楊靜儉，馬鴻雁，2，3，竇嘉銘

(1. 北京建筑大學(xué)電氣與信息工程學(xué)院，北京 100044；2. 建筑大數(shù)據(jù)智能處理方法研究北京市重點(diǎn)實(shí)驗(yàn)室，北京 100044；3. 智慧城市國(guó)家級(jí)虛擬仿真實(shí)驗(yàn)教學(xué)中心，北京 100044)

1 引言

電能作為一種清潔高效、傳輸便捷、易于控制的二次能源，在我國(guó)工業(yè)及制造業(yè)發(fā)展過(guò)程中占據(jù)了舉足輕重的地位。近年來(lái)由于電力電子技術(shù)的迅速發(fā)展，大量電力電子器件應(yīng)用于工業(yè)控制領(lǐng)域，導(dǎo)致負(fù)荷類型愈加復(fù)雜，所產(chǎn)生的諧波對(duì)電能質(zhì)量的污染也日益嚴(yán)重[1]。為了保證頻率、電壓、電壓波形畸變率和電壓對(duì)稱性四項(xiàng)指標(biāo)上的電能質(zhì)量，提高電力系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性，有源電力濾波器(Active Power Filter,APF)憑借其動(dòng)態(tài)消除諧波、無(wú)并聯(lián)諧振和拓展性強(qiáng)等特點(diǎn)已逐步取代傳統(tǒng)LC濾波器成為諧波抑制裝置發(fā)展的重要趨勢(shì)[1-2]。

良好的動(dòng)態(tài)響應(yīng)和穩(wěn)態(tài)精度是衡量APF性能的重要指標(biāo)，因此諧波檢測(cè)方法是實(shí)現(xiàn)諧波抑制的必要組成部分。傳統(tǒng)的檢測(cè)方法主要有基于瞬時(shí)無(wú)功功率理論的諧波檢測(cè)法和基于傅里葉變換的諧波檢測(cè)法，這些方法在精度或?qū)崟r(shí)性方面存在一定缺陷[3-4]。隨著數(shù)字化技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)在學(xué)術(shù)界掀起了革命性的浪潮，作為擁有得天獨(dú)厚數(shù)字化優(yōu)勢(shì)的智能電網(wǎng)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)為諧波檢測(cè)與分析開(kāi)辟了新的途徑。文獻(xiàn)[5]使用小波變換對(duì)信號(hào)特征進(jìn)行特征分量提取，再與神經(jīng)網(wǎng)絡(luò)相結(jié)合對(duì)諧波的類型幅值和相位等參數(shù)進(jìn)行了分析與檢測(cè)；文獻(xiàn)[6]對(duì)比多種算法優(yōu)化下BP神經(jīng)網(wǎng)絡(luò)在不同性能上的差異，提出自適應(yīng)遺傳算法BP神經(jīng)網(wǎng)絡(luò)；文獻(xiàn)[7]將均值濾波環(huán)節(jié)平滑權(quán)值波動(dòng)的方法嵌入自適應(yīng)神經(jīng)網(wǎng)絡(luò)單元，用于提高諧波檢測(cè)精度；文獻(xiàn)[8]根據(jù)電壓幅值計(jì)算諧波補(bǔ)償參考電流，從而對(duì)三相諧波神經(jīng)元權(quán)值進(jìn)行優(yōu)化，經(jīng)過(guò)權(quán)值優(yōu)化后可以更好的計(jì)算濾波器輸出電流和直流側(cè)電容電壓。文獻(xiàn)[9]提出一種基于RBF神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)法，與BP神經(jīng)網(wǎng)絡(luò)相比擁有更高的精度和實(shí)時(shí)性。本文從神經(jīng)網(wǎng)絡(luò)與諧波檢測(cè)的基礎(chǔ)出發(fā)，采用k-means聚類算法集成數(shù)據(jù)，根據(jù)聚類結(jié)果分類訓(xùn)練樣本，采用粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)計(jì)算網(wǎng)絡(luò)最優(yōu)權(quán)值閾值，并構(gòu)造適用于諧波檢測(cè)的傅里葉基Elman神經(jīng)網(wǎng)絡(luò)。仿真結(jié)果表明，該算法比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)擁有更高的收斂性和參數(shù)辨識(shí)精度，實(shí)時(shí)性也優(yōu)于單純的Elman神經(jīng)網(wǎng)絡(luò)。

