CN116031894B - 一种有源滤波器的控制方法 - Google Patents
一种有源滤波器的控制方法 Download PDFInfo
- Publication number
- CN116031894B CN116031894B CN202310319409.9A CN202310319409A CN116031894B CN 116031894 B CN116031894 B CN 116031894B CN 202310319409 A CN202310319409 A CN 202310319409A CN 116031894 B CN116031894 B CN 116031894B
- Authority
- CN
- China
- Prior art keywords
- network
- fundamental wave
- signal
- loss
- harmonic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 124
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/20—Active power filtering [APF]
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种有源滤波器的控制方法,包括:获取供电线路中的原始信号;将所述原始信号输入所述有源滤波器的网络模型,以输出滤除谐波干扰后的电压或电流信号,所述有源滤波器的网络模型包括生成对抗网络中的基波生成网络;其中,所述有源滤波器的网络模型通过以下方法训练得到:获取训练数据集,所述训练数据集包括谐波样本信号以及对应的基波信号;根据所述训练数据集对所述生成对抗网络进行训练,并将训练好的生成对抗网络中的基波生成网络作为所述有源滤波器的网络模型。根据本发明的方案,有效提高了现有有源滤波器对谐波成分的滤除效果,并减少谐波危害。
Description
技术领域
本发明一般地涉及有源滤波器技术领域。更具体地,本发明涉及一种有源滤波器的控制方法。
背景技术
随着电力电子设备的广泛应用,电力***中非线性负载不断增加,电网中的谐波污染也日益严重。谐波会对电力***的安全造成严重的危害,主要表现在增加电力***中的附加谐波损耗、影响各种电气设备的正常运行、导致继电保护和自动装置的误动作以及对邻近通信***造成明显干扰等方面。
有源电力滤波器作为最有效的谐波治理手段,受到了广泛的关注和重视。然而,随着社会对电能质量的要求越来越高,国家对电网的谐波限制也越来越严格,常规的滞环控制、PID控制等方法难以满足要求,智能控制方法应用于有源滤波器已成为当前的研究热点。
授权公告号为CN113991674B、发明名称为“铁路配电***用的三相有源滤波器及非量化滞环控制方法”的中国发明专利中,公开了利用电流滞环控制技术实现谐波滤除的效果。具体地,通过获取每个工作周期内的负载端电流与参考电流之间误差电流,并根据该误差电流确定对应时间的滞环环宽调节量和开关频率,从而实现对电流跟踪补偿。然而,这种方式中,电流跟踪的精度与滞环宽度的大小密切相关,目前并没有较为精确的方法确定滞环宽度,同时开关器件的工作频率不固定,受调节量的影响较大,使得电流跟踪效果较差,电流谐波的滤除效果欠佳。
基于此,如何提高现有有源滤波器对谐波成分的滤除效果,以减少谐波危害,对于提升电能质量具有重要作用。
发明内容
为解决上述一个或多个技术问题,本发明提出通过训练生成对抗网络并利用其中的基波生成网络实现对供电线路中原始信号的谐波成分的滤除,有效提升了电网中电能信号的质量。
为此,本发明提供了一种有源滤波器的控制方法,包括:获取供电线路中的原始信号;将所述原始信号输入所述有源滤波器的网络模型,以输出滤除谐波干扰后的电压或电流信号,所述有源滤波器的网络模型包括生成对抗网络中的基波生成网络;其中,所述有源滤波器的网络模型通过以下方法训练得到:获取训练数据集,所述训练数据集包括谐波样本信号以及对应的基波信号;根据所述训练数据集对所述生成对抗网络进行训练,并将训练好的生成对抗网络中的基波生成网络作为所述有源滤波器的网络模型;用于所述生成对抗网络的训练的损失函数至少基于第一损失函数和第二损失函数确定,所述第一损失函数包括:
式中,为生成对抗网络中判别网络的损失函数,/>和/>分别为输入的第i张谐波样本信号的频谱图中基波的能量值和第i张谐波样本信号的频谱图所对应的基波频谱图中基波的能量值;/>为第i张谐波样本信号的频谱图中第j个频率所对应的能量,n表示第i张谐波样本信号的频谱图中所有谐波频率的个数,/>表示第i张谐波样本信号的频谱图中所有谐波频率的能量的总和;
所述第二损失函数包括:
在一个实施例中,其中所述生成对抗网络还包括判别网络,所述根据所述训练数据集对所述生成对抗网络进行训练包括:将谐波样本信号输入至所述生成对抗网络中的基波生成网络中,得到样本基波信号;将所述样本基波信号输入至所述生成对抗网络中的判别网络中,得到第一滤波结果,并将与所述谐波样本信号对应的基波信号输入至所述判别网络中,得到第二滤波结果;根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整。
