第３４卷第３期 技术 与 创 新 管 理 Ｖｏ１．３４ Ｎｏ．３ ２０１３年０５月ＴＥＣＨＮ０ＬＯＧＹ ＡＮＤ ＩＮＮＯＶＡＴＩＯＮ ＭＡＮＡＧＥＭＥＮＴ Ｍａｙ．２０１３ 【技术与应用研究】 基于神经网络的电力系统谐波测量方法研究 张旭东 ，李广超 ，代瑞 ，王国栋 （１．西安科技大学实验室与设备管理处，陕西西安７１００４９；２．河南新乡供电公司，河南新乡４５３００２；３．云南宣威供电局， 云南宣威６５５４００；４．中国神华神东煤炭集团保德煤矿，山西保德０３６６００） 摘要：本文介绍了电力系统测量中所应用的一些神经网络模型，主要介绍了基于ＢＰ网络的谐波测量模型和基于 自适应神经元的谐波测量模型，通过对这些神经网络模型的分析和比较，对于神经网络在电力系统谐波测量中的 应用方法进行了研究，并结合谐波的产生原因，探索适合地方电力系统谐波测量分析的模型，提出了对现行模型的 改进建议。 关键词：谐波测量；ＢＰ神经网络；自适应神经网络 中图分类号：Ｏ ２９ 文献标识码：Ａ 文章编号：１６７２—７３１２（２０１３）０３—０２５１—０３ Ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｉｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｈａｒｍｏｎｉｃ Ｍｅａｓｕｒｅｍｅｎｔ ＺＨＡＮＧ Ｘｕ—ｄｏｎｇ ，ＬＩ Ｇｕａｎｇ．ｃｈａｏ ，ＤＡＩ Ｒｕｉ ，ＷＡＮＧ Ｇｕｏ．ｄｏｎｇ （１．Ｌａｂｏｒａｔｏｒｙ ａｎｄ Ｅｑｕｉｐｍｅｎｔ Ｍａｎａｇｅｍｅｎｔ Ｏｆｉｆｃｅ，Ｘｉ’ａｎ Ｕｎｉｖｅ￣ｉｔｙ ｏｆＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｎ ７１００５４，Ｃｈｉｎａ；２．Ｐｏｗｅｒ Ｓｕｐｐｌｙ Ｂｕｒｅａｕ ｆｏＸ／ｎｘ／ａｎｇ Ｃ／ｔｙ，Ｘ／ｎｘ／ａｎｇ ４５３００２，Ｃｈｉａｎ；３．Ｐｏｗｅｒ Ｓｕｐｐｌｙ Ｂｕｒｅａｕ ｆｏＸｕａｎｗｅｉ Ｃｉｔｙ，Ｘｕａｎｗｅｉ ６５５４００， ｈＣｉａｎ；４．Ｂａｏｄｅ Ｃｏａｌ Ｍｉｎｅ ｏｆＳｈｅｎｄｏｎｇ Ｃｏａｌ Ｇｒｏｕｐ，Ｂａｏｄｅ ０３６６００，ｈＣｉｎａ） Ａｂｓｔｒａｃｔ：Ｓｏｍｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌｓ ａｐｐｌｉｅｄ ｉｎ ｐｏｗｅｒ ｓｙｓｔｅｍ ｈａｒｍｏｎｉｃ ｍｅａｓｕｒｅｍｅｎｔ ａｒｅ ｄｅｓｃｒｉｂｅｄ ｉｎ ｔｈｉｓ ａｒｔｉｃｌｅ．Ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ａｎｄ ａｄａｐｔｉｖｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ａｒｅ ｍａｉｎｌｙ ｉｎｔｒｏｄｕｃｅｄ ｉｎ ｔｈｅ ｐａｐｅｒ．