2 諧波檢測(cè)流程及數(shù)據(jù)制備

在供電系統(tǒng)中，交流電壓及電流應(yīng)為正弦工頻波形，以電流為例，其表達(dá)式如式(1)所示

i(t)=Imsin(2πft+θ)

(1)

式中：Im為電流幅值；θ為初相角；f為頻率。

由于電力系統(tǒng)中存在電感、電容、互感器、震蕩器等非線性負(fù)載，當(dāng)正弦電壓施加于這些非線性電路時(shí)，電流就由正弦波畸變?yōu)榉钦也?，非正弦電流將?huì)在電力系統(tǒng)阻抗上產(chǎn)生壓降從而使得電壓波形也變?yōu)榉钦也╗1]?？紤]到電力系統(tǒng)是由雙向?qū)ΨQ元件組成，其電壓和電流具半波對(duì)稱特性，偶次諧波被抵消，故諧波檢測(cè)時(shí)一般檢測(cè)奇次諧波。因此電網(wǎng)中含有諧波分量的電流可以用傅里葉級(jí)數(shù)表示為

(2)

式中：Ii為第i次諧波的幅值，i=3，5，7…n；φi為第i次諧波的相位。

此外，該表達(dá)式中還存在ω=2πf、ai=Iicosφi、bi=Iisinφi的函數(shù)關(guān)系，因此可以根據(jù)ai和bi的值，按照式(3)和(4)來(lái)反推各次諧波的幅值和相位。

(3)

(4)

本文諧波檢測(cè)思想即為通過(guò)建模辨識(shí)出待檢測(cè)諧波中ai和bi，再利用式(3)和(4)計(jì)算幅值和相位，流程圖如圖1所示。

圖1 諧波檢測(cè)流程圖

具體做法為：

1) 確定滿足條件的ai和bi組合，將其作為神經(jīng)網(wǎng)絡(luò)的期望輸出集。

2) 將每種組合分別代入諧波公式中，并對(duì)得到的諧波進(jìn)行采樣，即：

i(n)=I1sin(2πf/fs*T)

(5)

3) 將通過(guò)步驟1)和2)獲得的數(shù)據(jù)集進(jìn)行k-means聚類，將同類別的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)。

4) 通過(guò)PSO找尋最優(yōu)的Elman神經(jīng)網(wǎng)絡(luò)參數(shù)，提升Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能。

電網(wǎng)中實(shí)際負(fù)載電流中諧波以3、5、7次諧波為主，以檢測(cè)3次和5次諧波為例，當(dāng)檢測(cè)更高次諧波時(shí)，操作流程與此類似。含3次和5次諧波分量的電流為：

i(t)=sinωt+a3sin 3ωt+b3cos 3ωt+

a5sin 5ωt+b5cos 5ωt

(6)

輸出集制備：按照電力系統(tǒng)的特點(diǎn)，3次和5次諧波的幅值不應(yīng)超過(guò)基波幅值的50%，因此4個(gè)系數(shù)的取值范圍可設(shè)為-0.5～0.5，步長(zhǎng)設(shè)置為0.01。通過(guò)python對(duì)a3、b3、a5、b5進(jìn)行排列組合，當(dāng)抽樣200000次并進(jìn)行數(shù)據(jù)去重后，得到99633種組合形式，即樣本的輸出集為99633組。

輸入集制備：與輸出集相對(duì)應(yīng)，訓(xùn)練樣本也應(yīng)為99633組，將每組(a3，b3，a5，b5)得到的諧波進(jìn)行采樣，得到輸入集。由于這里檢測(cè)的最高次諧波為5次諧波，根據(jù)Shannon采樣定理，需滿足fs>2f5，因此可取采樣頻率為1000Hz，故每個(gè)訓(xùn)練樣本包含20個(gè)采樣數(shù)值。

