小波包和神經網絡的船舶電力系統諧波檢測方法

王 賀，商立群

(1.西安科技大學，陜西 西安 710000；2.亳州交通投資控股集團有限公司，安徽 亳州 236800)

0 引言

從目前船舶智能化、自動化、集成化、大型化的發展趨勢上來看，船舶上特別是大型船舶上搭載的電力電子器件會越來越多[1]。這為船舶帶來了更好的性能，也使船舶電力系統面臨著更多的問題。

為使船舶電網保持高質量電能，電網在相位、頻率、電壓幅值等遇到較大變化時需要迅速恢復穩定。而搭載更多電力電子器件后，船舶電網由于諧波問題在相位、頻率、電壓幅值等方面發生突變時很難迅速恢復穩定。同時船舶電網諧波還會帶來其他負面影響包括使船舶運行成本增加，降低電網的電能質量，降低系統運行效率等[2]。可以說其危害廣泛而深遠，是一個不能忽略的問題。

目前在電力系統諧波檢測問題的研究中，已經取得了很豐富的研究成果。陳倩、等[3]提出一種應用改進全相位算法與混合卷積窗四譜線插值算法的檢測算法。實驗結果表明，該算法有著很強的檢測能力，整體檢測精度較高。李金、等[4]以瞬時無功功率為理論基礎完成了諧波檢測，實驗驗證該算法具備有效性。以上方法在船舶電力系統的應用中存在檢測誤差大的問題，因此提出一種基于小波包和神經網絡的船舶電力系統諧波檢測方法。

1 船舶電力系統諧波檢測方法

1.1 電力系統信號采樣

設計船舶電力系統信號采樣裝置，實施電力系統電流信號與電壓信號的采樣[5]。信號采樣裝置由微處理器、信號采集板、上位機構成。其中微處理器主要用于實現以下功能：與上位機進行通信，信號采樣裝置的控制以及數據處理。微處理器的設計具體如下：由輔助邏輯模塊、邏輯運算器、算術運算器、算術邏輯單元ALU、寄存器堆構成。輔助邏輯模塊由譯碼器和數據選擇器構成，其中譯碼器的作用是寫入寄存器堆，選用5 位譯碼器，數據選擇器的作用是在多個輸入數據中對輸出進行選擇，選用lpm_mux32x32 數據選擇器[6]。邏輯運算器由邏輯異或電路、邏輯或非電路、邏輯或電路、邏輯與電路構成，能夠實現各種邏輯運算操作。算術運算器的配置情況如圖1 所示。在算術邏輯單元ALU 的設計中，需要對ALU 功能進行編碼，在信號采集板上集成電流互感器與電壓互感器。電流互感器的設計如下：選擇光纖作為電流互感器的傳輸通道，在高壓側布設有源電子線路。首先設置一個傳感器，在其后方設置一個集成電路模數轉換器，對檢測后的信號實施數字化處理，并設置發光元件對信號實施光電化處理。通過光纖將檢測信號直接傳輸至低電位，并重復數字化與光電化操作。最后通過設置測量裝置與繼電保護對還原的測得數據進行接收[7]。電壓互感器的設計具體如下：選取的鐵芯為矽鋼片，根據鐵芯的截面積對一次繞組的匝數與二次繞組的匝數進行計算，選擇圓形聚脂漆包線進行一次、二次繞組[8]。并為信號采集板配置寄存器堆，共設置3 個專用寄存器與32 個三十二位通用寄存器。

