一種基于人工神經元網絡算法的諧波多路同步快速檢測裝置

陳有根，李曉光，郭海濤，李志勇

?

一種基于人工神經元網絡算法的諧波多路同步快速檢測裝置

陳有根1，李曉光1，郭海濤2，李志勇1

(1. 中南大學 信息科學與工程學院，湖南 長沙 410075； 2. 廣州鐵路(集團)公司 供電處高鐵科，廣東 廣州 510088)

通過對高鐵牽引供電系統中諧波傳輸特性進行分析，設計以人工神經元網絡算法為核心的快速諧波檢測算法，實現牽引供電系統多路諧波數據同步檢測。試制裝置現場測試表明，該裝置可實現牽引供電系統多路饋線50次以內諧波的同步快速檢測，并具有較高的精度及良好的實時性。

牽引供電系統；諧波；人工神經元網絡；多路同步快速檢測

隨著高速鐵路飛速發展，牽引負荷表現出大功率、高密度和非線性等特性[1]，特別是近年來各線路運行密度日益增加，部分線路甚至出現重聯重載動車或多型號動車混跑現象，加上各次諧波的疊加效應及其傳輸特性，使得原來不甚突出的諧波問題對牽引供電系統的正常運行影響日益突出，造成部分牽引變饋線的不規則跳閘、壓互爆管和牽引閉鎖等事故[2]。而我國目前對牽引供電系統中電能質量的系統評估和治理缺乏成套體系[3]，特別是諧波的快速檢測方面有一定欠缺，所以研究適合高鐵牽引供電系統的諧波快速檢測算法顯得十分必要。鐵路樞紐牽引供電系統結構復雜、饋線回路多，如貴陽北牽引變電所27.5 kV饋線達26路，廣州南牽引變電所27.5 kV饋線達14路，對這類型的牽引變電所的諧波檢測勢必要多路同步進行，以完成對各路饋線諧波的多路同步快速檢測要求。用于諧波檢測的算法主要有基于FFT的諧波檢測法、基于小波變換的諧波檢測法、基于瞬時無功功率的諧波檢測法和基于神經元網絡的諧波檢測法[4?7]。基于FFT的諧波檢測法存在頻譜泄露和柵欄效應[8]，無法進行時域分析，難以實現諧波實時動態分析的需求；基于小波變換的諧波檢測法只能對低頻段進行分解，無法對高頻段進行精確度較高的分析，且混疊現象嚴重[9]；基于瞬時無功功率的諧波檢測法主要用于三相電網的諧波檢測，對于單相電路的檢測算法復雜且檢測結果誤差大[10]，只進行時域變換，不利于頻譜分析，不適用于牽引供電系統的諧波檢測；基于人工神經元網絡的諧波檢測法具有自適應和自學習能力，能夠對數據進行大規模并行處理，特別適用于處理非線性問題[11]。通過FFT檢測諧波數據時，通常需要幾十個周期的信號數據，檢測速度較慢[12]；小波變換檢測諧波的速度比FFT快一個數量級[13]，但為了克服混疊現象，多采用組合小波來處理[14]，間接增加了系統計算量，當進行多路信號檢測時，進一步加大了計算時間；使用人工神經元網絡算法時，只需對一個周波數據進行處理即可得出諧波檢測結果，權值學習算法的存在，加快了系統的迭代過程[15]，總的權值調整步數較小，保證了諧波檢測的快速性。對于諧波監測設備來說，國內多基于單片機實現，在高精度測量和功能方面與進口儀器還有一定差距，難以進行實時性的在線監測。張青[16]基于加拿大Power Measurement公司研制的ION7600測量單元設計了一個諧波在線監測與分析系統，可以對一路三相電壓和一路三相電流進行2-63次諧波在線監測，實現了顯示、報警、控制和分析等功能，由于數據采集通道的限制，無法實現多路諧波數據同步監測。危韌勇等[17]基于人工神經元網絡算法設計了一個便攜式電力諧波檢測裝置，利用DSP平臺進行數據處理，實現電力諧波的顯示、分析、報警和數據管理等功能，算法設計的限制導致不能滿足諧波數據多路同步快速檢測的問題。本文通過對高鐵牽引供電系統和高鐵諧波傳輸特性的分析，利用人工神經元網絡算法在處理非線性問題和海量數據時的獨特優勢，設計以人工神經元網絡算法為核心的高鐵牽引供電系統諧波多路同步快速檢測算法。硬件設計和安裝試運行表明，該裝置實現了牽引供電系統多路饋線50次內諧波數據的快速同步檢測，并具有較高的精度及良好的實時性。