3 算法原理

3.1 傅里葉基Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)是在BP網(wǎng)絡(luò)的基本結(jié)構(gòu)上改進(jìn)形成的，它在隱含層加入了一個(gè)承接層，達(dá)到了記憶的目的，使其對(duì)歷史數(shù)據(jù)具有敏感性，加強(qiáng)了處理信息的能力。因此，Elman網(wǎng)絡(luò)可以視作一個(gè)具有局部記憶和局部反饋連接的遞歸神經(jīng)網(wǎng)絡(luò)[10]。它的主要結(jié)構(gòu)一般分為四層：輸入層、隱含層、承接層和輸出層。

隱含層激勵(lì)函數(shù)通常取Sigmoid函數(shù)

(7)

輸出層傳遞函數(shù)選擇purelin函數(shù)

f2=S

(8)

現(xiàn)對(duì)傳統(tǒng)的Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行改造，將式(2)改寫(xiě)為矩陣形式可得

(9)

結(jié)合式(9)，將基波分量視為偏置時(shí)構(gòu)造傅里葉基Elman神經(jīng)網(wǎng)絡(luò)——Elman (FB)，該神經(jīng)網(wǎng)絡(luò)隱含層中傳遞函數(shù)為正余弦函數(shù)對(duì)。傅里葉基Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。

圖2 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

結(jié)合圖2與激勵(lì)函數(shù)可得隱含層輸出為

(10)

因此網(wǎng)絡(luò)輸出計(jì)算公式為

Y(k)=ω3X1S+b2(k)S

(11)

式中：ω1、ω2、ω3分別為承接層到隱含層、輸入層到隱含層、隱含層到輸出層的權(quán)值。b1、b2分別為輸入層到隱含層、隱含層到輸出層的閾值。

與BP網(wǎng)絡(luò)相同，Elman神經(jīng)網(wǎng)絡(luò)所用的學(xué)習(xí)規(guī)則也為最速下降法，網(wǎng)絡(luò)的權(quán)值和閾值通過(guò)反向傳播進(jìn)行調(diào)節(jié)，最終使得全局誤差系數(shù)達(dá)到最小值，其學(xué)習(xí)的本質(zhì)就是對(duì)各個(gè)連接權(quán)值進(jìn)行動(dòng)態(tài)調(diào)整。雖然在計(jì)算能力和網(wǎng)絡(luò)穩(wěn)定性上優(yōu)于BP網(wǎng)絡(luò)，但由于學(xué)習(xí)規(guī)則相同，其訓(xùn)練過(guò)程中仍易出現(xiàn)收斂慢和陷入局部最優(yōu)的缺點(diǎn)，難以達(dá)到全局最優(yōu)解。針對(duì)Elman神經(jīng)網(wǎng)絡(luò)的不足，本文采用全局優(yōu)化算法中的粒子群優(yōu)化算法提升訓(xùn)練效果。

3.2 粒子群優(yōu)化算法基本原理

粒子群優(yōu)化(PSO)算法是基于模仿鳥(niǎo)類覓食行為發(fā)展的一種隨機(jī)探索優(yōu)化算法，其基本思想是通過(guò)粒子間協(xié)作和信息共享來(lái)尋找最優(yōu)解[11]。每個(gè)粒子都是待優(yōu)化空間的潛在解，將一群粒子初始化，根據(jù)評(píng)價(jià)各微粒的目標(biāo)函數(shù)確定某時(shí)刻各微粒經(jīng)過(guò)的最佳位置和群體發(fā)現(xiàn)的最佳位置，如此迭代循環(huán)發(fā)掘最優(yōu)解。每一次迭代中，通過(guò)跟蹤式(12)和式(13)來(lái)更新各微粒的速度和位置[12]。

vi，j(t+1)=vi，j(t)+c1r1[pi，j-xi，j(t)]+

c2r2[pg，j-xi，j(t)]

