基于神經網絡的有源電力濾波器應用研究

電網的諧波濾波對于維護電網的供電質量意義重大，特別對于關鍵供電設備受諧波影響很大，更需要高質量的電源作保證。而要保證電網中濾波的效率和準確率，就必須準確的判斷諧波的次數和幅值大小。所以關鍵問題在于諧波的檢測和判斷，特別對于電網負荷大幅波動的情況下，諧波的快速準確檢測更有重大的價值。

　　一、電網諧波的傳統檢測方法

　　諧波檢測的傳統方法也有很多，其中重點在于對電流諧波的檢測。綜合來講，主要有以下幾種諧波檢測方法：

　　1） 傅立葉分析方法：主要是對檢測到的電流電壓信號進行傅立葉分析，分解出高次諧波的頻譜，最后計算出應該加入的濾波裝置參數;

　　2） 小波分析方法：本質上是傅立葉分析方法的一個擴展，只不過在頻譜的提取上更有特點，計算方式與傅立葉方法類似;

　　3） 零序電流分析方法：通過檢測零序電流和瞬時無功功率來進行諧波分析;

　　4） PI調節濾波器法：通過PI調節技術結合濾波技術，來檢測特定次的諧波含量;

　　5） 等功率法：通過檢測直流側電容的平均電壓來判定電網諧波;

　　6） 其它基于先進控制理論的諧波檢測技術，如神經網絡理論等。

　　二、BP神經網絡技術

　　BP（Back propagation）網絡是一種單向傳播的多層前向網絡，是一種利用誤差反向傳播訓練算法的神經網絡。解決了多層網絡中隱含單元連接權的學習問題。

　　對于系統的輸入M和輸出L，BP神經網絡可看成是從M維歐氏空間到L維歐氏空間的映射，這種映射的一大特點是高度的非線性，用途非常廣泛，結構如圖2.1所示其中包括：

　　1） 數據壓縮技術：圖像數據的壓縮存儲和圖像特征的抽取;

　　2） 模式識別技術：用于信息的識別比如文字，語言等，特別適用于對特征的判斷;

　　3） 函數逼近：用于復雜工業系統的建模和控制，特別適合于強耦合和非線性的系統。

圖2.1 BP神經網絡結構

　　考慮用BP網絡技術來檢測諧波主要也是基于電力系統動態諧波的特點而定的，電網里面的諧波次數很多，過去的一個關鍵設備就是一種并行的濾波式檢測裝置。這種裝置的原理方框圖如圖2.2所示，它的實時性和準確性都還不錯，但由于濾波器數量太多，造成整套裝置十分復雜，故障率和可靠性比較低，且無法根據需要進行功能上的修改，適應性較差。

圖2.2 并行濾波式諧波檢測裝置方框圖

　　比較圖2.1和圖2.2，可以考慮用BP網絡來代替圖2.2中的硬件電路，用神經網絡的學習方法來加以代替。可以將實際電網的輸入信號看成是待測量信號，進行一系列的采樣和自我學習。BP網絡的輸出得出的是所要檢測的各次諧波電流信號的幅值，得到的這些電流信號是有源電力濾波器的補償電流發生電路所需要的指令電流信號的重要部分。基于這種思想，可以考慮用BP神經網絡來進行的諧波電流的檢測，本文中，將做一下仿真研究。

　　三.BP神經網絡與電網諧波檢測

　　3.1 電力系統諧波特點

　　在電力系統中，判斷諧波的大小有一個量化指標，常用總諧波畸變率（THD）來度量電壓和電流的質量。

　　（3.1）

　　上式中， Ah表示第h次諧波幅值; A1表示基波I1（t）幅值。

　　有源電力濾波器在本質上就是通過降低電力系統中的總諧波畸變率，使電能質量達到國家制定的電能質量標準。在電力系統中的諧波可以歸納出以下的這些特點：

　　1） 奇次諧波是電網中諧波的主要成分，而且奇次諧波的幅值也不會超過基波幅值的70%,高次諧波的幅值都比較小，所以要重點考慮奇次諧波的濾波;

　　2） 電力系統畸變電流中所含有的奇次諧波分量很多，但有幾種是嚴重影響電能質量的，包括5次、7次、11次和13次諧波;

　　3） 實際操作中，有源電力濾波器的檢測環節先檢測出這幾種諧波，然后控制補償和濾波電路進行動作，濾掉這幾種影響較大的諧波，從而顯著降低 中的諧波含量，也就大幅度降低了電力系統的總諧波畸變率。

　　基于以上分析，本文提出了下面的檢測方案，如圖3.1所示。即用一個輸入節點為128,輸出節點為3的BP網絡來實現有源電力濾波器對諧波電流的檢測;輸出層的期望輸出分別是5次、7次、11次和13次諧波的幅值;輸入層的輸入為畸變波在一個基波周期的128個采樣值（當基波的頻率為50Hz時，采樣周期取0.02/127s）。

圖3.1 基于BP網絡的諧波電流檢測方案

　3.2 BP諧波檢測網絡的實現

　　BP網絡中的一個關鍵步驟是關于隱含層的設計，包括隱含層的數量和對應關系等問題。若BP網絡中的每個輸出諧波都與同一個隱層相連接，輸出層和隱層之間的連接權對對諧波濾波值可以給出最佳值，但是整個系統的記憶負擔太重，而降低系統的效能，并有可能相互影響。但是如果使每次諧波分別對應于一個隱層，即都有自己的隱層，每個隱層只負責記憶自己所對應的那個諧波的隱含映射關系，將會更好地克服由于一個隱層帶有的諧波之間相互影響的問題。

　　在本文中我們對圖3.1所示的多層前饋神經網絡的訓練采用的是一種啟發式學習算法即動量BP算法（MOBP），該算法采用動量法調整策略，可顯著降低網絡對于誤差曲面局部細節的敏感性，有效的抑制網絡陷入局部極小，在網絡訓練中MOBP采用式（3.1）和式（3.2）修正權值和閾值。

　　在式（3.1）和（3.2）中： 是學習速率，γ是動量系數。m是指網絡的第m層， 是近似均方誤差對m層輸入的敏感性，b是網絡權值，w是網絡閾值，Y是網絡輸出層的輸出，T是矩陣轉置。

　　四.仿真研究

　　用上述構成的組合控制進行仿真，將電流檢測應用到有源電力濾波器中觀察波形，神經網絡輸出層采用非線性激活函數logsig和線性激活函數pureline進行檢測結果對比，根據仿真值計算所得的THD平均值如表1所示：

表1 測試樣本補償前后的平均THD值

　　采用訓練好的BP網絡檢測實驗仿真濾波器電路的電流波形，其中電源電流波形和濾波器注入電流波形分別如圖4.1至圖4.5所示。

圖4.1 電源電流波形

圖4.2 濾波器注入電流波形

圖4.3 沒有濾波裝置時的系統電流

圖4.4 投入混合型有源濾波器后的系統電流

圖4.5 不同情況下系統電流頻譜比較

　　表1和圖4.1、圖4.2表明總諧波畸變率經諧波補償后得到了明顯的下降，說明該諧波電流檢測方法能較好的進行諧波電流檢測并比較好的進行補償。

　　結束語

　　本文從瞬時無功功率入手，通過對BP網絡模型、檢測方法等方面的改進進行組合控制, 在負載突變時引進神經網絡提高準確實時性，得到了準確實時性好的諧波檢測方法，結合有源濾波器將檢測方法應用到檢測環節通過仿真結果可以看出該方法為分析和設計諧波動態檢測提供了有效的手段和工具。