基于三角函數(shù)神經(jīng)網(wǎng)絡的電動汽車充電電流諧波分析方法

, , , , ,

(1.杭州市電力設計院有限公司, 浙江 310009; 2.上海電力學院, 上海 200090)

隨著全球能源的逐漸枯竭、大氣污染的不斷加劇以及氣溫上升帶來的危害加重,越來越多的人意識到節(jié)能減排是社會發(fā)展的方向。因此,電動汽車應運而生,并迅速得以廣泛應用[1]。電動汽車作為電力負荷,其充電行為具有間歇性和隨機性。在電動汽車充電過程中,由于充電器本身包含各種非線性特性的電力電子元件,會向電力系統(tǒng)注入諧波,當諧波超過一定范圍,將會給電網(wǎng)帶來諧波污染,從而對電網(wǎng)的穩(wěn)定性產(chǎn)生影響,同時也將縮短電池的壽命,因此對電動汽車充電過程中的諧波進行分析和檢測具有重要意義[2-4]。

為了減輕諧波污染,對諧波成分進行準確分析和檢測是十分必要的,有利于將補償技術應用于電流波形校正,提升電能質量,因此準確計算電流諧波幅值、相位等關鍵參數(shù)成為解決電力系統(tǒng)諧波污染的關鍵[5-7]。近年來,電動汽車電流諧波測量領域有了很大的進步,其中最常用的方法是快速傅里葉變換(Fast Furier Transform,FFT)。其優(yōu)點是算法簡單、應用靈活,而且適用領域較廣泛;但是,因其釆樣時間較長且變換時運算復雜,導致其測量時間較長,諧波分析的實時性較差。更重要的是,采樣同步性會引起頻譜泄漏效應和柵欄效應,進而導致諧波電流幅值、相位和頻率等測量數(shù)據(jù)的估計存在誤差[8-10]。近幾年,人工神經(jīng)網(wǎng)絡以其魯棒性好、精確度高、自學習性強等優(yōu)點獲得了廣泛的應用。在電流諧波檢測中,人工神經(jīng)網(wǎng)絡被用以提高檢測的實時性和精確度,其中應用最多的主要是前饋自適應人工神經(jīng)網(wǎng)絡和自適應線性人工神經(jīng)網(wǎng)絡。但人工神經(jīng)網(wǎng)絡也存在一些局限性,如學習時間長、構造函數(shù)無法統(tǒng)一、需要龐大的樣本數(shù)量等[11-14]。

為了實現(xiàn)電動汽車充電電流諧波分量的快速、準確檢測,本文提出了一種新型的基于三角函數(shù)神經(jīng)網(wǎng)絡的諧波分析方法。利用該算法可以快速獲得電流基波和各次諧波的幅值和相位,且三角函數(shù)神經(jīng)網(wǎng)絡算法滿足收斂定理,魯棒性較強?；贛ATLAB的仿真結果證明,三角函數(shù)神經(jīng)網(wǎng)絡諧波分析方法可以快速、精確地估計電流諧波分量及相關參數(shù),在電流諧波的實時檢測中具有實用價值。

1 三角函數(shù)神經(jīng)網(wǎng)絡電流諧波檢測

電動汽車的充電電流可以用幅值和相位表示為各個諧波分量之和,即

ω0t+φj)

(1)

式中:i(t)——電動汽車的充電電流;

idc(t)——電動汽車充電電流的直流分量;

N——電動汽車充電流諧波次數(shù);

Aj——第j次諧波的幅值;

ω0——基波分量的角頻率;

φj——第j次諧波的相位。

(2)

式中:wj——電流諧波參數(shù)。

1.1 構造三角函數(shù)神經(jīng)網(wǎng)絡

構造基于三角函數(shù)的神經(jīng)網(wǎng)絡,其結構如圖1所示。輸入層為n對訓練數(shù)據(jù)集{x,y},x,y∈R1×n矩陣。其中x=(x(1),x(2),…,x(i),…,x(n)),y=(y(1),y(2),…,y(i),…,y(n)),x(i)=t(i)是第i個采樣點對應的時間;y(i)是第i個采樣點對應的電流瞬時值。

圖1 三角函數(shù)神經(jīng)網(wǎng)絡結構示意

(3)

式中:φj(i)——第i個采樣點對應于第j個隱藏神經(jīng)元的激活函數(shù)。

φj(i)

(4)

wj——電流諧波參數(shù),也是隱藏層和輸出層之間的權重。

1.2 利用性能函數(shù)和負梯度下降法更新權重

設計學習規(guī)則性能函數(shù)為

(5)

基于負梯度下降法,設計三角函數(shù)神經(jīng)網(wǎng)絡的權重迭代公式為

w(k+1)=w(k)-ηPT(Pw(k)-y)

