一种分布式电源谐波检测方法及装置的制造方法
【技术领域】
[0001] 本发明涉及电能质量分析领域，更具体地，涉及一种分布式电源谐波检测方法及 装置。
【背景技术】
[0002] 近年来，以电力为中心的新一轮能源革命的序幕已经拉开，其目的是实现以智能 电网为核心的低碳能源。于2012年4月26日在京召开的第六届电能质量国际研讨会，把电 能质量与智能电网作为主题，并重点讨论了模块化新能源接入的电能质量问题、分布式电 源相关的电能质量测量与评估问题等。由此可以看出，分布式电源的有效利用得到了学术 界和科技界的大力关注。从分布式电源用多种小型连接电网的设备发电和储能的特点看， 分布式电源具有不易出现规模性瓦解、可跟踪电力负荷的变化及采用热电联产及能源梯级 式利用时可大大提高资源的利用率的特性。在我国大电网集中供电的背景下，分布式电源 作为重要的电源补充将发挥巨大的作用。但分布式电源由于自身不稳定特性，使其在应用 时电能质量问题比较突出，其中包括谐波、电压闪变等。另外在并网时，对电网造成很大的 冲击。研究解决分布式电源电能质量问题具有重要的现实意义。
[0003] 要解决分布式电源电能质量问题，先要对其电能质量参数进行检测，目前国内外 通常的电能质量检测有在线检测、定期或不定期检测和专门测量三种，而从电能质量检测 方法方面来看可大致分为时域仿真方法、频域检测方法、人工智能方法等几大类。基于人 工智能的方法是目前研究的热点，人工神经网络是人工智能方法当中的一种，目前，它主要 应用在电能质量的谐波测量、间谐波测量和扰动类型识别当中。它虽然在实际应用当中显 示了其优越性，但也有一些不足之处。人工神经网络在投入运用之前，需要训练样本训练网 络。而在某些应用中，要寻找到一组具有代表性的样本并不是一件容易的事情。当拥有这 样一组较为理想的样本之后，训练网络时很可能会遇到不收敛或者收敛速度慢的问题；假 若问题或者网络结构需要改变，那么网络就需要重新训练；训练当中还有可能出现过学习 的问题。综上可以看出现有的电能谐波检测方法不能满足电能质量检测的实际需求。
【发明内容】
[0004] 本发明提供一种快速的分布式电源谐波检测方法。
[0005] 为了达到上述技术效果，本发明的技术方案如下：
[0006] -种分布式电源谐波检测方法，包括：
[0007] 基于学习向量量化LVQ神经网络构建电能质量检测模型；
[0008] 利用粒子群算法PS0优化所述电能质量检测模型；
[0009] 利用优化后的所述电能质量检测模型，依据输入的电能质量信号中的谐波信息， 对所述电能质量信号的谐波及间谐波扰动进行检测。
[0010] 进一步地，所述电能质量检测模型包括分别由多个神经元组成的输入层、竞争层 及输出层；
[0011] 所述输入层中的每个神经元分别与所述竞争层中的所有神经元连接，其中所述输 入层的神经元与所述竞争层的神经元的一次连接对应一个连接权值；所述竞争层的每个神 经元所对应的所有所述连接权值构成其自身的参考向量；
[0012] 所述竞争层中的神经元与所述输出层中的神经元一一对应连接；
[0013] 所述输出层，用于对外输出所述电能质量信号谐波及间谐波的检测结果
[0014] 进一步地，所述利用PS0优化所述电能质量检测模型包括：
[0015] 建立粒子群，其中所述粒子群中粒子的位置的分量与所述电能质量检测模型中的 连接权值一一对应；
[0016] 利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度；
[0017] 其中，每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，并利用 得到的粒子的最优适应度位置获取粒子群的最优适应度位置，以及，利用所述粒子群的最 优适应度位置更新所述电能质量检测模型中的所有所述连接权值；
[0018] 当所述粒子群迭代算法达到设定的迭代次数，或，所述电能质量检测模型的实际 输出和预期输出的差值满足预设范围时，停止对粒子群中粒子位置和速度的更新。
[0019] 进一步地，所述建立粒子群，包括：
[0020] 建立初始种群数目为n，以及迭代次数为T的粒子群，其中所述粒子群中的粒子的 维度为所述电能质量检测模型中所有连接权值的数目，并随机产生所述粒子群中所有粒子 的初始位置和初始速度，以及确定每个粒子初始的最优适应度位置和所述粒子群初始的最 优适应度位置；
[0021] 建立所述粒子群中粒子的位置的分量与所述电能质量检测模型中的连接权值的 -对应关系。
[0022] 进一步地，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和 速度，包括：
[0023] 依次判断每个粒子的当前位置是否小于和其对应的设定位置，且判断每个粒子的 当前速度是否小于和其对应的设定速度，如果当前粒子的判断结果均为是，则重新初始化 所述粒子群；如果当前粒子的判断结果至少有一项为否，则更新当前粒子的位置和速度。
[0024] 进一步地，所述每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位 置，包括：
[0025] 每次更新粒子的位置和速度后，计算粒子当前的适应度值；
[0026] 依次判断每个粒子当前的所述适应度值是否优于其当前的最优适应度位置对应 的适应度值，如果是，则利用粒子的当前位置替换所述粒子的最优适应度位置。
[0027] 进一步地，所述利用得到的粒子的最优适应度位置获取粒子群的最优适应度位 置，包括：
[0028] 依次判断每个粒子当前的最优适应度位置的适应度值是否优于所述粒子群的最 优适应度位置的适应度值，如果当前进行判断的粒子当前的最优适应度位置的适应度值优 于所述粒子群当前的最优适应度位置的适应度值，则将所述粒子群的最优适应度位置更新 为当前进行判断的粒子的最优适应度位置。
[0029] 进一步地，所述计算粒子当前的适应度值，包括：
[0030] 利用公式
）计算粒子当前的适应度值；
[0031] 其中，N为训练样本总数；Y和冗分别为相应于第i个训练样本的输出层的期望 输出和实际输出。
[0032] 进一步地，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和 速度，包括：
[0033] 采用公式I#1 =虜| + ￡^(尨- 4) +研(4 -4)更新粒子的速度；
[0034] 利用公式力1 +vy更新粒子的位置；
[0035] 其中：ω为惯性权重；
[0036] 为第i个粒子第k次迭代时速度在维度d上的分量；
[0037] 蟋为第i个粒子第k次迭代时位置在维度d上的分量；
[0038] 第i个粒子第k次迭代时粒子的最优适应度位置在维度d上的分量；
[0039] 为第k次迭代时整个所述粒子群的最优适应度位置在维度d上的分量；
[0040] ξ和η为预设的介于〇与1之间的随机数；
[0041 ]cl与c2为学习因子。
[0042] 一种分布式电源谐波检测装置，包括：
[0043] 模型构建模块，用于基于学习向量量化LVQ神经网络构建电能质量检测模型；
[0044] 模型优化模块，用于利用粒子群算法PS0优化所述电能质量检测模型；
[0045] 谐波检测模块，用于利用优化后的所述电能质量检测模型，依据输入的电能质量 信号中的谐波信息，对所述电能质量信号的谐波及间谐波扰动进行检测。
[0046] 与现有技术相比，本发明技术方案的有益效果是：
[0047] 本发明方法利用粒子群算法优化由LVQ神经网络构建的电能质量检测模型，克服 现有神经网络在电能质量检测中获取样本不易，当拥有这样一组较为理想的样本