基于神經(jīng)網(wǎng)絡(luò)的二次諧波檢測(cè)研究

郝淑娟 何巍巍 劉永皓 崔海瑛 邱忠陽

摘 要： 針對(duì)傳統(tǒng)檢測(cè)方法在檢測(cè)電網(wǎng)諧波時(shí)，一直存在對(duì)二次諧波電壓及電流含有率檢測(cè)不準(zhǔn)確，諧波失真的問題，提出基于神經(jīng)網(wǎng)絡(luò)的二次諧波檢測(cè)方法。以諧波檢測(cè)原理為依據(jù)，采用奈奎斯特定理，對(duì)二次諧波信號(hào)進(jìn)行采集，并通過小波變換將二次諧波信號(hào)劃分為低頻信號(hào)和高頻信號(hào)，通過FFT算法處理低頻信號(hào)，并對(duì)諧波信號(hào)進(jìn)行自適應(yīng)噪聲對(duì)消處理，引入神經(jīng)網(wǎng)絡(luò)算法，選取激活函數(shù)及初始權(quán)值，實(shí)現(xiàn)對(duì)二次諧波的檢測(cè)。實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)方法對(duì)二次諧波的檢測(cè)，相比傳統(tǒng)檢測(cè)方法，其檢測(cè)結(jié)果準(zhǔn)確，失真率降低，具有一定的實(shí)用性。

關(guān)鍵詞： 電網(wǎng)； 二次諧波檢測(cè)； 神經(jīng)網(wǎng)絡(luò)； 小波變換； 噪聲對(duì)消； 諧波失真

中圖分類號(hào)： TN763.1?34； TM77 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）18?0170?04

Research on second harmonic detection based on neural network

HAO Shujuan， HE Weiwei， LIU Yonghao， CUI Haiying， QIU Zhongyang

（Daqing Normal University， Daqing 163000， China）

Abstract： In allusion to the problems existing in the traditional detection method for its inaccurate detection for voltage and current rate of the second harmonic， and harmonic distortion in the detection of power grid harmonics， a second harmonic detection method based on neural network is proposed. The Nyquist′ theory is adopted to collect second harmonic signals according to the harmonic detection principle. The second harmonic signals are divided into high frequency and low frequency signals by means of wavelet transform. The FFT algorithm is used to process low frequency signals， and conduct adaptive noise cancellation of the harmonic signal. The neural network algorithm is introduced， and the activation function and initial weight are selected to realize second harmonic detection. The experimental results show that in comparison with the traditional detection method， the improved second harmonic detection method has more accurate detection results and lower distortion rate， which has a certain practicability.

Keywords： power grid； second harmonic detection； neural network； wavelet transform； noise cancellation； harmonic distortion

諧波是指包含在負(fù)載電流中其頻率為基波的整數(shù)倍的電能，當(dāng)基波為50 Hz時(shí)，2次諧波為100 Hz。諧波產(chǎn)生的主要原因?yàn)檎译妷鹤饔迷诜蔷€性負(fù)載兩端，所以含有諧波的基本電流發(fā)生畸變形成諧波[1]。諧波容易導(dǎo)致電能的波形、幅值等特性產(chǎn)生偏差，損害電力系統(tǒng)的安全，同時(shí)電纜的輸出電能容量減小，設(shè)備快速老化，電流出現(xiàn)泄露，造成電路故障。加之電力設(shè)備種類、數(shù)量增加，對(duì)判斷電網(wǎng)諧波的來源形成干擾，不能準(zhǔn)確辨別諧波來自外線路或是電網(wǎng)自身中的非線性設(shè)備導(dǎo)致[2]。若想達(dá)到諧波治理要求，要進(jìn)行諧波檢測(cè)，特別是對(duì)二次諧波的檢測(cè)，應(yīng)把它當(dāng)作是諧波治理的關(guān)鍵。傳統(tǒng)檢測(cè)方法將二次諧波激發(fā)效率作為定量分析電力故障的特征參數(shù)，并對(duì)其理論公式進(jìn)行詳細(xì)的推導(dǎo)，得出檢測(cè)結(jié)果，但是存在對(duì)諧波故障源無法定位，出現(xiàn)檢測(cè)諧波失真，為此，提出基于神經(jīng)網(wǎng)絡(luò)的二次諧波檢測(cè)方法。

