基于神经网络的有源电力滤波器应用研究

电网的谐波滤波对于维护电网的供电质量意义重大，特别对于关键供电设备受谐波影响很大，更需要高质量的电源作保证。而要保证电网中滤波的效率和准确率，就必须准确的判断谐波的次数和幅值大小。所以关键问题在于谐波的检测和判断，特别对于电网负荷大幅波动的情况下，谐波的快速准确检测更有重大的价值。

一、电网谐波的传统检测方法

谐波检测的传统方法也有很多，其中重点在于对电流谐波的检测。综合来讲，主要有以下几种谐波检测方法：

1） 傅立叶分析方法：主要是对检测到的电流电压信号进行傅立叶分析，分解出高次谐波的频谱，最后计算出应该加入的滤波装置参数;

2） 小波分析方法：本质上是傅立叶分析方法的一个扩展，只不过在频谱的提取上更有特点，计算方式与傅立叶方法类似;

3） 零序电流分析方法：通过检测零序电流和瞬时无功功率来进行谐波分析;

4） PI调节滤波器法：通过PI调节技术结合滤波技术，来检测特定次的谐波含量;

5） 等功率法：通过检测直流侧电容的平均电压来判定电网谐波;

6） 其它基于先进控制理论的谐波检测技术，如神经网络理论等。

二、BP神经网络技术

BP（Back propagation）网络是一种单向传播的多层前向网络，是一种利用误差反向传播训练算法的神经网络。解决了多层网络中隐含单元连接权的学习问题。

对于系统的输入M和输出L，BP神经网络可看成是从M维欧氏空间到L维欧氏空间的映射，这种映射的一大特点是高度的非线性，用途非常广泛，结构如图2.1所示其中包括：

1） 数据压缩技术：图像数据的压缩存储和图像特征的抽取;

2） 模式识别技术：用于信息的识别比如文字，语言等，特别适用于对特征的判断;

3） 函数逼近：用于复杂工业系统的建模和控制，特别适合于强耦合和非线性的系统。

图2.1 BP神经网络结构 考虑用BP网络技术来检测谐波主要也是基于电力系统动态谐波的特点而定的，电网里面的谐波次数很多，过去的一个关键设备就是一种并行的滤波式检测装置。这种装置的原理方框图如图2.2所示，它的实时性和准确性都还不错，但由于滤波器数量太多，造成整套装置十分复杂，故障率和可靠性比较低，且无法根据需要进行功能上的修改，适应性较差。 图2.2 并行滤波式谐波检测装置方框图 　 比较图2.1和图2.2，可以考虑用BP网络来代替图2.2中的硬件电路，用神经网络的学习方法来加以代替。可以将实际电网的输入信号看成是待测量信号，进行一系列的采样和自我学习。BP网络的输出得出的是所要检测的各次谐波电流信号的幅值，得到的这些电流信号是有源电力滤波器的补偿电流发生电路所需要的指令电流信号的重要部分。基于这种思想，可以考虑用BP神经网络来进行的谐波电流的检测，本文中，将做一下仿真研究。 三.BP神经网络与电网谐波检测 3.1 电力系统谐波特点 在电力系统中，判断谐波的大小有一个量化指标，常用总谐波畸变率（THD）来度量电压和电流的质量。 （3.1） 上式中， Ah表示第h次谐波幅值; A1表示基波I1（t）幅值。 有源电力滤波器在本质上就是通过降低电力系统中的总谐波畸变率，使电能质量达到国家制定的电能质量标准。在电力系统中的谐波可以归纳出以下的这些特点： 1） 奇次谐波是电网中谐波的主要成分，而且奇次谐波的幅值也不会超过基波幅值的70%,高次谐波的幅值都比较小，所以要重点考虑奇次谐波的滤波; 2） 电力系统畸变电流中所含有的奇次谐波分量很多，但有几种是严重影响电能质量的，包括5次、7次、11次和13次谐波; 3） 实际操作中，有源电力滤波器的检测环节先检测出这几种谐波，然后控制补偿和滤波电路进行动作，滤掉这几种影响较大的谐波，从而显著降低 中的谐波含量，也就大幅度降低了电力系统的总谐波畸变率。 基于以上分析，本文提出了下面的检测方案，如图3.1所示。即用一个输入节点为128,输出节点为3的BP网络来实现有源电力滤波器对谐波电流的检测;输出层的期望输出分别是5次、7次、11次和13次谐波的幅值;输入层的输入为畸变波在一个基波周期的128个采样值（当基波的频率为50Hz时，采样周期取0.02/127s）。 图3.1 基于BP网络的谐波电流检测方案 3.2 BP谐波检测网络的实现 BP网络中的一个关键步骤是关于隐含层的设计，包括隐含层的数量和对应关系等问题。若BP网络中的每个输出谐波都与同一个隐层相连接，输出层和隐层之间的连接权对对谐波滤波值可以给出最佳值，但是整个系统的记忆负担太重，而降低系统的效能，并有可能相互影响。但是如果使每次谐波分别对应于一个隐层，即都有自己的隐层，每个隐层只负责记忆自己所对应的那个谐波的隐含映射关系，将会更好地克服由于一个隐层带有的谐波之间相互影响的问题。 在本文中我们对图3.1所示的多层前馈神经网络的训练采用的是一种启发式学习算法即动量BP算法（MOBP），该算法采用动量法调整策略，可显著降低网络对于误差曲面局部细节的敏感性，有效的抑制网络陷入局部极小，在网络训练中MOBP采用式（3.1）和式（3.2）修正权值和阈值。