基于人工神經網絡的新能源電網微變檢測方法

杜露露 石倩倩 王有軍

（國網安徽省電力有限公司滁州供電公司）

0 引言

在新能源電網運行過程中，頻率是一項重要指標，一方面，其可以用于對電網質量的評價，通過對其動態監測確保新能源電網運行的安全和穩定；另一方面，也可以作為電網運行控制的反饋信息。在新能源電網運行的過程中，可以通過對其頻率進行實時重構來分析電網的運行狀態。

當前，隨著新能源的加入，電網的結構逐漸復雜，異構型復雜電網的形成以及人們對于其行為特性的深入理解，使得各類檢測方法產生[1]。過電壓是電網中的一種多發性事件，其過載幅度一般都很低，且在很短的時間內不會對電網產生顯著的影響[2]。所以，必須對電網的電壓和頻率進行實時監測，以便在事故發生前和之后，對電網的電壓、頻率變化進行實時監控，從而為操作人員分析事故原因、處理事故等提供有利依據[3]。在這一背景下，電網微變檢測成為一種有效的手段。基于此，為提高新能源電網運行安全性，本研究引入人工神經網絡，針對新能源電網微變檢測方法展開設計。

1 新能源電網運行中弱信號頻率檢測

在新能源電網運行過程中，會產生大量的弱信號。若在檢測時無法實現對弱信號的檢測，則會造成最終頻率檢測精度難以滿足實際需要。針對這一問題，結合混沌理論中的Duffing方程，實現對新能源電網運行過程中的弱信號的檢測。Duffing方程的表達式為：

式中，x(t)表示新能源電網運行過程中產生的微弱信號頻率；b表示阻尼比；f表示新能源電網運行周期內的策動力幅值。

Duffing方程既有振幅靈敏度，又有較好的頻敏度，可用來檢測弱信號頻率的變化。Duffing方程對微小信號十分敏感，對噪音有強烈的抗干擾能力。在實際檢測過程中，結合新能源電網的運行特點，待檢測信號的頻率未必為1rad/s，因此需要通過對Duffing方程的進行略微變形，使得Duffing方程能夠對任何微小頻率的待檢測信號進行檢測。根據上述論述，將Duffing方程轉換為如下形式：

式中，τ表示互相關函數。

新能源電網的運行狀態會隨著周期內的策動力幅值f的變化而變化。當f值為0時，此時相軌跡會最終停留在相平面度上兩個焦點的某一個之上；當f值不為0時，則此時新能源電網會表現出十分復雜的動力學形態特征。在f值較小時，新能源電網運行時其弱信號頻率呈現出一種線性的特征，即相點在兩個焦點中的某一處發生周期性的移動，而在某一臨界點上，則會產生共宿軌道[4]。當分叉越大，就會產生一種分叉現象，這種現象會持續很長一段時間，然后就會陷入一種混亂的狀態。當超過臨界點時，新能源電網運行時產生的弱信號頻率就會進入大尺度的周期性運動，并將焦點和鞍點包圍起來，從而產生顯著的大周期，進一步表現出振幅的敏感性。在檢測的過程中，其基本流程如下圖所示。

圖 新能源電網運行中弱信號檢測流程

在實際檢測的過程中，考慮到新能源電網的運行特點，將其弱信號頻率變化范圍設置為49.5～50.5Hz。同時，當微弱信號的頻率不在1Hz范圍內時，則需要適當增加陣列混沌振子的數量，以此實現對其他范圍弱信號頻率的檢測。

2 基于人工神經網絡感知電網微變

在完成對新能源電網運行中弱信號頻率的檢測后，本研究引入人工神經網絡，感知新能源電網的頻率微變。將人工神經網絡看成是一個映射網絡，能夠獲得一個復雜的輸入和輸出之間的映射關系。在感知的過程中，將多層感應器與新的能量網相連，并將其視為前饋神經網絡。在前向神經網絡的結構中，含有多個層次的神經元。

假設人工神經網絡的感知層為k，且k=1,2,3,…,M，M表示結構層總數其中共包含j個神經元，則多層感知器的輸入與輸出關系可用下述公式表示：

式中，bk表示感知器的輸出結果數值，即新能源電網在運行過程中的微弱變化的感知量化結果；ak表示感知器的輸入數據，即新能源電網的電壓頻率波動數值；wij表示一個神經元i和一個神經元j的連接強度系數；θk表示多層感知器k層對應的神經元閾值。

在實際應用到對新能源電網的微變感知當中，輸入和輸出的關聯信息往往是由神經元的聯結強度決定的。通過不同的連接強度，可以得到不同的輸入和輸出之間的對應關系。除此之外，還可利用人工神經網絡中的卷積層從眾多新能源電網變化參數當中，提取用于微變感知的數據量；利用人工神經網絡的池化層對獲取到的數據量中存在的冗余信息進行去除，并對特征數據進行壓縮和簡化復雜度處理。

