李 鵬

(云南省電力設(shè)計(jì)院，云南 昆明 650011)

0 引言

目前，由于人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)以及自學(xué)習(xí)的能力，因而在在電力系統(tǒng)諧波分析中的應(yīng)用越來越廣泛［1］.寧微微［2］等人將基于傅立葉基函數(shù)神經(jīng)網(wǎng)絡(luò)算法運(yùn)用到電力系統(tǒng)的諧波分析中.李自成［3］等人對一種神經(jīng)元自適應(yīng)諧波電流檢測方法進(jìn)行了數(shù)字仿真研究.柴旭崢［4］等采用Adaline神經(jīng)元算法進(jìn)行了電力系統(tǒng)諧波分析研究，該算法缺點(diǎn)在于精度不高，并且實(shí)時(shí)性不強(qiáng).向東陽［5］等人將漢寧窗插值算法用于電力系統(tǒng)諧波分析中，能夠有效檢測出非整數(shù)次的諧波，然而該算法的缺點(diǎn)在于受到步長以及動(dòng)量項(xiàng)的影響較大.一般而言，步長以及動(dòng)量項(xiàng)對電力系統(tǒng)諧波分析的精度和速度至關(guān)重要，步長以及動(dòng)量項(xiàng)需要多次選擇才能夠取得其最優(yōu)值.為此，本文提出了一種基于RPROP神經(jīng)網(wǎng)絡(luò)［6］的電力系統(tǒng)諧波分析算法.該算法能夠提高網(wǎng)絡(luò)的收斂速度，并且根據(jù)一種快速的加漢寧窗插值算法來取得網(wǎng)絡(luò)的初值.經(jīng)過驗(yàn)證，該算法的精度較高，并且不僅能分析整數(shù)次諧波，還能分析分?jǐn)?shù)次諧波.

1 基于BP神經(jīng)網(wǎng)絡(luò)的諧波分析算法

對于含有分?jǐn)?shù)次的諧波電力系統(tǒng)信號(hào)，其表達(dá)式如下所示:

其中:A0—直流分量;

A2k－1—第k次諧波的正弦分量幅值;

A2k—第k次諧波的余弦分量幅值;

ωk—角頻率.

假設(shè)神經(jīng)網(wǎng)絡(luò)的輸出為函數(shù)X(i)，將信號(hào)函數(shù)s(t)以及時(shí)間t分別離散化處理為S(i)和T(i).因此，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可見圖1.

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型圖

神經(jīng)網(wǎng)絡(luò)的輸出為函數(shù)X(i)，其表達(dá)式如下所示:

該網(wǎng)絡(luò)的誤差是所有點(diǎn)誤差平方和的一半，當(dāng)誤差值小于一定值時(shí)可認(rèn)為該網(wǎng)絡(luò)收斂.

2 基于RPROP神經(jīng)網(wǎng)絡(luò)的諧波分析算法

2.1 RPROP神經(jīng)網(wǎng)絡(luò)的算法原理

為了有效提高神經(jīng)網(wǎng)絡(luò)的收斂速度，本文采用了RPROP算法來訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò).假設(shè)Δi(n)為神經(jīng)網(wǎng)絡(luò)的可變參數(shù)調(diào)整量的幅值，其中，n為神經(jīng)網(wǎng)絡(luò)迭代的次數(shù).則Δi的表達(dá)式如下所示:

其中:E—神經(jīng)網(wǎng)絡(luò)的誤差;

W—由神經(jīng)網(wǎng)絡(luò)中可變參數(shù)組成的矩陣;

wi—矩陣中得第i個(gè)元素.

假設(shè)可變參數(shù)的調(diào)整量為Δωi(n)，則其表達(dá)式如下所示:

2.2 初始化算法

對RPROP算法而言，如果其初始點(diǎn)選擇不合適，可能出現(xiàn)神經(jīng)網(wǎng)絡(luò)收斂于局部的極小值，導(dǎo)致不合理情況出現(xiàn).因此，在非同步采樣情況下，引進(jìn)加Hanning窗插值傅立葉算法來彌補(bǔ).該算法的計(jì)算量較小，并且誤差不大.

2.3 RPROP算法計(jì)算步驟

本文所提出的基于RPROP神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)諧波分析，其計(jì)算步驟如下.

(1)根據(jù)幅值、相角校正公式來獲得神經(jīng)網(wǎng)絡(luò)可變參數(shù)的初始值;

(2)確定訓(xùn)練目標(biāo)以及允許的最大迭代次數(shù);

(3)根據(jù)公式(3)求解可變參數(shù)調(diào)整量的幅值;

(4)根據(jù)公式(4)求解可變參數(shù)的調(diào)整量;

(5)根據(jù)公式(5)確定可變參數(shù)的最優(yōu)值;

(6)計(jì)算誤差E.當(dāng)E小于確定目標(biāo)或迭代次數(shù)大于允許的最大迭代次數(shù)時(shí)，計(jì)算結(jié)束，否則，進(jìn)行步驟(2).

