基于廣義回歸神經網絡的諧波源建模

謝 康，楊洪耕，張 逸， 黃 靜

(四川大學電氣信息學院，四川 成都610065)

1 引言

現代電力系統的諧波問題正隨著非線性負荷的廣泛使用而日趨嚴重，為了有效地對諧波進行分析與治理，準確并合理的諧波源模型必不可少［1］。現有的諧波源模型［2］有恒流源模型、基于交叉頻率導納矩陣模型、Norton等效模型、基于最小二乘法的簡化模型等。對于鐵磁飽和型負荷、電弧型負荷和網絡拓撲結構復雜的多個諧波源組合的負荷來說，難以獲得其數學模型，因此學者們提出根據實測數據對諧波源建模［3-4］。

神經網絡具有強大的非線性映射能力、并行處理和自學習的優點，它不用考慮諧波源內部機理。文獻［5］提出用RBF神經網絡建立不可控整流橋的穩態頻域模型，將諧波負荷功率靈敏度引入潮流計算，提高潮流計算的收斂速度;文獻［6］利用廣義生長-剪枝RBF神經網絡表征相同諧波源的電壓-電流特性，建立穩態頻域諧波源模型，進一步提高模型精度。非線性負荷在實際運行過程中吸收的諧波電流受其基波電壓和基波功率等運行條件的影響，現有方法還未能直接揭示這一特性。本文引入電壓運行度Sv和功率負荷度 Sp分別表征基波電壓和基波功率水平，基于廣義回歸神經網絡采用實測數據建立諧波源的負荷度-電流特性;對網絡平滑系數進行優化設計，將最小檢測誤差對應的平滑系數用于網絡訓練。以某鑄造廠中頻爐實測數據為例，結果表明該模型計算值與實測值的誤差很小;具有人為確定參數少、訓練時間短、所需樣本少、精度高等優點，適合一般諧波源的建模。

2 廣義回歸神經網絡

廣義回歸神經網絡(Generalized Regression Neural Network，GRNN)是由 Specht在1991年提出的，它是RBF神經網絡的一種變化形式。GRNN具有良好的非線性映射能力、建模所需樣本少、人為確定參數少的優點，其網絡的訓練完全取決于數據樣本;網絡的結構和連接權值由學習樣本唯一確定，訓練過程只需通過一維尋優來人為確定平滑系數σ，最大程度避免了人為主觀因素的影響［7］。

2.1 GRNN網絡結構

GRNN仍然采用BP算法對連接權值進行修正，網絡隱含層節點采用高斯函數作為基函數，當輸入信號靠近基函數的中央范圍時，隱含層節點將對輸入信號產生局部響應。GRNN包括輸入層、模式層、求和層和輸出層4層神經元［7-8］。

輸入層:神經元數目等于學習樣本中輸入向量X的維數m，即X中有m個元素。

模式層:神經元數目等于學習樣本的數目n，神經元i的傳遞函數為

求和層:該層中有2種類型的神經元，一種是對所有模式層神經元的輸出進行算術求和，模式層各神經元與該神經元的連接權值為1，傳遞函數為

另一種是對所有模式層神經元的輸出進行加權求和，模式層中第i個神經元與求和層中第j個求和神經元之間的連接權值為第i個輸出樣本Yi中的第j個元素yij，其傳遞函數為

輸出層:神經元數目等于學習樣本中輸出向量的維數l，各神經元將求和層的兩種神經元的輸出相除得到網絡的輸出yj，即

2.2 GRNN平滑系數的優化設計

GRNN的網絡訓練實際上是確定平滑系數的過程，隱含了網絡性能的驗證過程，在學習樣本中無需另外的驗證數據。與BP算法不同，GRNN在訓練過程中只需改變平滑系數，從而調整模式層中各神經元的傳遞函數，以獲得最佳的回歸估計結果。

本文將平滑系數在區間(0，0.05)內劃分成50等分等間隔遞增變化，一次性隨機抽取10%左右的樣本集用于檢驗，其余的樣本用于構建網絡，用構建的網絡模型計算檢測樣本的均方根相對誤差，稱為檢測誤差E，在此省略了文獻［8］中需要循環每一個樣本的步驟，提高了平滑系數的尋優效率。

3 基于GRNN的諧波源建模

由于電壓運行度Sv和功率負荷度 Sp兩者之間的不同組合關系對應著諧波負荷不同運行狀態，產生的諧波電流也不同。對于單個諧波負荷而言，可以采用負荷電壓標幺值和功率標幺值來表示Sv、Sp，即負荷實際基波電壓與額定電壓之比，實際基波功率與額定功率之比。