在一个实施例中,所述根据所述训练数据集对所述生成对抗网络进行训练包括:根据所述训练数据集中的谐波样本信号以及对应的基波信号对所述生成对抗网络模型进行第一级训练,以得到第一生成对抗网络;所述第一生成对抗网络在训练过程中输出的频谱图作为第二级训练时的谐波样本信号;根据所述第二级训练时的谐波样本信号和对应的基波信号对所述生成对抗网络进行第二级训练,以得到训练好的生成对抗网络。
在一个实施例中,其中在第一级训练时,所述根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整包括:根据判别网络的第一损失函数计算第一损失,并判断所述第一损失是否小于第一目标值;响应于所述第一损失大于第一目标值,对所述判别网络的网络参数进行调整,并重新进行训练。
在一个实施例中,所述根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整还包括:根据基波生成网络的第二损失函数计算第二损失,并判断所述第二损失是否小余第二目标值;响应于所述第二损失大于第二目标值,对所述基波生成网络的网络参数进行调整,并重新进行训练。
在一个实施例中,其中在第二级训练时,所述根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整包括:根据判别网络的第三损失函数计算第三损失,并判断所述第三损失是否小于第三目标值;响应于所述第三损失大于第三目标值,对所述判别网络的网络参数进行调整,并重新进行训练。
在一个实施例中,所述根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整还包括:根据基波生成网络的第四损失函数计算第四损失,并判断所述第四损失是否小余第四目标值;响应于所述第四损失大于第四目标值,对所述基波生成网络的网络参数进行调整,并重新进行训练。
在一个实施例中,所述第三损失函数包括:
在一个实施例中,所述第四损失函数包括
其中,为第二级训练时基波生成网络的损失函数,u为已经完成第一级训练的基波生成网络生成的第k张频谱图中第u个谐波,r为已经完成第一级训练的基波生成网络生成的第k张频谱图中除谐波/>以外的其他谐波的总数量,/>为已经完成第一级训练的基波生成网络生成的第k张频谱图中第u个谐波对应的高斯权重,/>为已经完成第一级训练的基波生成网络生成的第k张频谱图中第u个谐波的能量。
在一个实施例中,在将所述原始信号输入所述有源滤波器的网络模型之前,还包括:将所述原始信号进行频域变换,以得到所述原始信号对应的频谱图。
根据本发明的方案,可以通过有源滤波器的网络模型对电网的原始信号中的谐波干扰进行滤除,以得到更高质量的电压或电流信号,该网络模型通过生成对抗网络进行训练得到,具有较高的滤波准确性、稳定性和鲁棒性,有效提升了谐波滤除效果。进一步,本发明中还通过两个阶段的训练过程,使得该基波生成网络能够将更加顽固的谐波分量滤除,从而有效提升了滤波效果。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示意性示出根据本发明的实施例的有源滤波器的控制方法的流程图;
图2是示意性示出根据本发明的实施例的有源滤波器的网络模型的训练方法的示意图;
图3是示意性示出根据本发明的实施例的生成对抗网络的模型结构图;
图4是示意性示出根据本发明的实施例的生成对抗网络的训练过程的示意图;
图5是示意性示出根据本发明的实施例的第一级训练的流程图;
图6是示意性示出根据本发明的实施例的第二级训练的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
图1是示意性示出根据本发明的实施例的有源滤波器的控制方法的流程图。图2是示意性示出根据本发明的实施例的有源滤波器的网络模型的训练方法的示意图。
如图1所示,本发明中的有源滤波器的控制方法包括以下步骤:
在步骤S101处,获取供电线路中的原始信号。在一些实施例中,该供电线路中的原始信号可以包括电压信号或电流信号,这些电压信号或电流信号中通常包含基波和多次谐波,影响供电线路中电能信号的质量。对该原始信号可以进行频域变换,以得到该原始信号对应的频谱图。
本发明的实施例中将以电流中的谐波干扰的滤除过程为例,对本发明中的方法进行详细说明。
在步骤S102处,将原始信号输入有源滤波器的网络模型,以输出滤除谐波干扰后的电压或电流信号。该有源滤波器的网络模型包括生成对抗网络中的基波生成网络。在一些实施例中,构建生成对抗网络(GAN,Generative Adversarial Networks,以下内容中简称GAN网络)结构来对这些特定频率的谐波进行滤除,由于谐波的频率都是基波的整数倍,因此可以据此确定其中的谐波成分,并对这些谐波进行滤除。
其中,如图2所示,本发明中的有源滤波器的网络模型通过以下方法训练得到:
在步骤S201处,获取训练数据集。该训练数据集包括谐波样本信号以及对应的基波信号。以电流信号为例,通过频率变换技术对待检测电流信号进行频域变换,将待检测电流信号转换到频域从而得到包含有基波和谐波的频谱图(频率分解图)。频率变换技术可以为傅里叶变换、小波变换等,得到的频谱图的横坐标为频率,纵坐标则是各频率对应的能量。通过这种方式可以获取大量的训练数据集。