(12)

xi，j(t+1)=xi，j(t)+vi，j(t)

(13)

式中：c1和c2為加速常數(shù)，也稱學(xué)習(xí)因子；r1和r2為0到1之間均勻分布的隨機(jī)數(shù)。

由于粒子群優(yōu)化算法具有調(diào)整參數(shù)少、可以全局和局部尋優(yōu)、算法實(shí)現(xiàn)簡(jiǎn)單、收斂較快等優(yōu)點(diǎn)，因此在神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊控制和多目標(biāo)優(yōu)化方面有著廣泛的應(yīng)用。

3.3 k-means聚類算法基本原理

k-means聚類算法是以數(shù)據(jù)點(diǎn)到聚類中心的某類距離作為優(yōu)化的目標(biāo)函數(shù)，將數(shù)據(jù)樣本進(jìn)行分類與集成的統(tǒng)計(jì)分析方法。其一般步驟為[13]：

1) 隨機(jī)篩選K個(gè)點(diǎn)作為數(shù)據(jù)樣本的初始聚類中心。

2) 計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到K個(gè)聚類中心的歐式距離，根據(jù)距離的大小將數(shù)據(jù)點(diǎn)分到不同簇中。即計(jì)算

(14)

3) 求解每個(gè)簇的均值向量，用于更新K個(gè)簇的聚類中心。

4) 循環(huán)迭代步驟2)和3)，當(dāng)聚類中心不再改變時(shí)完成聚類。

在諧波參數(shù)辨識(shí)中，不同諧波采樣數(shù)值之間的既有差異性也有相關(guān)性，所以找尋數(shù)據(jù)之間的內(nèi)在相似性可以減小差異性帶來(lái)的不良影響。k-means聚類算法可以找出諧波之間的相似性并進(jìn)行合理的集成分類，所以，利用該算法分類數(shù)據(jù)后再進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練。

圖3 參數(shù)b3網(wǎng)絡(luò)輸出誤差仿真圖

4 仿真分析

4.1 神經(jīng)網(wǎng)絡(luò)建模及仿真分析

對(duì)本文改進(jìn)的傅里葉基Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行建模，輸入層節(jié)點(diǎn)n=20，輸出層節(jié)點(diǎn)m=4；由于隱含層中神經(jīng)元個(gè)數(shù)與訓(xùn)練精度和計(jì)算復(fù)雜度有關(guān)，因此結(jié)合實(shí)際情況本文選取隱含層中神經(jīng)元個(gè)數(shù)為15；最大訓(xùn)練次數(shù)設(shè)置為5000次，網(wǎng)絡(luò)學(xué)習(xí)速率設(shè)置為0.05，目標(biāo)誤差為0.65×10-3。對(duì)于共計(jì)99633組數(shù)據(jù)，本次實(shí)驗(yàn)選取前80000組為訓(xùn)練集，余下的19633組做測(cè)試集。

使用傅里葉基Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)辨識(shí)的仿真結(jié)果如圖4和圖5所示。圖3為測(cè)試集中19633組諧波系數(shù)的實(shí)際值與 網(wǎng)絡(luò)輸出值之間的誤差(以b3為例)。Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型訓(xùn)練結(jié)果如圖4所示，其為網(wǎng)絡(luò)輸出值與實(shí)際值對(duì)比圖，由于數(shù)據(jù)量較大導(dǎo)致圖像過(guò)于密集難以進(jìn)行分析，因此圖4中為輸出前800組預(yù)測(cè)結(jié)果。

通過(guò)圖4可以看出，傅里葉基Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果良好，網(wǎng)絡(luò)輸出曲線與實(shí)際值曲線基本吻合。但圖3網(wǎng)絡(luò)輸出誤差也能體現(xiàn)出網(wǎng)絡(luò)對(duì)b3預(yù)測(cè)誤差相對(duì)較大。進(jìn)一步對(duì)4個(gè)參數(shù)的預(yù)測(cè)精確度進(jìn)行計(jì)算并取10次平均值可得：a3的網(wǎng)絡(luò)預(yù)測(cè)精確度為97.32%、b3為96.53%、a5為96.97%、b5為96.64%。

