基于改進小波神經網絡的直流輸電系統諧波檢測技術

姚建紅 康耀文 王天嬌 唐龍慶

(東北石油大學電氣信息工程學院，黑龍江 大慶 163318)

基于改進小波神經網絡的直流輸電系統諧波檢測技術

姚建紅 康耀文 王天嬌 唐龍慶

(東北石油大學電氣信息工程學院，黑龍江 大慶 163318)

針對換流器產生諧波的主要特征進行分析，提出一種改進型的小波神經網絡，增加了處理層，采用了神經樹的網絡結構。在Matlab中進行了仿真和數據分析，結果表明：相較于普通的小波神經網絡改進的小波神經網絡具有較好的檢測精度和誤差率。

直流輸電 諧波檢測 換流器 Matlab

近年來，直流輸電以其遠距離、低損耗及大輸電量等方面的優勢，取得了快速發展。但是在直流輸電系統中由于一些非線性元件的存在會使系統產生諧波，諧波對于嚴格要求供電質量的輸電系統來說是一種“污染”。諧波會影響輸電設備的正常運行，對附近的通信設備造成干擾，所以對諧波進行精確的檢測與分析對于電力系統的正常穩定運行有著重要的意義[1]。

在直流輸電系統中，核心元件是換流器，通常采用十二脈動閥組結構的單級換流器[2,3]。在對換流器所產生的諧波進行分析時，主要考慮的是在其交流側與直流側產生的特征諧波。理論和實踐證明，諧波檢測的精度和動態響應速度與檢測算法密切相關[4]。當前主要的諧波檢測算法有傅里葉變換、小波變換及神經網絡等，但這些算法總會有諸如誤差精度不足、數據丟失嚴重及易陷入局部最優等問題。筆者首先分析了直流輸電直流側與交流側的特征諧波，然后設計了一種改進型小波神經網絡，實現對直流輸電系統的諧波檢測，最后在Matlab中對該改進型算法予以實現。

1 換流站的特征諧波

在分析直流輸電系統的諧波時，通常做出以下假設[5]：換相電壓源對稱，為基波正序電壓；變壓器對稱，包括結構和參數；觸發角恒定；平波電抗為無窮大。

在理想條件下，換流站網側的交流電壓為三相對稱電壓，所以電壓無諧波。直流側為某一恒定的直流電流，故電流也不含諧波。所以在分析換流站的諧波特性時，要將換流站的交流側和直流側分開分析。

在理想條件下，無論是否考慮換相的影響，三相六脈沖換流器在直流輸電系統的交流側電流特征諧波次數為6k±1次。而對于直流側，在直流輸電系統中三相六脈沖換流器的直流側電壓特征諧波次數為6k次。而對于十二脈沖換流器，它的結構為兩個六脈沖換流器串聯，每個六脈沖換流器的諧波次數與上述相同。在理想條件下，兩個換流器之間的諧波分量可以相互抵消，因此該換流器在交流側電流中的特征諧波為12k±1次，直流側電壓的特征諧波為12k次。經過研究表明，對換流器的脈沖數做進一步分析，分析到p次時，交流側和直流側的特征諧波分別為pk±1次和pk次[6]。

2 小波神經網絡與改進小波神經網絡的比較

2.1小波神經網絡

小波神經網絡是在BP神經網絡結構的基礎上，在網絡內部加入了小波函數。由于有小波分析理論做基礎，網絡的權值學習算法相比于常規神經網絡來說要簡單，收斂速度較快[7]。圖1為普通的小波神經網絡結構。

圖1 小波神經網絡結構

神經網絡與小波變換的結合方式有兩種，即松散型和緊致型[8]。松散型是將信號通過小波變換或傅里葉變換實現其時頻特性的提取，進而將提取的時頻特性送入神經網絡進行處理；緊致型是將神經網絡的隱含層改為小波函數，從圖1中可以看到神經網絡的輸入層和輸出層沒有變化，只是中間層(隱含層)由原來的神經網絡函數變為了小波函數。