(6)

其中,

(7)

式中:k——迭代次數(shù),k=1,2,3,…,iter,max(iter,max為最大迭代次數(shù));

w(k)——第k次迭代對應的權重;

η——學習速率。

根據(jù)η的特性,若使η>0且足夠小,可以通過迭代使三角函數(shù)神經(jīng)網(wǎng)絡的權重收斂于最優(yōu)權重,其特性服從以下定理。

證明根據(jù)式(5)和式(6)可得

e(w(k+1))=

當0<η<η*=(2/λmax)(PTP)時,有

則有

e(w(k+1))≤e(w(k))+

因此可得

e(w(k+1))≤e(w(k))

通過求解神經(jīng)網(wǎng)絡的權向量,可計算出直流分量以及第j次諧波的幅值和相角

(8)

式中:Adc——直流分量的幅值。

2 仿真與分析

2.1 方法流程

基于三角函數(shù)神經(jīng)網(wǎng)絡的諧波分析方法的流程圖如圖2所示。將計算估計得到的神經(jīng)網(wǎng)絡的輸出電流與輸入電流作比較,當不滿足目標誤差,即e(w)達不到期望設定值eobj時,用負梯度迭代法更新權重,實現(xiàn)對實際電流的準確、快速的估計。

圖2 基于三角函數(shù)神經(jīng)網(wǎng)絡的諧波分析方法的流程示意

2.2 仿真分析

為了驗證三角函數(shù)神經(jīng)網(wǎng)絡諧波分析方法的正確性和有效性,通過MATLAB/Simulink對含有諧波的電流信號進行了仿真研究。電動汽車充電電流信號的表達式與式(2)相同。

其中,ω0設為100π rad/s,其他各次諧波的角頻率為基波角頻率的整數(shù)倍,諧波最高次數(shù)N=9,每次迭代的采樣頻率f=1 000 Hz,共采樣10個點(即n=10)。仿真中所使用的電流信號基波和各次諧波的幅值及相位如表1和表2所示。

表1 慢充時電流信號的各個諧波分量

表2 快充時電流信號的各個諧波分量

仿真時,將額定工頻50 Hz及采樣值輸入三角函數(shù)神經(jīng)網(wǎng)絡進行訓練,即可快速獲得基波和各次諧波的諧波頻率、幅值及其相位,目標誤差eobj設為0.001。

學習速率對本文算法的收斂性有較大影響,學習速率的大小決定了算法收斂的快慢。較大的學習速率能加快神經(jīng)網(wǎng)絡的學習,但可能引發(fā)系統(tǒng)震蕩或發(fā)散,較小的學習速率可保證算法的收斂,但計算時間比較長[15-17]。通過仿真得出不同學習速率下神經(jīng)網(wǎng)絡的收斂性和迭代次數(shù),如表3所示。取最優(yōu)學習速率為0.01。

表3 不同學習速率下的神經(jīng)網(wǎng)絡收斂性和迭代次數(shù)

2.3 結果對比

為了證明三角函數(shù)神經(jīng)網(wǎng)絡分析諧波的優(yōu)越性,將其與FFT進行對比,仿真結果如圖3至圖6所示。由圖3至圖6可以看出,三角函數(shù)神經(jīng)網(wǎng)絡和FFT均能夠跟蹤基波和其他各個分量的幅值和相角,但FFT需要至少一個周期(0.02 s)才能得出計算結果,而三角函數(shù)神經(jīng)網(wǎng)絡只需要半個周期(0.01 s)就可以跟蹤到相應的幅值和相角,將有助于電力系統(tǒng)的實時檢測和快速保護。與FFT控制下的波形相比,三角函數(shù)神經(jīng)網(wǎng)絡能夠快速地跟蹤到實際電流信號的各個分量。

圖3 慢充條件下兩種方法的基波分量與3次諧波幅值波形

圖4 慢充條件下基波分量相角波形

圖5 快充條件下兩種方法的基波分量與3次諧波幅值波形

圖6 快充條件下基波分量相角波形

3 結 語

針對電動汽車充電過程中造成電力系統(tǒng)產(chǎn)生諧波的問題,通過建立三角函數(shù)神經(jīng)網(wǎng)絡模型,設計了基于三角函數(shù)神經(jīng)網(wǎng)絡的電流諧波分析方法。在迭代過程中通過對權值的修正,提高測量的準確性。通過仿真分析,將所提出的方法與傳統(tǒng)方法進行對比,驗證了本方法能夠更快速、精確地估計系統(tǒng)諧波分量的相關參數(shù),為實現(xiàn)電動汽車充電過程中諧波抑制方法的設計提供了借鑒。