1 諧波檢測(cè)原理

電力裝備種類、數(shù)量的增加，對(duì)判斷電網(wǎng)諧波來源造成一定的干擾，對(duì)于諧波是處在外線路或是電網(wǎng)自身中的非線性裝備導(dǎo)致無法準(zhǔn)確的辨別[3]。對(duì)此在進(jìn)行諧波檢測(cè)時(shí)，第一，將諧波信號(hào)進(jìn)行小波變換區(qū)分穩(wěn)定狀態(tài)及暫態(tài)狀態(tài)；第二，對(duì)穩(wěn)定諧波實(shí)行FFT解析，計(jì)算各諧波的分量相位、頻率和其幅值；第三，通過加窗插值對(duì)檢測(cè)結(jié)果實(shí)行修訂；第四，對(duì)非穩(wěn)態(tài)諧波再次通過小波變換獲取諧波暫態(tài)信息。其檢測(cè)步驟如圖1所示。

2 二次諧波信號(hào)采集

在對(duì)二次諧波信號(hào)進(jìn)行采集時(shí)，主要根據(jù)采樣定理，即采樣頻率大于或者等于輸入信號(hào)最高頻率的兩倍，對(duì)二次諧波信號(hào)進(jìn)行采集[4]。采樣定理又稱奈奎斯特定理，公式為：

[fs≥2fimax] （1）

式中：[fs]表示采樣頻率；[fimax]表示最高頻率分量頻率。在采樣進(jìn)程中，設(shè)置采樣頻率及信號(hào)頻率同步，對(duì)轉(zhuǎn)換器相關(guān)參數(shù)進(jìn)行固定[5?6]，通過鎖相環(huán)對(duì)采樣頻率進(jìn)行控制，采樣過程如圖2所示。

3 二次諧波信號(hào)處理

在對(duì)二次諧波信號(hào)進(jìn)行采樣的過程后，對(duì)諧波信號(hào)通過小波變換把輸送的信號(hào)進(jìn)行低頻信號(hào)及高頻信號(hào)的劃分，分別經(jīng)過FFT算法對(duì)低頻信號(hào)進(jìn)行處理，得到諧波信號(hào)相位、頻率及幅值，然后通過小波變換對(duì)高頻信號(hào)進(jìn)行處理[7?8]，解析高頻信號(hào)時(shí)域特性。二次諧波信號(hào)處理流程圖如圖3所示。

在對(duì)二次諧波信號(hào)進(jìn)行處理過程中，還需對(duì)諧波信號(hào)進(jìn)行自適應(yīng)噪聲對(duì)消處理[9]，具體對(duì)消處理如圖4所示。

由圖4可知，自適應(yīng)噪聲對(duì)消處理過程中，諧波信號(hào)包括正常信號(hào)[s]的同時(shí)，還含有噪聲信號(hào)[n0]，所以其輸入信號(hào)為[s+n0]。諧波信號(hào)處理過程中還應(yīng)設(shè)有僅接收與噪聲[n0]相關(guān)的諧波信號(hào)[n1]的專門端口。對(duì)[n1]進(jìn)行處理后，得出近似于[n0]的諧波信號(hào)[n1]，然后用[s+n0]與[n1]相減，即消去[n0]，得到所需要的二次諧波信號(hào)。

4 改進(jìn)檢測(cè)算法的實(shí)現(xiàn)

在進(jìn)行二次諧波檢測(cè)時(shí)，預(yù)先設(shè)定波的幅值及頻率[10]，周期采樣點(diǎn)數(shù)[N=32]，采樣頻率為5次，采樣時(shí)間[t]為[0.04～0.08 ms]。其諧波檢測(cè)步驟為：

1） 確定輸入層單元數(shù)。在檢測(cè)進(jìn)行中，神經(jīng)網(wǎng)絡(luò)算法重點(diǎn)是對(duì)二次諧波進(jìn)行高精度檢測(cè)，因此，設(shè)置二次諧波斜側(cè)的神經(jīng)網(wǎng)絡(luò)輸入層為1層，神經(jīng)元為1個(gè)。

