郝淑娟 何巍巍 劉永皓 崔海瑛 邱忠陽

摘 要： 針對傳統(tǒng)檢測方法在檢測電網(wǎng)諧波時，一直存在對二次諧波電壓及電流含有率檢測不準確，諧波失真的問題，提出基于神經(jīng)網(wǎng)絡的二次諧波檢測方法。以諧波檢測原理為依據(jù)，采用奈奎斯特定理，對二次諧波信號進行采集，并通過小波變換將二次諧波信號劃分為低頻信號和高頻信號，通過FFT算法處理低頻信號，并對諧波信號進行自適應噪聲對消處理，引入神經(jīng)網(wǎng)絡算法，選取激活函數(shù)及初始權值，實現(xiàn)對二次諧波的檢測。實驗結果表明，采用改進方法對二次諧波的檢測，相比傳統(tǒng)檢測方法，其檢測結果準確，失真率降低，具有一定的實用性。

關鍵詞： 電網(wǎng)； 二次諧波檢測； 神經(jīng)網(wǎng)絡； 小波變換； 噪聲對消； 諧波失真

中圖分類號： TN763.1?34； TM77 文獻標識碼： A 文章編號： 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

諧波是指包含在負載電流中其頻率為基波的整數(shù)倍的電能，當基波為50 Hz時，2次諧波為100 Hz。諧波產(chǎn)生的主要原因為正弦電壓作用在非線性負載兩端，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，同時電纜的輸出電能容量減小，設備快速老化，電流出現(xiàn)泄露，造成電路故障。加之電力設備種類、數(shù)量增加，對判斷電網(wǎng)諧波的來源形成干擾，不能準確辨別諧波來自外線路或是電網(wǎng)自身中的非線性設備導致[2]。若想達到諧波治理要求，要進行諧波檢測，特別是對二次諧波的檢測，應把它當作是諧波治理的關鍵。傳統(tǒng)檢測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)，并對其理論公式進行詳細的推導，得出檢測結果，但是存在對諧波故障源無法定位，出現(xiàn)檢測諧波失真，為此，提出基于神經(jīng)網(wǎng)絡的二次諧波檢測方法。

1 諧波檢測原理

電力裝備種類、數(shù)量的增加，對判斷電網(wǎng)諧波來源造成一定的干擾，對于諧波是處在外線路或是電網(wǎng)自身中的非線性裝備導致無法準確的辨別[3]。對此在進行諧波檢測時，第一，將諧波信號進行小波變換區(qū)分穩(wěn)定狀態(tài)及暫態(tài)狀態(tài)；第二，對穩(wěn)定諧波實行FFT解析，計算各諧波的分量相位、頻率和其幅值；第三，通過加窗插值對檢測結果實行修訂；第四，對非穩(wěn)態(tài)諧波再次通過小波變換獲取諧波暫態(tài)信息。其檢測步驟如圖1所示。

2 二次諧波信號采集

在對二次諧波信號進行采集時，主要根據(jù)采樣定理，即采樣頻率大于或者等于輸入信號最高頻率的兩倍，對二次諧波信號進行采集[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。在采樣進程中，設置采樣頻率及信號頻率同步，對轉換器相關參數(shù)進行固定[5?6]，通過鎖相環(huán)對采樣頻率進行控制，采樣過程如圖2所示。

3 二次諧波信號處理

在對二次諧波信號進行采樣的過程后，對諧波信號通過小波變換把輸送的信號進行低頻信號及高頻信號的劃分，分別經(jīng)過FFT算法對低頻信號進行處理，得到諧波信號相位、頻率及幅值，然后通過小波變換對高頻信號進行處理[7?8]，解析高頻信號時域特性。二次諧波信號處理流程圖如圖3所示。

在對二次諧波信號進行處理過程中，還需對諧波信號進行自適應噪聲對消處理[9]，具體對消處理如圖4所示。

由圖4可知，自適應噪聲對消處理過程中，諧波信號包括正常信號[s]的同時，還含有噪聲信號[n0]，所以其輸入信號為[s+n0]。諧波信號處理過程中還應設有僅接收與噪聲[n0]相關的諧波信號[n1]的專門端口。對[n1]進行處理后，得出近似于[n0]的諧波信號[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。

4 改進檢測算法的實現(xiàn)