圖4 傅里葉基Elman神經(jīng)網(wǎng)絡(luò)輸出值與實(shí)際值對(duì)比仿真圖

根據(jù)均方誤差下降曲線來(lái)分析神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的表現(xiàn)，從圖5可以看出，經(jīng)過(guò)208次迭代模型達(dá)到了收斂精度，且在110次迭代之前誤差下降迅速，之后網(wǎng)絡(luò)表現(xiàn)進(jìn)入曲線平坦區(qū)，延長(zhǎng)了收斂時(shí)間。由于諧波檢測(cè)算法的速度直接影響APF的動(dòng)態(tài)性能，為了提升收斂速度和預(yù)測(cè)精度，通過(guò)k-means聚類對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行集成，將聚類在同一簇的數(shù)據(jù)用于網(wǎng)絡(luò)訓(xùn)練；并采用PSO優(yōu)化算法找尋最優(yōu)的初始權(quán)值和閾值賦予神經(jīng)網(wǎng)絡(luò)提升檢測(cè)表現(xiàn)。輸入輸出集通過(guò)k-means及PCA降維進(jìn)行K=4的聚類，前1000組數(shù)據(jù)可表示為圖6。

圖5 神經(jīng)網(wǎng)絡(luò)誤差(mse)下降曲線

圖6 訓(xùn)練數(shù)據(jù)聚類結(jié)果

圖7 k-means及PSO優(yōu)化后參數(shù)b3網(wǎng)絡(luò)輸出誤差仿真圖

圖8 優(yōu)化后參數(shù)a3、a5、b5網(wǎng)絡(luò)輸出誤差仿真圖

PSO參數(shù)方面：將種群個(gè)數(shù)設(shè)置為20，進(jìn)化代數(shù)為100，慣性因子為0.8，加速因子c1和c2均設(shè)為1.49445。使用k-means及PSO改進(jìn)后的四個(gè)參數(shù)的網(wǎng)絡(luò)輸出誤差如圖7和圖8所示；諧波參數(shù)辨識(shí)誤差對(duì)比參見(jiàn)圖9。

圖9 各模型輸出誤差對(duì)比(b3)

從圖9可以看出本文提出的融合k-means的傅里葉基PSO-Elman神經(jīng)網(wǎng)絡(luò)在表現(xiàn)較差的參數(shù)b3辨識(shí)精度方面有了顯著提高，以前300個(gè)輸出為例，最大誤差幅值下降約50%。對(duì)比圖3與圖7也可以看出，b3預(yù)測(cè)誤差圖的寬度明顯變小，這說(shuō)明檢測(cè)精度有所提升。通過(guò)分析圖8可知，其它三個(gè)參數(shù)的預(yù)測(cè)誤差也均在±0.1之間。說(shuō)明該算法結(jié)合了k-means及PSO的優(yōu)點(diǎn)，使整個(gè)訓(xùn)練過(guò)程在數(shù)據(jù)分類處理和網(wǎng)絡(luò)參數(shù)尋優(yōu)方面都得到了優(yōu)化，提升了神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)性能與預(yù)測(cè)表現(xiàn)。

分析表1可知，重置為傅里葉基的Elman網(wǎng)絡(luò)RMSE下降一個(gè)數(shù)量級(jí)，結(jié)合聚類與PSO算法后進(jìn)一步下降；根據(jù)表2中的實(shí)驗(yàn)結(jié)果所示，本文提出的方法表現(xiàn)最好。

表1 不同ANN檢測(cè)方法均方根誤差對(duì)比

表2 不同ANN檢測(cè)方法精確率對(duì)比

4.2 電路仿真與分析

上一節(jié)仿真分析已經(jīng)證明本文提出的檢測(cè)方法具有較高精度，為驗(yàn)證基于k-means聚類和傅里葉基PSO-Elman諧波檢測(cè)方法在實(shí)際電路中的有效性，采用Matlab/Simulink搭建電路模型進(jìn)行仿真。