在步骤S202处,根据训练数据集对生成对抗网络进行训练,并将训练好的生成对抗网络中的基波生成网络作为有源滤波器的网络模型。
上述用于生成对抗网络的训练的损失函数至少基于第一损失函数和第二损失函数确定。在生成对抗网络中,判别网络可以基于第一损失函数进行训练,基波生成网络可以基于第二损失函数进行训练。第一损失函数包括:
式中,为生成对抗网络中判别网络的损失函数,/>和/>分别为输入的第i张谐波样本信号的频谱图中基波的能量值和第i张谐波样本信号的频谱图所对应的基波频谱图中基波的能量值;/>为第i张谐波样本信号的频谱图中第j个频率所对应的能量,n表示第i张谐波样本信号的频谱图中所有谐波频率的个数,/>表示第i张谐波样本信号的频谱图中所有谐波频率的能量的总和。/>
第二损失函数包括:
如图3所示为GAN网络的基本网络结构。上述GAN网络包括两个基本的组成模型,分别是基波生成模型和判别模型。基波生成模型的任务是生成看起来自然真实的、和原始数据相似的实例,也就是根据含有谐波的信号生成对应的基波信号,基于此,可以根据该基波生成网络实现有源滤波器的滤波过程。判别模型的任务是判断给定的实例是自然真实的还是人为伪造的,这个实例可以分为真实实例和伪造实例,即真实实例来源于数据集,伪造实例来源于生成模型。
基于上述基波生成网络的生成器试图欺骗基于判别网络的判别器,判别器则努力不被生成器欺骗,生成对抗网络中的基波生成网络和判别网络经过交替优化训练,两种模型都能得到提升,但最终想要得到的是效果提升到设定要求的基波生成模型,这个基波生成模型所生成的结果能达到真假难分的地步,即可以生成仅包含基波信号的电流信号。
以上对本发明中的方案进行了简要说明,接下来将具体描述本发明中有源滤波器的网络模型的形成过程。
图4是示意性示出根据本发明的实施例的生成对抗网络的训练过程的示意图。
如图4所示,在步骤S401处,将谐波样本信号输入至生成对抗网络中的基波生成网络中,得到样本基波信号。以图3中示出的网络结构为例,谐波样本信号包含基波和谐波干扰。通过该基波生成网络可以从该谐波样本信号中提取出基波信号,以实现滤波目的。
在步骤S402处,将样本基波信号输入至生成对抗网络中的判别网络中,得到第一滤波结果。图3中所示出的判别网络,可以判断该基波生成网络是否能够“以假乱真”,即提取出对应的基波信号。
在步骤S403处,将与谐波样本信号对应的基波信号输入至判别网络中,得到第二滤波结果。训练数据集中可以包括谐波样本信号对应的频谱图,以及该谐波样本对应的基波分量。该判别网络可以将该基波信号与前述的样本基波信号进行对比,从而确定该基波生成网络是否能够提取出准确的基波信号。
在步骤S404处,根据样本基波信号、与样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据生成对抗网络损失确定是否对生成对抗网络进行调整。
在一些实施例中,上述对生成对抗网络的训练过程可以包括两个阶段的训练过程。具体地,首先,根据训练数据集中的谐波样本信号以及对应的基波信号对生成对抗网络模型进行第一级训练,以得到第一生成对抗网络。并将第一生成对抗网络在训练过程中输出的频谱图作为第二级训练时的谐波样本信号。
然后,根据第二级训练时的谐波样本信号和对应的基波信号对生成对抗网络进行第二级训练,以得到训练好的生成对抗网络。
需要说明的是,上述两个阶段的训练过程均包括对基波生成网络的训练和对判别网络的训练过程。在训练过程中,基波生成网络的训练过程和判别网络的训练过程需要交替进行,即在训练基波生成网络时冻结判别网络,在训练判别网络时冻结生成网络,通过交替训练生成对抗,使基波生成网络和判别网络都得到持续优化更新。
接下来将详细阐述两个阶段的训练过程。
图5是示意性示出根据本发明的实施例的第一级训练的流程图。图6是示意性示出根据本发明的实施例的第二级训练的流程图。
针对训练数据集中的数据,保留基波滤除谐波,可以将频谱图作为生成网络的输入,最终要生成的是滤除谐波的有效信号(滤除掉谐波的频谱图,称为训练频谱图),送入判别网络的真实实例是预先生成的不包括谐波的参考频谱图(即只包含基波的频谱图,本方案中称为基波频谱图),本方案中将基波频谱图作为标签送入判别网络中,送入判别网络中的伪造实例即是基波生成网络生成的训练频谱图。
可以理解的是GAN网络中的输入既可以是波形,也可以是频谱图,输出是频谱图。基于此,可以先对波形进行预处理获得频谱图后再输入网络。由于输入信号通常是信号的波形,直接将该原始信号输入,然后再对波形变化为频谱图后进行后续过程也能实现本方案的目的。
由于频率变换技术的自身因素限制(如选用小波变化对待检测的波形图进行转换时,对应的小波基和尺度函数的选取等也会影响到转换后的频谱图质量),在实际的训练过程中是难以直接训练出能够完全滤除谐波的神经网络模型的,因此,本方案中设计两阶段训练过程来实现对谐波最大程度的滤除。
在第一级训练过程中,获取训练数据集。该训练数据集包括大量的电流波和这些电流波所对应的基波,并且可对这些由不同谐波构成的电流波施加不同频率和能量的谐波,从而对原有的训练数据集进行扩展,其中可将所有的基波作为对应具有相同基波的电流波的标签。
