CN103383413A - 基于权值直接确定法的实时谐波检测方法 - Google Patents

基于权值直接确定法的实时谐波检测方法 Download PDF

Info

Publication number
CN103383413A
CN103383413A CN2013102877719A CN201310287771A CN103383413A CN 103383413 A CN103383413 A CN 103383413A CN 2013102877719 A CN2013102877719 A CN 2013102877719A CN 201310287771 A CN201310287771 A CN 201310287771A CN 103383413 A CN103383413 A CN 103383413A
Authority
CN
China
Prior art keywords
harmonic
matrix
real
weight matrix
harmonic detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013102877719A
Other languages
English (en)
Inventor
李晗
阮秀凯
戴瑜兴
谈燕花
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN2013102877719A priority Critical patent/CN103383413A/zh
Publication of CN103383413A publication Critical patent/CN103383413A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于权值直接确定法的实时谐波检测方法，本发明的意义在于为电力***实时谐波检测提供一种新方法，该方法构建了正弦基函数神经网络结构，给出了适用于谐波检测的权值设计方法，以及通过单步计算获得正弦基函数神经网络的最优权值。本发明所述的基于权值直接确定法的实时谐波检测方法避开了传统谐波检测方法中冗长的网络训练而直接一步计算获得包含谐波幅度与相位信息的网络权，检测效率高。

