【技术实现步骤摘要】
本专利技术属于电力，具体是一种基于回声状态网络的增强型有源功率滤波方法。
技术介绍
1、在雷达供电系统中，大部分直流负载通常由失控整流逆变器供电，这会引发严重的谐波电流和低功率因数问题，进而对其他电气设备的正常运行造成不利影响，甚至损害了系统的稳定性和可靠性。解决谐波电流问题一般有两种主要方法：一种方法是对电气设备进行改进，以防止其产生谐波电流；另一种方法是采用谐波补偿装置，通过安装滤波器来补偿谐波，在实际操作中，谐波补偿装置可以感知系统电流，分析并提取谐波电流信号，之后主动产生与之相等但相位相反的逆谐波电流，从而实现谐波电流的抵消，这种方法具有出色的适应性和响应速度，使得电力系统的稳定性和可靠性得以提升，同时也确保其他电气设备的正常运行。因此，精确且高效的谐波预测方法对于谐波补偿装置的有效运行具有重要意义，通过准确地预测谐波电流，谐波补偿装置能够更加有效地补偿系统中的谐波电流，进而提升整个电力系统的稳定性和可靠性，以确保其他电气设备的正常工作。
2、现存常见的谐波预测方法主要包括快速傅里叶变换(fft)、多分辨率小波包变换(wpt)、自适应方法和递归神经网络这四种方法，其中：fft因其操作简单且高速的特点，常用于谐波检测，然而，当电网电压存在显著失真或频率波动较大时，非同步采样产生的误差可能会导致频谱泄漏和栅栏效应；相比之下，wpt可有效跟踪非线性和非平稳信号，然而，在应用小波包变换时，需要主观选择合适的小波基函数，且高计算复杂度和时滞限制了其应用；自适应方法在处理电网失真电流检测方面具有适应性强和鲁棒性高的特点，
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的是提供一种基于回声状态网络的增强型有源功率滤波方法，提高了谐波预测的效率以及滤波精度。
2、为了实现上述目的，本专利技术采用以下技术方案予以实现：
3、一种基于回声状态网络的增强型有源功率滤波方法，包括如下步骤：
4、步骤1、收集用于模型训练以及测试的初始数集dataset；
5、步骤2、建立基于混合正则化的回声状态网络esn模型，选择esn模型的待优化超参数；
6、步骤3、构建基于线性权重的量子粒子群优化qpso算法；
7、步骤4、先利用qpso算法优化esn模型的超参数，得到增强型回声状态网络e-esn模型，再利用数据集dataset训练e-esn模型；
8、步骤5、训练好的e-esn模型预测负载侧的谐波电流信号，用于抵消电源系统中的谐波电流信号，得到实际电源电流信号。
9、进一步地，所述步骤1的初始数集dataset包括雷达供电系统中影响谐波信号产生的谐波电流测量值、系统容量、非线性元件类型、负载参数、系统电压和电流、采样时刻和采样频率。
10、进一步地，所述步骤2建立基于混合正则化的回声状态网络esn模型的具体过程为：
11、步骤2.1、设定esn模型包括k个输入节点，n个储层神经元和k个输出节点，建立时间序列模型，当时间步长为t时，输入向量u(t)，内部储层状态s(t)和输出向量y(t)表示为：
12、
13、所述esn模型包括输入层、内部储层和输出层，输入层通过输入权值win与内部储层连接，输出层通过输出权值wout与内部储层连接，n个储层神经元之间通过内部权值wres相连接，内部储层表示为：
14、s(t+1)＝lsg(u(t+1)win+s(t)wres) (2)
15、式中，lsg为对数sigmoid激活函数，wres受稀疏度sd和全局尺度因子γ的限制，以满足wres谱半径小于1，esn模型的预测输出表示为：
16、
17、式中，x(t)表示在保持u(t)和s(t)行数不变的情况下，将u(t)和s(t)的列进行堆叠得到的结果矩阵；
18、步骤2.2、先将esn模型的代价函数更改为：
19、
20、式中，λ1和λ2为固定的非负系数，β为输出权值矩阵(wout)，表示范数l1，表示范数l2，通过最小化代价函数得到输出权值矩阵β，目标函数表示为：
