基于BP神经网络的新型电力谐波检测方法
发布时间：2021-08-13 13:46
为了满足电能质量在实时检测、动态响应和精确跟踪等方面对谐波检测方法的要求,利用神经网络可以快速充分逼近任意非线性的特点,通过设计训练样本,优化系统参数,给出了一种基于BP神经网络的新型谐波检测技术。运用Matlab/Simulink软件构建仿真模型,对信号处理过程和结果进行了显示,验证了该方法的可行性及优越性。
【文章来源】：电工电气. 2016,(11)
【文章页数】：5 页
【部分图文】：
补偿后电源电流频谱分析图
t2=newcf(P2，T2，[3417])；建立BP网络，级联前馈；net2.trainParam.epochs=2000；设置最大训练次数；net2.trainParam.goal=1e-6；设置要求精度；net2.trainParam.max_fail=1500；设置最大失败次数；net2=train(net2，P2，T2)；网络训练谐波电流的获取是通过负载电流减去基波电流得到的。为加快训练，将训练样本范围缩小，选择对输出结果影响大的数据信号。对于学习率的选取是在不影响收敛的前提下，选择收敛速度较快的学习率。在此方法下得到的负载电流(含谐波分量)、谐波电流和补偿后的电源电流波形如图7、图8所示。通过观察可以看到，BP神经网络检测模块在检测谐波电流速度比较快，几乎从一开始谐波电流就得到了补偿，补偿后的电源电流波形几乎为标准的正弦波，毛刺较少，补偿效果很好。此时，再对补偿后的电流进行频谱分析得到：通过补偿电流的正确补偿，谐波失真率从未补偿的13.04%变为现在的0.95%，验证了谐波得到了有效的抑制，且比ip-iq运算方法少0.16%。4.3两种方法的比较根据上述的分析得出，虽然基于ip-iq方法和BP神经网络的检测方法都能够准确地检测出畸变电流中的谐波成分，对频率、大小都变化的谐波进行补偿。但是，根据对电源电流的FFT分析，观察谐波失真率大小和响应时间，发现基于BP神频率/kHz0.50对幅值/%相5101520300.10.20.30.425图5补偿后电源电流频谱分析图(基波(50Hz)=30.88，谐波失真率=1.11%)图7神经网络方法仿真波形a)含谐波分量的负载电流t/s400载电流/负A-400.1000.020.040.060.08c)补偿后的电源电流t/s400源电流/电A-400.1000.020.040.060.08图8补偿后电源电流频谱分析图(基波(50Hz)=29.14，谐波失真率=0.95%)?
钩バЧ?芎谩４耸保?俣?补偿后的电流进行频谱分析得到：通过补偿电流的正确补偿，谐波失真率从未补偿的13.04%变为现在的0.95%，验证了谐波得到了有效的抑制，且比ip-iq运算方法少0.16%。4.3两种方法的比较根据上述的分析得出，虽然基于ip-iq方法和BP神经网络的检测方法都能够准确地检测出畸变电流中的谐波成分，对频率、大小都变化的谐波进行补偿。但是，根据对电源电流的FFT分析，观察谐波失真率大小和响应时间，发现基于BP神频率/kHz0.50对幅值/%相5101520300.10.20.30.425图5补偿后电源电流频谱分析图(基波(50Hz)=30.88，谐波失真率=1.11%)图7神经网络方法仿真波形a)含谐波分量的负载电流t/s400载电流/负A-400.1000.020.040.060.08c)补偿后的电源电流t/s400源电流/电A-400.1000.020.040.060.08图8补偿后电源电流频谱分析图(基波(50Hz)=29.14，谐波失真率=0.95%)频率/kHz0对幅值/%相5101520300.010.020.030.04250.05ILabc输入NNET输出网点1脉冲输入NNET输出网点2脉冲输入NNET输出网点3脉冲ILabc+-信号图6BP神经网络仿真模块b)检测出的谐波电流t/s200波电流/谐A-200.1000.020.040.060.0810-10基于BP神经网络的新型电力谐波检测方法
【参考文献】：
期刊论文
[1]神经网络算法的改进及其在有源电力滤波器中的应用[J]. 马草原,孙富华,朱蓓蓓,尹志超. 电力系统保护与控制. 2015(24)
[2]三相有源电力滤波器滑模解耦控制方法研究[J]. 胡志坤,姜斌,李哲彬,刘雄飞,尹林子. 电机与控制学报. 2014(09)
[3]人工神经网络和信息融合技术在变压器状态评估中的应用[J]. 阮羚,谢齐家,高胜友,聂德鑫,卢文华,张海龙. 高电压技术. 2014(03)
[4]一种基于BP神经网络的谐波检测方案[J]. 王凯亮,曾江,王克英. 电力系统保护与控制. 2013(17)
[5]基于BP神经网络和线性神经网络的间谐波分析方法[J]. 王好娜,毕志周,付志红,李春燕. 高压电器. 2013(02)
[6]神经网络补偿器在基于影像测量仪的运动控制系统中的应用[J]. 杨建国,杨晓义,周虎. 东华大学学报(自然科学版). 2011(01)
