基于SOM神經網絡的電能質量綜合評估

別威 田麗

摘?要：提出SOM神經網絡的電能質量綜合評估方法，討論實測綜合數據排名和等級劃分.實證結果表明，SOM神經網絡方法對電能質量綜合評估有效.

關鍵詞：SOM神經網絡;電能質量;MATLAB

[中圖分類號]TM71???[文獻標志碼]A

Synthetic Evaluation of Power Quality Based onSOM Neural Network

BIE Wei ，TIAN Li

（School of Electrical Engineering， Anhui University of Engineering， Wuhu 241000， China）

Abstract：This thesis proposes a comprehensive evaluation method of power quality for SOM neural network， and discusses the ranking and ranking of measured comprehensive data. The empirical results show that the SOM neural network method is effective for comprehensive evaluation of power quality.

Key words：SOM neural network; power quality; MATLAB

隨著電能質量綜合評估指標的逐步提高，電能質量綜合評價呈現出高度復雜的非線性特征.人工神經網絡ANN（Artificial Neural Network）[1-5]模型具有較強的自適應能力、較低的工作量和較快的更新速度.通過神經元函數的簡單復合，可以逼近有界子集上的任何非線性函數.SOM神經網絡輸入信號的拓撲分布，能在一維或二維的處理單元陣列上表示，其訓練數據可滿足電能質量分類的要求，并根據聚類結果區分優缺點.因此，本文使用人工神經網絡進行電能質量綜合評價，對于改進電能質量的綜合評價方法具有重要意義.

1?SOM神經網絡電能質量評估模型與等級標準

1.1?SOM神經網絡學習算法

自組織特征映射算法用來檢測數據的相似性，是一個可以配置為有選擇反映輸入數據的網絡.

第一步?網絡初始化

網絡的初始化包括輸入層和映射層之間權值的初始化.輸入神經元m的數量連接到競爭層的神經元，被賦予較小的權值.定義一個集合，輸出神經j的“鄰接神經元”（Si），t=0時神經元j的集合為（Sj（0）），t時刻“鄰接神經元”的集合為（Sj（t）），且區域Sj（t）隨著時間變化為一個單調遞減的函數.

第二步?輸入向量

輸入向量X=（x1，x2，x3，…，xm）T到輸入層.

第三步?計算權重與輸入向量的距離

dj=‖X-Wj‖=∑mi=1（xi（t）-wij（t））2.（1）

距離最小神經元為j*，在單元k確定情況下，則需要滿足對于任何單位都存在dk=minj（dj）的鄰接神經元集合.

第四步?學習權值

Δw=wij（t+1）-wij（t）???=η（t）（xi（t）-wij（t））.（2）

η（t）=1t或η（t）=0.2（1-110 000）.（3）

η大于0且小于1的常數隨著時間逐漸減小.

第五步?計算輸出O k

O k=f（minj‖X-Wj‖）.（4）

對f（*）通常是0～1函數或其他非線性函數.

如果滿足要求，算法結束;否則返回步驟（2），繼續下一輪學習.

1.2?建立SOM神經網絡模型

建立評估模型.選定電能質量的評估指標，對輸出最大的神經元標記進行標記，將待測樣本輸入SOM神經網絡，確定分界樣本的模型輸出值，評估電能質量綜合指標.

1.3?電能質量評估的選定與分級處理

本文采用以下指標進行分類：供電電壓允許偏差[6]、電力系統頻率偏差[7]、電壓波動和閃變[8]、三相電壓允許不平衡度[9]、公用電網諧波[10].數據標準見表1.根據國家標準體系的規定，將電能質量五項指標綜合評價分為九個層次[11]，等級1到等級5代表電能質量合格，級別6到9代表不合格.當質量為可接受的范圍時，可以更精細檢查電能質量，而當質量不合格時，可以對進行廣泛測試以發現問題.

表1中，電壓波動X2括號內是隨機不規則波動時的極限，長時間閃變限值在電壓閃變X3的括號內;X5是短時間范圍內的三相電壓允許不平衡度的極限值;X6括號內代表著系統容量放寬后的極限值.

2?應用案例

采用SOM神經網絡電能質量評估模型，分析某變電站110 kV電能質量測試數據.數據來源：10組文獻數據，5組某電力公司變電站2016年5個監測點的電能質量實測數據.[12]數據整理匯總表見2.其中，X1～ X6代表 6項電能質量指標，見表2和表3.

表3中的數據用SOM神經網絡的MATLAB仿真實現模擬，得到其類聚結果見表4.當訓練步數為10時，級別1，2和5為一個類別，級別3，4，6，7為一類.可以看出，SOM神經網絡在對樣本數據的處理上具有分類的作用.要想把8個等級都分出來，顯然不夠精確，訓練步數需要增加.

當訓練步數為200時，每個等級都被劃分為一類，劃分更加精細了.當訓練步數為500和1 000時，獲得相同的結果，并且每個級別被分成為一個級別，所以也就沒有再提高訓練步數的必

要.圖1顯示了SOM神經網絡的拓撲結構，圖2顯示了臨近神經元直接距離，圖3為SOM神經網絡權重位置，圖4顯示了每個神經元的分類.

仿真圖形4中顯示1的部分代表在訓練過程中獲勝的神經元.利用MATLAB的仿真功能，對表3數據進行模擬分析，各監測點電能質量組合綜合評價情況與等級的排名見表5.

3?結論

本文提出了一種電能質量綜合評估方法，可以客觀、全面地評估電能質量.在沒有授權的情況下，神經網絡訓練可以客觀地反映評估指標之間的內在聯系.案例數據分析表明，基于SOM神經網絡的電能質量綜合評估方法在理論和實踐上具有一定的可行性.

參考文獻

[1]劉穎英.智能化電能質量綜合評估方法分析與比較研究[D].北京：華北電力大學，2007.

[2]周林，栗秋華，劉華勇，等.用模糊神經網絡模型評估電能質量[J].高電壓技術，2007（9）：66-69.

[3]李敬德，康維新.基于信息熵和BP神經網絡的信號奇異點智能檢測[J].牡丹江師范學院學報：自然科學版，2017（4）：1-5+43.

[4]商玉萍，韋晨珺娃，李超.我國能源生產總量組合預測研究[J].牡丹江師范學院學報：自然科學版，2018（1）：10-13.

[5]王小川，史峰，郁磊，等.MATLAB神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2013.

[6]國家技術監督局GB/T12325-2008，電能質量.供電電壓偏差[S].北京：中國標準出版社，2008.

[7]國家技術監督局GB/T15945-2008，電能質量.電力系統頻率偏差[S].北京：中國標準出版社，2008.

[8]國家技術監督局GB/T12326-2008，電能質量.電壓波動和閃變[S].北京：中國標準出版社，2008.

[9]國家技術監督局GB/T15543-2008，電能質量.三相不平衡[S].北京：中國標準出版社，2008.

[10]國家技術監督局GB/T14549-1993，電能質量.公用電網諧波[S].北京：中國標準出版社，2008.

[11]周林，栗秋華，劉華勇，等.用模糊神經網絡模型評估電能質量[J].高電壓技術，2007（9）：66-69.

[12]賀仁茜.電能質量組合綜合評價方法的研究[D].重慶：重慶郵電大學，2017.

編輯：琳莉