基于集成神經網絡的電能質量自動識別

韓慶

摘 要：人工神經元網絡（ANN），是用大量簡單的計算處理單元——神經元（Neuron）廣泛連接組成的復雜網絡。目前，大多數電能質量識別方法都采用了傅里葉變換，DQ變換，瞬時無功功率理論，小波變換及由小波變換擴張的S變換進行擾動檢測及特征提取，然后采用人工神經網絡來實現電能質量擾動的自動識別。神經網絡具有簡單的結構和很強的問題求解能力，是分類識別的重要方法。集成神經網絡，融合單個神經元網絡的特點，能有效地提高識別效率跟正確率。

關鍵詞：電能質量；神經網絡；最小二乘法；鎖相環；自識別

中圖分類號：TM76 文獻標志碼：A 文章編號：2095-2945（2017）25-0017-02

1 概述

隨著工業的發展，自動化程度高的用戶對電能質量的要求越來越高，任何電能質量的問題都將導致產品質量下降及工程作業的停頓。信息科技的發展對電能質量及供電可靠性提出了更嚴苛的要求。電能質量一般是指電壓或電流的幅值、頻率、波形等參量偏離規定值的誤差。本文將以神經網絡為基礎，加以最小二乘法和改進鎖相環電能監測方法，實現對電壓，諧波，震蕩及噪聲等多種電能質量擾動的自動識別。

2 最小二乘加權融合及改進鎖相環電能質量檢測

集成神經網絡的基本思想是通過信號的有效組合，用多個子神經網絡，從不同的側面對信號進行分析，最大限度的提高識別正確率。

基于改進鎖相環和集成神經網絡的電能質量自動識別，采用多個不同結構的神經網絡對相同電能質量擾動信號樣本進行訓練和識別，然后用最小二乘加權融合法，對各個子網絡的分析結果進行信息融合，通過融合結果的分析最終識別電能質量擾動。

建模步驟

依據最小二乘原理對多個子神經網絡輸出加權融合，并在最優原理下推導出神經網絡輸出偏差與權系數的關系，其步驟如下：

根據新的權系數再次進行加權最小二乘估計，循環下去，直到滿足循環結束條件為止。子網絡輸出的估計誤差越大，權系數就越小。

3 加權集成神經網絡的電能質量自動識別

3.1 電能質量擾動的檢測和特征提取

通過METLAB，首先對擾動的定義仿真產生諧波、電壓波動、頻率偏差、電壓暫降和電壓凸起、瞬時脈沖、低頻振蕩、高頻振蕩和噪聲等電能擾動信號檢測。

3.2 網絡訓練

采用10個諧波、10個低頻振蕩、10個高頻振蕩、10個瞬時脈沖、5個電壓波動、5個頻率偏差、5個電壓暫降（電壓凸起）和5個噪聲。輸入層神經元的個數是33個，采用logsig函數，輸出層神經元的個數是個，采用purelin函數。在各子網絡訓練時，對應于每種電能質量擾動輸入，其輸出向量中除了該類型對應分取1，其余分量取0。

3.3 網絡測試

網絡測試樣本由仿真程序產生，同樣采用上述的PLL系統檢測輸出。測試結果發現，在噪聲輕微的情況下（1%）各個子網路都能比較好的識別上述幾種電能擾動，單個子網絡和集成神經網絡的識別結果區別較小，下面是包含2%隨機噪聲的正弦輸入，對應各個子網絡和該集成神經網絡識別的仿真計算結果：

ANN1=【0.2027 -0.1347 -0.2744 -0.0976 0.1284 -0.2414 -0.4066 1.0353】

ANN2=【0.2016 13377 0.4936 -0.0866 -0.0116 -0.2787 0.3605 0.4940】

ANN3=【-0.2585 0.7724 -0.7873 0.5143 0.1289 -0.4191 -0.4969 0.2651】

ANN4=【0.4006 0.3460 -0.3478 -0.1976 -0.1647 -0.0662 -0.0173 1.1085】

ANN5=【0.3808 -0.5789 0.2530 0.3568 -0.6570 -0.5565 0.3987 0.9629】

ANNtotal=【0.2053 0.3460 -0.2324 0.0062 -0.0631 -0.2852 -0.0173 0.8782】

其中，ANN1、ANN2、ANN3、ANN4、ANN5分別是5個子網絡的識別輸出結果，ANNtotal是集成神經網絡的識別結果輸出。

最后，采用包含2%隨機噪聲的80個測試樣本對于最小二乘加權融合集成神經網絡和單個神經網絡的識別效果進行統計分析，識別結果對比如表1所示。

4 結果分析

新改進的鎖相環系統具有良好的動態和靜態性能，是檢測各種暫態電能質量擾動的有效途徑。

從集成神經網絡的識別輸出結果看，在識別2%噪聲擾動時，5個子網絡中有兩個子網絡出現誤識別，他們是ANN2和ANN3，而集成神經網絡則很安全的識別出該擾動，與產生誤差識別具有很大的安全間隔空間，即擾動對應分量大小相對于其他分量占絕對優勢，他相對于另外三個沒有發生誤識別的子網絡，具有更好的識別效果。

從表1可以看出，同單個BP神經網絡識別方法相比，上述這種基于最小二乘加權融合集成神經網絡的電能質量擾動自動識別方法，在噪聲較強時仍然能有效識別，具有較高的識別正確率。

5 結束語

應用最小二乘加權融合集成神經網絡對電能質量進行檢測，使得電能質量這一重要用電參數得到有效的檢測控制。該方法在識別檢測結果中還不能很有效的檢測諧波結果，未來還需要改進。

參考文獻：

[1]肖湘寧，等.電能質量分析與控制[J].中國電力出版社，2004，2.

[2]程浩忠，呂干云，周荔丹.電能質量檢測與分析[J].科學出版社，2012.

[3]于群，曹娜.MATLAB/Simulink電力系統建模與仿真[J].機械工業出版社，2011，5.

[4]謝東，張興，曹仁賢.基于小波變換與神經網絡的孤島檢測技術[J].中國電機工程學報，2014，2.

[5]呂干云，丁屹峰，程浩忠.一種基于改進鎖相環系統的電能質量擾動檢測方法[J].電力系統及其自動化學報，2006.

[6]葛乃成，程浩忠，呂干云.基于MATLAB/Simulink仿真的電能質量檢測[J].供用電，2004.

[7]粟時平，劉桂英.現代電能質量檢測技術[J].中國電力出版社，2008.

[8]Dugan R C， Megranghan M F， Benty H W. Electrical Power Systems Quality[M].New York； McGraw-Hill，1996.endprint