Description

基于权值直接确定法的实时谐波检测方法
技术领域
 本发明属于信号处理领域，具体涉及一种基于权值直接确定法的实时谐波检测方法。 
背景技术
电力***中存在大量的非线性器件对电网电压电流整流、逆变而产生时变谐波，使得电力谐波污染问题日益严重，严重影响了电能质量的同时对电力***的安全、稳定、高效运行构成了威胁；而且，由于电力***谐波产生的随机性的，受电网非线性复杂的影响严重，实时检测电网的谐波难度很大，这些都使得现阶段进行电力谐波实时准确检测具有重要意义。
传统的基于模拟滤波器的谐波测量方法因对抗谐波畸变率大并具有电压具有附加相移的能力太弱而被淘汰；而傅里叶变换法存在频谱泄露与栅栏效应、无法检测非平稳性谐波等不足；小波检测法在检测电网暂态信号或信号奇异性上具有很好的优势，但是该方法所进行的信号分解会使得高通和低通滤波器组间存在交错，出现混频混叠现象，而且还存在窗口能量不集中的问题。其它还有基于智能优化算法的谐波检测方法，但是需要进行时频变换后再进行优化算法演化，复杂度较高。
神经网络算法的基本思路是采用物理可实现的***来模仿人脑神经细胞的结构和功能***，算法具有很好的非线性表达能力、并行处理能力、强鲁棒性以及自组织自学习的能力，被广泛使用在信号处理及模式识别领域，谐波检测问题相当于一个信号检测问题，可以尝试用神经网络的方法解决。
发明内容
本发明针对上述现有技术的不足，提供了一种基于权值直接确定法的实时谐波检测方法；该基于权值直接确定法的实时谐波检测方法可以增强谐波检测的实时性，避开传统谐波检测方法中冗长的网络训练而直接一步计算获得包含谐波幅度与相位信息的网络权值，进而从该权值矩阵中提取基波和各次谐波的幅度与相位，从而达到检测各次谐波的目的。
本发明是通过如下技术方案实现的：
一种基于权值直接确定法的实时谐波检测方法，包括以下步骤：
（1）将电力***中含有各次谐波的周期性信号表示为：
                                                                              （2）
其中，                                                为基波角频率，
Figure 138804DEST_PATH_IMAGE002
，
Figure 380429DEST_PATH_IMAGE003
为基波频率， i为谐波次数，
Figure 796498DEST_PATH_IMAGE004
和
Figure 174390DEST_PATH_IMAGE005
分别为第
Figure 775136DEST_PATH_IMAGE006
次谐波的幅度和相位；
Figure 113844DEST_PATH_IMAGE007
为最高次谐波次数；
（2）将公式（1）进行离散化并展开成矩阵形式，则第
Figure 458238DEST_PATH_IMAGE008
个采样值表示为
Figure 690636DEST_PATH_IMAGE009
，其中，，
Figure 288288DEST_PATH_IMAGE011
为采样数，
Figure 170793DEST_PATH_IMAGE012
为采样周期，
Figure 375206DEST_PATH_IMAGE013
，
Figure 317754DEST_PATH_IMAGE014
；
（3）设定正弦基神经网络输入输出层的线性激励函数
Figure 755688DEST_PATH_IMAGE015
；
（4）将正弦基神经网络的权值矩阵设计为
Figure 317251DEST_PATH_IMAGE016
的形式，即令权值矩阵；
（5）构造正弦基函数矩阵
Figure 637691DEST_PATH_IMAGE018
   ；  
（6）根据正弦基函数矩阵以及权值矩阵，采用直接确定权值法单步获得权值矩阵的估计值
Figure 662596DEST_PATH_IMAGE020
；其中，上标+表示矩阵伪逆运算， ；
（7）根据权值矩阵
Figure 883810DEST_PATH_IMAGE019
的估计值计算基波与各次谐波的准确幅度和相位，重构出基波和各次谐波。
本发明所述的基于权值直接确定法的实时谐波检测方法基于神经网络进行谐波测量，具有检测精度高、测量准确好、实时性强与抗干扰性能好的优点。
下面结合附图对本发明做进一步的描述。
附图说明
图1是本发明的正弦基神经网络结构图；
图2是本发明在分析信号为，基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下分析获得的波形图；
图3是本发明在分析信号为
Figure 324335DEST_PATH_IMAGE022
，基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下分析获得的输入输出整体对比图；
图4是本发明在分析信号为，基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下分析获得的输入输出幅度误差图。
图5是本发明在分析信号为
Figure 836536DEST_PATH_IMAGE022
，基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下分析获得的输入输出相位误差图。
具体实施方式
本发明提供了一种基于权值直接确定法的实时谐波检测方法，包括以下步骤：
（1）将电力***中含有各次谐波的周期性信号模型采用三角函数和差化积公式展开，则电力***中含有各次谐波的周期性信号可表示为
Figure 470780DEST_PATH_IMAGE023
                           （1）
其中，
Figure 912257DEST_PATH_IMAGE024
为第
Figure 213925DEST_PATH_IMAGE006
次谐波的角频率，，
Figure 961618DEST_PATH_IMAGE003
为基波频率，
Figure 206786DEST_PATH_IMAGE004
和
Figure 362961DEST_PATH_IMAGE005
分别为第次谐波的幅度和相位；
Figure 644218DEST_PATH_IMAGE025
为最高次谐波次数，
Figure 552131DEST_PATH_IMAGE007
为最高次谐波次数。将式（1）用三角函数变换公式进一步表示为
Figure 562812DEST_PATH_IMAGE026
                          （2）
其中：
Figure 530768DEST_PATH_IMAGE001
为基波角频率，j为谐波次数，
Figure 502266DEST_PATH_IMAGE012
为采样周期。
（2）将公式（2）进行离散化并展开成矩阵形式，第个采样值
Figure 79058DEST_PATH_IMAGE027
即可表达成如下形式：
Figure 93282DEST_PATH_IMAGE028
               