Ｓｏｍｅ ｃｏｎｃｌｕｓｉｏｎｓ ａｒｅ ｇｉｖｅｎ、 ｈｔｒｏｕｇｈ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｈｔｅｓｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌｓ． Ｋｅｙ ｗｏｒｄｓ：ｈａｒｍｏｎｉｃ ｍｅａｓｕｒｅｍｅｎｔ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ａｄａｐｔｉｖｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ １引 言 量方法。 现在，大量的非线性工业负荷以及电力电子装 ２基于ＢＰ网络的谐波测量 置在电网中产生了大量的谐波，谐波的存在使电网 基于多层ＢＰ网络的谐波测量原理图如图１所 电压和电流波形发生严重畸变，给电力系统的正常 示。神经网络由输入层、隐含层和输出层三层结构 运行带来很多不良影响。因此快速准确的进行基波 组成，输出对应各次谐波有功分量和无功分量的幅 以及谐波的检测和分析是必要的。 值。输入层有ｎ个神经元，隐层有２ 个神经元。输 目前，采用神经网络原理的电力系统谐波测量 人为 ＝（ 。， ， ：，…， ） ，它是畸变电流ｉ 一个 模型主要有：基于多层ＢＰ网络的谐波测量方 周期内的乃个采样值，输出为，ｍ。 ，，ｍ ，…， ， 法 。。，基于自适应神经元的谐波测量方法 墟］ 分别对应各次谐波的有功分量和无功分量的幅值。 和基于径向基函数网络的谐波测量ｕ１ 驯方法等几 测量过程一般由两步：①用选定的训练样本对 种。其中应用较多的是基于多层ＢＰ网络的谐波测 网络进行训练，经训练、学习后确定各个权值；②在 ：Ｉｃ收稿日期：２０１２—１２—１９ 作者简介：张旭东（１９７９一），男，陕西富平人，工程师，主要从事电力系统谐波检测和电能质量分析评估研究 ・２５２・ 技术与 创 新 管理 第３４卷 固定权值的情况下，用学习完成后的网络进行谐波 测量。谐波测量过程是利用网络的推理能力完成 的。ＢＰ算法中，网络的权值和阈值的变化一般是采 用梯度下降法。梯度下降法是一个一阶最优化算 法，通常也称为最速下降法。梯度下降法，就是利用 负梯度方向来决定每次迭代的新的搜索方向，使得 每次迭代能使待优化的目标函数逐步减小。梯度下 降法是２范数下的最速下降法。梯度下降法沿着网 络误差变化的负梯度方向进行调节，一般的缺点是： 收敛速度慢、容易陷入局部最小点等，这就可能会使 得网络的实时性和测量结果受到影响 图ｌ ＢＰ网络谐波测量模型 因此有时候采用改进的ＢＰ算法可以改善收敛 特性和结果，改进算法主要由两类方法：一种是采用 启发式学习规则，如添加附加动量项和采用自适应 学习率，如有动量的梯度下降算法、学习率可变的 ＢＰ算法等；另一种是采用更有效的优化算法，如拟 牛顿法、ＬＭ算法等。 文献［１］采用动态的学习因子和惯性因子来加 速学习速率和减少震荡；文献［２］增加一个动量项 来改善收敛性能，有动量的梯度下降算法不仅考虑 到当前梯度方向，也考虑到了以前时刻的梯度方向， 所以降低了网络对于误差曲面局部细节的敏感性。 这种方法所加人的动量项实质上相当于阻尼项，它 减少了学习过程的振荡趋势，从而可以改善收敛性； 文献［３］中采用了学习率可变的ＢＰ算法，在最基本 的ＢＰ算法中，学习率在整个训练过程是保持不变 的，学习率过大，算法可能振荡而不稳定；学习率过 小，则收敛速度慢，训练时间长。而要在训练之前选 择最佳的学习率是不现实的。因此学习率可变的 ＢＰ算法应运而生。