1 諧波傳輸特性

高鐵牽引供電系統中含牽引變電所、AT所、接觸網系統和高速動車組等，采用110 kV和220 kV電壓等級電力系統進行供電，結構如圖1所示。

圖1 高鐵牽引供電系統結構

接觸網系統結構復雜，由接觸線、正饋線、鋼軌和保護線等組成，當進行諧波傳輸特性計算時，把牽引網化簡成一個T型等效電路進行分析，如圖2所示。其中s是系統電源電壓；s是電源部分等效阻抗；1是機車到牽引變電所的距離；2是機車到分區所的距離。設考慮諧波影響的等效參數如下：Z()為機車等效阻抗；U()為機車電壓，()為機車電流；1()為機車流向牽引變電所方向的電流；2()為機車流向分區所方向的電流，T1()和T2()為機車兩側牽引網的等效阻抗，其中：為諧波次數，為角頻率。

根據基爾霍夫電流定律有

圖2 牽引網T型等效電路

Fig. 2 Equivalent T circuit diagram of traction network

由傳輸線理論得到牽引供電系統中的分布參數傳輸方程

通過式(2)得出[18]

此時，從機車側看牽引變電所等效輸入阻抗可以表示為：

從機車側看牽引網等效輸入阻抗可以表示為：

2 諧波在線監測算法

2.1 人工神經元網絡算法

人工神經元網絡算法的優勢在于對大數據的大規模處理，特別適用于處理非線性問題，還具有自適應和自學習能力，文獻[17]和[19]已經將人工神經元網絡算法應用于電力系統中諧波檢測，且初見成效，本文利用人工神經元網絡算法進行高鐵牽引供電系統中的諧波在線監測。

高鐵中的牽引動車是一種典型的非線性負載，當機車運行時，負載電流L的諧波成分可以通過傅里葉級數展開表示為：

將人工神經元網絡用于諧波檢測時，其檢測的諧波電流可以表示為：

將輸入的鎖相信號sin，cos和倍頻信號sin和cos(≥2，為正整數)作為人工神經元網絡參考輸入，輸入矢量為

則神經元的輸出可以表示為

式中：為諧波檢測次數；w和w為連接權值；為神經元閾值。

利用人工神經元網絡算法檢測到的次諧波電流幅值為

相位角可以表示為

次諧波含有率表示為

通過上述結果可以看出，只需求出特定次諧波對應的權值即可得出所有諧波數據，故人工神經元網絡檢測諧波的輸出結果可以用式(14)表示：

權值調節依據為

神經元閾值調節依據為

圖3 人工神經元網絡諧波檢測原理圖

人工神經元網絡的學習過程屬于在線學習，通過最小均方法實現權值空間的快速收斂，不需要離線樣本集進行學習，具有其他算法不可比擬的 優勢。

2.2 多路同步快速檢測算法實現

高鐵牽引供電系統饋線回路多且牽引變壓器高壓側和低壓側也需要進行諧波檢測，為保證諧波檢測的實時性和快速性，需要設計多路同步快速檢測算法，本文設計的多路同步快速檢測算法主要從多路同步采樣、統一人工神經元網絡參考輸入基準、多路程序并行處理和基于共享知識庫的多路人工神經元同步學習這幾方面實現。