将训练数据集中带有谐波的电流波形转化为频谱图后依次输入生成网络中,其中判别网络可以基于上述第一损失函数进行训练:
此时,为第一阶段判别网络的损失函数,/>和/>分别为输入的第i张谐波样本信号的频谱图中基波的能量值和第i张谐波样本信号的频谱图所对应的基波频谱图中基波的能量值;/>为第i张谐波样本信号的频谱图中第j个频率所对应的能量,n表示第i张谐波样本信号的频谱图中所有谐波频率的个数,/>表示第i张谐波样本信号的频谱图中所有谐波频率的能量的总和。
基波生成网络可以基于上述第二损失函数进行训练:
此时,为第i张训练频谱图和对应的基波频谱图之间的均方差,/>和/>分别为输入的第i张谐波样本信号的频谱图中基波的能量值和第i张谐波样本信号的频谱图所对应的基波频谱图中基波的能量值;/>为第i张谐波样本信号的频谱图中第j个频率所对应的能量,n表示第i张谐波样本信号的频谱图中所有谐波频率的个数,/>表示第i张谐波样本信号的频谱图中所有谐波频率的能量的总和。
如图5所示,在步骤S501处,根据判别网络的第一损失函数计算第一损失,并判断第一损失是否小于第一目标值。
在步骤S502处,响应于所述第一损失大于第一目标值,对所述判别网络的网络参数进行调整,并重新进行训练。
在步骤S503处,根据基波生成网络的第二损失函数计算第二损失,并判断第二损失是否小余第二目标值。
在步骤S504处,响应于第二损失大于第二目标值,对基波生成网络的网络参数进行调整,并重新进行训练。
通过上述梯度训练法不断迭代训练,使上述损失函数Lfir的值逐渐减小至目标值,由于谐波很难被完全除去,只要能迭代足够多次达到预设迭代次数,或者使损失函数小于预设损失值即可,从而完成第一级训练。
在完成第一级训练后,此时使用第一级训练得到的GAN网络针对第一阶段基波生成网络输出的频谱图再次进行训练,原因在于此时生成网络输出的频谱图中谐波频率并没有被全部消除,而是会保留一部分难以消除的顽固频率,此时通过第二级训练可以针对这些频率再次进行强化滤波,训练过程同第一级训练类似,但是本发明中修改了第二级训练过程中基波生成网络和判别网络的损失函数,其中,判别网络的第三损失函数包括:
基波生成网络的第四损失函数包括
其中,为第二级训练时基波生成网络的损失函数,u为已经完成第一级训练的基波生成网络生成的第k张频谱图中第u个谐波,r为已经完成第一级训练的基波生成网络生成的第k张频谱图中除谐波/>以外的其他谐波的总数量,/>为已经完成第一级训练的基波生成网络生成的第k张频谱图中第u个谐波对应的高斯权重,/>为已经完成第一级训练的基波生成网络生成的第k张频谱图中第u个谐波的能量。
如图6所示,在步骤S601处,根据判别网络的第三损失函数计算第三损失,并判断第三损失是否小于第三目标值。
在步骤S602处,响应于第三损失大于第三目标值,对判别网络的网络参数进行调整,并重新进行训练。本方案中,第二级训练的目的是在判别网络中由基波生成网络生成的第k张频谱图和对应的基波频谱图之间应完全一致,即此时没有其他谐波,只保留有基波,则此时L_(sec-D)为0。
在步骤S603处,根据基波生成网络的第四损失函数计算第四损失,并判断第四损失是否小余第四目标值。
在步骤S604处,响应于第四损失大于第四目标值,对基波生成网络的网络参数进行调整,并重新进行训练。在第二级训练过程中,需要根据已经完成第一级训练的基波生成网络生成的第k张频谱图中各谐波频率的能量,找到能量最高的谐波频率作为目标频率,并在第二级训练过程中针对该目标频率进行滤除,原因在于谐波频率的能量越高,说明在第一级训练中越难以被消除。
通过上述第二级训练过程中的迭代训练,可以获得能够定点滤除顽固谐波的GAN网络模型,最后将完成第二级训练的基波生成网络输出的频谱图作为GAN网络最终的输出,并对该输出进行反变换(傅里叶反变换或小波逆变换)得到对应的波形图,即为最终滤除谐波后得到的电流波形图。因此,可以将该训练好的基波生成网络作为有源滤波器的网络模型,从而实现对供电线路中原始信号中的谐波干扰的滤除。
本说明书中所使用的术语“第一”或“第二”等用于指代编号或序数的术语仅用于描述目的,而不能理解为明示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”或“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中,“多个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。所附权利要求书旨在限定本发明的保护范围,并因此覆盖这些权利要求范围内的模块组成、等同或替代方案。
Claims (10)
1.一种有源滤波器的控制方法,其特征在于,包括:
获取供电线路中的原始信号;
将所述原始信号输入所述有源滤波器的网络模型,以输出滤除谐波干扰后的电压或电流信号,所述有源滤波器的网络模型包括生成对抗网络中的基波生成网络;
其中,所述有源滤波器的网络模型通过以下方法训练得到:
获取训练数据集,所述训练数据集包括谐波样本信号以及对应的基波信号;
根据所述训练数据集对所述生成对抗网络进行训练,并将训练好的生成对抗网络中的基波生成网络作为所述有源滤波器的网络模型;