2） 確定輸出層單元數(shù)。為了減少檢測(cè)次數(shù)，設(shè)置輸出層為1層，神經(jīng)元數(shù)量為1個(gè)。

3） 神經(jīng)網(wǎng)絡(luò)層數(shù)。依據(jù)[Kolmogorov]定理，當(dāng)隱含層節(jié)點(diǎn)數(shù)量較多時(shí)，隱含層傳輸精度需要無限接近一個(gè)非線性函數(shù)，所以諧波檢測(cè)過程中，神經(jīng)網(wǎng)絡(luò)算法的隱含層數(shù)為m=3。采用全連接的形式對(duì)神經(jīng)網(wǎng)絡(luò)層和層進(jìn)行連接，在同層單元里輸入層、中間層（隱含層）及輸出層不采用任何形式的連接方式。中間層可以是單層也可以是多層，雖然和外界無任何形式的連接，但若轉(zhuǎn)變隱含層的權(quán)重系數(shù)，即可轉(zhuǎn)變整體神經(jīng)網(wǎng)絡(luò)算法的性能。

4） 確定隱含層層數(shù)及隱含層單元數(shù)。隱含層層數(shù)、節(jié)點(diǎn)數(shù)是實(shí)現(xiàn)諧波檢測(cè)的重點(diǎn)，步驟較為復(fù)雜，現(xiàn)無準(zhǔn)確的標(biāo)準(zhǔn)。當(dāng)隱節(jié)點(diǎn)減少時(shí)，檢測(cè)進(jìn)程無法達(dá)到收斂全局最小；當(dāng)隱節(jié)點(diǎn)增多時(shí)，延長(zhǎng)了檢測(cè)時(shí)間，出現(xiàn)多余節(jié)點(diǎn)，檢測(cè)進(jìn)程中神經(jīng)網(wǎng)絡(luò)算法的泛化能力降低。

5） 激活函數(shù)的選取。在對(duì)二次諧波檢測(cè)中，選擇非對(duì)稱[Sigmoid]函數(shù)對(duì)諧波信號(hào)進(jìn)行歸一化處理，將所有輸入?yún)?shù)和輸出參數(shù)進(jìn)行歸一化處理。

6） 選取期望誤差。檢測(cè)過程中，在一定程度上，期望精度、隱含層神經(jīng)元數(shù)目之間成正比。首先設(shè)定的誤差較大時(shí)為[10-3]，在檢測(cè)趨于準(zhǔn)確后，慢慢降低誤差到[10-4]，再次檢測(cè)二次諧波。

改進(jìn)二次諧波檢測(cè)算法流程圖見圖5。

5 實(shí)驗(yàn)結(jié)果分析

5.1 實(shí)驗(yàn)指標(biāo)設(shè)置

在電流總諧波值一定的情況下，對(duì)電壓總諧波失真[THDU]進(jìn)行對(duì)比研究，電壓總諧波失真定義如下：

[THDU=U2UI×100]%

式中：[U2]二次諧波電壓；[UI]輸入信號(hào)載波。

5.2 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證改進(jìn)方法在檢測(cè)二次諧波方面的有效性及可行性，實(shí)驗(yàn)采用改進(jìn)檢測(cè)方法與傳統(tǒng)檢測(cè)方法為對(duì)比，以電壓及電流的總諧波失真率為指標(biāo)進(jìn)行實(shí)驗(yàn)對(duì)比分析，結(jié)果如圖6 所示。

由圖6可知，在時(shí)間不定的情況下，采用傳統(tǒng)方法檢測(cè)時(shí)，其檢測(cè)諧波多次出現(xiàn)失真的情況，且與實(shí)際電壓波動(dòng)存在差異，檢測(cè)結(jié)果不準(zhǔn)確；采用改進(jìn)方法進(jìn)行諧波檢測(cè)時(shí)，其檢測(cè)結(jié)果與實(shí)際電壓值相近，且未出現(xiàn)失真的現(xiàn)象，檢測(cè)結(jié)果更加接近現(xiàn)實(shí)情況。

6 結(jié) 論

針對(duì)傳統(tǒng)方法存在檢測(cè)結(jié)果諧波失真的問題，提出基于神經(jīng)網(wǎng)絡(luò)的二次諧波檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)方法對(duì)二次諧波進(jìn)行檢測(cè)時(shí)，其檢測(cè)未導(dǎo)致二次諧波產(chǎn)生失真的現(xiàn)象，與傳統(tǒng)檢測(cè)方法相比，更加接近真實(shí)二次諧波，具有可實(shí)用性。

參考文獻(xiàn)

[1] 曹英麗，尹希哲.基于BP神經(jīng)網(wǎng)絡(luò)和全相位快速傅里葉變換的電力系統(tǒng)諧波檢測(cè)技術(shù)研究[J].現(xiàn)代電子技術(shù)，2017，40（1）：125?128.