2.2.1 多路同步采樣

在多路諧波檢測中均采用等間隔采樣方式進行采樣，采樣間隔為s，為保證有較高的測量精度，設置每周波采樣點數為400個。為減小系統采樣所帶來的誤差，采用同步采樣的方法進行信號采樣，即要保證=400s(為牽引網中信號周期)，這種信號采樣機制保證了信號檢測端有較高的信噪比。

2.2.2 統一人工神經元網絡參考輸入基準

在多路同步檢測的人工神經元網絡算法中，多條支路人工神經元網絡的參考輸入可以選用同一組經過倍頻處理的鎖相信號，這是因為高鐵牽引供電系統中多路饋線與變壓器低壓側直接相連，其電壓信號中相位和頻率完全相同。只需要采樣低壓側的電壓信號進行倍頻處理，生成一個參考信號X，使其作為各個檢測點的人工神經元網絡共同參考輸入，減少了多條諧波檢測支路分別進行鎖相信號倍頻處理的時間，實現了多路諧波檢測過程中在時間上完全同步化的效果。

2.2.3 多路程序并行處理

不同支路之間的諧波檢測在算法上并無差異，都是通過單個神經元網絡算法進行諧波檢測，且共用同一個參考信號，但在算法設計中實現不同支路之間諧波檢測數據處理的并行性，即要求處理器處理數據時進行多路數據并行處理，減小檢測結果在時間上的差異性。

2.2.4 基于共享知識庫的多路人工神經元同步學習

為實現多路諧波數據的快速檢測，對多路人工神經元網絡算法的學習過程進行同步學習并將學習結果共享，形成共享學習知識庫，以對各路諧波進行同步檢測及處理，學習處理過程如圖4所示。人工神經元網絡算法用于檢測諧波的優勢在于其學習能力上，當其處理了足夠大的樣本容量時，對應權值調整的學習收斂速度則會加快，最終確認出各次諧波的最佳學習率s和最佳慣性項值s。不同型號機車對應不同的特征諧波，包括諧波電流值和特征次諧波含有率等，根據式(15)~(16)得出不同的車型對應特征次諧波的s和s，而車型數據則根據當前檢測支路與線路列車運行時刻表結合得出。根據樣本的積累，將不同支路學習的不同型號機車對應的和組成人工神經元網絡的學習知識庫，在后續進行支路諧波檢測時，只需調用單個或組合的知識庫中的學習單元即可實現人工神經元網絡諧波檢測時的快速收斂，加快多支路的諧波檢測速度。根據信號處理的同步性，將不同支路中諧波檢測時調用的學習單元同步傳遞給低壓側，通過上述學習單元中的s和s進行疊加組合后實現低壓側的諧波數據快速檢測。高壓側的特征諧波與低壓側的特征諧波有很大的關聯性，但由于變壓器的變比和結構帶來的差異，故在對高壓側的諧波數據進行檢測時，將上述影響因素折算成受變壓器影響的學習率和受變壓器影響的慣性項，然后疊加組合低壓側的s和s進行學習，從而實現高壓側的諧波快速檢測。

圖4 多路同步學習處理框圖

3 系統實現與測試

高鐵牽引供電諧波多路同步快速檢測系統以人工神經元網絡算法為核心，其實現方式如圖5所示。將高壓側、低壓側和饋線側的傳感器回路接入系統中，通過硬件電路實現電流、電壓信號的采集和鎖相，經AD轉換輸入到PC中。PC首先對鎖相信號進行倍頻處理，使其作為人工神經元網絡的參考輸入，之后CPU通過人工神經元網絡算法程序對采集到的數據進行諧波分析，得到50次以內的諧波權值矩陣，通過公式計算出各次諧波電流有效值和相位，然后將諧波權值矩陣、諧波電流有效值和相位數據存儲到數據庫中，同時形成特征車型的學習知識庫進行存儲，完成諧波的檢測。

