基于神经网络的有源电力滤波器应用研究

　
在式（3.1）和（3.2）中： 是学习速率，γ是动量系数。m是指网络的第m层， 是近似均方误差对m层输入的敏感性，b是网络权值，w是网络阈值，Y是网络输出层的输出，T是矩阵转置。

四.仿真研究

用上述构成的组合控制进行仿真，将电流检测应用到有源电力滤波器中观察波形，神经网络输出层采用非线性激活函数logsig和线性激活函数pureline进行检测结果对比，根据仿真值计算所得的THD平均值如表1所示：

表1 测试样本补偿前后的平均THD值 采用训练好的BP网络检测实验仿真滤波器电路的电流波形，其中电源电流波形和滤波器注入电流波形分别如图4.1至图4.5所示。 图4.1 电源电流波形 图4.2 滤波器注入电流波形 图4.3 没有滤波装置时的系统电流 图4.4 投入混合型有源滤波器后的系统电流 图4.5 不同情况下系统电流频谱比较 表1和图4.1、图4.2表明总谐波畸变率经谐波补偿后得到了明显的下降，说明该谐波电流检测方法能较好的进行谐波电流检测并比较好的进行补偿。 结束语 本文从瞬时无功功率入手，通过对BP网络模型、检测方法等方面的改进进行组合控制, 在负载突变时引进神经网络提高准确实时性，得到了准确实时性好的谐波检测方法，结合有源滤波器将检测方法应用到检测环节通过仿真结果可以看出该方法为分析和设计谐波动态检测提供了有效的手段和工具。 编辑：博子