一种基于人工神经网络的电力系统谐波信号估计测量方法
【技术领域】
[0001] 本发明属于电力系统领域，涉及一种基于人工神经网络的电力系统谐波信号估计 测量方法。
【背景技术】
[0002] 参数估计对于现代电力系统的运行有着重要意义。本发明所述的参数估计主要针 对电力系统中的谐波信号参数估计。通常而言，在电力系统的参数估计中，谐波信号参数估 计是目前要解决的核心和难点。电力系统数字化保护中，继电器采用基于频率的信号处理 算法，从采样得到的电压信号或电流信号中，可估计系统状态信息。在电能质量监控领域， 电力信号的电压幅值和相位检测皆是基于频率测量而进行的。在分布式发电系统并网过程 中，根据频率测量值可分析供电设备与电网之间的动态能量平衡关系。但是电力系统中电 力电子装置的广泛使用，可控硅转换装置和高频逆变器注入非正弦电流信号，导致电力信 号受到谐波和噪声信号的破坏而失真。因此快速并准确测量谐波信号参数成为当前电力系 统研宄热点。
[0003] 目前，国内外比较常用的方法有快速傅里叶变换，最小二乘法、牛顿递归法、自适 应陷波滤波法、最小均方误差法、正交分量滤波法等方法。这些方法各具特点，只能针对某 一特定的工程问题，在强噪声和谐波干扰条件下，大多表现不尽如人意。人工神经网络理 论，作为人工智能的一个最活跃的分支，其模拟人脑的工作方式，为解决复杂的非线性、不 确定性、不确知性系统的问题开创了一个崭新的途径。因而在电力系统应用研宄中受到了 广泛的关注。目前已在电力系统故障诊断、智能控制、继电保护和暂稳态计算、短期负荷预 报等系统计算优化中获得大量的研宄成果，并随着人工神经网络技术不断地成熟，人工神 经网络逐渐被应用到电力系统的其他各个方面。人工神经网络具有以下几个突出的特点： (1)大规模的并行计算与分布式存储能力；（2)高度的非线性能力；（3)较强的鲁棒性和容 错性；（4)自适应、自组织和自学习的能力；（5)非局域性；（6)非凸性。这些特点使得采用 人工神经网络进行电力信号滤波和参数估计成为了可能性。
【发明内容】
[0004] 有鉴于此，本发明的目的在于提供一种基于人工神经网络的电力系统谐波信号估 计测量方法，此算法利用三次采样正弦波关系模型对信号的平滑能力，以及人工神经网络 的自适应能力，改进了对信号突变跟踪的鲁棒性。另外，由于神经网络的高度并行运算能 力，则保证了此方法在线应用的实时性
[0005] 为达到上述目的，本发明提供如下技术方案：
[0006] 一种基于人工神经网络的电力系统谐波信号估计测量方法，属于电力系统领域。 该方法包括以下步骤：步骤一：获取目标信号；步骤二：确定滤波目标信号特征；步骤三： 初始化神经网络，并根据获取的目标信号建立离散信号模型；步骤四：对神经网络的相应 函数和参数进行选取，根据人工神经网络方法的递推规则，得到人工神经网络的离散算法 公式；步骤五：将离散目标信号输入到神经网络的输入层，对离散目标信号进行滤波和参 数估计，得到相应的电力信号参数。
[0007] 进一步，步骤一具体包括，通过电压互感器获取电力系统中的失真信号，并将该失 真信号调制为弱电信号制，从而得到滤波目标信号y。
[0008] 进一步，步骤二中，所述的滤波目标信号特征为，该信号为电力系统的所有正弦失 真信号，包括三相或单相、电流或电压。
[0009] 进一步，步骤三具体包括如下步骤：首先，将连续非线性的电力系统失真信号转换 为离散时间信号y k。之后，根据滤波目标信号的特征，采用连续三个采样时刻的电压等式关 系构建滤波模型。
[0010] 进一步，步骤四具体包括，假设神经网络每层有N个节点，X为神经网络权值，且权 值矩阵为X= [Χ0, X1，…xN]T，则可根据信号模型推出神经网络隐层神经无激励矩阵C。之 后根据权值矩阵和隐层神经无激励矩阵推出神经网络的输出函数Λ，误差函数ek表达式 及其性能指标J表达式。接着根据获得的各项表达式得出权值调整的相关公式。
[0011] 进一步，步骤五中利用人工神经网络进行滤波和参数估计采用以下步骤：
[0012] a初始化神经网络的权值等参数，并对神经网络各层节点数进行设定，根据经验对 学习速率〇 < η < 1进行取值，学习速率决定了每一次训练中的权值变化大小；
[0013] b输入离散目标信号yk给神经网络的输入层节点；
[0014] c根据计算神经网络对应该时刻输入的输出值丸；
[0015] d根据实际输出免和理论输出zk计算出此时的误差值ek，并采用逐层递归计算出 对应的性能指标J ;
[0016] e通过采用梯度算法对网络的权值进行调整，以达到逐步减小误差的目的，每次调 整量为ΔΧ ;
[0017] f时间参数k增加一个单位，之后重复b~e的步骤，直到达到最大训练次数。
[0018] 进一步，所述方法还包括以下步骤：为了甄别该方法的精准性，采用标准偏差STD 和差异系数COV对其精准性进行评判；另外，为了确定该方法满足实时应用，通过获得该方 法的计算时间来间接知道该方法的复杂程度，从而确定其是否满足实时应用要求。
[0019] 本发明的有益效果在于：本发明所述的方法，利用三次采样正弦波等式关系对信 号的平滑能力，以及人工神经网络的自适应能力，改进了对信号突变跟踪的鲁棒性。又由于 神经网络的高度并行运算能力，则保证了此方法在线应用的实时性，且能够较快速准确的 谐波信号，并保持较高的跟踪精度。这对于快速并准确对电力的失真电压（电流）信号进 行参数估计具有重要意义。
【附图说明】
[0020] 为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行 说明：
[0021] 图1为本发明的流程示意图；
【具体实