圖5 高鐵牽引供電系統諧波多路同步快速檢測系統結構

系統在實現基礎諧波檢測的功能同時，還實現了如圖6所示的計量、分析、顯示和報警等功能。由于目前沒有牽引供電系統諧波方面的國家(或行業)標準，系統中設計的諧波標準參照文獻[20] 制定。

圖6 諧波在線監測裝置功能

本文設計的高鐵牽引供電系統諧波多路同步快速檢測裝置安裝在武廣高速鐵路中某牽引變電所中，其高壓側輸入220 kV，低壓側輸出27.5 kV，牽引變壓器容量為2×75 MVA。該裝置對2路高壓側、2路低壓側和6路饋線側電壓和電流諧波進行在線監測，柜體安裝如圖7所示。

圖7 高鐵牽引供電系統諧波在線監測裝置

該所饋線運行的主要車型有CRH380A，CRH380B和CRH380AL(重聯)等，同一線路中出現多機車混跑時，常會出現諧波總畸變率超標，此時對應監測線路指示燈呈紅色狀態，監測界面如圖8所示。

圖8 諧波在線監測裝置監測面板

根據算法原理，系統實現了多路同步在線監測的功能，圖9所示為其中一路(212F)的諧波監測實時數據，50次內的諧波譜以棒狀圖方式輸出，左側提供不同監測點切換選項，同時也可以提供表格顯示，方便查詢具體諧波次數的諧波含量。

機車運行密度較大時，線路中的諧波含量十分豐富，對應電能質量問題也越突出。被監測的牽引變電所在11:00~16:00時間段內機車進出站密集，故選取其中某一時刻點(13:12)的諧波監測數據進行分析，如表1所示，由于只有畸變率超標的線路的諧波含量比較豐富，且只有一些特征次諧波較為突出，故表1只列出部分監測數據。

圖9 諧波監測實時數據

從表1可以看出，不同饋線側支路在同一時刻的諧波電流特性不一致，這是各支路上的負載差異所致。對比低壓側與各饋線側支路數據發現對應諧波次數的低壓側的諧波電流值與饋線側諧波電流的有效值之和并不相等，低壓側的諧波含有率與各個饋線側相比也有較大的差異，原因主要有2點：一方面是由于低壓側諧波電流有效值是各饋線側諧波電流的矢量和，說明不同饋線側支路之間的諧波電流存在一定的相位差；另一方面是由于饋線側差異負載下產生的諧波數據共同影響低壓側數據，使其表征的各次諧波含有率與饋線側各支路之間有較大差異，進一步體現了諧波電流在牽引網中的疊加效應。對比高壓側和低壓側的諧波數據可以看出，諧波電流值受牽引變壓器的變比影響，且3的整數次倍的諧波數據在高壓側全部消失，說明變壓器的結構及接線方式對諧波傳輸特性有一定影響。

表1 部分特征諧波監測數據

4 結論

1) 牽引供電系統中的諧波處于動態變化中，與機車型號和位置密切相關，且諧波通過牽引網進行傳播。

2) 所設計的高鐵牽引供電系統諧波多路同步快速檢測算法能夠對多路數據同步監測，且通過多路同步學習處理的方式加快了各路檢測速度。

3) 諧波在線監測裝置的運行結果驗證了所設計算法的可行性，通過對部分數據的分析驗證了諧波的傳輸特性，同時分析結果表明算法具有較高的諧波檢測精度。

[1] 何正友, 胡海濤, 方雷, 等. 高速鐵路牽引供電系統諧波及其傳輸特性研究[J]. 中國電機工程學報, 2011, 31(16): 55?62. HE Zhengyou, HU Haitao, FANG Lei, et al. Research on the harmonic in high-speed railway traction power supply system and its transmission characteristic[J]. Proceedings of the CSEE, 2011, 31(16): 55?62.

