神經(jīng)網(wǎng)絡(luò)與鎖相環(huán)相結(jié)合的諧波檢測方法①

（上海理工大學(xué)電氣工程系，上海 200093）

隨著電力電子技術(shù)的迅速發(fā)展，電網(wǎng)的諧波污染也日趨嚴(yán)重，由諧波引起的各種故障和事故不斷發(fā)生，如今，諧波的危害已經(jīng)引起了人們的高度重視。

有源電力濾波器是一種應(yīng)用于動態(tài)抑制諧波的新型電力電子裝置，它能對實時變化的諧波進(jìn)行補償，從而抵消電網(wǎng)中的諧波含量，使電能質(zhì)量達(dá)到允許范圍。在它的運行過程中，諧波的實時檢測環(huán)節(jié)顯得至關(guān)重要，如今，應(yīng)用最為廣泛的是基于瞬時無功功率理論的ip－iq諧波檢測方法，但是，該方法中所用的低通濾波器使得該檢測方法的實時性無法進(jìn)一步提高，而且檢測精度不高，是否有更好的檢查方法，是人們所關(guān)注的問題［12］。人工神經(jīng)網(wǎng)絡(luò)的理論發(fā)展給諧波檢測提供了新的研究途徑，本論文提出一種基于BP神經(jīng)網(wǎng)絡(luò)與鎖相環(huán)相結(jié)合的方法計算諧波分量，并通過MATLAB仿真驗證了該方法的有效性，與ip－iq諧波檢測方法的結(jié)果比較，該方法具有更好的精確性和實時性。

1 并聯(lián)型有源電力濾波器的工作原理

并聯(lián)型有源電力濾波器的工作原理如圖1所示，圖中，非線性負(fù)載產(chǎn)生諧波注入電網(wǎng)，有源電力濾波器通過CT分別檢測出三相電網(wǎng)電流，經(jīng)過諧波計算環(huán)節(jié)計算出除去基波以外的諧波分量，再將其調(diào)制成驅(qū)動信號以控制主電路（三相逆變橋）產(chǎn)生與電網(wǎng)諧波相位相反，幅值相等的諧波分量將電網(wǎng)諧波抵消，從而使電網(wǎng)電流波形逼近正弦波達(dá)到電能要求［3］。

圖1 APF結(jié)構(gòu)原理圖Fig.1 APF structure diagram

因有源電力濾波器工作在實時補償諧波的狀態(tài)，因此，它對諧波的檢測環(huán)節(jié)有著很高的實時性要求。

2 基于i p－i q算法的諧波檢測法

在APF的所有諧波檢測方法中，基于瞬時無功功率理論的ip－iq諧波檢測方法應(yīng)用最為廣泛，其原理如圖2所示。

圖2 ip－iq諧波檢測方法的原理圖Fig.2 Principle diagram of ip－iq harmonic detection

由三相電流ia、ib、ic經(jīng)過與矩陣C32和C的運算得到ip與iq，具體運算過程如下：

其中

矩陣C中的正弦信號sinωt和余弦信號cosωt是由a相電壓ea經(jīng)過鎖相環(huán)后得到的。

計算出的ip、iq經(jīng)過低通濾波器得到它們的直流分量，這兩個直流分量是由三相電流中的基波分量iaf、ibf、icf產(chǎn)生的，因此，再將這兩個直流分量進(jìn)行反變換便可得到三相電流的基波電流iaf、ibf、icf，具體運算過程如式（2）所示。

其中C23＝CT32

此時，只需要利用原來的電流信號與計算出的基波電流相減，就可以得到純諧波電流［3］。

3 基于BP神經(jīng)網(wǎng)絡(luò)與鎖相環(huán)相結(jié)合的諧波檢測方法

作為使用最普遍的基于瞬時無功功率理論的ip－iq方法已經(jīng)基本能滿足APF的諧波檢測，但因為有低通濾波器的存在，導(dǎo)致其在一定程度上不利于諧波檢測的實時性，且檢測精度也欠缺，在此提出了一種基于BP神經(jīng)網(wǎng)絡(luò)與鎖相環(huán)相結(jié)合的諧波檢測方法。