圖1 算術運算器的配置情況Fig.1 Configuration of arithmetic arithmetic operator

1.2 信號高頻部分提取

通過小波包算法提取采集的電流信號與電壓信號高頻部分的有效值。高頻部分提取步驟為：

1) 將采樣的電流信號為a(r)，將采樣時間R內的電流信號序列用下式表示：

式中，M某正整數。

2) 用線性加權的正交小波基函數和表示電流信號，具體如下式：

3) 電壓信號的高頻部分可以在某一尺度M上用下式表示：

4)用下式表示上式：

則高頻部分有效值可以用下式來表示：

通過同樣的步驟對電壓信號高頻部分有效值進行提取。在電流信號、電壓信號高頻部分有效值中對諧波進行檢測。

1.3 諧波檢測

基于神經網絡思想設計Elman 神經網絡諧波檢測器，實現船舶電力系統諧波檢測。在檢測器中通過主成分分析方法實施Elman 神經網絡的輸出優化，并改進激勵函數，降低諧波頻率、相位、幅值的測量誤差。Elman 神經網絡諧波檢測器由4 層結構構成，分別為關聯層、輸出層、隱含層、輸入層。其中輸入層負責傳輸電流信號、電壓信號高頻部分有效值；隱含層負責對數據進行處理；輸出層負責實施處理數據的線性加權，獲取諧波信號的頻率、相位、幅值；關聯層負責對輸出層獲取結果與理論諧波信號的頻率、相位、幅值的誤差進行計算。當誤差不滿足要求，將輸出層獲取結果作為權重對神經網絡的調節進行重新參與。其中隱含層的輸出可以用下式表示：

式中：Fen(u)為u時刻關聯層到隱含層實施的諧波信號反饋輸出；Z(·)為隱含層的輸出函數；S為電流信號高頻部分有效值信號個數；b為某電流信號高頻部分有效值信號；O1cb(u)為輸入層面向隱含層的權值矩陣；Qc(u)為信號高頻部分的權值函數；K為電壓信號高頻部分有效值信號個數；l為電流信號高頻部分有效值信號個數；O2cb(u)為關聯層面向隱含層的權值矩陣。其中Fen(u)的計算公式具體如下：

式中：Fe(u?1)為u?1時刻關聯層到隱含層的非線性狀態差值。

在輸出層中，通過主成分分析方法實施諧波的頻率、相位、幅值的特征提取，用于對Elman 神經網絡的輸出進行優化。在激勵函數的改進中，對Sigmoid 激勵函數進行修正，修正結果如下：

式中：η為Sigmoid 激勵函數的自變量；ι為常數項；κ為可調偏置參數；λ為擴大函數增益；μ為自變量因子；γ為Sigmoid 激勵函數。

2 仿真測試

2.1 測試數據

通過實驗測試小波包和神經網絡的船舶電力系統諧波檢測方法的表現性能，驗證該方法的有效性。在實驗中，首先通過設計的船舶電力系統信號采樣裝置對某船舶的電力系統信號實施采樣。將采樣頻率設置為3 500 Hz，共對3 000 個點的數據進行采樣。采樣的船舶電力系統電流信號與電壓信號數據具體如圖2 所示。通過小波包算法提取采樣信號的高頻部分。在提取中，將基波頻率設為50 Hz。基于提取的高頻部分，通過設計的Elman 神經網絡諧波檢測器實施實驗船舶電力系統的諧波檢測。在檢測中，首先需要通過一部分實驗數據對檢測器進行訓練，接著利用檢測器進行檢測。基于檢測結果對設計方法的性能進行測試。在測試中，將文獻[3–4]中提出的算法作為對比方法，分別將其命名為方法1 和方法2，共同進行測試，并對測試結果進行對比分析，觀察設計方法的性能表現是否有優勢。

圖2 采樣的信號數據Fig.2 Sampled signal data

2.2 結果分析

2.2.1 檢測誤差測試

首先對設計方法與方法1 和方法2 的諧波頻率、相位、幅值的檢測誤差進行測試，測試結果如表1 所示。根據表1 的誤差測試結果，設計方法的平均諧波頻率檢測誤差的區間均值為0.16Hz，平均諧波相位檢測誤差的區間均值為0.20°，平均諧波幅值檢測誤差的區間均值為0.12V；方法1 的3 種區間均值分別為0.24Hz，0.27°，0.19V；方法2 的3 種區間均值分別為0.25Hz，0.28°，0.19V。整體來說，設計方法的3 種區間均值都更低，說明設計方法的檢測誤差較低。

表1 檢測誤差測試結果Tab.1 Test results of detection error

2.2.2 基波突變點延時測試

接著測試3 種方法在基波突變點發生延時的情況，測試結果如圖3 所示。結果表明，設計方法幾乎實現了基波分離延時問題的克服，整體延時很低，而方法1 和方法2 的基波分離延時比較相近，均大于150 ms，說明設計方法的檢測效率較高。

圖3 基波分離延時測試結果Fig.3 Test results of fundamental wave separation delay

3 結語

船舶電力系統諧波問題與電網諧波問題一樣，一直是電力系統中需要解決的難題。通過對其進行檢測，能夠針對性地解決此問題，設計小波包和神經網絡的船舶電力系統諧波檢測方法，實現了低誤差的諧波檢測，對于船舶電力系統的穩定運行有重要意義。