21、
22、式中，k代表维度，k＝1，2，…，k，为了简化公式(5)，定义x*，yk*，βk*，μ，将公式(5)转换为公式(6)，表示为：
23、
24、采用不带导数优化的梯度下降算法计算最优βk*，表示为：
25、
26、式中，ck、λk和计算定义为：
27、
28、步骤2.3、利用范数l1和l2正则化计算得到的输出权重矩阵β，计算公式(3)的预测输出。
29、进一步地，所述步骤2中esn模型的待优化超参数包括连接权谱半径sr、内储层的尺寸n、输入尺度is和储层稀疏度sd。
30、进一步地，所述步骤3构建基于线性权重的量子粒子群优化qpso算法的过程为：
31、设定qpso算法中最佳位置mbest的平均值表示为：
32、
33、式中，nps为粒子的总体大小，i代表粒子，j代表维度，j＝1,2，…，d，d为针对问题d的数据维数的索引值，收缩膨胀系数α采用线性加权以避免系统陷入局部最优解，收缩膨胀系数α的表达式为：
34、
35、式中，iter和itermax分别表示当前迭代次数和最大迭代次数，ωmin和ωmax分别为最小和最大惯性权重，粒子位置的更新方程定义为：
36、
37、
38、式中，pij为粒子i在维度j的位置信息，δij是局部吸引子，qij和均为[ω，1]范围内的随机数，gbest表示全局最优参数。
39、进一步地，所述步骤4具体包括如下步骤：
40、步骤4.1、初始化基于混合正则化的回声状态网络esn模型的参数，包括win、wres、λ1、λ2、nps、itermax和pij；
41、步骤4.2、基于初始数集dataset，计算e-esn模型的预测输出结果，并更新粒子位置pij；
42、步骤4.3、循环更新直至预设最大迭代次数itermax，得到esn模型的四个最优化超参数，包括连接权谱半径sr、内储层的尺寸n、输入尺度is和储层稀疏度sd。
43、进一步地，所述步骤5的实际电源电流itr本文档来自技高网...
【技术保护点】
1.一种基于回声状态网络的增强型有源功率滤波方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于回声状态网络的增强型有源功率滤波方法，其特征在于，所述步骤1的初始数集Dataset包括雷达供电系统中影响谐波信号产生的谐波电流测量值、系统容量、非线性元件类型、负载参数、系统电压和电流、采样时刻和采样频率。
3.根据权利要求1所述的基于回声状态网络的增强型有源功率滤波方法，其特征在于，所述步骤2建立基于混合正则化的回声状态网络ESN模型的具体过程为：
4.根据权利要求1所述的基于回声状态网络的增强型有源功率滤波方法，其特征在于，所述步骤2中ESN模型的待优化超参数包括连接权谱半径SR、内储层的尺寸N、输入尺度IS和储层稀疏度SD。
5.根据权利要求3所述的基于回声状态网络的增强型有源功率滤波方法，其特征在于，所述步骤3构建基于线性权重的量子粒子群优化QPSO算法的过程为：
6.根据权利要求5所述的基于回声状态网络的增强型有源功率滤波方法，其特征在于，所述步骤4具体包括如下步骤：
7.根据权利要求4所述的
...【技术特征摘要】
1.一种基于回声状态网络的增强型有源功率滤波方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于回声状态网络的增强型有源功率滤波方法，其特征在于，所述步骤1的初始数集dataset包括雷达供电系统中影响谐波信号产生的谐波电流测量值、系统容量、非线性元件类型、负载参数、系统电压和电流、采样时刻和采样频率。
3.根据权利要求1所述的基于回声状态网络的增强型有源功率滤波方法，其特征在于，所述步骤2建立基于混合正则化的回声状态网络esn模型的具体过程为：
4.根据权利要求1所述的基于回声状态网络的增强...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。