3.1 檢測方法原理介紹

電力系統(tǒng)中，正常情況下的電流應(yīng)為標(biāo)準(zhǔn)的正弦基波電流，其表達(dá)式如式3所示。

其中：Im為基波電流的幅值；θ為初相角。

從該式中可以看出，只要確定了基波電流的幅值Im以及初相角θ便可以得到基波電流的表達(dá)式，再與三相電流做差就可得到純諧波電流。據(jù)此提出基于BP神經(jīng)網(wǎng)絡(luò)與鎖相環(huán)相結(jié)合的諧波檢測方法，其原理如圖3所示，當(dāng)電網(wǎng)側(cè)三相電流經(jīng)過鎖相環(huán)時可得到與各相基波電流同相位，幅值為1的標(biāo)準(zhǔn)正弦信號iaf1（t）、ibf1（t）、icf1（t），再將其乘以由神經(jīng)網(wǎng)絡(luò)輸出的三相電流基波幅值Iam（t）、Ibm（t）、Icm（t）便可得到當(dāng)前時刻每一相電流的基波分量iaf（t）、ibf（t）、icf（t），此時，利用各相電流當(dāng)前采樣值ia（t）、ib（t）、ic（t）減去各自的基波分量iaf（t）、ibf（t）、icf（t）便可得到三相電流的實時純諧波量iah（t）、ibh（t）、ich（t）。

該方法同ip－iq諧波檢測方法一樣，都是用當(dāng)前檢測的電流值減去計算出的基波電流值，因此，基波電流檢測的精確性便決定了諧波檢測的精確性。PLL鎖相環(huán)不僅能將采樣信號的干擾降到最低，而且能夠根據(jù)三相電流產(chǎn)生出的參考信號產(chǎn)生非常完美的正弦波［19］，因此，該方法所檢測出來的諧波具有精度高的優(yōu)點，適合于APF的諧波檢測。

圖3 BP神經(jīng)網(wǎng)絡(luò)與鎖相環(huán)相結(jié)合的檢測法Fig.3 Detection of BP neural network combined with PLL

3.2 用于檢測基波幅值的BP神經(jīng)網(wǎng)絡(luò)

該檢測方法中用于檢測基波分量幅值的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 用于幅值檢測的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 BP neural network structure used for amplitude detection

該網(wǎng)絡(luò)采用三層網(wǎng)絡(luò)結(jié)構(gòu)，第一層為輸入層，共有6個神經(jīng)元，其中ia（t）、ib（t）、ic（t）分別對應(yīng)于三相電網(wǎng)電流的當(dāng)前采樣值，iamax（k）、ibmax（k）、icmax（k）是以一個工頻周期（0.02s）為一周期，在該周期內(nèi)分別計算出ABC三相采樣電流的最大值；第二層為隱層，共有35個神經(jīng)元；第三層為輸出層，分別對應(yīng)于三相電流的基波幅值Iam、Ibm、Icm，這三個量都可以通過快速傅里葉變換FFT（fast fourier transform）方法理論計算得出。隱層傳遞函數(shù)選擇雙曲函數(shù)f2＝2／（1＋e－2s）－1；輸出層傳遞函數(shù)為線性函數(shù)f3＝s。

由于傳統(tǒng)的BP算法在學(xué)習(xí)過程中有收斂速度慢、局部極值等缺點，在實際應(yīng)用中，BP算法很難勝任，于是出現(xiàn)了許多的改進(jìn)算法［17］。在此選擇的是BFGS擬牛頓算法，該方法收斂速度快，能夠很好地逼近目標(biāo)精度而達(dá)到訓(xùn)練要求。而無論采用何種方法，其目的都是通過學(xué)習(xí)映射一個適合于該對象的網(wǎng)絡(luò)權(quán)值及閾值。

將訓(xùn)練好的權(quán)值閾值帶入網(wǎng)絡(luò)得到隱層輸出為

網(wǎng)絡(luò)輸出層為

由式（4）、式（5）可以看出，本文所構(gòu)造的前饋神經(jīng)網(wǎng)絡(luò)的輸出與輸入關(guān)系由加乘運算組成，避免了傳統(tǒng)的ip－iq諧波檢測方法中的低通濾波器成分因其傳遞函數(shù)所造成的延遲，所以在一定程度下提高了諧波檢測的實時性。

4 仿真結(jié)果及總結(jié)

為了驗證所述方法的有效性，本文建立了MATLAB仿真模型（圖5，圖6）。

圖5 諧波源的MATLAB模型Fig.5 Harmonic source model in MATLAB

仿真實驗條件：三相電源帶整流負(fù)載，其中，負(fù)載參數(shù)為R＝100Ω，L＝2 H，C＝1 F，在0.5 s時觸發(fā)角由0°變?yōu)?0°。