其中，
Figure 676710DEST_PATH_IMAGE010
，
Figure 192005DEST_PATH_IMAGE011
。
（3）设定正弦基神经网络输入输出层的线性激励函数
Figure 911699DEST_PATH_IMAGE015
； 
（4）正弦基函数神经网络权值设计；
从矩阵
Figure 96824DEST_PATH_IMAGE016
的形式可发现，谐波的幅度与相位信息均包含在矩阵中，而且该矩阵与任何信号输入采样值无关；继续观察该矩阵可以发现，其元素由
Figure 220955DEST_PATH_IMAGE029
，
Figure 936101DEST_PATH_IMAGE030
，组成，如果可以准确获得该矩阵的各元素值，那么就可以根据三角函数的相关性质就可精确获得第i次谐波幅度和相应相位。
据此，我们将神经网络权值矩阵设计为
Figure 974781DEST_PATH_IMAGE016
的形式，即令权值矩阵
Figure 566299DEST_PATH_IMAGE017
即可。
因此，一旦获得权值矩阵，即可计算出基波幅度为
Figure 135952DEST_PATH_IMAGE031
，相位为
Figure 53093DEST_PATH_IMAGE032
；同理，获得第k次谐波的幅度与相位分别为
Figure 832830DEST_PATH_IMAGE033
，
Figure 103405DEST_PATH_IMAGE034
，
Figure 917777DEST_PATH_IMAGE035
，从而可重构出基波和各次谐波。
（5）正弦基函数矩阵设计
因为
Figure 740240DEST_PATH_IMAGE036
是一个元素值仅与采样有关的矩阵。
Figure 7273DEST_PATH_IMAGE036
的作用类似于将输入的采样点进行函数映射，获得函数输出，那么就可以将该矩阵元素作为正弦三角基函数。
那么，根据采样点的输入变化，可构成如下正弦基函数矩阵
Figure 81540DEST_PATH_IMAGE018
   （3）
其中：2
Figure 750418DEST_PATH_IMAGE007
为隐层神经元个数，为采样数，
Figure 498112DEST_PATH_IMAGE011
，
Figure 110490DEST_PATH_IMAGE027
为输入信号采样值，
Figure 633875DEST_PATH_IMAGE010
；
如上就完成了正弦基神经网络的设计，该网络采用三层结构（如图1所示），包括输入层、隐含层和输出层。
（6）根据正弦基函数矩阵以及权值矩阵，采用直接确定权值法单步获得权值矩阵的估计值；
具体地讲，即构造如下优化问题
Figure 180711DEST_PATH_IMAGE038
其中：
Figure 455834DEST_PATH_IMAGE021
为谐波输入信号采样向量，
Figure 974672DEST_PATH_IMAGE037
为采样数。要构造一步求解，必须保证
Figure 309838DEST_PATH_IMAGE039
的一阶偏导为零向量，且二阶偏导矩阵为一正定矩阵，才可以保证该优化问题具有唯一最小解。下面来验证该两矩阵。
首先对
Figure 38760DEST_PATH_IMAGE019
求一阶导并令其值等于零向量，获得
Figure 992940DEST_PATH_IMAGE040
若
Figure 490918DEST_PATH_IMAGE041
满秩，则有解
这里上标+表示矩阵伪逆运算。
继续求其二阶导：
Figure 88569DEST_PATH_IMAGE043
显然该矩阵为一个正定矩阵。所以如上优化问题具有唯一解：
Figure 971075DEST_PATH_IMAGE044
（7）根据权值矩阵
Figure 323559DEST_PATH_IMAGE019
的估计值计算基波与各次谐波的准确幅度和相位，重构出基波和各次谐波；
具体的讲，即基波幅度为
Figure 141473DEST_PATH_IMAGE031
，相位为；同理，获得第k次谐波的幅度与相位分别为
Figure 25DEST_PATH_IMAGE033
，
Figure 347960DEST_PATH_IMAGE034
，
Figure 461410DEST_PATH_IMAGE035
，据此即可重构出基波和各次谐波。
实例展示：假设分析信号为
Figure 386641DEST_PATH_IMAGE022
，基频为50Hz，谐波和相位随机产生，10分贝高斯白噪声情况下
图2是本发明在分析获得的各次波形图。图3是通过本发明方法所获得的输入输出整体对比图。图4和图5分别通过本发明方法所获得的输入输出各次谐波的幅度和相位误差图。从结果可以获知本发明可以获得非常良好的谐波检测效果，检测误差小准确度高，具有很好的应用价值。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。

Claims (1)

