adaline神经网络和FFT补偿的闪变值测量方法技术

本申请公开了一种基于adaline神经网络和FFT补偿的闪变值测量方法，该方法首先通过使用adaline神经网络提取电网电压中的波动量；通过FFT变换与pso算法相结合的方式，可以准确估计出波动量的幅值与频率；最后考虑了相应频率的闪变值补偿误差对得出的闪变包络信号进行补偿，得出最终的闪变值。本发明专利技术能够极大提高电压闪变的测量精度，同时降低计算成本。同时降低计算成本。同时降低计算成本。

【技术实现步骤摘要】
adaline神经网络和FFT补偿的闪变值测量方法


[0001]本申请涉及电力系统领域，尤其涉及一种基于adaline神经网络和FFT补偿的闪变值测量方法。

技术介绍

[0002]随着当前世界形势的不断复杂变化以及我国国民经济的高速健康发展，现代社会对电力供应的稳定可靠的性能要求也越来越高，即是对电能质量提出新要求，电力的电能质量作为工业的主导地位比以往任何时候都更加重要。目前随着工业技术的发展，大量非线性波动性负荷广泛应用，同时，多种形式的具有不规律特性的新能源逐渐并网。这些都会向电网注入多种波动，波动会引起白炽灯工作异常也即是电压闪变。闪变情况会导致精密器件无法正常工作以至于造成重大经济损失。采用治理措施的基本依据是闪变的准确测量，因此需要对电压闪变进行精准测量。
[0003]现有的闪变测量算法主要有IEC推荐的平方检波法和傅里叶变换FFT。平方检波法具体实现是将原始信号平方运算之后通过滤波器得到调幅波，这种方法计算量大，实现复杂。FFT由于傅里叶变换存在频谱泄露从而导致栅栏效应，最终导致计算结果不准确，现有的工作有的提出了一些fft改进方法，使用加窗插值来减小频谱泄露，但是栅栏效应依然存在，而且结果十分依赖窗函数大小，因此需要很高的计算成本结果依然存在误差。

