基于反馈神经网络的实时谐波检测方法技术

本发明专利技术公开了一种基于反馈神经网络的实时谐波检测方法，构建正弦基函数反馈神经网络结构，设计适用于谐波检测的激励函数设计和网络权值矩阵，并构造了一个二次规划问题，通过运行该反馈神经网络获得正弦基函数权值神经网络的最优权值，然后根据权值矩阵的估计值计算基波与各次谐波的准确幅度和相位，重构出基波和各次谐波。本发明专利技术的实时谐波检测方法避开了传统谐波检测方法的网络结构复杂、迭代次数多、算法精度低等缺点，而仅通过简单的反馈网络即可获得包含谐波幅度与相位信息的网络；检测效率高、精度高、网络结构简单。

Real time harmonic detection method based on feedback neural network

【技术实现步骤摘要】
基于反馈神经网络的实时谐波检测方法
本专利技术涉及电力系统领域，具体涉及一种基于反馈神经网络的实时谐波检测方法。
技术介绍
电力系统中存在大量的非线性器件对电网电压电流整流、逆变而产生时变谐波，使得电力谐波污染问题日益严重，严重影响了电能质量的同时对电力系统的安全、稳定、高效运行构成了威胁；而且，由于电力系统谐波产生的随机性的，受电网非线性复杂的影响严重，实时检测电网的谐波难度很大，这些都使得现阶段进行电力谐波实时准确检测具有重要意义。传统的基于模拟滤波器的谐波测量方法因对抗谐波畸变率大并具有电压具有附加相移的能力太弱而被淘汰；而傅里叶变换法存在频谱泄露与栅栏效应、无法检测非平稳性谐波等不足；小波检测法在检测电网暂态信号或信号奇异性上具有很好的优势，但是该方法所进行的信号分解会使得高通和低通滤波器组间存在交错，出现混频混叠现象，而且还存在窗口能量不集中的问题。其它还有基于智能优化算法的谐波检测方法，但是需要进行时频变换后再进行优化算法演化，复杂度较高。神经网络算法的基本思路是采用物理可实现的系统来模仿人脑神经细胞的结构和功能系统，算法具有很好的非线性表达能力、并行处理能力、强鲁棒性以及自组织自学习的能力，被广泛使用在信号处理及模式识别领域，谐波检测问题相当于一个信号检测问题，而反馈神经网络结构简单，便于实现，本专利技术尝试用反馈神经神经网络的方法解决谐波检测问题。
技术实现思路
本专利技术旨在提供一种基于反馈神经网络的实时谐波检测方法，增强谐波检测的实时性，达到检测各次谐波的目的。为解决上述技术问题，本专利技术所采用的技术方案是：一种基于反馈神经网络的实时谐波检测方法，包括以下步骤：1)将电力电子系统中含有各次谐波的周期性信号表示为：其中，w0为基波角频率，w0＝2πf，f为基波频率，k为谐波次数，Ak和分别为第k次谐波的幅度和相位；m为最高次谐波次数；将上式进行离散化并展开成矩阵形式，则第ti个采样值表示为其中，Ts为采样周期，采样周期一般不大于100毫秒；；T表示矩阵转置运算；w为电网角频率；2)设计反馈神经网络输入输出层的激励函数g(·)：g(x)＝(x+asin(πx))；其中，a＞0,-∞＜x＜+∞，π为圆周率；将采样值信号x(ti)作为该激励函数的输入信号，得到输出信号g(x(ti))；3)建立如下正弦基权值函数矩阵：其中，R表示实数域；4)构建如下二次规划优化问题：其中：表示2-范数；d＝diag[d(0),d(1),…,d(n)]，diag为主对角元素为d(0),d(1),…,d(n)，其它任意元素均为0的对角阵，α是一个正常数，α∈(0,1]，P为神经网络反馈总次数；W为权值矩阵，5)求解所述二次规划优化问题，得到权值矩阵W的估计值根据所述权值矩阵W的估计值计算基波与各次谐波的准确幅度和相位，重构出基波和各次谐波。权值矩阵W的估计值的具体求取过程包括：令a)对W求导并令其值等于零向量：b)令第r次迭代fj,j＝0,…,n值固定，令一阶导数等于0，获得W的唯一解，则有：其中，上标-1表示矩阵求逆运算，是主对角元素为|x(j)|2的对角矩阵；j＝t1,t2,…,tn；c)设置第r+1次反馈网络权值的迭代公式：W(r+1)＝(1-μ)g(W(r))+μW(0)；其中，μ∈(0,1)，W(0)为权值初始值；d)重复步骤a)～c)，直至代价函数J(W)值不再减小，获得权值矩阵，从而得到权值矩阵W的估计值。重构出的基波幅度为相位为重构出的第k1次谐波的幅度与相位分别为与现有技术相比，本专利技术所具有的有益效果为：本专利技术可以增强谐波检测的实时性，避开传统谐波检测方法中复杂的谐波检测网络结构，并通过网络自运行获得包含谐波幅度与相位信息的网络权值，进而从该权值矩阵中提取基波和各次谐波的幅度与相位，从而达到检测各次谐波的目的；本专利技术具有检测精度高、测量准确好、实时性强与抗干扰性能好的优点。附图说明图1是本专利技术在分析信号为基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下分析获得的波形图；图2是本专利技术在分析信号为基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下分析获得的输入输出整体对比图；图3是本专利技术在分析信号为基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下分析获得的输入输出幅度误差图。图4是本专利技术在分析信号为基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下分析获得的输入输出相位误差图。具体实施方式本专利技术提供了一种基于反馈神经网络的实时谐波检测方法，包括以下步骤：(1)根据现有方法将电力电子系统中含有各次谐波的周期性信号模型采用三角函数和差化积公式展开，则电力系统中含有各次谐波的周期性信号可表示为其中，wi为第i次谐波的角频率，w0＝2πf，f为基波频率，Ai和分别为第i次谐波的幅度和相位；N为最高次谐波次数，m为最高次谐波次数。将式(1)用三角函数变换公式进一步表示为其中：w0为基波角频率，j为谐波次数，Ts为采样周期。将公式(2)进行离散化并展开成矩阵形式，第ti个采样值x(ti)即可表达成如下形式：其中，上标T表示矩阵转置运算。。(2)设定神经网络输入输出层的激励函数g(·)，g(x)＝(x+asin(πx))；其中，a＞0,-∞＜x＜+∞；π为圆周率；将采样值信号x(ti)，i＝1,2,…,n作为该激励函数的输入信号。(3)设计正弦基函数神经网络权值并构造基函数权值矩阵；从矩阵的形式可发现，谐波的幅度与相位信息均包含在矩阵中，而且该矩阵与任何信号输入采样值无关；继续观察该矩阵可以发现，其元素由组成，如果可以准确获得该矩阵的各元素值，那么就可以根据三角函数的相关性质就可精确获得第i次谐波幅度和相应相位。据此，我们将神经网络权值矩阵设计为的形式，即令权值矩阵即可。因此，一旦获得权值矩阵，即可计算出基波幅度为相位为同理，获得第k次谐波的幅度与相位分别为从而可重构出基波和各次谐波。因为Ci是一个元素值仅与采样有关的矩阵。Ci的作用类似于将输入的采样点进行函数映射，获得函数输出，那么就可以将该矩阵元素作为正弦三角基函数。那么，根据采样点的输入变化，可构成如下正弦基函数矩阵其中：R表示实数域，2m为隐层神经元个数，n为采样数，g(x(ti))为输入信号采样值经过激励函数之后的输出信号，i＝1,2,…,n；如上就完成了神经网络的设计。(4)设计二次规划优化问题，获得权值矩阵w的估计值；具体地讲，即构造如下二次规划优化问题其中：为谐波输入信号采样向量，n为采样数，上标T表示转置运算，表示2-范数。d＝diag[d(0),d(1),…,d(n)]，diag为主对角元素d(0),d(1),…,d(n)本文档来自技高网...