3 仿真模擬分析

對RPROP算法以及FFT-ANN算法進(jìn)行高精度以及低精度兩種情況的仿真分析比較，所采用的信號(hào)為:

表1 加Hanning窗插值算法的誤差

表2 高精度時(shí)FFT-ANN和RPROP兩種算法比較

表3 低精度時(shí)FFT-ANN和RPROP兩種算法比較

從表1可以看出，通過加Hanning窗插值算法的誤差明顯大于表2及表3中采用神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的誤差.而從表2可以看出，在高精度目標(biāo)下，RPROP神經(jīng)網(wǎng)絡(luò)算法在經(jīng)過96次訓(xùn)練后其誤差平方和能夠滿足小于10－8的目標(biāo)，并且最大誤差出現(xiàn)在相位上，僅為 3.53 ×10－4°;而 FFT-ANN 神經(jīng)網(wǎng)絡(luò)算法在經(jīng)過200次訓(xùn)練后起誤差平方和遠(yuǎn)大于為10－8的目標(biāo)，此時(shí)仍沒有收斂，并且各分量的誤差遠(yuǎn)遠(yuǎn)大于RPROP神經(jīng)網(wǎng)絡(luò)算法所產(chǎn)生的誤差.在高精度目標(biāo)下，RPROP神經(jīng)網(wǎng)絡(luò)算法耗時(shí)為58.0 ms，僅為FFT-ANN神經(jīng)網(wǎng)絡(luò)算法耗時(shí)125.3 ms的一半，并且前者的網(wǎng)絡(luò)參數(shù)無需選擇，后者需要對網(wǎng)絡(luò)參數(shù)進(jìn)行不斷試驗(yàn)選擇最優(yōu)值，因此RPROP神經(jīng)網(wǎng)絡(luò)算法的適應(yīng)性要高于FFT-ANN神經(jīng)網(wǎng)絡(luò)算法.從表3可以看出，在低精度目標(biāo)下，RPROP神經(jīng)網(wǎng)絡(luò)算法在經(jīng)過6次訓(xùn)練后其誤差平方和能夠滿足小于0.05的目標(biāo)，而FFT-ANN神經(jīng)網(wǎng)絡(luò)算法在需要經(jīng)過90次訓(xùn)練達(dá)到目標(biāo)，網(wǎng)絡(luò)能夠收斂，并且，RPROP神經(jīng)網(wǎng)絡(luò)算法耗時(shí)為3.4 ms，僅為FFT-ANN神經(jīng)網(wǎng)絡(luò)算法耗時(shí)57.7 ms的1/17，因此RPROP神經(jīng)網(wǎng)絡(luò)算法的實(shí)時(shí)性要高于FFT-ANN神經(jīng)網(wǎng)絡(luò)算法.

4 結(jié)論

基于RPROP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)諧波分析能夠有效避免意義不大的幅值信息的干擾，該算法由于利用了啟發(fā)式的訓(xùn)練模式，大大提高了網(wǎng)絡(luò)的收斂速度.與 FFT-ANN神經(jīng)網(wǎng)絡(luò)算法相比，基于RPROP神經(jīng)網(wǎng)絡(luò)算法提高了諧波分析的精確度、適應(yīng)性以及實(shí)時(shí)性，并且網(wǎng)絡(luò)參數(shù)無需選擇，具有一定的參考價(jià)值和實(shí)用價(jià)值.

［1］蔣春芳，劉 敏.基于雙插值FFT算法的間諧波分析［J］.電力系統(tǒng)保護(hù)與控制，2010，38(3):11 －14，19.

［2］寧薇薇，裴 源，劉立彥，等.基于傅立葉基函數(shù)神經(jīng)網(wǎng)絡(luò)算法的電力系統(tǒng)間諧波分析方法［J］.電力系統(tǒng)保護(hù)與控制，2008，36(12):12－16.

［3］李自成，孫玉坤.一種神經(jīng)元自適應(yīng)諧波電流檢測方法的數(shù)字仿真［J］.電力系統(tǒng)保護(hù)與控制，2009，37(5):1 －5，51

［4］柴旭崢，文習(xí)山，關(guān)根志，等.一種高精度的電力系統(tǒng)諧波分析算法［J］.中國電機(jī)工程學(xué)報(bào)，2003，23(9):67 －70.

［5］向東陽，王公寶，馬偉明，等.基于FFT和神經(jīng)網(wǎng)絡(luò)的非整數(shù)次諧波檢測方法［J］.中國電機(jī)工程學(xué)報(bào)，2005，25(9):35 －39.

［6］Riedmiller M，Braun H.A direct adaptiv method for faster back propagation learning:the RPROP algorithm［C］//Proceedings of the IEEE International Conference on Neural Networks.Piscataway(NJ):IEEE ，1993 ，586－591.

［7］謝 明，丁 康.頻譜分析的校正方法［J］.振動(dòng)工程學(xué)報(bào)，1994，7(2):172 －179.

［8］律方成，徐志鈕，李和明.結(jié)合粗調(diào)和細(xì)調(diào)的電力系統(tǒng)諧波分析算法［J］.電工技術(shù)學(xué)報(bào)，2007，22(6):114 －120.