[2] 李宗壘, 劉明光, 屈志堅, 等. 交直交機車諧波特性及其誘發過電壓的治理[J]. 鐵道學報, 2015, 37(10): 26?34. LI Zonglei, LIU Mingguang, QU Zhijian, et al. Harmonics characteristic of AC-DC-AC locomotive and the disposal of resonance overvoltage[J]. Journal of the China Railway Society, 2015, 37(10): 26?34.

[3] 王雨竹. 交直交型傳動機車(動車組)對供電系統的影響[D]. 北京: 中國鐵道科學研究院, 2014. WANG Yuzhu. The influence of LCI-type drive locomotive (EMU) on power supply system[D]. Beijing: China Academy of Railway Sciences, 2014.

[4] 杜天軍, 陳光, 雷勇. 基于混疊補償小波變換的電力系統諧波檢測方法[J]. 中國電機工程學報, 2005, 25(3): 54?59. DU Tianjun, CHEN Guang, LEI Yong. A novel method for power system harmonic detection based on wavelet transform with aliasing compensation[J]. Proceedings of the CSEE, 2005, 25(3): 54?59.

[5] Subtirelu G E, Dobriceanu M, Linca M. Power quality analyzer[C]// Advanced Topics in Electrical Engineering (ATEE), 2017 10th International Symposium on. IEEE, 2017: 909?914.

[6] Loureiro P C, Variz A M, de Oliveira L W, et al. ANN-based SVC tuning for voltage and harmonics control in microgrids[J]. Journal of Control, Automation and Electrical Systems, 2017, 28(1): 114?122.

[7] 徐浩. 高速鐵路牽引電流諧波及其對軌道電路影響分析[D]. 北京: 北京交通大學, 2016. XU Hao. Analysis of harmonic current in high-speed railway and its influence on track circuit[D]. Beijing: Beijing Jiaotong University, 2016.

[8] 賈清泉, 姚蕊, 王寧, 等. 一種應用原子分解和加窗頻移算法分析頻率相近諧波/間諧波的方法[J]. 中國電機工程學報, 2014, 34(27): 4605?4612. JIA Qingquan, YAO Rui, WANG Ning, et al. An approach to detect harmonics/inter-harmonics with closing frequencies using automatic decomposition and windowed frequency shifting algorithm[J]. Proceedings of the CSEE, 2014, 34(27): 4605?4612.

[9] 周龍華, 付青, 余世杰, 等. 基于小波變換的諧波檢測技術[J]. 電力系統及其自動化學報, 2010(1): 80?85. ZHOU Longhua, FU Qing, YU Shijie, et al. Harmonicdetectionbased on wavelet transform[J]. Proceedings of the CSU-EPSA, 2010(1): 80?85.

[10] 吳雷, 郜亞洲. 基于自適應分析的瞬時無功功率諧波檢測法[J]. 電力電子技術, 2015, 49(5): 87?89. WU Lei, GAO Yazhou. Instantaneous reactive power for harmonic detection method based on adaptive analysis[J]. Power Electronics, 2015, 49(5): 87?89.

[11] Deniz E, Aydogmus O, Aydogmus Z. Implementation of ANN-based selective harmonic elimination PWM using hybrid genetic algorithm-based optimization[J]. Measurement, 2016(85): 32?42.

[12] 李加升, 柴世杰. 電能質量諧波間諧波在線快速檢測方法研究[J]. 電力系統保護與控制, 2009, 37(18): 62?64, 69. LI Jiasheng, CHAI Shijie. Research of online rapid detection method about harmonic and inter-harmonic of power quality[J]. Power System Protection and Control, 2009, 37(18): 62?64, 69.