用于所述生成对抗网络的训练的损失函数至少基于第一损失函数和第二损失函数确定,所述第一损失函数包括:
式中,为生成对抗网络中判别网络的损失函数,/>和/>分别为输入的第i张谐波样本信号的频谱图中基波的能量值和第i张谐波样本信号的频谱图所对应的基波频谱图中基波的能量值;/>为第i张谐波样本信号的频谱图中第j个频率所对应的能量,n表示第i张谐波样本信号的频谱图中所有谐波频率的个数,/>表示第i张谐波样本信号的频谱图中所有谐波频率的能量的总和;
所述第二损失函数包括:
2.根据权利要求1所述的有源滤波器的控制方法,其特征在于,其中所述生成对抗网络还包括判别网络,所述根据所述训练数据集对所述生成对抗网络进行训练包括:
将谐波样本信号输入至所述生成对抗网络中的基波生成网络中,得到样本基波信号;
将所述样本基波信号输入至所述生成对抗网络中的判别网络中,得到第一滤波结果,并将与所述谐波样本信号对应的基波信号输入至所述判别网络中,得到第二滤波结果;
根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整。
3.根据权利要求2所述的有源滤波器的控制方法,其特征在于,所述根据所述训练数据集对所述生成对抗网络进行训练包括:
根据所述训练数据集中的谐波样本信号以及对应的基波信号对所述生成对抗网络模型进行第一级训练,以得到第一生成对抗网络;所述第一生成对抗网络在训练过程中输出的频谱图作为第二级训练时的谐波样本信号;
根据所述第二级训练时的谐波样本信号和对应的基波信号对所述生成对抗网络进行第二级训练,以得到训练好的生成对抗网络。
4.根据权利要求3所述的有源滤波器的控制方法,其特征在于,其中在第一级训练时,所述根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整包括:
根据判别网络的第一损失函数计算第一损失,并判断所述第一损失是否小于第一目标值;
响应于所述第一损失大于第一目标值,对所述判别网络的网络参数进行调整,并重新进行训练。
5.根据权利要求4所述的有源滤波器的控制方法,其特征在于,所述根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整还包括:
根据基波生成网络的第二损失函数计算第二损失,并判断所述第二损失是否小余第二目标值;
响应于所述第二损失大于第二目标值,对所述基波生成网络的网络参数进行调整,并重新进行训练。
6.根据权利要求3所述的有源滤波器的控制方法,其特征在于,其中在第二级训练时,所述根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整包括:
根据判别网络的第三损失函数计算第三损失,并判断所述第三损失是否小于第三目标值;
响应于所述第三损失大于第三目标值,对所述判别网络的网络参数进行调整,并重新进行训练。
7.根据权利要求6所述的有源滤波器的控制方法,其特征在于,所述根据样本基波信号、与所述样本基波信号对应的基波信号、第一滤波结果和第二滤波结果确定生成对抗网络损失,并根据所述生成对抗网络损失确定是否对所述生成对抗网络进行调整还包括:
根据基波生成网络的第四损失函数计算第四损失,并判断所述第四损失是否小余第四目标值;
响应于所述第四损失大于第四目标值,对所述基波生成网络的网络参数进行调整,并重新进行训练。
10.根据权利要求1-9任意一项所述的有源滤波器的控制方法,其特征在于,在将所述原始信号输入所述有源滤波器的网络模型之前,还包括:
将所述原始信号进行频域变换,以得到所述原始信号对应的频谱图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310319409.9A CN116031894B (zh) | 2023-03-29 | 2023-03-29 | 一种有源滤波器的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310319409.9A CN116031894B (zh) | 2023-03-29 | 2023-03-29 | 一种有源滤波器的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116031894A CN116031894A (zh) | 2023-04-28 |
CN116031894B true CN116031894B (zh) | 2023-06-02 |
Family
ID=86079830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310319409.9A Active CN116031894B (zh) | 2023-03-29 | 2023-03-29 | 一种有源滤波器的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116031894B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171266A (zh) * | 2017-12-25 | 2018-06-15 | 中国矿业大学 | 一种多目标深度卷积生成式对抗网络模型的学习方法 |