所有仿真結(jié)果以A相為代表，全過程中A相電流如圖7所示，可以看到，在0.5 s時，觸發(fā)角由0變?yōu)?0°，電流波形發(fā)生了明顯變化。

首先，取三相電流的采樣當(dāng)前值和以0.02 s為一周期分別計算前一周期內(nèi)三相電流的最大值作為BP神經(jīng)網(wǎng)絡(luò)的輸入，將FFT理論計算出的三相基波電流的幅值作為網(wǎng)絡(luò)輸出，按照之前闡述定義BP神經(jīng)網(wǎng)絡(luò)并進(jìn)行離線訓(xùn)練，訓(xùn)練方法采用BFGS擬牛頓算法，由圖8可見，在經(jīng)過719次迭代后誤差達(dá)到所要求的精度10－6。

將訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用在該諧波檢測方法中，將其檢測結(jié)果與利用ip－iq算法檢測的諧波電流波形對比。

兩種方法檢測的基波如圖9、10所示，其中ip－iq諧波檢測方法檢測出的基波除了延遲大，而且輸出波形的幅值也不穩(wěn)定；相比之下，本文所提出的方法檢測的基波延遲小，幅值穩(wěn)定，且隨著實驗條件的改變而改變，具有良好的自適應(yīng)能力。

兩種方法檢測出的諧波如圖11、12、13所示，其中，圖11顯示了0～0.25 s內(nèi)它們所檢測出來的諧波電流，ip－iq檢測方法要在0.2 s之后才能檢測出諧波分量，而本文提出的方法在0.1 s之前就檢測出了諧波分量。0.5 s時，整流裝置的觸發(fā)角發(fā)生變化，導(dǎo)致電流也隨著發(fā)生變化，圖12顯示了本文方法在0.5－0.8 s內(nèi)檢測的諧波分量，0.55 s前就輸出了穩(wěn)定的諧波，而圖13所示的ip－iq檢測方法在0.7 s以后才能輸出穩(wěn)定的諧波。

圖6 本文諧波檢測方法的MATLAB模型Fig.6 Harmonic detection method of this paper in MATLAB

圖7 A相負(fù)載電流波形Fig.7 Current waveform of A－phase load

圖8 BFGS擬牛頓算法的訓(xùn)練過程Fig.8 Training process of BFGS quasi－Newton algorithm

圖9 本文方法檢測的基波Fig.9 Fundamental wave detection in this paper

圖10 i p－i q方法檢測的基波Fig.10 Fundamental wave detection with i p－i q method

圖11 0～0.25 s內(nèi)兩種方法檢測的諧波Fig.11 Two methods of harmonic detection in 0～0.25 s

圖12 0.5～0.8 s內(nèi)本文方法檢測的諧波Fig.12 Harmonic detection method of this paper in 0.5～0.8 s

圖13 0.5～0.8 s內(nèi)i p－i q方法檢測的諧波Fig.13 i p－i q method of harmonic detection in 0.5～0.8 s

5 結(jié)語

傳統(tǒng)的ip－iq諧波檢測方法實時性較差，檢測精度也有很大的局限性。針對這些缺點，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和鎖相環(huán)相結(jié)合的諧波檢測方法，并且經(jīng)過MATLAB的實驗仿真驗證了其可行性。通過與傳統(tǒng)ip－iq諧波檢測方法的比較，可以看出該方法具有良好的實時性和精確性以及自適應(yīng)能力，滿足APF的諧波檢測要求，容易由DSP實現(xiàn)，且離線訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，其目標(biāo)輸出容易計算。本論文中只改變了一次實驗條件，在實際應(yīng)用中，可搜集足夠全的樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其具有更強的魯棒性和適應(yīng)能力。

［1］ Pecharanin N，Mitsui H，Sone M.Harmonic detection by using neural network［C］∥IEEE International Conference on Neural Networks，Perth，Australia：1995.

［2］ 金明，劉遠(yuǎn)龍（Jin Ming，Liu Yuanlong）.用于電力系統(tǒng)諧波分析的ANN算法（A new ANN harmonic analysis algorithm for power system）［J］.電網(wǎng)技術(shù)（Power System Technology），1997，21（5）：52－54.

［3］ 王兆安，楊軍，劉進(jìn)軍.諧波抑制和無功功率補償［M］.北京：機械工業(yè)出版社，1998.

［4］ Zin A A Mohd，Rukonuzzaman Md，Shaibon H，et al.Neural network approach of harmonics detection［C］∥International Conference on Energy Management and Power Delivery，Singapore，Singapore：1998.