在進行二次諧波檢測時，預先設定波的幅值及頻率[10]，周期采樣點數(shù)[N=32]，采樣頻率為5次，采樣時間[t]為[0.04～0.08 ms]。其諧波檢測步驟為：

1） 確定輸入層單元數(shù)。在檢測進行中，神經(jīng)網(wǎng)絡算法重點是對二次諧波進行高精度檢測，因此，設置二次諧波斜側的神經(jīng)網(wǎng)絡輸入層為1層，神經(jīng)元為1個。

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

3） 神經(jīng)網(wǎng)絡層數(shù)。依據(jù)[Kolmogorov]定理，當隱含層節(jié)點數(shù)量較多時，隱含層傳輸精度需要無限接近一個非線性函數(shù)，所以諧波檢測過程中，神經(jīng)網(wǎng)絡算法的隱含層數(shù)為m=3。采用全連接的形式對神經(jīng)網(wǎng)絡層和層進行連接，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，但若轉變隱含層的權重系數(shù)，即可轉變整體神經(jīng)網(wǎng)絡算法的性能。

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)點數(shù)是實現(xiàn)諧波檢測的重點，步驟較為復雜，現(xiàn)無準確的標準。當隱節(jié)點減少時，檢測進程無法達到收斂全局最小；當隱節(jié)點增多時，延長了檢測時間，出現(xiàn)多余節(jié)點，檢測進程中神經(jīng)網(wǎng)絡算法的泛化能力降低。

5） 激活函數(shù)的選取。在對二次諧波檢測中，選擇非對稱[Sigmoid]函數(shù)對諧波信號進行歸一化處理，將所有輸入?yún)?shù)和輸出參數(shù)進行歸一化處理。

6） 選取期望誤差。檢測過程中，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。首先設定的誤差較大時為[10-3]，在檢測趨于準確后，慢慢降低誤差到[10-4]，再次檢測二次諧波。

改進二次諧波檢測算法流程圖見圖5。

5 實驗結果分析

5.1 實驗指標設置

在電流總諧波值一定的情況下，對電壓總諧波失真[THDU]進行對比研究，電壓總諧波失真定義如下：

[THDU=U2UI×100]%

式中：[U2]二次諧波電壓；[UI]輸入信號載波。

5.2 實驗結果分析

為了驗證改進方法在檢測二次諧波方面的有效性及可行性，實驗采用改進檢測方法與傳統(tǒng)檢測方法為對比，以電壓及電流的總諧波失真率為指標進行實驗對比分析，結果如圖6 所示。

由圖6可知，在時間不定的情況下，采用傳統(tǒng)方法檢測時，其檢測諧波多次出現(xiàn)失真的情況，且與實際電壓波動存在差異，檢測結果不準確；采用改進方法進行諧波檢測時，其檢測結果與實際電壓值相近，且未出現(xiàn)失真的現(xiàn)象，檢測結果更加接近現(xiàn)實情況。

6 結 論

針對傳統(tǒng)方法存在檢測結果諧波失真的問題，提出基于神經(jīng)網(wǎng)絡的二次諧波檢測方法。實驗結果表明，采用改進方法對二次諧波進行檢測時，其檢測未導致二次諧波產(chǎn)生失真的現(xiàn)象，與傳統(tǒng)檢測方法相比，更加接近真實二次諧波，具有可實用性。

參考文獻

[1] 曹英麗，尹希哲.基于BP神經(jīng)網(wǎng)絡和全相位快速傅里葉變換的電力系統(tǒng)諧波檢測技術研究[J].現(xiàn)代電子技術，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)絡的軸承狀態(tài)監(jiān)測研究[J].制造技術與機床，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)絡的云相態(tài)檢測方法研究[J].遙感技術與應用，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)絡的駕駛員疲勞監(jiān)測研究[J].計算機科學，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，左憲禹.基于改進卷積神經(jīng)網(wǎng)絡的人體檢測研究[J].現(xiàn)代電子技術，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)絡的虹膜活體檢測算法研究[J].計算機工程，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)絡的光伏故障電弧檢測方法研究[J].太陽能學報，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)絡的物聯(lián)網(wǎng)設備環(huán)境監(jiān)測技術研究[J].現(xiàn)代電子技術，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)絡的IPv6入侵檢測技術研究[J].太原理工大學學報，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)絡的定子電流信號諧波檢測[J].科技通報，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.