CN110417351A (zh) * | 2019-08-01 | 2019-11-05 | 上海理工大学 | 光伏***直流侧电弧故障检测***及检测方法 |
CN110598806A (zh) * | 2019-07-29 | 2019-12-20 | 合肥工业大学 | 一种基于参数优化生成对抗网络的手写数字生成方法 |
CN113052267A (zh) * | 2021-04-28 | 2021-06-29 | 电子科技大学 | 基于生成对抗网络的无监督发射器相位噪声参数提取方法 |
CN114372487A (zh) * | 2021-12-01 | 2022-04-19 | 燕山大学 | 一种基于多判别生成对抗网络的水声目标识别方法 |
CN114429156A (zh) * | 2022-01-21 | 2022-05-03 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
-
2023
- 2023-03-29 CN CN202310319409.9A patent/CN116031894B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171266A (zh) * | 2017-12-25 | 2018-06-15 | 中国矿业大学 | 一种多目标深度卷积生成式对抗网络模型的学习方法 |
CN110598806A (zh) * | 2019-07-29 | 2019-12-20 | 合肥工业大学 | 一种基于参数优化生成对抗网络的手写数字生成方法 |
CN110417351A (zh) * | 2019-08-01 | 2019-11-05 | 上海理工大学 | 光伏***直流侧电弧故障检测***及检测方法 |
CN113052267A (zh) * | 2021-04-28 | 2021-06-29 | 电子科技大学 | 基于生成对抗网络的无监督发射器相位噪声参数提取方法 |
CN114372487A (zh) * | 2021-12-01 | 2022-04-19 | 燕山大学 | 一种基于多判别生成对抗网络的水声目标识别方法 |
CN114429156A (zh) * | 2022-01-21 | 2022-05-03 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
Non-Patent Citations (2)
Title |
---|
Effect of Annotation and Loss Function on Epiphyte Identification using Conditional Generative Adversarial Network;S. Aswin;2021 International Conference on Advances in Electrical, Computing, Communication and Sustainable Technologies (ICAECT);全文 * |
基于双向生成对抗网络的图像超分辨率算法;李思平;计算机应用与软件;第第38卷卷(第第11期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116031894A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mahela et al. | Power quality assessment and event detection in distribution network with wind energy penetration using stockwell transform and fuzzy clustering | |
Dash et al. | A hybrid time–frequency approach based fuzzy logic system for power island detection in grid connected distributed generation | |
Escudero et al. | Microgrid fault detection based on wavelet transformation and Park’s vector approach | |
CN107677931B (zh) | 一种基于直流电流波形曲率变化差异的故障快速识别方法 | |
CN101944776A (zh) | 电力网络低频振荡监测*** | |
Mohammed et al. | Fundamental grid impedance estimation using grid‐connected inverters: a comparison of two frequency‐based estimation techniques | |
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 | |