CAO Yingli， YIN Xizhe. Research on power system harmonic detection technology based on BP neural network and all?phase fast Fourier transform [J]. Modern electronics technique， 2017， 40（1）： 125?128.

[2] 劉葉鵬，孫孝君，莊新穎，等.基于深度神經(jīng)網(wǎng)絡(luò)的軸承狀態(tài)監(jiān)測(cè)研究[J].制造技術(shù)與機(jī)床，2017（8）：76?80.

LIU Yepeng， SUN Xiaojun， ZHUANG Xinying， et al. Bearing condition monitoring based on deep neural networks [J]. Manufacturing technology & machine tool， 2017（8）： 76?80.

[3] 熊賢成，楊春平，敖明武，等.基于BP神經(jīng)網(wǎng)絡(luò)的云相態(tài)檢測(cè)方法研究[J].遙感技術(shù)與應(yīng)用，2015，30（4）：714?718.

XIONG Xiancheng， YANG Chunping， AO Mingwu， et al. A research on cloud phase detection based on BP neural network [J]. Remote sensing technology and application， 2015， 30（4）： 714?718.

[4] 陳志勇，楊佩，彭力，等.基于BP神經(jīng)網(wǎng)絡(luò)的駕駛員疲勞監(jiān)測(cè)研究[J].計(jì)算機(jī)科學(xué)，2015，42（z1）：67?69.

CHEN Zhiyong， YANG Pei， PENG Li， et al. Fatigue driving monitoring based on BP neural network [J]. Computer science， 2015， 42（S1）： 67?69.

[5] 左艷麗，馬志強(qiáng)，左憲禹.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的人體檢測(cè)研究[J].現(xiàn)代電子技術(shù)，2017，40（4）：12?15.

ZUO Yanli， MA Zhiqiang， ZUO Xianyu. Research on pedestrian detection based on improved convolutional neural network [J]. Modern electronics technique， 2017， 40（4）： 12?15.

[6] 李志明.基于卷積神經(jīng)網(wǎng)絡(luò)的虹膜活體檢測(cè)算法研究[J].計(jì)算機(jī)工程，2016，42（5）：239?243.

LI Zhiming. Research on iris liveness detection algorithm based on convolutional neural network [J]. Computer engineering， 2016， 42（5）： 239?243.

[7] 吳春華，馮夏云，袁同浩，等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏故障電弧檢測(cè)方法研究[J].太陽能學(xué)報(bào)，2016，37（11）：2958?2964.

WU Chunhua， FENG Xiayun， YUAN Tonghao， et al. Photovoltaic arc fault detection method based on BP network [J]. Acta Energiae Solaris Sinica， 2016， 37（11）： 2958?2964.

[8] 潘翔.基于神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)設(shè)備環(huán)境監(jiān)測(cè)技術(shù)研究[J].現(xiàn)代電子技術(shù)，2017，40（3）：12?14.

PAN Xiang. Research on IoT equipment environmental monitoring technology based on neural network [J]. Modern electronics technique， 2017， 40（3）： 12?14.

[9] 賀靜，徐成武，任密林.基于概率神經(jīng)網(wǎng)絡(luò)的IPv6入侵檢測(cè)技術(shù)研究[J].太原理工大學(xué)學(xué)報(bào)，2017，48（6）：969?972.

HE Jing， XU Chengwu， REN Milin. Research on IPv6 intrusion detection technology based on PNN [J]. Journal of Taiyuan University of Technology， 2017， 48（6）： 969?972.

[10] 葉圣超，朱希安.基于PSO神經(jīng)網(wǎng)絡(luò)的定子電流信號(hào)諧波檢測(cè)[J].科技通報(bào)，2017，33（5）：198?202.

YE Shengchao， ZHU Xian. Study on algorithm of stator current signal harmonic detection based on PSO neural network [J]. Bulletin of science and technology， 2017， 33（5）： 198?202.