然而，當需要對一個諧波負荷群進行建模時，由于各諧波負荷運行狀態不同，此時不便于采用電壓和功率標幺值來代替Sv、Sp，可以考慮采用各諧波負荷的加權Sv、加權 Sp來等效這一諧波負荷群的 Sv、Sp，從而反映該諧波負荷群的負荷度-電流特性。

值得注意的是，當不考慮 Sv的變化時，可以采用基波電流標幺值代替Sp，但對于電壓變化很劇烈的電弧爐這類負荷來說，應該考慮Sv的影響。

文獻［9］將諧波源的電壓-電流非線性特性統一表述為

本文提出的基于GRNN的諧波源建模方法采用實測數據作為輸入輸出變量，根據實測數據的大小和GRNN網絡訓練的需要決定是否歸一化處理。對于不同諧波源，其負荷特征參數C也不同，而Sv、Sp則反映了所有諧波源的共性，因為非線性負荷在實際運行中，其吸收諧波電流的變化受到Sv、Sp的影響，因此對于所有諧波源都可以用Sv、Sp作為諧波負荷特征參數的一個子集，本模型只考慮各次諧波電壓、電流幅值，而不考慮它們的相角關系。

綜上所述，根據式(7)的關系，考慮 Sv、Sp的諧波源模型可表示為

這樣，各次諧波電流幅值與各次諧波電壓幅值、Sv和Sp的非線性映射關系可以通過對GRNN的訓練建立起來。在系統實際運行過程中，基波電壓和各次諧波電壓幅值的變化范圍不會超過系統電壓額定值的10%［6］;而諧波負荷功率隨著運行工況的改變可能大幅度變化。此時，各次諧波電流主要受Sp的影響，根據Sp可以估計出各次諧波電流幅值，式(8)可以簡化為式(9)的關系式，用于單獨研究 Sv、Sp對各次諧波電流幅值的影響。

定義1:用于衡量 GRNN學習精度的兩個指標［6］:算術平均誤差εMAE和均方根誤差εRMSE。

4 算例分析

為了驗證所提出的基于GRNN的諧波源模型的有效性，采用宜賓某鑄造廠的中頻爐實測數據進行GRNN網絡訓練。該中頻爐由12脈波整流電源供電，理論上只含有12k±1(k為整數)次的特征諧波，本文考慮 1、11、13、23、25 次特征諧波電流幅值。中頻爐額定功率為6600kW，選取供電變壓器一次側進行實際測量，考慮了諧波電流在變壓器中的傳播特性。互感器 PT為110kV/100V，CT為 400A/5A，如圖1所示。測量儀器為電能質量分析儀PQPT1000，GRNN編程軟件為MATLAB。

圖1 實際數據測量示意圖Fig.1 Schematic diagram of actual measurement

測量數據為每分鐘一個值，取A相的400個樣本，隨機抽取350個為訓練樣本，剩下50個為測試樣本。GRNN人為確定的參數只有一個平滑系數σ，使其預測模型能最大限度地避免人為主觀假設對預測結果的影響，σ一般小于1，能夠更好地擬合數據。為了更好地說明Sv、Sp與各次諧波電流幅值的內在聯系，分別對式(8)、式(9)和文獻［10］的簡化模型進行GRNN網絡訓練，通過對比來反映Sv、Sp對各次諧波電流幅值的影響，分別按2.2節中的方法確定平滑系數 σ 為 0.021，0.003，0.006，此時的檢測誤差Emin最小，擬合結果也最滿意。

圖2顯示了中頻爐11、13次特征諧波電流幅值(I11、I13)與 Sv、Sp之間的相互關系。從 2圖中可以看出，在中頻爐運行過程中，Sv在區間(0.59，0.605)范圍內隨機波動，它對 I11、I13的影響比較小，I11、I13主要受Sp的影響，兩者的變化是基本一致的，當 Sp增大時，I11、I13隨之增大;I23、I25也有類似的關系，由于篇幅有限，在此不再多作說明。