技术实现思路

[0004]本申请提供了一种基于adaline神经网络和FFT补偿的闪变测量方法，解决了现有技术存在的计算成本高计算误差大的问题。
[0005]为解决上述技术问题，本申请提供了一种基于adaline神经网络和FFT补偿的初始闪变值测量方法，包括：
[0006]根据adaline神经网络和预先建立的实时电网电压闪变模型提取电压闪变的包络信号；
[0007]依据FFT变换对所述包络信号进行计算以得初始幅值和初始频率，并用PSO算法对所述初始幅值和所述初始频率进行修正以得所述包络信号的估计幅值和估计频率；
[0008]依据所述估计幅值和所述估计频率计算得出闪变包络信号，并对所述闪变包络信号采用国标闪变值计算方法进行计算，并进行误差补偿得闪变值。
[0009]优选地，所述实时电网电压闪变模型为：
[0010]u(t)＝A[1+v(t)]cos(2πf0t+θ0)
[0011]式中，A为电网电压幅值；f0为工频载波电压的频率；θ0为电压的初始相位；v(t)为u(t)假想零线的电压瞬时值的包络波相对于A的大小，考虑正弦波电压波动，v(t)表达式为：
[0012][0013]其中，N为电压闪变分量的数量，m
n
为电网电压闪变的第n个分量的幅值，f
n
为电网
电压闪变的第n个分量的频率，θ
n
为第n个分量相对于工频电压的角度。
[0014]优选地，所述实时电网电压闪变模型为：
[0015]u(t)＝w1x1+w2x2[0016]式中，自适应滤波器权值w1和w2分别为(A
EN cos(θ0))和(
‑
A
EN sin(θ0))，输入信号x1和x2的值分别为cos(2πf0t)和sin(2πf0t)。
[0017]优选地，所述adaline神经网络的系统函数为：
[0018][0019]式中，为Adaline系统的输出，为w1的估计值，为w2的估计值；
[0020]t时刻的预测误差e(t)为：
[0021][0022]式中，u(t)为电力系统实测电压；
[0023]对应地，根据预测误差和自适应规则调整加权系数，直到e(t)为零时，得出所述电压闪变的包络信号A
EN
为：
[0024][0025]优选地，根据最小均方LMS算法作为自适应规则对所述adaline神经网络的系统函数中的和进行更新，公式如下：
[0026][0027]式中，X(k)为输入向量的k个样本，e(k)为k个样本的误差信号，α为学习速率。
[0028]优选地，所述依据FFT变换对所述包络信号进行计算以得和初始估计幅值m
range
和初始频率f
range
的范围为：
[0029][0030]m
m
≤m
range
≤m
m
+γm
m
[0031]式中，T
W
为时间窗口，γ为小于1.0的常数。
[0032]优选地，所述用PSO算法对所述初始幅值和所述初始频率进行修正为：
[0033]对所述PSO算法中的速度和位置进行更新，公式为：
[0034]v
i,k+1
＝w
p
v
ik
+c1r1(p
i,k
‑
x
i,k
)+c2r2(p
g,k
‑
x
i,k
)
[0035]x
i,k+1
＝x
i,k
+v
i,k+1
[0036]式中，v
i,k
为第k代第i个粒子的速度矢量，x
i,k
为位置矢量，c1和c2是影响粒子速度的学习因子，r1和r2是介于0和1之间的随机数，系数w
p
减小公式如下：
[0037][0038]式中，w
max
为w
p
上限值，w
min
为w
p
下限值，iter是迭代次数，iter
max
为最大迭代次数。
[0039]优选地，所述依据所述估计幅值和所述估计频率计算得出闪变包络信号为：
[0040][0041]式中，为m
n
的估计值，为f
n
的估计值。
[0042]优选地，所述对所述闪变包络信号采用国标闪变值计算方法进行计算，并进行误差补偿得闪变值为：
[0043][0044]其中，A为工频电压的幅值，为pso算法估计得出的闪变幅值，通过pso算法估计的频率查表或者带入多项式进行计算获得补偿值c和标准波动值d
Lim
。
[0045]由以上技术方案可知，本申请所提供的一种基于adaline神经网络和FFT补偿的闪变值测量方法，通过使用adaline神经网络提取电网电压中的波动量；通过FFT变换与pso算法相结合的方式，可以准确估计出波动量的幅值与频率；最后考虑了相应频率的闪变值补偿误差对得出的闪变包络信号进行补偿，得出最终的闪变值，在降低计算成本的时提高了计算精度。
附图说明
[0046]为了更清楚的说明本申请的技术方案，下面将对实施例中所需要使用的附图作简要的介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性的前提下，还可以根据这些附图获得其他的附图。
[0047]图1为本专利技术实施例所提供的一种基于adaline神经网络和FF本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，包括：根据adaline神经网络和预先建立的实时电网电压闪变模型提取电压闪变的包络信号；依据FFT变换对所述包络信号进行计算以得初始幅值和初始频率，并用PSO算法对所述初始幅值和所述初始频率进行修正以得所述包络信号的估计幅值和估计频率；依据所述估计幅值和所述估计频率计算得出闪变包络信号，并对所述闪变包络信号采用国标闪变值计算方法进行计算，并进行误差补偿得闪变值。2.根据权利要求1所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述实时电网电压闪变模型为：u(t)＝A[1+v(t)]cos(2πf0t+θ0)式中，A为电网电压幅值；f0为工频载波电压的频率；θ0为电压的初始相位；v(t)为u(t)假想零线的电压瞬时值的包络波相对于A的大小，考虑正弦波电压波动，v(t)表达式为：其中，N为电压闪变分量的数量，m
n
为电网电压闪变的第n个分量的幅值，f
n
为电网电压闪变的第n个分量的频率，θ
n
为第n个分量相对于工频电压的角度。3.根据权利要求2所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述实时电网电压闪变模型为：u(t)＝w1x1+w2x2式中，自适应滤波器权值w1和w2分别为(A
EN cos(θ0))和(
‑
A
EN sin(θ0))，输入信号x1和x2的值分别为cos(2πf0t)和sin(2πf0t)。4.根据权利要求3所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，所述adaline神经网络的系统函数为：式中，为Adaline系统的输出，为w1的估计值，为w2的估计值；t时刻的预测误差e(t)为：式中，u(t)为电力系统实测电压；对应地，根据预测误差和自适应规则调整加权系数，直到e(t)为零时，得出所述电压闪变的包络信号A
EN
为：5.根据权利要求4所述的基于adaline神经网络和FFT补偿的闪变值测量方法，其特征在于，根据最小均方LMS算法作为自适应规则对所述adaline神经网络的系统函数中的和进行更新，公式如下：式中，X(k)为输入向量的k个样本，e(k)为k个样本的误差信号，α为学习速率。
6.根据权利要求5所述的基于adaline神经网络和FF...

【专利技术属性】
技术研发人员：王再望，胡晓辉，李鸿，董晓宁，郑果果，金鹏，
申请(专利权)人：宁夏隆基宁光仪表股份有限公司，
类型：发明
国别省市：