基于集成神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量自動識別

韓慶

摘 要：人工神經(jīng)元網(wǎng)絡(luò)（ANN），是用大量簡單的計算處理單元——神經(jīng)元（Neuron）廣泛連接組成的復(fù)雜網(wǎng)絡(luò)。目前，大多數(shù)電能質(zhì)量識別方法都采用了傅里葉變換，DQ變換，瞬時無功功率理論，小波變換及由小波變換擴張的S變換進行擾動檢測及特征提取，然后采用人工神經(jīng)網(wǎng)絡(luò)來實現(xiàn)電能質(zhì)量擾動的自動識別。神經(jīng)網(wǎng)絡(luò)具有簡單的結(jié)構(gòu)和很強的問題求解能力，是分類識別的重要方法。集成神經(jīng)網(wǎng)絡(luò)，融合單個神經(jīng)元網(wǎng)絡(luò)的特點，能有效地提高識別效率跟正確率。

關(guān)鍵詞：電能質(zhì)量；神經(jīng)網(wǎng)絡(luò)；最小二乘法；鎖相環(huán)；自識別

中圖分類號：TM76 文獻標(biāo)志碼：A 文章編號：2095-2945（2017）25-0017-02

1 概述

隨著工業(yè)的發(fā)展，自動化程度高的用戶對電能質(zhì)量的要求越來越高，任何電能質(zhì)量的問題都將導(dǎo)致產(chǎn)品質(zhì)量下降及工程作業(yè)的停頓。信息科技的發(fā)展對電能質(zhì)量及供電可靠性提出了更嚴(yán)苛的要求。電能質(zhì)量一般是指電壓或電流的幅值、頻率、波形等參量偏離規(guī)定值的誤差。本文將以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，加以最小二乘法和改進鎖相環(huán)電能監(jiān)測方法，實現(xiàn)對電壓，諧波，震蕩及噪聲等多種電能質(zhì)量擾動的自動識別。

2 最小二乘加權(quán)融合及改進鎖相環(huán)電能質(zhì)量檢測

集成神經(jīng)網(wǎng)絡(luò)的基本思想是通過信號的有效組合，用多個子神經(jīng)網(wǎng)絡(luò)，從不同的側(cè)面對信號進行分析，最大限度的提高識別正確率。

基于改進鎖相環(huán)和集成神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量自動識別，采用多個不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)對相同電能質(zhì)量擾動信號樣本進行訓(xùn)練和識別，然后用最小二乘加權(quán)融合法，對各個子網(wǎng)絡(luò)的分析結(jié)果進行信息融合，通過融合結(jié)果的分析最終識別電能質(zhì)量擾動。

建模步驟

依據(jù)最小二乘原理對多個子神經(jīng)網(wǎng)絡(luò)輸出加權(quán)融合，并在最優(yōu)原理下推導(dǎo)出神經(jīng)網(wǎng)絡(luò)輸出偏差與權(quán)系數(shù)的關(guān)系，其步驟如下：

根據(jù)新的權(quán)系數(shù)再次進行加權(quán)最小二乘估計，循環(huán)下去，直到滿足循環(huán)結(jié)束條件為止。子網(wǎng)絡(luò)輸出的估計誤差越大，權(quán)系數(shù)就越小。

3 加權(quán)集成神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量自動識別

3.1 電能質(zhì)量擾動的檢測和特征提取

通過METLAB，首先對擾動的定義仿真產(chǎn)生諧波、電壓波動、頻率偏差、電壓暫降和電壓凸起、瞬時脈沖、低頻振蕩、高頻振蕩和噪聲等電能擾動信號檢測。

3.2 網(wǎng)絡(luò)訓(xùn)練

采用10個諧波、10個低頻振蕩、10個高頻振蕩、10個瞬時脈沖、5個電壓波動、5個頻率偏差、5個電壓暫降（電壓凸起）和5個噪聲。輸入層神經(jīng)元的個數(shù)是33個，采用logsig函數(shù)，輸出層神經(jīng)元的個數(shù)是個，采用purelin函數(shù)。在各子網(wǎng)絡(luò)訓(xùn)練時，對應(yīng)于每種電能質(zhì)量擾動輸入，其輸出向量中除了該類型對應(yīng)分取1，其余分量取0。