1.一种基于权值直接确定法的实时谐波检测方法，其特征在于，包括以下步骤：
（1）将电力***中含有各次谐波的周期性信号表示为：
Figure 460935DEST_PATH_IMAGE001
              （2）
其中，
Figure 873462DEST_PATH_IMAGE002
为基波角频率，
Figure 698199DEST_PATH_IMAGE003
，为基波频率，i为谐波次数，和
Figure 297173DEST_PATH_IMAGE006
分别为第次谐波的幅度和相位；
Figure 961690DEST_PATH_IMAGE008
为最高次谐波次数；
（2）将公式（1）进行离散化并展开成矩阵形式，则第
Figure 587843DEST_PATH_IMAGE009
个采样值表示为
Figure 37279DEST_PATH_IMAGE010
，其中，
Figure 141501DEST_PATH_IMAGE011
，
Figure 359993DEST_PATH_IMAGE012
，
Figure 157048DEST_PATH_IMAGE013
为采样周期，
Figure 828200DEST_PATH_IMAGE014
，
Figure 1693DEST_PATH_IMAGE015
；
（3）设定正弦基神经网络输入输出层的线性激励函数
Figure 12374DEST_PATH_IMAGE016
；
（4）将正弦基神经网络的权值矩阵设计为的形式，即令权值矩阵
Figure 138779DEST_PATH_IMAGE018
；
（5）构造正弦基函数矩阵
Figure 584804DEST_PATH_IMAGE019
  ；  
（6）根据正弦基函数矩阵以及权值矩阵，采用直接确定权值法单步获得权值矩阵的估计值
Figure 919675DEST_PATH_IMAGE021
；其中，上标+表示矩阵伪逆运算， 
Figure 565420DEST_PATH_IMAGE022
；
（7）根据权值矩阵
Figure 815135DEST_PATH_IMAGE020
的估计值计算基波与各次谐波的准确幅度和相位，重构出基波和各次谐波。
CN2013102877719A 2013-07-09 2013-07-09 基于权值直接确定法的实时谐波检测方法 Pending CN103383413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013102877719A CN103383413A (zh) 2013-07-09 2013-07-09 基于权值直接确定法的实时谐波检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013102877719A CN103383413A (zh) 2013-07-09 2013-07-09 基于权值直接确定法的实时谐波检测方法

Publications (1)

Publication Number Publication Date
CN103383413A true CN103383413A (zh) 2013-11-06

Family

ID=49491257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013102877719A Pending CN103383413A (zh) 2013-07-09 2013-07-09 基于权值直接确定法的实时谐波检测方法

Country Status (1)

