基于神经网络的自适应谐波检测方法及检测电路技术

本发明专利技术公开了一种基于神经网络的自适应谐波检测方法及检测电路。检测方法包括1)得到LMS算法的原始输入和参考输入；2)进行LMS算法计算：3)得到窄带输出和陷波输出。检测电路硬件采样部分，硬件采样部分包括电流检测传感器、二级采样调理电路、MUC和电源模块。电流检测传感器的信号输出端连接二级采样调理电路的信号输入端。二级采样调理电路的信号输出端输入至MCU。电源模块为电流检测传感器、二级采样调理电路、MUC三个部分供电。本发明专利技术能够不增加任何硬件采样的成本，仅通过修改软件算法的检测方式，就能够准确提取出逆变器发生的软件谐波，较市面上主流的傅里叶谐波检测方法，具有计算量小，谐波检测精度高的优点。

【技术实现步骤摘要】
基于神经网络的自适应谐波检测方法及检测电路
本专利技术涉及谐波检测方法，具体涉及一种基于神经网络的自适应谐波检测方法。
技术介绍
谐波问题是制约并网逆变器发展的最主要的问题之一，经过DC/AC变换后的并网输出电流含有大量谐波，而且在大功率并联式并网逆变器的应用中，谐波含量是可以通过线缆叠加的，故存在超过电网承受限制的风险。除此之外，大功率并网发电设备的输出电流往往需要通过高压输电方式远距离输送至负荷中心，由于高压输电线分布式电容的存在，会对谐波电压和谐波电流分布产生影响。严重情况下会产生谐波电流的并联谐振从而对电网造成极大的危害。神经网络ANN算法具有能够检测任意指定次谐波，并且具有很好的动态性能和检测精度。相比傅里叶谐波检测方法而言，其突出的有点为计算量要小很多，对嵌入式MCU的要求要低很多，故其应用空间更加广阔；但其缺点也显而易见，整体算法的复杂程度要比傅里叶谐波检测方法大很多。神经网络自适应谐波检测算法的主要作用是精确检测电网中的谐波分量，为后续消除谐波分量提供检测基础。目前，市场上主流的谐波检测方法为以如下的式(6)作为核心算法的检测方法，即傅里叶谐波检测方法，由于傅里叶检测方法需要在嵌入式MCU中去解复杂的多维矩阵，且其随着谐波次数越高，需要解析的矩阵维度就越多，故其整体的检测计算量很大，这样就对于应用的嵌入式MCU在计算速度上面就有很高的要求。
技术实现思路
针对现有技术的不足，本专利技术提出了一种基于神经网络的自适应谐波检测方法。本专利技术的技术方案如下：一种基于神经网络的自适应谐波检测方法，包括：1)以并网逆变器通过PLL环锁定的、带有电网的相位信息ω的信号作为LMS算法的原始输入为：dk＝C1cos(ωt+φ)+a(1)式(1)中，dk为PLL环锁相出来的实际电源信号表达式；C1为该正弦电源信号的幅值；ω为该电源信号的角频率；φ为该电源信号的初始相角；a为该电源信号的偏移幅值；以并网逆变器的PLL环提取的、带有电网电压的相位信息ω的信号作为参考输入；参考输入有两路，第一路参考输入x1k和第二路参考输入x2k分别为：式(2)中，C为参考频率为ω0正弦信号的幅值；cosω0kT为参考输入离散信号的第k次表达式；T为电网时间参数；ω0为电网角频率，为电网初始相角；2)进行LMS算法：式(3)中，w1.k为神经网络中神经元第一路输入在第k次采样的权值；w2,k为神经网络中神经元第二路输入在第k次采样的权值；神经元第一路输入的初始值和第二路的输入的初始值均设置为任意值；μ为神经元学习率；ek为原始输入信号与窄带输出的误差，即陷波输出；3)得到窄带输出yk为：yk＝2μC2cosω0kT(4)。一种基于神经网络的自适应谐波检测电路，包括硬件采样部分；硬件采样部分包括电流检测传感器、二级采样调理电路、MUC和电源模块；电流检测传感器的信号输出端连接二级采样调理电路的信号输入端；二级采样调理电路的信号输出端输入至MCU；电源模块为电流检测传感器、二级采样调理电路、MUC三个部分供电。本专利技术的有益技术效果是：本专利技术通过对各次谐波的单独提取，并通过加权的算法提取ANN中的学习因子μ方法，去进行并网逆变器中谐波分量的检测，相对于现有技术中的使用傅里叶方法检测谐波，本专利技术使用了ANN算法，具有计算量小、各个计算模块相对独立、检测的精度高等特点，故其减小了该种谐波检测方法在实际应用中对嵌入式MCU的性能要求，变相扩大了其应用范围。本专利技术能够不增加任何硬件采样的成本，仅通过修改软件算法的检测方式，就能够准确提取出逆变器发生的软件谐波，较市面上主流的傅里叶谐波检测方法，具有计算量小，谐波检测精度高的优点。附图说明图1为本专利技术的硬件电路模块示意图。图2为本专利技术的核心软件算法示意图。图3为本专利技术的算法等效模块示意图。具体实施方式本专利技术包含硬件采样部分及软件算法部分。图1为本专利技术的硬件电路模块示意图。如图1所示，本专利技术的硬件采样部分包括电流检测传感器(HTC，HallCurrentThruster)、二级采样调理电路、MUC和电源模块。电流检测传感器的信号输出端连接二级采样调理电路的信号输入端。二级采样调理电路的信号输出端输入至MCU。电源模块为电流检测传感器、二级采样调理电路、MUC三个部分供电。电流传感器电路与二级采样电路组成了逆变器输出电流的硬件采样调理架构，并且其实际采样带宽需要远大于实际谐波分析需求的最高次方谐波频率。硬件采样电路中的各个部分为公知技术，具体电路不再详述。在本实施例中，电流检测传感器可以选用的型号为VAC-4646-X622。二级采样调理电路可以选用的型号为LM7414通道运算放大器。MCU可以选用的型号为DSP28335。需要说明的是，上述的硬件匹配的电路只需要具备采样+调理功能就可以，并不是一定要限制在某种电路形式，不同电路形式也可以适用在该种专利技术中。图2为本专利技术的核心软件算法示意图。如图2所示，本专利技术的核心算法的步骤具体为：1)以并网逆变器通过PLL环锁定的、带有电网的相位信息ω的信号作为LMS算法的原始输入；dk＝C1cos(ωt+φ)+a(1)式(1)中，dk为PLL环锁相出来的实际电源信号表达式；C1为该正弦电源信号的幅值；ω为该电源信号的角频率；φ为该电源信号的初始相角；a为该电源信号的偏移幅值；以并网逆变器的PLL环提取的、带有电网电压的相位信息ω的信号作为参考输入；参考输入有两路，第一路参考输入x1k和第二路参考输入x2k分别为：式(2)中，C为参考频率为ω0正弦信号的幅值；cosω0kT为参考输入离散信号的第k次表达式；T为电网时间参数；ω0为电网角频率，为电网初始相角。在式(2)中，x1k为实际的参考输入，是通过倍频的手段，得到的各次谐波的参考值。x2k是x1k通过一个相位延迟单元π/2，从余弦信息转换为正弦信息。之后通过一个同步采样部分，进行采样转化。参考输入时逆变器锁相环PLL从网压提取出的参考信号，是加权神经网络算法LMS的参考输入，也可以是表征第k次谐波源的参考输入。2)通过LMS算法得出神经网络算法的学习因子参数，其具体计算方法为：式(3)中，w1.k、w2,k分别为神经网络中，神经元第一路、第二路输入在第k次采样的权值.神经元第一路、第二路的输入初始值设置为任意值；μ为神经元学习率；ek为原始输入信号与窄带输出的误差，即陷波输出；3)得到窄带输出yk为：yk＝2μC2cosω0kT(4)陷波输出ek为ek＝dk-yk(5)综上，通过上述的计算过程，最后得到了滤波的输出yk。如果把前面的原始输入赋予电网信息的含义，那这种输出就表示所要检测的谐波。最终得到的是几次谐波，取决于原始输入dk是几次的标准量。图3为本专利技术的算法等效模块示意图。简单来说，本专利技术中的软件核心算法，即ANN算法可以理解为如图3所示，将核心算法理解为一个算法模块，在其输入端输入原始输入dk和参考输入即可得到窄带输出yk和陷波输出ek。ANN算法是一种神经元结构，图2中所示的只是该中结构中的一部分，其中LMS为一个神经元的计算算法，图2中的神经元结构算法可以根据不同的需求进行复制，只需要将图3中所示的输入修改，便可得到不同的输出，也正是由于ANN算法的该种特点，使得它非常适合用于谐波提取的工作中。以本文档来自技高网...