小波神經網絡在處理復雜數據(多維)時并不能快速得出目標結果，迭代次數、計算的誤差精度仍與目標結果有很大的差距，網絡本身也容易陷入局部最優。針對以上不足筆者提出了改進型小波神經網絡。

2.2改進型小波神經網絡

2.2.1處理層的構建

針對上述小波神經網絡的不足，筆者將小波神經網絡的松散型與緊致型結合起來。由于原始數據也就是諧波是一個三維數據，在小波神經網絡的輸入層與隱含層中間加入了處理層，處理層由快速傅里葉變換(FFT)構成，通過快速傅里葉變換，可以將諧波中的幅值、相角和頻率分別提取出來，也就是筆者所要做的降維，將多維輸入分解降維變成多個子網絡，形成一個類似“神經樹”的小波神經網絡。這樣做有效降低了離散正交小波網絡的算法復雜性，加快了網絡的學習速率，提高了網絡的收斂速度和誤差精度。由于諧波的檢測包含諧波的幅值、相角與頻率的檢測，故筆者選擇有3層子網絡的小波神經網絡，其結構如圖2所示。

筆者改進的小波神經網絡在進行信號分類識別時采用如下四層網絡結構:

圖2 改進型小波神經網絡的結構

a. 輸入層。將待檢測的含有諧波的原始信號輸入到神經網絡中。

b. 處理層。將輸入層輸入的原始信號通過快速傅里葉進行分解，分別得到分解后的幅值、頻譜與相角數據。將這些數據作為隱含層輸入同時分別輸入到3個子網絡中，這樣做的目的是為了加快學習速率，避免陷入局部最優，提高神經網絡的收斂速度與檢測精度。

c. 隱含層。與BP神經網絡類似，只是將小波函數作為隱層傳遞函數得出隱層的輸出，該層小波函數的選擇與訓練是小波神經網絡性能好壞的關鍵。

d. 輸出層。與BP神經網絡類似，隱含層的輸出作為輸出層的輸入，輸出小波神經網絡的結果。

2.2.2小波神經網絡各層參數的確定

輸入層的輸出等于整個網絡的輸入信號：

隱含層的輸入為：

隱含層的輸出為：

其中，f(·)為小波函數,筆者所采用的小波函數為Morlet函數。

Morlet函數的數學表達式為：

輸出層的輸入為：

輸出層的輸出為：

網絡誤差為：

網絡的總誤差為：

梯度為：

綜上所述，可知檢測諧波的步驟為：

a. 將諧波輸入到神經網絡中在處理層進行FFT預處理，得到諧波的幅值、頻率與相角數據；

b. 將經過處理的諧波的幅值、頻率與相角數據輸入到神經網絡的子網絡中；

c. 按前述方法確定神經網絡模型參數；

d. 對神經網絡進行訓練；

e. 給出網絡檢測結果。

3 小波神經網絡檢測高壓直流輸電系統諧波的Matlab仿真與數據分析

筆者將換流器的交流側諧波與直流側諧波綜合考慮，先將基波中含有11、12、13、23、24、25次諧波的訓練數據放入小波神經網絡中進行訓練，取0.0～16.8之間每π/8為一個采樣點,通過訓練確定網絡的各個參數，如權值、閾值。再將需要檢測的數據輸入到已經訓練好的網絡中。圖3為訓練網絡的原始數據。

圖3 訓練小波神經網絡的原始數據

將含有諧波的數據放入已經訓練好的網絡中，檢測出的諧波如圖4所示。

圖4 用小波神經網絡檢測出的諧波

從圖4中可以看出檢測出的諧波波形基本與實際情況一致。筆者給出使用改進小波神經網絡與普通小波神經網絡對諧波信號進行檢測的結果比較。表1～3分別為使用改進小波神經網絡與普通小波神經網絡檢測的諧波頻率值、諧波相角和諧波幅值。

