新人新研基于神经网络的谐波电流检测模型设计

Posted 2021-04-26 浦电运检智酷

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了新人新研基于神经网络的谐波电流检测模型设计相关的知识，希望对你有一定的参考价值。

背景介绍

INTERVIEW

电力系统普遍采用交流输电方式。这种输电方式在输送过程中的电压等级变换相当方便，降低了输送成本。但是在正弦交流电中，其电流的成分中除了基波之外，往往还会混杂有一些频率为基波频率整数倍的分量，这些分量被称为谐波。

谐波问题伴随着电力系统的整个发展过程。现如今电力系统中大量采用的电力电子元件为非线性元件，它们会在电网中产生一定量的谐波分量，造成谐波污染，使电能质量严重下降，导致非常严重的生产事故，甚至对正常的社会秩序造成严重的冲击。人们逐渐重视起谐波对电力系统的影响，对谐波问题展开了相关研究。

谐波检测是分析处理谐波问题的关键之一，对谐波进行检测的关键是要把电网中各次谐波分量从电流分量中准确识别并分离出来。但实际上系统中各次谐波分量往往没有固定规律，为谐波检测增添了极大难度。经过数十年的不断发展，多种谐波检测方法被相继提出，较为常见的有傅里叶变换法、小波变换法、瞬时无功功率理论法、人工神经网络法等。

傅里叶变换法拥有相对较高的计算精度，也简单易行，但检测过程的持续时间较长，从而导致检测的实时性差强人意；小波变换是一种新的高效时频分析处理方法，但会不可避免地产生频谱泄漏和小波混叠的现象，产生测量误差；瞬时无功功率理论法具有较高的精确度，且时间延迟很小，检测结果的实时性也较好，检测电路结构简单，但如果检测环境中出现电网电压不平衡时，该方法便无法将谐波电流准确的检测出来。

而人工神经网络法是通过模拟生物神经网络的相关行为特性，对数据进行抽象化处理分析。其突出优势是：（1）检测精度非常高，对谐波成分的检测结果能够很好的达到预期的效果；（2）在进行谐波分量检测时采用的算法延迟相对较小，能够及时的测得并反馈相关的数据参数；（3）当被检测信号中含有大量的噪声分量时，会将这些噪声分量准确的从原信号中筛选出来，在检测过程中不会受到这些噪声分量的干扰。

研究内容

基于上述方法的优缺点比较，本课题采用一种基于Hopfield人工神经网络的谐波电流检测模型，该检测模型要能够实现对谐波电流进行检测，并且精度要高、延迟小，还应具有一定的自适应能力，抗干扰力强。Hopfield神经网络本质上是一类具有反馈回路的单层网络，也可以说它是一种循环神经网络。作为一种全连接型具有反馈的神经网络，该网络在运行中有着不断地重复反馈和迭代的过程。它有着一个闭环反馈回路，因此其神经元所输出的信号会被反馈回该神经元的输入中，从而使其具有明显的动态性能。综上，Hopfield神经网络显著优势是优化计算和联想记忆能力。本课题所搭建的基于Hopfield神经网络的谐波电流检测模型如下图所示。

被检测电流的各项参数如下表所示。其中，被检测电流的相角参数在0.09秒时刻发生了一次跃变，表中分别列出了0.09秒时刻被检测电流变化前后的参数。

最终的检测结果如图所示。图中，波形5、6分别对应的是基波、三次谐波、五次谐波、七次谐波的幅值参数，波形7、8分别对应的是基波、三次谐波、五次谐波、七次谐波的相角参数。

从图中可以看出，在0.09秒的时刻，被测波形的部分相角参数发生了变化，但幅值大小均未反生变化。在0.09秒时幅值受到一定程度的扰动，波形出现轻微震荡，进入一个暂态状态，但随即在较短的时间内重新到达平衡状态。

将上述结果分别对照表中的对应数据，发现在参数发生变化前后，最终检测所得到的结果与事先设定好的参数一致，说明该检测模型在一定程度上还有着非常好的可靠性和自适应能力。

幅值的检测结果

相角的检测结果

结论 INTERVIEW

本课题采用的基于Hopfield人工神经网络的谐波电流检测模型能够准确的将基波分量与谐波分量识别并且分离出来，并能够将基波分量和各次谐波分量的幅值和相角的相关参数测出，而且检测系统能在一个非常短的时间内达到稳定，这表明其拥有非常良好的实时检测能力。在谐波成分部分参数发生一定程度的跳变时，该系统在经历了一个短暂的暂态过程之后能够迅速恢复到一个新的稳定状态，并且依然能够将相关参数精确的检测出来，具有较高的可靠性。此外，本检测模型不需要提前进行样本训练便可以投入使用。