec订ical Engi眦ering，Wullan umVerSi吼，ut啪430072，China)Abstract：A novel a

4、daptive system based on caScade detectiIlg h锄oIlic currem in power system is pmposed to solVe t11econ仰diction be呐een r印idity and stabili够In caScade neural network a f瓠t dyrl锄ic response ofh锄oIlic detection caIlbe provided by nomal leaSt mean square(LMS)witll Ia唱e Step-size，meaIlwllile to filter fluc

5、tuation of weight，a higherprccision of adaptive detection in steady-s眦is in仃oduced by embedding aIl average filter no LMSBy us吨Z-廿ansform，tllis p印er analyses tlle stabilization锄d deriVes cons的int conditions of step-s函ofle noVel Ileuraln翩rkuIlitbased on LMS wim embedded average filterThe s协bilit)r of

6、 thc new system is目埘anteed by me l妇itedrange of specified step-size to impr0Ve dyn锄ic perfo珊ances and reduce steady-state errors of adamiVe detectionSimulation resultS Show廿1at t11e impmved caScade neural ne铆ork haS f瓠er d)rIl棚ic response aIld higher accuracy illadamiVe h锄onic detectionKey words：h跚o

7、nic detection in power鲥d；cascade neural nc佃ork；cons仃aim conditions of step-size in noVeladaptive u11it0 引言随着电能质量要求的进一步提高，谐波补偿已成为一个重要的研究课题。由于实际中有源滤波器的广泛运用，检测电网的谐波或基波具有重要意义。在数字滤波器中运用离散傅立叶变换确定谐波时，常规需要检测一个周期的数据，致使检测的计算量非常大；并且检测精度越高，滤波器的阶数要求越高，计算量就越大，实时性也就越差，使之不能很好适用于电力系统谐波的实时补偿【lqJ。谐波的常规检测虽有成熟的应用，但也都存在有

8、待改进的缺陷，作为关键环节，谐波电流检测的动态响应和稳态精度要求不断提高。例如目前广泛应用的基于瞬时无功功率理论的检测方法，fDfq运算的谐波电流检测方法具有较好的检测速度和精度【l刁】，仍然被不断的改进。时域功率方法在理论上是完整的，概念非常清晰，但实际应用也存在困难。为了抑制电网谐波电流分量，谐波检测治理方法得到不断改善【50，自适应原理在谐波电流检测中逐渐得到应用【891。通过引入具有良好自适应性和鲁棒性的自适应系统，有的采用双层自适应神经网络实现谐波检测1们，有的采用变步长自适应检测方法克服万方数据刘传林，等 基于改进级联神经网络自适应电网谐波检测 -135-固定步长自适应谐波检测的局

9、限【11。12j，还有多种特殊的白适应算法【l 321 J。人工神经网络(Anificial Neural Ne帆ork，m叮N)已经广泛应用于信号处理、智能控制等领域，并且被应用于电网谐波的检测。同时，为提高神经网络白适应电网电流检测的性能，应用双层神经网络自适应检测系统提高电网谐波的检测速度Il。基于人工神经网络原理，本文提出构建级联神经网络自适应电网谐波检测系统，通过级联次级神经网络嵌入均值滤波环节平滑自适应单元LMS(LeaSt MeaIl Square，LMS)权值的波动，保证电网谐波检测系统具有实时性与良好的稳态精度。通过建立嵌入均值滤波环节的自适应单元传递函数框图，对改进神经网络

10、中的自适应电网谐波检测单元进行Z域分析。1 级联神经网络自适应谐波检测11级联神经网络自适应谐波检测原理级联神经网络由舢叮N(I)、舢叮N(II)实现自适应谐波检测的系统如图1所示。系统由基于神经网络LMS自适应单元级联构成，设级联自适应单元的迭代步长分别为l、11则有：“(胛)=t(，z)一岛(聆) (1)如(刀)=“(”)一f(珂) (2)联+1)=(刀)+2“ihI(行)虬(，z) (3)(行+1)=(聍)+2鳓k(，z)(疗) (4)其中，权值晰(门)、嘶勋)，输入参考信号0)为彬)=【wS。(疗)wc。(疗)】 (5)(胛)=ws。(行)wc。(，z)】1 (6)虬(，z)=“。(聆