Country Link
CN (1) CN103383413A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106771592A (zh) * 2017-02-17 2017-05-31 华中科技大学 一种电力***谐波检测方法
CN108663570A (zh) * 2018-03-15 2018-10-16 杭州市电力设计院有限公司 基于三角函数神经网络的电流谐波分析方法
CN109581054A (zh) * 2018-11-23 2019-04-05 温州晶彩光电有限公司 一种岸基船用变频供电***的实时谐波快速检测方法
CN110967556A (zh) * 2019-11-08 2020-04-07 温州商学院 基于反馈神经网络的实时谐波检测方法
CN112180762A (zh) * 2020-09-29 2021-01-05 瑞声新能源发展(常州)有限公司科教城分公司 非线性信号***构建方法、装置、设备和介质
CN114325544A (zh) * 2021-12-02 2022-04-12 国网河南省电力公司电力科学研究院 电容式电压互感器谐波测量模型的获取方法及其应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100049412A (ko) * 2008-11-03 2010-05-12 현대중공업 주식회사 전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파 요소 측정방법
CN102288820A (zh) * 2011-08-05 2011-12-21 上海理工大学 基于锁相环和神经网络相结合的谐波检测方法
CN102353839A (zh) * 2011-07-18 2012-02-15 华北电力大学（保定） 基于多层前馈神经网络的电力***谐波分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100049412A (ko) * 2008-11-03 2010-05-12 현대중공업 주식회사 전기품질 분석을 위한 시간영역에서 왜곡파형의 고조파 요소 측정방법
CN102353839A (zh) * 2011-07-18 2012-02-15 华北电力大学（保定） 基于多层前馈神经网络的电力***谐波分析方法
CN102288820A (zh) * 2011-08-05 2011-12-21 上海理工大学 基于锁相环和神经网络相结合的谐波检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EYAD K. ALMAITA, ETC: "Radial Basis Function Neural Networks(RBFNN) and p-q Power Theory Based Harmonic Identification in Converter Waveforms", 《JOURNAL OF POWER ELECTRONICS》, vol. 11, no. 6, 30 November 2011 (2011-11-30) *
张旭: "三种RBF神经网络比较分析", 《软件导刊》, vol. 12, no. 4, 30 April 2013 (2013-04-30) *
李承 等: "一种具有正弦基函数权值的反馈型神经网络模型", 《物理学报》, vol. 61, no. 7, 31 July 2012 (2012-07-31) *
雷锡社 等: "基于神经网络的高精度电力***谐波分析", 《电测与仪表》, vol. 44, no. 3, 31 March 2007 (2007-03-31) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106771592A (zh) * 2017-02-17 2017-05-31 华中科技大学 一种电力***谐波检测方法
CN108663570A (zh) * 2018-03-15 2018-10-16 杭州市电力设计院有限公司 基于三角函数神经网络的电流谐波分析方法
CN108663570B (zh) * 2018-03-15 2023-05-23 杭州市电力设计院有限公司 基于三角函数神经网络的电流谐波分析方法
CN109581054A (zh) * 2018-11-23 2019-04-05 温州晶彩光电有限公司 一种岸基船用变频供电***的实时谐波快速检测方法
CN110967556A (zh) * 2019-11-08 2020-04-07 温州商学院 基于反馈神经网络的实时谐波检测方法
CN112180762A (zh) * 2020-09-29 2021-01-05 瑞声新能源发展(常州)有限公司科教城分公司 非线性信号***构建方法、装置、设备和介质
CN114325544A (zh) * 2021-12-02 2022-04-12 国网河南省电力公司电力科学研究院 电容式电压互感器谐波测量模型的获取方法及其应用

Similar Documents

Publication Publication Date Title
CN103308804B (zh) 基于快速k-s变换电能质量扰动信号时频参数提取方法
CN103383413A (zh) 基于权值直接确定法的实时谐波检测方法
CN103454497B (zh) 基于改进加窗离散傅立叶变换的相位差测量方法
Pan et al. Nonlinear sparse mode decomposition and its application in planetary gearbox fault diagnosis
CN104714075B (zh) 一种电网电压闪变包络参数提取方法
CN103257271A (zh) 一种基于stm32f107vct6的微电网谐波与间谐波检测装置及检测方法
CN105424359A (zh) 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法
CN103941091A (zh) 基于改进emd端点效应的电力***hht谐波检测方法
CN105510711A (zh) 一种改进的经验模态分解的谐波分析法
Li et al. Period-assisted adaptive parameterized wavelet dictionary and its sparse representation for periodic transient features of rolling bearing faults
CN102288807A (zh) 一种测量电网电压闪变的方法
CN102841251A (zh) 一种微网中电动汽车充电站谐波检测法
CN106250904B (zh) 基于改进s变换的电能扰动分析仪及分类方法
CN109142863B (zh) 一种电力***测频方法及***
CN105572501A (zh) 一种基于sst变换和ls-svm的电能质量扰动识别方法
CN105445541A (zh) 一种任意频率下自适应功率计算方法
Li et al. A VME method based on the convergent tendency of VMD and its application in multi-fault diagnosis of rolling bearings
CN111308260A (zh) 一种基于小波神经网络的电能质量监测和电器故障分析***及其工作方法
CN104483539A (zh) 一种基于泰勒展开式的有功功率快速测量方法
CN105606892A (zh) 一种基于sst变换的电网谐波与间谐波分析方法
CN110174553A (zh) 一种基于解析模态分解的密集频率谐波/间谐波检测方法
CN110967556A (zh) 基于反馈神经网络的实时谐波检测方法
CN104808060B (zh) 一种电信号相位差的数字化测量方法
CN105372492A (zh) 基于三条dft复数谱线的信号频率测量方法
CN205721844U (zh) 基于改进s变换的电能扰动分析仪

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20131106