[发明专利]基于多层前馈神经网络的电力系统谐波分析方法

说明书

技术领域

本发明属于电力系统信号测试技术领域，尤其涉及一种基于多层前馈神经网络的电力系统谐波分析方法。

背景技术

随着电子技术的发展，很多电子精密工业对电能质量提出了较高要求。但是随着工业中电力电子器件的使用日益增多，使电力系统谐波问题日趋严重，严重影响了电能质量。谐波的准确分析是谐波治理的前提条件。因此，谐波分析一直是电力系统研究的一个热点问题。

在准确获得电力系统电压和电流信号后，通过谐波分析方法获得信号的各次谐波幅值和相位就非常关键。人工神经网络由于具有自学习和自适应能力，近年来在电力系统谐波分析中应用较为广泛。可先采用加窗插值的改进傅立叶变换算法获得信号的基波频率，然后采用Adaline神经元训练获得更准确的各次谐波的幅值、相角(FFT-Adaline)；该算法能获得较为准确的谐波分析结果，但也存在以下问题：

(1)对信号加汉宁窗，然后进行离散傅立叶变换，校正后获得各次谐波的幅值以及频率的算法(简称为加汉宁窗插值谐波分析法)计算所得频率存在误差，但Adaline神经元并没有对频率进行调整以获得更精确的值；

(2)使用Widrow-Hoff δ规则训练收敛速度相对较慢，难以达到高精度且实时性不高。可将加汉宁窗插值谐波分析法用于获得各次谐波的幅值、相位和信号频率，将它们作为网络初值、然后以变步长加动量项BP(backpropagation)算法训练的改进线性神经元(FFT-ANN)用于谐波分析，能有效检测非整数次谐波，但训练算法受步长和动量项的影响较大。通常来说最优的步长和动量项与网络结构和样本的规模有关，需要多次尝试才能得到较优值，如果步长和动量项不能选择合适的值，则谐波分析的精度和速度就难以保障。

发明内容

针对上述背景技术中提到现有谐波分析精度不够、计算耗时较长等不足，本发明提出了一种基于多层前馈神经网络的电力系统谐波分析方法。

本发明的技术方案是，基于多层前馈神经网络的电力系统谐波分析方法，其特征是所述方法包括以下步骤：

步骤1：获取电力系统信号，对其加汉宁窗并进行离散傅立叶变换；

步骤2：对进行离散傅立叶变换后得到的信号校正，获得各次谐波的正弦分量的幅值、余弦分量的幅值和角频率；

步骤3：将步骤2的结果作为神经网络的权值，并用指定的算法对神经网络进行训练；

步骤4：训练结束后，根据网络的权值获得各次谐波最终的幅值和频率。

所述系统信号为电压信号或电流信号。

所述电压信号由光纤电压传感器获得。

所述电流信号由光纤电流传感器获得。

所述指定的算法为RPROP算法。

所述神经网络含有激励函数和可变参数。

所述激励函数为正弦和余弦函数。

所述可变参数为谐波的幅值和角频率。

本发明的有益效果包括：

1.准确性高

本发明对初步得到的谐波幅值和角频率采用神经网络训练，进一步提高了谐波分析的准确性。因此，能比较准确获得各次谐波的频率、幅值和相位。

2.速度快

加汉宁窗插值谐波分析法，在较短的信号长度时即可获得较为准确的谐波分析结果，将该值作为神经网络权值的初值能有效减少神经网络训练的次数和时间。因此，本发明具有谐波分析速度较快的特点。

3.能分析分数次谐波

因为本发明将各次谐波的角频率也作为神经网络可变参数进行训练，因此，它能根据实际情况获得分数次谐波的频率、幅值和相位。

附图说明

附图1为本发明采用的多层前馈神经网络结构图；

附图2为本发明方法的流程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本发明的步骤为：首先获取电力系统信号，对其加汉宁窗并进行离散傅立叶变换；然后对进行离散傅立叶变换后得到的信号校正，获得各次谐波的正弦分量的幅值、余弦分量的幅值和角频率；将这些数据作为神经网络的权值，并用指定的算法对神经网络进行训练；训练结束后，根据网络的权值获得各次谐波最终的幅值和频率。具体为：

1.神经网络初始权值的获得

神经网络的初始权值为信号各次谐波角频率和正弦、余弦分量幅值，其计算过程如下。

N点的汉宁窗函数为：