11、)“。(，z)】1 (7)若合理选择I、II可以使基于级联神经网络的自适应谐波电流检测系统既具有很好的跟随能力，又具有较高的检测精度。一般设置为分量得到电网的谐波电流。设电网参考电压的采样为基准正弦信号与余弦信号，即zf。(疗)=sin(2翮) (9)材。(珂)=cos(2翮) (10)选择合适的电流分量，可满足电网谐波与无功分量的检测分离。对负载电流而言，系统检测出的抽研)为谐波分量、硒I(行)为基波有功分量、嫡I(聆)为无功分量、ffI(甩)为基波分量。在级联神经网络自适应单元舢州(I)中，运用LMS自适应原理【22】，伽呵N(I)单元检测基波分量为fn(玎)=1(n)虬(刀) (11)其

12、中，权值研(，z)，输入参考信号以。(刀)：(玎)=wsl(聆)wc。(刀)】1 (12)虬(玎)=(”)甜。(以)】1 (13)则自适应系统输出的电流分量为ihI(，2)=fL(疗)一1(胛)虬(以) (14)其中，加为LMS的固定步长取值，则有0+1)=(刀)+“ihI(刀)虬(甩) (15)图2基于LMs自适应谐波电流检测原理Fig2 Schematic diagmm of adaptiVe ha册oIliccunent detection based on LMS13 LMS自适应系统的Z域分析根据LMS自适应原理，画出神经网络白适应电流检测单元6心N(I)的离散域传递函数框图如图3，

13、再运用动态框图进行Z域分析。参考电压甜。0)=sin(o刀)、“。(”)=cos(o刀)，其中o=(27【，?v)。0o (29)l(-1)-1+(2一鸬)cos(等)+(1叫)o求解系统稳定充要条件不等式方程组得：Io (45)【4(一1)o系统稳定的充要条件为训2击c妒t_000(46)解系统稳定的充要条件不等式方程组可以得到步长的函数关系：一(必D) (47)其中，m。(必D)与MD有关。22 LMS自适应的步长约束范围对于级联初级神经网络A1呵N(I)应用LMs自适应单元，为保证谐波检测的跟随性能，应该选择较大的迭代步长I，其中I的取值为0I2。对于级联次级神经网络m叮N(II)应用改

14、进神经网络环节，嵌入均值滤波的自适应LMs单元，为保证谐波检测精度减小波动，应该选择较小的迭代步长，其中的取值为0II印。(必D)。根据嵌入均值滤波环节的自适应LMS单元稳定的充分必要条件，如果取均值滤波器胙16，且D=l，求解朱利判据不等式方程组(46)，可得满足该系统单元稳定充要条件的步长为0II0001333 (48)神经网络环节中改进自适应单元步长II约束范围与嵌入均值滤波阶数M的关系见表1。表1改进自适应神经元收敛步长胁l与嵌入均值滤波阶数M的关系Table 1 Relationship bet、)l，een stepsize肺of noVel ne啪Ine似ork unit柚d胁o

15、rder研embedded average fllter均值滤波阶数 改进神经元收敛步长约束仁8仁16仁32仁48IIO001 231II0001 333n0001 885枷O004099而且同时要求：0I2。因此，引入嵌入均值滤波器的神经网络LMS自适应单元作为级联次级神经网络，构成改进的级联神经网络自适应电网谐波检测系统，系统的步长值的收敛范围会发生变化，通过传递函数Z域分析，应用朱利稳定判据关系式可以确定满足系统要求的迭代步长的取值范围。根据0nI2的限制条件合理选择砧呵N(I)、m呵N()的迭代步长，通过仿真实验验证级联神经网络自适应电网谐波电流检测系统的性能。3 仿真实验基于级联神经