3.3 網(wǎng)絡(luò)測試

網(wǎng)絡(luò)測試樣本由仿真程序產(chǎn)生，同樣采用上述的PLL系統(tǒng)檢測輸出。測試結(jié)果發(fā)現(xiàn)，在噪聲輕微的情況下（1%）各個子網(wǎng)路都能比較好的識別上述幾種電能擾動，單個子網(wǎng)絡(luò)和集成神經(jīng)網(wǎng)絡(luò)的識別結(jié)果區(qū)別較小，下面是包含2%隨機噪聲的正弦輸入，對應(yīng)各個子網(wǎng)絡(luò)和該集成神經(jīng)網(wǎng)絡(luò)識別的仿真計算結(jié)果：

ANN1=【0.2027 -0.1347 -0.2744 -0.0976 0.1284 -0.2414 -0.4066 1.0353】

ANN2=【0.2016 13377 0.4936 -0.0866 -0.0116 -0.2787 0.3605 0.4940】

ANN3=【-0.2585 0.7724 -0.7873 0.5143 0.1289 -0.4191 -0.4969 0.2651】

ANN4=【0.4006 0.3460 -0.3478 -0.1976 -0.1647 -0.0662 -0.0173 1.1085】

ANN5=【0.3808 -0.5789 0.2530 0.3568 -0.6570 -0.5565 0.3987 0.9629】

ANNtotal=【0.2053 0.3460 -0.2324 0.0062 -0.0631 -0.2852 -0.0173 0.8782】

其中，ANN1、ANN2、ANN3、ANN4、ANN5分別是5個子網(wǎng)絡(luò)的識別輸出結(jié)果，ANNtotal是集成神經(jīng)網(wǎng)絡(luò)的識別結(jié)果輸出。

最后，采用包含2%隨機噪聲的80個測試樣本對于最小二乘加權(quán)融合集成神經(jīng)網(wǎng)絡(luò)和單個神經(jīng)網(wǎng)絡(luò)的識別效果進行統(tǒng)計分析，識別結(jié)果對比如表1所示。

4 結(jié)果分析

新改進的鎖相環(huán)系統(tǒng)具有良好的動態(tài)和靜態(tài)性能，是檢測各種暫態(tài)電能質(zhì)量擾動的有效途徑。

從集成神經(jīng)網(wǎng)絡(luò)的識別輸出結(jié)果看，在識別2%噪聲擾動時，5個子網(wǎng)絡(luò)中有兩個子網(wǎng)絡(luò)出現(xiàn)誤識別，他們是ANN2和ANN3，而集成神經(jīng)網(wǎng)絡(luò)則很安全的識別出該擾動，與產(chǎn)生誤差識別具有很大的安全間隔空間，即擾動對應(yīng)分量大小相對于其他分量占絕對優(yōu)勢，他相對于另外三個沒有發(fā)生誤識別的子網(wǎng)絡(luò)，具有更好的識別效果。

從表1可以看出，同單個BP神經(jīng)網(wǎng)絡(luò)識別方法相比，上述這種基于最小二乘加權(quán)融合集成神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動自動識別方法，在噪聲較強時仍然能有效識別，具有較高的識別正確率。

5 結(jié)束語

應(yīng)用最小二乘加權(quán)融合集成神經(jīng)網(wǎng)絡(luò)對電能質(zhì)量進行檢測，使得電能質(zhì)量這一重要用電參數(shù)得到有效的檢測控制。該方法在識別檢測結(jié)果中還不能很有效的檢測諧波結(jié)果，未來還需要改進。

參考文獻：

[1]肖湘寧，等.電能質(zhì)量分析與控制[J].中國電力出版社，2004，2.

[2]程浩忠，呂干云，周荔丹.電能質(zhì)量檢測與分析[J].科學(xué)出版社，2012.

[3]于群，曹娜.MATLAB/Simulink電力系統(tǒng)建模與仿真[J].機械工業(yè)出版社，2011，5.

[4]謝東，張興，曹仁賢.基于小波變換與神經(jīng)網(wǎng)絡(luò)的孤島檢測技術(shù)[J].中國電機工程學(xué)報，2014，2.

[5]呂干云，丁屹峰，程浩忠.一種基于改進鎖相環(huán)系統(tǒng)的電能質(zhì)量擾動檢測方法[J].電力系統(tǒng)及其自動化學(xué)報，2006.

[6]葛乃成，程浩忠，呂干云.基于MATLAB/Simulink仿真的電能質(zhì)量檢測[J].供用電，2004.

[7]粟時平，劉桂英.現(xiàn)代電能質(zhì)量檢測技術(shù)[J].中國電力出版社，2008.

[8]Dugan R C， Megranghan M F， Benty H W. Electrical Power Systems Quality[M].New York； McGraw-Hill，1996.endprint