硕士论文
[1]BP算法的改进及其在PID优化控制中的应用研究[D]. 李虎.西安科技大学 2012
本文编号：3340540
【文章来源】：电工电气. 2016,(11)
【文章页数】：5 页
【部分图文】：
补偿后电源电流频谱分析图
t2=newcf(P2，T2，[3417])；建立BP网络，级联前馈；net2.trainParam.epochs=2000；设置最大训练次数；net2.trainParam.goal=1e-6；设置要求精度；net2.trainParam.max_fail=1500；设置最大失败次数；net2=train(net2，P2，T2)；网络训练谐波电流的获取是通过负载电流减去基波电流得到的。为加快训练，将训练样本范围缩小，选择对输出结果影响大的数据信号。对于学习率的选取是在不影响收敛的前提下，选择收敛速度较快的学习率。在此方法下得到的负载电流(含谐波分量)、谐波电流和补偿后的电源电流波形如图7、图8所示。通过观察可以看到，BP神经网络检测模块在检测谐波电流速度比较快，几乎从一开始谐波电流就得到了补偿，补偿后的电源电流波形几乎为标准的正弦波，毛刺较少，补偿效果很好。此时，再对补偿后的电流进行频谱分析得到：通过补偿电流的正确补偿，谐波失真率从未补偿的13.04%变为现在的0.95%，验证了谐波得到了有效的抑制，且比ip-iq运算方法少0.16%。4.3两种方法的比较根据上述的分析得出，虽然基于ip-iq方法和BP神经网络的检测方法都能够准确地检测出畸变电流中的谐波成分，对频率、大小都变化的谐波进行补偿。但是，根据对电源电流的FFT分析，观察谐波失真率大小和响应时间，发现基于BP神频率/kHz0.50对幅值/%相5101520300.10.20.30.425图5补偿后电源电流频谱分析图(基波(50Hz)=30.88，谐波失真率=1.11%)图7神经网络方法仿真波形a)含谐波分量的负载电流t/s400载电流/负A-400.1000.020.040.060.08c)补偿后的电源电流t/s400源电流/电A-400.1000.020.040.060.08图8补偿后电源电流频谱分析图(基波(50Hz)=29.14，谐波失真率=0.95%)?
钩バЧ?芎谩４耸保?俣?补偿后的电流进行频谱分析得到：通过补偿电流的正确补偿，谐波失真率从未补偿的13.04%变为现在的0.95%，验证了谐波得到了有效的抑制，且比ip-iq运算方法少0.16%。4.3两种方法的比较根据上述的分析得出，虽然基于ip-iq方法和BP神经网络的检测方法都能够准确地检测出畸变电流中的谐波成分，对频率、大小都变化的谐波进行补偿。但是，根据对电源电流的FFT分析，观察谐波失真率大小和响应时间，发现基于BP神频率/kHz0.50对幅值/%相5101520300.10.20.30.425图5补偿后电源电流频谱分析图(基波(50Hz)=30.88，谐波失真率=1.11%)图7神经网络方法仿真波形a)含谐波分量的负载电流t/s400载电流/负A-400.1000.020.040.060.08c)补偿后的电源电流t/s400源电流/电A-400.1000.020.040.060.08图8补偿后电源电流频谱分析图(基波(50Hz)=29.14，谐波失真率=0.95%)频率/kHz0对幅值/%相5101520300.010.020.030.04250.05ILabc输入NNET输出网点1脉冲输入NNET输出网点2脉冲输入NNET输出网点3脉冲ILabc+-信号图6BP神经网络仿真模块b)检测出的谐波电流t/s200波电流/谐A-200.1000.020.040.060.0810-10基于BP神经网络的新型电力谐波检测方法
【参考文献】：
期刊论文
[1]神经网络算法的改进及其在有源电力滤波器中的应用[J]. 马草原,孙富华,朱蓓蓓,尹志超. 电力系统保护与控制. 2015(24)
[2]三相有源电力滤波器滑模解耦控制方法研究[J]. 胡志坤,姜斌,李哲彬,刘雄飞,尹林子. 电机与控制学报. 2014(09)
[3]人工神经网络和信息融合技术在变压器状态评估中的应用[J]. 阮羚,谢齐家,高胜友,聂德鑫,卢文华,张海龙. 高电压技术. 2014(03)
[4]一种基于BP神经网络的谐波检测方案[J]. 王凯亮,曾江,王克英. 电力系统保护与控制. 2013(17)
[5]基于BP神经网络和线性神经网络的间谐波分析方法[J]. 王好娜,毕志周,付志红,李春燕. 高压电器. 2013(02)
[6]神经网络补偿器在基于影像测量仪的运动控制系统中的应用[J]. 杨建国,杨晓义,周虎. 东华大学学报(自然科学版). 2011(01)
硕士论文
[1]BP算法的改进及其在PID优化控制中的应用研究[D]. 李虎.西安科技大学 2012
本文编号：3340540
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3340540.html