[13] 趙成勇, 何明鋒. 基于復小波變換相位信息的諧波檢測算法[J]. 中國電機工程學報, 2005, 25(1): 38?42. ZHAO Chengyong, HE Mingfeng. A novel method for harmonics measurement using phase information of complex wavelet transform[J]. Proceedings of the CSEE, 2005, 25(1): 38?42.

[14] 房國志, 楊超, 趙洪. 基于FFT和小波包變換的電力系統諧波檢測方法[J]. 電力系統保護與控制, 2012, 40(5): 75?79. FANG Guozhi, YANG Chao, ZHAO Hong. Detection of harmonic in power system based on FFT and wavelet packet[J]. Power System Protection and Control, 2012, 40 (5): 75?79.

[15] 何娜, 黃麗娜, 武健, 等. 一種新型快速自適應諧波檢測算法[J]. 中國電機工程學報, 2008, 28(22): 124?129. HE Na, HUANG Lina, WU Jian, et al. A novel adaptive harmonic detecting algorithm[J]. Proceedings of the CSEE, 2008, 28(22): 124?129.

[16] 張青. 500 kV變電站諧波在線監測與分析系統應用研究[D]. 廣州: 華南理工大學, 2012. ZHANG Qing. Research and application of the 500 kV substation online harmonic monitoring and analysis system[D]. Guangzhou: South China University of Technology, 2012.

[17] 危韌勇, 李志勇. 基于人工神經元網絡的電力系統諧波測量方法[J]. 電網技術, 1999, 23(12): 20?23. WEI Renyong, LI Zhiyong. Measurement of harmonic in power system based on artificial neural network[J]. Power System technology, 1999, 23(12): 20?23.

[18] 何垚. 高速鐵路車網諧波特性研究[D]. 成都: 西南交通大學, 2013. HE Yao. The harmonic characteristic research of locomotive and traction network for high-speed railway[D]. Chengdu: Southwest Jiaotong University, 2013.

[19] 殷昌華, 危韌勇, 穆帥, 等. 電力諧波智能檢測系統設計[J]. 計算機測量與控制, 2006, 14(1): 36?38. YIN Changhua, WEI Renyong, MU Shuai, et al. Design of a portable and intellectualized system for harmonics detector[J]. Computer Measurement & Control, 2006, 14(1): 36?38.

[20] 吳命利, 楊少兵, 翟鐵久. 電氣化鐵路接入電網諧波預評估有關問題分析及諧波國家標準修訂建議[J]. 鐵道學報, 2016, 38(8): 1?7. WU Mingli, YANG Shaobing, ZHAI Tiejiu. Analysis of problems about harmonic preliminary assessment for the connection of electric railways to the power grid and suggestions on revision of national harmonic standard[J]. Journal of the China Railway Society, 2016, 38(8): 1?7

Harmonic multi-channel synchronous rapid detection device based on artificial neural network algorithm

CHEN Yougen1, LI Xiaoguang1, GUO Haitao2, LI Zhiyong1

(1. School of Information Science and Engineering, Central South University, Changsha 410075, China; 2. Power Supply Department of High-speed Trains, Guangzhou Railway (Group) Corporation, Guangzhou 510088, China)

By analyzing the characteristics of harmonic transmission in traction power supply system of high-speed railway, a harmonic detection algorithm based on artificial neural network was designed, which realized the synchronous rapid detection of multi-channel harmonic current in traction power supply system. The test device realized multi-channel harmonic synchronous rapid detection within 50 times of the traction power supply system, and had high accuracy and good real-time performance.

traction power supply system; harmonic current; artificial neural network; multi-channel synchronous rapid detection

10.19713/j.cnki.43?1423/u.2019.02.029

U223.63

A

1672 ? 7029(2019)02 ? 0501 ? 08

2018?01?18

湖南省自然科學基金資助項目(2015JJ2171)

李志勇(1992?)，男，河南開封人，副教授，博士，從事電能質量控制、新能源發電技術研究；E?mail：lizy@mail.csu.edu.cn

(編輯 陽麗霞)