16、网络自适应电网谐波电流检测系统如图1所示，其中选择改进神经网络自适应单元的迭代步长满足前述条件0IIm默(必D)，同时满足O枷胁2。设从某时刻开始通过前置模拟滤波器滤波后获得的电网A相负载电流如图5所示，含有丰富的畸变电流分量。设级联初级神经网络自适应检测单元，取岸I=002。设级联次级神经网络自适应单元嵌入均值滤波器参数仁32，则取II=00018，通过级联神经网络自适应电网谐波检测系统检测得到如图6(a)、(b)所示的基波与谐波。苎。：船!艇n拇援皿摄扭!j 2()L-j上上L一鞲狳狳拳拳黼万方数据刘传林，等 基于改进级联神经网络自适应电网谐波检测 139泓 淞 嗡 嗡 蛳 啄 嘶 喳2

17、O 04 O 06 O 08 O lO 0 12 O 14 O 16，s(b)谐波图6基于改进级联神经网络自适应电网谐波检测(A相)Fig6 Ad印tive hamonic cunent detection ofpower grid basedon improVed cascade neml ne铆ork(A-phaSe)电网谐波检测(A相)的分析对比。如图7(a)、(c)分别是应用常规自适应检测系统与改进级联神经网络自适应检测系统检测的电网A相负载电流基波的结果。如图7所得到电网A相基波电流的检测结果表明，改进级联神经网络自适应系统检测的收敛速度有所提高，采用改进自适应系统检测图7(c)，在

18、第10周期内就已经进入稳态，保证较快的响应速度与较小稳态误差。采用常规白适应系统检测图7(a)，在第2周期内才趋于稳态；采用嵌入均值滤波器非级联的单层改进自适应系统检测图7(b)，在步长限制条件下，仍需在第2周期内趋于稳态。2010 o一lO2020lO=乏 o102020lO- olO一20f sa1常规神经网络自适应检测基波蠼斌 辩) 002 004 O 06 O 08 O10 O12 O 14 O 16，sfb)单屡改进神经网络自适应检测基波 I二 lllJ0 lJ 11 C1 IJllh Il JIJ IJ lj (1 14 Il c、，、l。)+。J莹鼬t：限i|tI：l、I 7“协

19、波图7基于改进级联神经网络与常规自适应的电网基波检测比较(A相)Fig7 Comparison of ad印tiVe劬d锄ental currem detection inpower grid based on improVed cascade neural ne却ork a11dnormal ad印tive system(A-phase)图8所示是负载电流、基波与检测基波的总谐波畸变率(1Ual H锄onics Distortion，THD)。THDf。)5045403530252015lO0 l I I - - THDO THDl THD2 THD3E：(a)TI)o为负载电流总谐波畸变率

20、：(b)rHDl为常规自适应检测基波总谐波畸交率：(c)THD2为单层改进神经网络自适应检测基波总谐波畸变率(d)THD3为级联改进神经网络自适应检测基波总谐波畸变率图8基于改进级联神经网络自适应与常规自适应电网电流检测的THD比较(A相)Fig8 Comparison ofTHD i11 6mdamentaI cunent detection forpower鲥d baSed on iInpmved c弱cade neural net、ork蛐dnomlal ad印tiVe system(A-phase)根据检测数据的THD结果显示，可以清晰地得到比较结果：对于自适应电网谐波检测而言，运用改

21、进的自适应检测系统的THD数值小于运用常规自适应系统的THD数值，其稳态性能更好，但与单层改进神经网络自适应检测基波总谐波畸变率基本接近。可见，基于改进级联神经网络的自适应检测系统可以更好地获取电网基波，实现电网谐波电流分量的分离，且其检测电网谐波电流的跟随性能好稳态精度高。4 结论本文在人工神经网络原理的基础上，提出了一种级联改进神经网络自适应电网谐波检测系统，通过在级联次级神经网络自适应检测系统嵌入均值滤波环节，平滑自适应单元的权值波动，保证改进的级联神经网络自适应电网谐波检测系统具有良好的跟随性能与良好的检测精度，并且推导了嵌入均值滤波环节的自适应单元的其步长约束条件。仿真实验表明基于改