［5］ 王群，吳寧，王兆安（Wang Qun，Wu Ning，Wang Zhao＇an）.一種基于人工神經(jīng)網(wǎng)絡(luò)的電力諧波測量方法（A measuring approach of power harmonics based on artificial neural network）［J］.電力系統(tǒng)自動化（Automation of Electric Power Systems），1998，22（11）：35－39.

［6］ Lixin Ma.The ability of higher order neural networks of consideration［J］.IEEE of Japan，1999，118（3）：421－422.

［7］ 胡銘，陳珩（Hu Ming，Chen Heng）.有源濾波技術(shù)及其應(yīng)用（Active power filter technology and its application）［J］.電力系統(tǒng)自動化（Automation of Electric Power Systems），2000，24（3）：66－70.

［8］ Wang Qun，Wu Ning，Wang Zhaoan.A neuron adaptive detecting approach of harmonic current for APF and its realization of analog circuit［J］.IEEE Trans on Instrumentation and Measurement，2001，50（1）：77－84.

［9］ 李圣清，彭玉樓，周有慶（Li Shengqing，Peng Yulou，Zhou Youqing）.一種改進(jìn)型自適應(yīng)諧波電流檢測方法的研究（Study on an improved adaptive harmonic current detecting method）［J］.高電壓技術(shù)（High Voltage Engineering），2002，28（12）：3－4，13.

［10］肖雁鴻，毛筱，羅瑞瓊，等（Xiao Yanhong，Mao Xiao，Luo Ruiqiong，et al）.神經(jīng)網(wǎng)絡(luò)理論在諧波測量中的應(yīng)用（The application of neural network theory in the field of harmonic measurement）［J］.電工技術(shù)學(xué)報（Transactions of China Electrotechnical Society），2002，17（2）：101－104.

［11］孫馳，魏光輝，畢增軍（Sun Chi，Wei Guanghui，Bi Zengjun）.基于同步坐標(biāo)變換的三相不對稱系統(tǒng)的無功與諧波電流的檢測（Detection for reactive and harmonics currents of unbalanced three－phase system based on synchronous reference frame transformation）［J］.中國電機工程學(xué)報（Proceedings of the CSEE），2003，23（12）：43－48.

［12］張林利，王廣柱（Zhang Linli，Wang Guangzhu）.一種基于人工神經(jīng)網(wǎng)絡(luò)的諧波測量新方法（New artificial neural network approach for measuring harmonics）［J］.電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU－EPSA），2004，16（2）：40－43.

［13］陳仲，徐德鴻（Chen Zhong，Xu Dehong）.一種基于DSP的高精度諧波檢測改進(jìn)方案設(shè)計（Improved design scheme of high accuracy harmonic detection based on DSP）［J］.電力電子技術(shù)（Power Electronics），2004，38（6）：53－55.

［14］崔景秀，王斌，王灝雄（Cui Jingxiu，Wang Bin，Wang Haoxiong）.基于dq坐標(biāo)變換的諧波和無功電流檢測法（A detecting approach of harmonic and reactive currents based on transformation of dq coordinates）［J］.通信電源技術(shù)（Telecom Power Technologies），2005，22（6）：47－50.

［15］湯勝清，程小華（Tang Shengqing，Cheng Xiaohua）.一種基于多層前向神經(jīng)網(wǎng)絡(luò)的諧波檢測方法（A harmonic measuring approach based on multilayered feed forward neural network）［J］.中國電機工程學(xué)報（Proceedings of the CSEE），2006，26（18）：90－94.

［16］何英杰，鄒云屏，李輝，等（He Yingjie，Zou Yunping，Li Hui，et al）.用于有源濾波器的一種新型諧波檢測算法（Novel harmonic detecting algorithm applied to active power filters）［J］.電力電子技術(shù)（Power E－lectronics），2006，40（2）：56－58，65.

［17］葛哲學(xué)，孫之強.神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實現(xiàn)［M］.北京：電子工業(yè)出版社，2007.

［18］董長虹.MATLAB神經(jīng)網(wǎng)絡(luò)與應(yīng)用［M］.北京：國防工業(yè)出版社，2007.

［19］周雪松，周永兵，馬幼捷（Zhou Xuesong，Zhou Yongbing，Ma Youjie）.一種先進(jìn)的APF補償電流自適應(yīng)檢測法（An advanced adaptive detecting method of current compensation to active power filters）［J］.電力電子技術(shù)（Power Electronics），2008，42（4）：9－11.