一种超高次谐波源建模方法技术

本发明专利技术涉及一种超高次谐波源建模方法，包括步骤S1：提供任一时间段内的不同功率下的超高次谐波电流时间序列数据；步骤S2：利用神经网络算法对步骤S1的数据进行训练；步骤S3：利用神经网络算法生成不同功率下的各次超高次谐波电流幅值的预测数据；步骤S4：将步骤S3生成的预测数据和实测值进行误差计算，根据误差计算结果，选取误差最小的性能评价系数R

A Modeling Method for Ultrahigh Harmonic Sources

【技术实现步骤摘要】
一种超高次谐波源建模方法
本专利技术涉及电力电子领域，特别是一种超高次谐波源建模方法。
技术介绍
随着现代化工业、交通、金融与信息等产业的快速发展，以及节能降耗与环境保护政策的实施，清洁高效的能源利用成为主流。大量分布式能源的高密度接入以及柔性输电技术广泛的应用使得配电网呈现出“源-网-荷”紧密耦合特性。当电力系统向非线性设备及负荷供电时，这些非线性设备及负荷在传递、变换、吸收系统发电机所供给的基波能量的同时，又把部分基波能量转换为谐波能量，返送回电力系统，成为电网的主要超高次谐波源。目前，随着风电变换器、光伏逆变器、电动汽车充电桩等电气设备在电网中的渗透率越来越高，其产生的超高次谐波引起越来越多的电能质量问题如造成设备间歇性工作或功能失效、设备无法工作或损坏、电力载波通信故障、设备或装置发出噪声等，这些危害在将来无疑会越来越严重。所以，对电网中的超高次谐波传播特性进行准确的估计，确切掌握电网中超高次谐波的实际状况，对于防止超高次谐波危害，维护电网的安全运行十分必要。目前最常用的谐波源建模方法主要有以下几种：(1)恒流源模型和诺顿等值模型：该类模型虽然易于处理，但是过于简单粗略，容易本文档来自技高网...

【技术保护点】
1.一种超高次谐波源建模方法，其特征在于：包括以下步骤：步骤S1：提供任一时间段内的不同功率下的超高次谐波电流时间序列数据；步骤S2：利用神经网络算法对所述不同功率下的超高次谐波电流时间序列数据进行训练；步骤S3：利用神经网络算法生成不同功率下的各次超高次谐波电流幅值的预测数据；步骤S4：将步骤S3生成的预测数据和实测值即步骤S1中所提到的不同功率下的超高次谐波电流时间序列数据进行误差计算，根据误差计算结果，选取误差最小的性能评价系数R

【技术特征摘要】
1.一种超高次谐波源建模方法，其特征在于：包括以下步骤：步骤S1：提供任一时间段内的不同功率下的超高次谐波电流时间序列数据；步骤S2：利用神经网络算法对所述不同功率下的超高次谐波电流时间序列数据进行训练；步骤S3：利用神经网络算法生成不同功率下的各次超高次谐波电流幅值的预测数据；步骤S4：将步骤S3生成的预测数据和实测值即步骤S1中所提到的不同功率下的超高次谐波电流时间序列数据进行误差计算，根据误差计算结果，选取误差最小的性能评价系数R2，选择给定计算精度ε下的R2值拟合曲线作为拟合结果，用以获得超高次谐波源输出特性；步骤S5：对步骤S4的最终拟合结果进行分析判断，若得到的预测值与实测值的误差在0.0001-0.000001之内，则得到了训练好的神经网络模型，对训练好的神经网络模型输入超高次谐波源的功率值以及频率，该模型输出该功率下的所要求频率的超高次谐波源的输出电流幅值预测值。2.根据权利要求1所述的一种超高次谐波源建模方法，其特征在于：所述步骤S2具体包括以下步骤：步骤S21：提供不同功率下不同频率对应的超高次谐波电流值数据，包括：输入层的输入向量、隐含层输入向量隐含层输出向量输出层输入向量和输出层的输出向量；其中，输入层的输入向量包括超高次谐波源的功率超高次谐波频率以及超高次谐波源实测电流幅值输出层的输出向量包括超高次谐波源的功率超高次谐波频率以及超高次谐波源预测电流幅值进行神经网络模型的建立，输入层有2个节点，输出层1个节点，利用经验公式：s＝2n+1，其中n为输入层节点数目，算出隐含层结点数为5个；在隐含层为5个节点数上逐渐增加节点数，增加到10个时再增加节点数网络误差不再减少，此时节点选择数最优。步骤S22：对输入层与隐含层的连接权值ωih、隐含层与输出层的连接权值ωho、隐含层各神经元的阈值bh、输出层各神经元的阈值bo分别令一个[-11]内的随机数，并令误差函数为：给定计算精度值ε范围为0.0001-0.000001作为训练终止条件、最大学习次数M范围为1000-1500；学习速率选取范围为0.01-0.8；步骤S23：采用S型激活函数对步骤S21中的不同功率下不同频率对应的超高次谐波电流值数据进行归一化至[01]；步骤S24：随机选取一组输入样本即步骤S21中的不同功率下不同频率对应的超高次谐波电流值数据x(k)以及对应的期望输出d(k)；其中，所述超高次谐波电流值数据x(k)包括超高次谐波源的功率超高次谐波频率以及超高次谐波源实测电流幅值步骤S25：计算隐含层各神经元的输入hih(k),然后用输入以及激活函数计算隐含层各神经元的输出hoh(k)：式中，ωih为输入层各神经元指向隐含层各神经元的权重、xi(k)为第k组数据中的第i个神经元上的数据，bh为隐含层各神经元的阈值；隐含层各神经元的输入hih(k)经过Sigmoid型函数：的映射得出隐含层各神经元的输出ho...

【专利技术属性】
技术研发人员：张逸，阮正鑫，方键，邵振国，张嫣，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35