【技术保护点】
一种基于神经网络的自适应谐波检测方法，其特征在于包括：1)以并网逆变器通过PLL环锁定的、带有电网的相位信息ω的信号作为LMS算法的原始输入为：dk＝C1cos(ωt+φ)+a  (1)式(1)中，dk为PLL环锁相出来的实际电源信号表达式；C1为该正弦电源信号的幅值；ω为该电源信号的角频率；φ为该电源信号的初始相角；a为该电源信号的偏移幅值；以并网逆变器的PLL环提取的、带有电网电压的相位信息ω的信号作为参考输入；参考输入有两路，第一路参考输入x1k和第二路参考输入x2k分别为：

【技术特征摘要】
1.一种基于神经网络的自适应谐波检测方法，其特征在于包括：1)以并网逆变器通过PLL环锁定的、带有电网的相位信息ω的信号作为LMS算法的原始输入为：dk＝C1cos(ωt+φ)+a(1)式(1)中，dk为PLL环锁相出来的实际电源信号表达式；C1为该正弦电源信号的幅值；ω为该电源信号的角频率；φ为该电源信号的初始相角；a为该电源信号的偏移幅值；以并网逆变器的PLL环提取的、带有电网电压的相位信息ω的信号作为参考输入；参考输入有两路，第一路参考输入x1k和第二路参考输入x2k分别为：式(2)中，C为参考频率为ω0正弦信号的幅值；cosω0kT为参考输入离散信号的第k次表达式；T为电网时间参数；ω0为电网角频率，为电网初始相角；2)...

【专利技术属性】
技术研发人员：姜梅，高荣，叶甜春，
申请(专利权)人：江苏中科君芯科技有限公司，
类型：发明
国别省市：江苏,32