表1 諧波頻率值對比 Hz

表2 諧波相角對比 (°)

表3 諧波幅值(標幺值)對比

由表1～3可以看出，筆者所提算法檢測諧波的精度相比于普通的小波神經網絡算法有了較大的提高。

圖5為改進的小波神經網絡與普通的小波神經網絡在相同迭代次數下誤差率對比。

由圖5可以看出，改進的小波神經網絡在相同迭代次數下誤差率要比普通小波神經網絡低很多，諧波在改進小波神經網絡中迭代470次后其精度基本已經達到檢測要求。

圖5 誤差率對比

4 結束語

對普通小波神經網絡進行改進，增加了處理層，采用神經樹的神經網絡結構，將小波函數作為神經網絡的隱含層，并將含有諧波的數據送入搭建好的改進小波神經網絡中進行檢測，發現改進的小波神經網絡能夠精確地檢測出諧波，同時在相同迭代次數下其檢測誤差率要低于普通的小波神經網絡。將此改進型小波神經網絡應用于直流輸電系統的諧波檢測中，具有廣泛的應用前景。

[1] 楊斌文，劉麗英，王文虎．電力系統中諧波的危害與產生[J]．電氣時代，2002，(2)：30～31．

[2] 徐宏雷,鄭偉,周喜超，等.特高壓直流輸電系統對電網諧波污染的仿真分析[J].電力系統保護與控制,2010,38(23):192～195.

[3] 楊志棟,李亞男,殷威揚，等.±800kV向家壩-上海特高壓直流輸電工程諧波阻抗等值研究[J].電網技術,2007,31(18): 1～4.

[4] 宋澤琳，鄭恩讓，馬令坤.基于FPGA的電力系統諧波檢測算法研究及實現[J].化工自動化及儀表,2011，38(6)：713～717

[5] 浙江大學發電教研組直流輸電科研組.直流輸電[M].北京：水利水電出版社,1982.

[6] 夏道止,沈贊塤.高壓直流輸電系統的諧波分析及濾波[M].北京:水利電力出版社,1994.

[7] Patl Y C,Krishnaprasad P S.Analysis and Synthesis of Feedfordward Neural Networks Using Discrete Affine Wavelet Transformations [J].IEEE Transaction on Neural Networks,1995,4(1):73～85.

[8] 李偉,吳超群，王艷茹，等.基于小波神經網絡的FRP復合材料損傷聲發射信號識別[J].化工機械，2011，38(3)：294～297.

(Continued from Page 473)

AbstractRegarding matters bothering the development and application of gas-solid flow velocity measurement equipment, having computer sound cards, Matlab software and the signal access board employed to design a calibration system for pulverized coal and wind velocity measurement in a power plant was implemented and applied in a microwave measurement method-supported experimental platform. The testing results show that this calibration system can satisfy both check and fault detection of pulverized coal and wind velocity in the power plant because of its simple structure and low cost; and it has practical significance to the detection and maintenance as well as the checking of gas-solid flow velocity measuring equipment.

Keywordstwo-phase flow velocity, calibration system, sound card, Matlab

HarmonicDetectioninHVDCTransmissionSystemBasedonImprovedWaveletNeuralNetwork

YAO Jian-hong, KANG Yao-wen, WANG Tian-jiao, TANG Long-qing

(SchoolofElectricalEngineeringandInformation,NortheastPetroleumUniversity,Daqing163318,China)

The main characteristics of the harmonic generated from the converter were analyzed and an improved wavelet neural network was proposed, which boasts improved processing layer and neural tree network structure. Simulation with Matalab shows that as compared to the ordinary wavelet neural network, the improved one has better detection speed and smaller error rate.

HVDC, harmonic detection, converter, Matlab

TH865

A

1000-3932(2016)05-0491-04

2016-03-15(修改稿)

黑龍江省教育廳科技攻關項目(12531062)