采用学习率可变的ＢＰ算法的 收敛速度明显比学习率不变的算法提高很多；拟牛 顿法的基本思想是不用二阶偏导数而构造出可以近 似Ｈｅｓｓｉａｎ矩阵的逆的正定对称阵，从而在”拟牛 顿”的条件下优化目标函数。构造方法的不同决定 了不同的拟牛顿法，ＢＦＧＳ是拟牛顿算法中构造矩 阵方法的一种，文献［４］中采用ＢＦＧＳ拟牛顿算法 加快收敛速度，较好的逼近目标精度；文献［５］采用 牛顿一梯度下降法改进算法，结合了梯度下降和自 适应速率调整特性两者之间的优点，又不同于将两 种算法的简单组合，其通过模型自动调整系统内部 参量的大小来获得实时最优的算法函数对网络进行 学习训练。 ３基于自适应神经元的谐波测量 基于自适应神经元的谐波测量方法，图２为自 适应神经元模型，其作为谐波测量网络时，有：ｄ ＝ ｉ （ｋ）， Ｘｋ （１，ｓｉｎｗｔ ，￣ｏｓｗｔ ，ｓｉｎ２ｗｔ ，ｃｏｓ２ｗｔ ，…， ｓｉｎｎｗｔ ，ｅｏｓｎｗｔ ） ＝（厶，，ｍ。 ， ， ， ，…，，唧 ，，历哪） 。 自适应神经测量模型中， 为神经网络输入； 为 第ｋ次调整后的权值，它是需要测量的各次谐波幅 值；Ｙ 为理想输出的第ｋ次采样值，也就是畸变电 流波形的采样值；Ｙ 为网络的第ｋ次实际输出值， 也就是理想输出ｄ 的第ｋ次逼近或估计值。实际 上用该模型测量电力系统谐波的过程，就是不断调 整各次谐波的幅值（权值），使神经元输出Ｙ 逼近理 想输出ｄ ＝ｉ （ｋ）的过程。网络的测量过程就是网 络的学习过程，网络学习结束时，测量也就完成。测 量结果就是网络学习完成后确定下来的权值（谐波 有功分量和无功分量幅值）。文献［１１］采用了二级 自适应ＡＮＮ电流动态检测系统，相比于一级自适应 结构可以提高收敛速度，改善检测效果；文献［１２］ 给出了一种自适应神经网络预测谐波的方法，利用 前五个采样点的值来预测下一个采样点的值，实现 了谐波柃测的实时件 图２ 自适应线性神经元谐波测量模型 基于径向基函数网络的测量模型与基于ＢＰ网 络的测量模型基本相同，不同的是其隐含层神经元 为径向基函数节点。该网络学习过程一般有三步， 一是根据所有输入样本决定隐含层各个神经元高斯 第３期 张旭东等：基于神经网络的电力系统谐波测量方法研究 ・２５３・ 曲线的中心值；二是在决定好隐含层参数后，利用样 本决定输出层的权值；然后再根据样本同时调整隐 含层和输出层的参数。该网络用于谐波测量时，也 是先进行网络的学习过程，学习完成后利用网络的 推理功能实现谐波测量。 ４非整数次谐波的测量 人工神经网络都只能分析整数次的谐波，为了 同时精确分析整数次谐波和非整数次谐波，就需要 将快速傅立叶变换（Ｆ盯）和神经网络的谐波分析方 法结合起来 ，一般可以先把输入信号进行ＦＦＴｒ分 析，得到谐波个数和精度不高的谐波幅值、相位、谐 波次数等，然后根据谐波个数设定神经元的个数，根 据预处理得到的幅值、相位和谐波次数等信息来设 定神经网络的初值，最后对人工神经网络进行训练， 这样便可实现整数次谐波和非整数次谐波的精确分 析；文献［２２］采用了加汉宁窗的Ｆ兀１算法来实现非 整数次的谐波检测一定程度上提高了谐波检测的检 测精度 ；文献［２３］采用了一种改进的三角基函数 人工神经网络算法来提高谐波分析的精度 。 ５ 结语 １）基于ＢＰ网络的测量模型的研究主要集中在 收敛性和实时眭这两个方面，这主要通过算法本身 的改进来实现； ２）基于自适应神经元的谐波测量模型结构容 易理解，实现比较方便，是一种比较便于实现的方 法； ３）将ＦＦＩ’和神经网络结合起来实现整数次和 非整数次谐波的同时精确检测将是以后研究的一个 发展方向，因为实际中谐波往往是及其复杂的； ４）除了所介绍的神经网络结构外，还有一些其 它类型结构如ＲＢＦ神经网络结构 Ｊ、ＲＰＲＯＰ神经 网络结构Ｌ２ 等也应用于电力系统谐波监测和分析 中； ５）两种及其两种以上的智能控制的结合也是 以后研究的一个方向，将模糊算法和神经网络算 法 埘 结合起来实现更高性能的谐波检测，将小波 变换和神经网络结合 副以及将遗传算法和神经网 络算法结合 起来等都可以比较好的综合利用各 种方法的优点来实现比较高效的谐波检测和分析。 参考文献： ［１］ 郭世才．ＢＰ神经网络在谐波测量中的应用研究［Ｊ］ 中国测试技术，２００５，３１（６）：３８—４０． ［２］ 于宁国，陈允平．电力系统电压谐波的人工神经网络 预测方法［Ｊ］．宁夏电力，１９９６（４）：３３—４３． ［３］孙亮．改进神经网络的电网谐波测量系统研究［Ｊ］． 电脑编程技巧与维护，：８２—８４． ［４］ 于宁国，王立，陈允平．人工神经网络在谐波检测中 的应用研究［Ｊ］．宁夏电力，１９９９（２）：３０—３７． ［５］马立新，肖 川，林家隽，等．神经网络与锁相环相结 合的谐波检测方法［Ｊ］．电力系统及其自动化学报， ２０１１，２３（３）：２４—２９． ［６］ 于静，杨永明，华宇．基于人工神经网络的电网谐 波监测的方法［Ｊ］．重庆大学学报，２００３，２６（１１）：７０— ７３． ［７］ 汤胜清，程小华．一种基于多层前向神经网络的谐波 检测量方法［Ｊ］．中国电机工程学报，２００６，２６（１８）：９０ —９４． ［８］ 王群，吴宁，王兆安．一种基于人工神经网络的谐波 测量方法［Ｊ］．电网技术，１９９９，２３（１）：２９—３２． ［９］ 岳明道，郭焕银，李文艺．一种基于神经网络的电力系 统谐波检测方法［Ｊ］．仪表技术，２０１０（１２）：１—４． ［１０］李承，杨博，程炜，等．几种基于神经网络的谐 波测量方法比较研究［Ｊ］．自动化与仪器仪表，２００６ （４）：１—４． ［１１］危韧勇，李志勇．基于人工神经网络的电力系统谐波 测量方法［Ｊ］．电网技术，１９９９，２３（１２）：２０—２３． ［１２］戴丽萍．基于线性神经网络预测的实时谐波检测［Ｊ］． 电气电子教学学报，２００３，２５（６）：４３—４５． ［１３］杨捷，赵斌，蒋炜华．基于神经网络自适应谐波检 测虚拟仪器的研究与实现［Ｊ］．电测与仪表，２００９，４６ （２）：２５—２７． ［１４］蔡忠法，陈隆道，陈国志．基于自适应神经网络的谐波 分析模型与算法［Ｊ］．电工技术学报，２００８，２３（７）：１１８ —１２３． ［１５］王伟炳，王宏华．基于自适应神经网络的谐波和无功 电流数字检测［Ｊ］．电气应用，２００６，２５（４）：７０—７２． ［１６］廖志凌，薛文平．神经网络理论在自适应谐波和无功 电流检测中的应用［Ｊ］．电测与仪表，２００４，４１（１２）：１７ —２０． ［１７］赵江稳．一种基于自适应线性神经网络的瞬时谐波检 测方法［Ｊ］．