Nguyen et al. | Wavelet-based Neural Network for recognition of faults at NHABE power substation of the Vietnam power system | |
Zhang et al. | Application of partial direct-pole-placement and differential evolution algorithm to optimize controller and LCL filter design for grid-tied inverter | |
CN116031894B (zh) | 一种有源滤波器的控制方法 | |
Swain et al. | Design of passive power filter for hybrid series active power filter using estimation, detection and classification method | |
Ghanavati et al. | Transfer function-based analysis of harmonic and interharmonic current summation in type-III wind power plants using DFIG sequence impedance modeling | |
CN117375015A (zh) | 电能质量治理装置及方法 | |
CN116885718A (zh) | 电网杂质电流远程治理方法及*** | |
CN109462245B (zh) | 基于最小二乘法的局域电网负序不平衡综合治理方法 | |
Zadeh et al. | A compensation scheme for CVT transient effects using artificial neural network | |
Ahmed et al. | Logistic regression based islanding detection for grid-connected inverter | |
Firouzjah et al. | A predictive current control method for shunt active filter with windowing based wavelet transform in harmonic detection | |
Lysenko | Feedback on installed experience with digital signal processing Petersen coil regulator | |
Zhuangzhuang et al. | Phasor Measurement Unit Measurement Data Processing Method Applied to a Two-Stage Identification Algorithm for Load Model Parameters | |
Chandrakar et al. | THD-Based Passive Islanding Detection Technique for Droop-Controlled Grid-Forming Inverters | |
CN109309384B (zh) | 一种电能质量调节方法及电能质量调节器 | |
CN113536589B (zh) | 一种交流电网的电磁暂态建模方法和*** | |
Xue et al. | Reader’s Guide to Sub-Synchronous Interactions in DFIG-based Wind Parks | |
CN113783587B (zh) | 一种用电信息数据采集过程中的噪声自适应方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 430202 No. 16, LiMiao Road, Canglong Island Science Park, Jiangxia District, Wuhan City, Hubei Province Patentee after: Wuhan Daquan Energy Technology Co.,Ltd. Country or region after: China Address before: 430000 Canglong Island Science Park, Jiangxia District, Wuhan, Hubei Province Patentee before: WUHAN NEW ENERGY INSTITUTE OF ACCESS EQUIPMENT & TECHNOLOGY Co.,Ltd. Country or region before: China |
|
CP03 | Change of name, title or address |