22、进级联神经网络的自适应检测系统能有效地提高谐波检测的实时性，同时可以改善电网谐波检测的稳态精度。因此，改进的级联神经网络自适应电网谐波检测系统在应用中具有一定的优势。参考文献1 王兆安，杨君，刘进军谐波抑制和无功功率补偿M1万方数据-140一 电力系统保护与控制北京：机械工业出版社，1998：2152392 罗安电网谐波治理和无功补偿技术及装备M】北京中国电力出版社，2006：66683 刘开培，张俊敏，宣扬基于重采样和均值滤波的三相电路谐波检测方法J】中国电机工程学报，2003，23(9)：78-82LIU Kaipei，Z乩NG Jlmmin，XUAN Y抽gHamonicsdetecti

23、on forlree_phaSe circuits baSed on resalllplingtheoU and me柚filteringJ】Pmceedings of the CSEE，2003，23(9)：78-824 武健，刘瑜超，李晓萌，等基于瞬时值比较的电流型有源滤波器谐振抑制方法J】电工技术学报，2013，28(9)：73-79、U Ji锄，LIU Yucha0，LI Xiaomenget a1Resonancesuppression m劬od of currem source actiVe power filterbased on i11stant锄eolls compadson

24、 control叨Tl锄1sactiollSof China Elec臼otecIlIlical Socie坝20 1 3，28(9)：73-795 刘文亚，姚钢，何娈，等基于级联多电平的有源滤波器直流侧电压平衡控制J】电力系统保护与控制，2叭5，43(4)：94-101LIU Wenya，YA0 G柚g，HE Luall，et a1Research ofDCVoltage bal柚ce contrDI baSed on multilevel cascadedAPF【J】Power System Protection and Control，2015，43(4)：94-1016 肖助力，龚仁喜

25、，陈双，等基于改进S变换的电力系统谐波检测方法【J】电力系统保护与控制，2015，43(3)8490AO Zhuli， GONG RenXi，CHEN Shuang， et a1Detection of h锄onics in power SyStem baSed onmodified S仃ansform【JPower System Protection andCon仃Dl，20 l 5，43(3)：84-907 马草原，孙富华，朱蓓蓓，等神经网络算法的改进及其在有源电力滤波器中的应用叨电力系统保护与控制，2015，43(24)：142-148MA Cao”】习ln，SUN FulluaZHU

26、Beibei，et a1Study onalgorithm improvement of BP neuraI networks and itsapplication in active power 6lterJ】 Power SystemProtection柚d Control，2015，43(24)：142-1488 LIU Fei，ZOU Y岫ping，DrNG KaiA noVel realdimealgorithm for hannonic detectingC】 IndustrialElec仃onics Socie饥2003IECON03The 29m AnnualConferenc

27、e ofme IEEE，2003，3(3)：256l-25659 LUO Shiguo，HOU ZhenchengAn adaptiVe detectingmethod for hanIlonic柚d reactive cu盯entsJIEEETr锄sactions on InduS廿ial Elec仃onics， 1995， 42(1)：858910李波，张林利，王广柱，等用于APF的神经网络自适应谐波电流检测方法叨电力自动化设备，2004，24(5)38-40LI Bo，ZHANG Linli，WANG G啪gzhu，et al_A ne啪lne锕ork adaptiVe detectin

28、g 印pmach of hanTloniccurrentJ】Electric Power Automation Equipment，2004，24(5)：38-4011KWONG R HJOHNSTCIN E WA variable step sizeLMS algorithmJ】 IEEE Tr柚sactions on SignalProcessing，1 992，40(7)：1 633-1 64212包明，王云亮改进的变步长自适应谐波检测算法J】电力自动化设备，201l，31(1)：7174BAO Ming，WANGmli柚gva丽able Stepsize adaptiVehannoni