圖2 Sv、Sp分別與 I11、I13的相互關系Fig.2 Relationships between Sv、Spand I11、I13

由表1可見，通過三個模型的 GRNN訓練結果可以很清楚地發現:①功率負荷度Sp對各次諧波電流幅值的影響很大，Sp是負荷特征參數的一個很重要的元素，如果沒有它，很難確定諧波電流;②GRNN網絡訓練并不是輸入參數越多越好，考慮太多影響很小的因素而忽略了影響很大的因素時，可能導致其訓練結果誤差很大，甚至導致不正確的結果。與文獻［6］的GGAP-RBF方法相比，本文方法的訓練時間比其縮短兩倍左右，GRNN網絡訓練的平均絕對誤差比較大，其原因有:①基波電流幅值比其余諧波電流幅值大很多，其誤差占了平均絕對誤差的絕大部分;②本文方法采用的變壓器一次側(110kV)的實測數據比文獻［6］方法采用的基于電壓、電流三相對稱假設條件下的仿真數據隨機性和影響因素也更多，對GRNN的訓練誤差有一定的影響。除此之外，文獻［6］方法不能反映諧波源的負荷度-電流特性。

表2顯示了在兩種不同運行條件下的各次諧波電流幅值估計的結果。通過Sv、Sp對各次諧波電流幅值的預測誤差比較小，滿足實際工程中諧波源建模的要求，可以根據不同 Sv、Sp的組合關系通過GRNN建模方法估計諧波源的各次諧波電流幅值。

表1 訓練結果Tab.1 Training results

表2 各次諧波電流幅值Tab.2 Harmonic current amplitude of Ih

5 結論

(1)提出一種基于廣義回歸神經網絡采用實測數據的諧波源建模方法，算例結果驗證了模型的正確性和有效性，此方法適用于一般諧波源建模。

(2)引入電壓運行度和功率負荷度概念，將諧波源負荷度-電流特性關系通過廣義回歸神經網絡建模，對網絡平滑系數進行了優化設計。

(3)研究了諧波源在不同運行條件下的負荷度-電流特性，根據電壓運行度和功率負荷度估計各次諧波電流幅值，模型精度能夠滿足實際工程要求。

［1］肖湘寧 (Xiao Xiangning).電能質量分析與控制 (A-nalysis and control of power quality)［M］.北京:中國電力出版社 (Beijing:China Electric Power Press)，2004.

［2］鄭連 清，吳 萍，李 鹍 (Zheng Lianqing，Wu Ping，Li Kun).電力系統中諧波源的建模方法 (Modeling approaches of harmonic sources in power system)［J］.電網技術 (Power System Technology)，2010，34(8):41-45.

［3］Nassif A B，Yong J，Xu W.Measurement-based approach for constructing harmonic models of electronic home appliances［J］.IET Generation，Transmission ＆Distribution，2010，4(3):363-375.

［4］Mau Teng Au，Jovica V Milanovic.Development of stochastic aggregate harmonic load model based on field measurements［J］.IEEE Transactions on Power Delivery，2007，22(1):323-330.

［5］Moreno M A，Usalla J.A new balanced harmonic load flow including nonlinear loads modeled with RBF networks［J］.IEEE Transactions on Power Delivery，2004，19(2):686-693.

［6］占勇，程浩忠，葛乃成，等 (Zhan Yong，Cheng Haozhong，Ge Naicheng，et al.).基于廣義生長-剪枝徑向基函數神經網絡的諧波源建模 (Generalized growing and pruning RBF neural network based harmonic source modeling)［J］.中國電機工程學報 (Proceedings of the CSEE)，2005，25(16):42-46.

［7 ］Donald F Specht.A general regression neural network［J］.IEEE Transactions on Networks，1991，2(6):568-576.

［8］陳嬌，王永泓，翁史烈 (Chen Jiao，Wang Yonghong，Weng Shilie).廣義回歸神經網絡在燃氣輪機排氣溫度傳感器故障檢測中的應用(Application of general regression neural network in fault detection of exhaust temperature sensors on gas turbines)［J］.中國電機工程學報 (Proceeding of the CSEE)，2009，29(32):92-97.

［9］Task Force on Harmonics Modeling and Simulation.Modeling and simulation of the propagation of harmonics in electric power networks part I:concepts，models，and simulation techniques［J］.IEEE Transactions on Power Delivery，1996，11(1):452-465.

［10］趙勇，張濤，李建華，等 (Zhao Yong，Zhang Tao，Li Jianhua，et al.).一種新的諧波源簡化模型 (A new simplified harmonic source model for harmonic analysis and mitigation)［J］.中國電機工程學報(Proceedings of the CSEE)，2002，22(4):46-51.