搭建如圖10所示仿真主電路。三相電源對(duì)稱，相電壓220V，頻率50Hz；三相不可控整流橋帶阻容性負(fù)載模擬導(dǎo)致電網(wǎng)電壓畸變的非線性諧波源；負(fù)載方面采用不控整流橋帶電阻模擬非線性負(fù)載[14]。示波器中A相相電流如圖11所示。

圖10 仿真主電路

圖11 A相相電流波形圖

通過(guò)powergui模塊設(shè)置信號(hào)類型為離散，采樣時(shí)間設(shè)為0.001s從而完成對(duì)該電流波形的20次采樣。將得到的20個(gè)采樣點(diǎn)數(shù)值輸入到訓(xùn)練好的網(wǎng)絡(luò)模型中，得到a3，b3，a5，b5的值分別為：0.0536、0.0472、0.0325、-0.0295。再通過(guò)式(3)、(4)折算出各次諧波的幅值和相位，可得網(wǎng)絡(luò)預(yù)測(cè)的含有諧波成分的信號(hào)為：

i(t)=sinωt+0.072sin(3ωt+41.38°)

+0.044sin(5ωt-42.23°)

(15)

上述網(wǎng)絡(luò)預(yù)測(cè)所得信號(hào)的波形如圖11虛線所示，對(duì)比示波器輸出波形(實(shí)線)可知該信號(hào)在幅值、相位與變化趨勢(shì)上基本與實(shí)際電流波形相吻合，說(shuō)明本方法對(duì)電網(wǎng)諧波有較好的檢測(cè)能力。

在搭建實(shí)際電路仿真模型中發(fā)現(xiàn)，當(dāng)電流幅值過(guò)大和5次以上諧波分量過(guò)多時(shí)，網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性下降。原因在于式(6)中僅含有基波和3次、5次諧波，且基波幅值為1，這就導(dǎo)致訓(xùn)練數(shù)據(jù)存在多樣性不足的問(wèn)題，未來(lái)可以通過(guò)補(bǔ)充不同幅值和諧波次數(shù)時(shí)的訓(xùn)練數(shù)據(jù)來(lái)提高網(wǎng)絡(luò)預(yù)測(cè)精度。

5 結(jié)論與展望

本文重置Elman神經(jīng)網(wǎng)絡(luò)激活函數(shù)，結(jié)合粒子群優(yōu)化算法并采用k-means聚類算法減少數(shù)據(jù)差異性的影響，針對(duì)諧波檢測(cè)問(wèn)題提出了諧波參數(shù)的k-means PSO-Elman(FB)辨識(shí)方法。該方法改進(jìn)了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)記憶缺失的缺點(diǎn)，同時(shí)也克服了Elman神經(jīng)網(wǎng)絡(luò)同樣容易陷入局部最優(yōu)、收斂緩慢的問(wèn)題，使其更適用于動(dòng)態(tài)變化的電網(wǎng)諧波檢測(cè)中。仿真結(jié)果表明，使用此方法時(shí)4個(gè)諧波參數(shù)的辨識(shí)精度均達(dá)到98%以上，與單純的Elman神經(jīng)網(wǎng)絡(luò)相比，誤差幅值也有明顯下降，說(shuō)明該方法能夠較好的實(shí)現(xiàn)諧波參數(shù)的辨識(shí)。通過(guò)物理驗(yàn)證也能反映此方法的可行性與準(zhǔn)確性。未來(lái)可以補(bǔ)充不同特征的諧波采樣數(shù)據(jù)，建立包含不同電壓等級(jí)、諧波次數(shù)和間諧波的網(wǎng)絡(luò)訓(xùn)練集，以更好的滿足諧波檢測(cè)對(duì)準(zhǔn)確性和實(shí)時(shí)性的要求。