29、c cunem detection algorithm【JElectric PowerAutomation Equipme吐201l，31(1)：717413蔡忠法，陈隆道，陈国志基于自适应神经网络的谐波分析模型与算法【J】电工技术学报，2008，23(7)：118123CAI zhong风C狲Lon酣，cHEN Guo圳Hannonic删ysis model a11d algod岫based on ada埘ve neuralnetwork阴Tbn鞠甜oIlS of CIli彻ElectIucechnical Soci呶2008，23(7)：11 8-12314盘宏斌，罗安，唐杰，等一种改进的

30、基于最小二乘法的自适应谐波检测方法川中国电机工程学报，2008，28(13)：144-151PAN Hon曲in，Lu0 An，TANG Jie，et a1An improvedadaptiVe h锄onic detection method baSed on leastsquares algorithmJ】Proceedings of廿le CSEE，2008，28(13)：14415115李自成，孙玉坤一种神经元自适应谐波电流检测方法的数字仿真J】电力系统保护与控制，2009，37(5)：1-551LI Zicheng，SUN YukunDig诅l simulation of aIlada

31、ptiVe h姗onic current detection method based on aneuron【J】Power SyStem Protection and Con仃ol，2009，37(5)：1-5，5116靳希，董立骏，吴世敏，等一种改进谐波检测算法的实现阴电力系统保护与控制，2010，38(3)：39_42JIN xi，DONG Lijun，wu shimin，et a1Implementationof aIl improVed metllod of harmonic current detectionJ】Power System PIDtection and Con打ol，

32、2010，38(3)：394217郑征，杜翠静，常万仓三相不对称系统中谐波电流检测的新方法【J】电力系统及其自动化学报，2010，22(3)：50一54zHENG zheng，Du cuijing，cHANG wancangNew万方数据刘传林，等 基于改进级联神经网络自适应电网谐波检测 141memod Of hannonic current detectIOn tbr unbalancedthree-phaSe power systemJ】 Proceedings of tlleCSU-EPSA，20 l 0，22(3)：50-5418芮颖，牟龙华基于自适应滤波算法的谐波仿真分析J】电力系

33、统及其自动化学报，2009，21(4)：76-81RuIn岛Mu Longh眦H枷onic sirrIulation锄alyzingbased on adaptive filtering algorithmJ】Proceedings ofthe CSU-EPSA，2009，2l(4)：76-8119何娜，黄丽娜，武健，等一种新型快速自适应谐波检测算法J】中国电机工程学报，2008，28(22)：124-129HE Na，HUANG Lina，WU Jian，et a1A noVel adaptiVeh锄onic detection algorithmJ】Proceedings of恤CSEE，

34、2008，28(22)：12412920陈淑华，付青，马桂龙，等基于神经网络自适应预测算法的谐波检测J】电工技术学报，2013，26(增刊1)：200206CHEN Shuhua，FU Qing，MA Guilong，et a1Ha邶011icdetection based on anificial neural neMork alld adaptiVepredictive algo棚1lTl【J】Tr觚s删ons of ChinaElec仃otechnical Socie吼2011，26(S1)：20020621曾令全，白志亮，曾德俊，等基于自适应神经网络的有源电力滤波器谐波电流提取方法J】

35、电力自动化设备，20lO，30(2)：33-36zENG Lin鹊uaIl，BAJ Zhili柚g，zENG DejuII，et a1HaHrIonic detection baSed on adaptiVe neural network for枷vc power finer叨Ela嘶c Power A咖m痂n Equip眦吐20 l O，30(2)：333622SIMON HAdaptive fiIter廿Ieory【M】Fourth EditionBeijing：Publishing House ofElectronics Indust吼200223胡寿松自动控制原理【M】4版北京：科学出版社，2001收稿日期：2015_0929； 修回日期：2016-0卜11作者简介：刘传林(1965一)，男，博士，副教授，研究方向为数字信号处理与电能质量分析。E-mail：liuclgdsd)【ycn(编辑姜新丽)万方数据