【技术保护点】
1.一种基于反馈神经网络的实时谐波检测方法，其特征在于，包括以下步骤：/n1)将电力电子系统中含有各次谐波的周期性信号表示为：/n

【技术特征摘要】
1.一种基于反馈神经网络的实时谐波检测方法，其特征在于，包括以下步骤：
1)将电力电子系统中含有各次谐波的周期性信号表示为：



其中，w0为基波角频率，w0＝2πf，f为基波频率，k为谐波次数，Ak和分别为第k次谐波的幅度和相位；m为最高次谐波次数；将上式进行离散化并展开成矩阵形式，则第ti个采样值表示为其中，i＝1,2,…,n，Ts为采样周期；；T表示矩阵转置运算；w为电网角频率；
2)设计反馈神经网络输入输出层的激励函数g(·)：g(x)＝(x+asin(πx))；其中，a＞0,-∞＜x＜+∞，π为圆周率；将采样值信号x(ti)作为该激励函数的输入信号，得到输出信号g(x(ti))；
3)建立如下正弦基权值函数矩阵：



其中，R表示实数域；
4)构建如下二次规划优化问题：



其中：表示2-范数；d＝diag[d(0),d(1),…,d(n)]，diag为主对角元素为d(0),d(1),…,d(n)，其它任意元素均为0的对角阵，l＝1,2,…,2m，α是一个正常数，α∈(0,1]，P为神经网络反馈总次数；W为权值矩阵，
5)求解所述二次规划优化问题，得到权值矩阵W的估计值根据所述权值矩阵W的估...

【专利技术属性】
技术研发人员：潘建丹，刘继华，
申请(专利权)人：温州商学院，
类型：发明
国别省市：浙江;33