為確保最終新能源電網微變檢測結果的精度，還必須通過神經網絡的權重來調節神經元的聯結能力，從而使兩個神經元在空間上的距離得到進一步的縮短，使得最后的連接強度所決定的網絡能夠使映射關系在最小二乘性意義下無限接近，從而提高微變感知結果的準確性。

3 新能源電網頻率測量

在新能源電網運行過程中，其電網電壓波形與頻率之間存在一定映射關系，結合上述基于人工神經網絡的電網微變感知可知，每一種新能源網絡都有一種多層次的感知器。因此，感知器所完成的映射和神經元間的轉移函數的平均變化比指定的值要小[5]。

基于以上理論分析，本研究設計一種基于新能源電網電壓波形的多層次感應器，利用該感應器獲得新能源網的電壓頻率。將電壓頻率采樣數據作為人工神經網絡的輸入信號。為獲得更高的檢測精度，單靠一個3級傳感器已無法滿足檢測的需要，本文采用相位作為基準，將檢測過程中得到的結果分別映射到20個子域當中，同時對每個子域設置一個權重數值，結合預處理相位判斷確定人工神經網絡的權重系數。在進行測試之前，必須對多個層次的感知器進行反復的訓練。此外，在檢測新能源電網真實微變情況前，要對人工神經網絡權重進行適當的調節，確保權重在容錯范圍內，才能進行相應的映射。在訓練過程中，訓練樣本可用下述公式表示：

式中，a(i)表示多層感知器的輸入數值；c表示頻率。在實際的新能源電網運行中，電網的工作頻率在f＝50Hz左右發生變化，故在訓練的過程中，將多層感知器弱信號頻率采樣設置在48～52Hz范圍內。在實際新能源電網運行中，信號會受到噪聲的干擾造成最終檢測結果不理想問題。因此，在訓練時可直接加入直流噪聲等干擾，使得神經網絡的抗干擾性得到提高，確保檢測結果的精度。

在完成對頻率的測量后，根據測量結果，對新能源電網是否存在微弱變化情況進行判斷?？赏ㄟ^設置閾值的方式，將標準新能源微電網運行時的電壓頻率范圍作為閾值，若測量得到的結果超出這一閾值范圍，則說明存在微弱變化；反之同理。通常情況下，電壓頻率波動在－5%～＋5%范圍內屬于微變，因此將±5%作為閾值。將這一邏輯導入到頻率總程序當中，實現對新能源電網每一周波起始到結束區間的微變檢測。

4 對比實驗與結果分析

為驗證上述設計的基于人工神經網絡的新能源電網微變檢測方法在實際工作中的有效性，設計如下實驗。以某新能源發電企業為例，將本文方法與傳統的基于大數據技術的檢測方法進行對比。

針對該新能源發電企業中現運行的新能源電網，對其分別利用兩種檢測方法進行檢驗。在實驗過程中，將干擾兩種檢測方法的噪聲作為實驗條件，在確保其他條件均相同的情況下，通過改變噪聲的信噪比，記錄在不同噪聲條件下兩種檢測方法檢測結果的誤差，以此實現對兩種檢測方法檢測精度的對比。考慮實驗的真實性，需要在改變噪聲信噪比時，將其數值控制在信噪比門限以內。基于此，對新能源電網運行過程中產生噪聲的信噪比門限進行計算，其公式為：

式中，SNR表示新能源電網運行過程中產生的噪聲信噪比門限數值；η表示運行周期當中的信號功率；σ表示噪聲方差。根據上式，計算得出該新能源電力企業的電網在運行時的信噪比門限數值為-21dB。根據這一結果，設置兩種檢測方法在檢測過程中，噪聲的信噪比數值分別為-5dB、-10dB、-12dB、-18dB和-21dB。記錄在五種不同噪聲情況下，兩種檢測方法檢測到的電網頻率與實際真實頻率的誤差，可通過檢測結果與真實頻率的比值得出測量誤差。結合上述實驗準備，將完成實驗后的結果進行記錄。

為了方便表述，將本文上述提出的基于人工神經網絡的檢測方法設置為實驗組，將基于大數據技術的檢測方法設置為對照組，將其各自頻率測量誤差記錄如下表所示。

表 實驗組與對照組檢測方法檢測結果對比表

結合表中的數據得出，在五組不同信噪比條件下，實驗組檢測方法的頻率測量誤差均控制在1.00%以下，而對照組檢測方法的頻率測量誤差均超過2.00%，明顯實驗組頻率測量誤差更小。頻率測量誤差越小，說明檢測方法的檢測精度越高。因此，通過上述得到的實驗結果能夠證明，本文提出的基于人工神經網絡的檢測方法在實際應用中，檢測結果更符合實際，檢測精度符合新能源電網安全穩定運行檢測的要求。

5 結束語

通過本文上述論述，本研究基于人工神經網絡提出一種新的針對新能源電網的微變檢測方法，用于在確保新能源電網正常運行中，對電網頻率變化進行檢測。通過實驗的方式證明新檢測方法在檢測過程中不僅能夠保證良好的檢測精度，同時在檢測時不會受到噪聲的干擾，具備極高的抗干擾能力，能夠為新能源電網的運行監督提供重要的基礎條件。