山西冶金，２０１０（２）：２０—２２． ［１８］张国荣，王英．自适应神经网络在谐波电流检测中的 应用［Ｊ］．电力系统及其自动化学报，２０１０，２２（３）：４６ —４９． ［１９］宁薇薇，裴源，刘立彦等．ＢＰ基于傅立叶基函数神经网 络算法的电力系统间谐波分析方法［Ｊ］．电力系统保 护与控制，２００８，３６（１２）：１２—１６． （下转第２６１页） 第３期 付科峰：词块理论下的大学英语听力教学模式 ・２６１・ 上，在国内均尚处起步阶段（刘家英，２００６）。本文 东教育学院学报，２０１０（１）：９５—９９． 的主要目的是在继承先前研究的基础之上，探讨如 ［３］ 李欧，孙若红．建构在词块之上的英语听力教学实 何在大学英语听力课中具体实施词块教学进行探 效研究［Ｊ］．现代教育管理，２００９（１１）：９９—１０１． 讨，并基于语块理论，设计出辨别一探究一固化（Ｉ－ ［４］ 马玉瑶．英语听力理解中的思维特征及教学策略［Ｊ］． ｄｅｎｔｉｆｙ－－Ｅｘｐｌｏｒｅ－－Ｃｏｎｓｏｌｉｄａｔｅ）循环为形式的大学英 辽宁教育行政学院学报，２００８（３）：１４０—１４１． 语听力教学模式。 ［５］ 齐晖．词块对英语听力理解的影响［Ｊ］．安徽工业大 学学报，２００８（４）９２—９４． 参考文献： ［６］ 刘加英．词块与大学英语口语教学［Ｊ］．山东外语教 学，２００６（４）：８８—９１． ［１］丁严仁，戚焱．词块运用与英语口语和写作水平的 ［７］ 王立非，张大凤．国外二语预制语块习得研究的方法 相关性研究［Ｊ］．解放军外国语学院学报，２００５（３）： 进展与启示［Ｊ］．外语与外语教学，２００６（５）：１５６一 ４９—５４． 】５８． ［２］李耕科．词块法在大学英语课堂教学中的实施［Ｊ］．山 （上接第２５３页） ［２０］张文博，王公宝．一种基于正交三角级数神经网络的 波分析［Ｊ］．电力系统保护与控制，２０１１，３９（１５）：１３一 谐波检测方法［Ｊ］．电力系统及其自动化学报，２００４， ｌ６． １６（６）：４４—４７． ［２６］徐传忠，杨冠鲁，王永初．基于动态模糊神经网络的电 ［２１］ 刘敏，王克英．基于ＦＦｒ和神经网络的高精度谐波 力系统谐波精确测量［Ｊ］．太原理工大学学报，２０１１， 分析［Ｊ］．继电器，２００７，３５（２）：４０—４４． ４２（４）：３５７—３５９． ［２２］向东阳，王公宝，马伟明，等．基于ＦＦｒ和神经网络的 ［２７］王曼鹤，刘一江．模糊神经网络优化间谐波检测方法 非整数次谐波检测方法［Ｊ］．中国电机工程学报， ［Ｊ］．电力系统及其自动化学报，２０１１，２３（３）：３８—４０． ２００５，２５（９）：３５—３９． ［２８］边海龙．ＢＰ神经网络在谐波测量中的应用研究［Ｊ］． ［２３］雷锡社，刘敏．基于神经网络的高精度电力系统谐 中国测试技术，２００５，３１（６）：３８—４０． 波分析［Ｊ］．电测与仪表，２００７，４（３）：ｌ７—２１． ［２９］侯世英，汪瑶，祝石厚．遗传算法改进神经网络的电力 ［２４］付光杰，曲玉辰，郭静．ＲＢＦ神经网络在谐波检测中 系统谐波检测法［Ｊ］．重庆大学学报，２００８，３１（５）：４９０ 的应用［Ｊ］．大庆石油学院学报，２００５，２９（６）：７６—７９． —４９４． ［２５］徐志钮，律方成．基于ＲＰＲＯＰ神经网络的电力系统谐
