用于电力系统谐波检测的深度学习神经网络方法.docxVIP

?

?

用于电力系统谐波检测的深度学习神经网络方法

?

?

摘要：神经网络的快速发展，使得神经网络在很多领域得到应用。许多论著提及将神经网络运用在电力系统谐波检测上。在众多的神经网络方法中，深度学习神经网络（DLNN）脱颖而出。本文意在阐述深度学习神经网络的基本思想和基本算法，以及探讨深度学习神经网络在电力系统谐波检测方面的应用。并在Matlab中对其算法进行验证。对于推广深度学习神经网络在电力系统其他方面的应用具有一定的积极意义。

关键词：谐波检测，神经网络，深度学习，Matlab

引言：近年来，随着电力系统的深入研究，电力电子器件在工业上和家庭中的广泛运用，电力系统的谐波危害受到越来越多的关注。谐波的存在使得变压器产生附加损耗，降低电能转换效率；对于电动机，谐波电流正序分量和负序分量引起的磁通势与基波磁通势相互作用会产生不同频率的转矩分量，电动机受到扭力对的影响，产生设备疲劳，抖动，轴承磨损等问题；谐波的存在往往使电压波形变成尖顶波，电容器的电抗与频率成反比，电压值增大可能引起绝缘介质放电，导致电容器因过电流而被击穿。深入、快速、实时的检测电力系统中的谐波，也变得越来越重要。为采取措施抑制谐波具有指导性的意义。

1方法综述：

目前，国内外主要采用以下几种谐波检测方法：

1.1基于滤波器的谐波检测

早期谐波电流检测基本通过模拟滤波器实现的。输入的模拟电流信号通过放大器，进入一组并联的固定频率带通滤波器，这些滤波器的中心频率是基波的整数倍，将滤波后的信号同时显示到滤波器中，通过观察滤波器得到谐波电流。

1.2快速傅里叶变换（FFT）分析法

输入模拟电流信号，对模拟电流信号进行采样，获得样本集后进行快速傅里叶变换，通过FFT后得到各次谐波电流的幅值，频率和相位。

1.3基于小波变换的谐波检测

小波变换是一种在傅里叶变换基础上发展而来的办法。小波变换有很好的频域分辨率和时域分辨率。

1.4基于神经网络的谐波检测

利用人工神经网络构建电网谐波在线检测系统模型，通过采样存储器以及神经网络在线监测电路，取得谐波信号。该方法针对于当前时刻和上一时刻的采样值进行计算，能够几乎无延时的检测出波形中的谐波分量[1]。

2DLNN的基本结构

DeepLearning最简单的一种方法是利用人工神经网络的特点。人工神经网络（ANN）本身就是具有层次结构的系统，如果给定一个神经网络，我们假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重。自然地，我们就得到了输入的几种不同表示（每一层代表一种表示），这些表示就是特征。自动编码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素，找到可以代表原信息的主要成分。

2.1稀疏模式的自动编码

本文着重介绍DeepLearning领域中应用广泛的一种算法Sparseauto-encoder，即稀疏模式的自动编码。如果是有监督的学习的话，在神经网络中，我们只需要确定神经网络的结构就可以求出损失函数的表达式了,同时也能够求出损失函数偏导函数的表达式，然后利用优化算法求出网络最优的参数。那么这里的Sparseauto-encoder为什么能够无监督学习呢？其实在稀疏编码中标注值也是需要的，只不过它的输出理论值是本身输入的特征值x，其实这里的标注值y=x。这样做的好处是，网络的隐含层能够很好的代替输入的特征，因为它能够比较准确的还原出那些输入特征值。Sparseauto-encoder的一个网络结构图如下所示[2]：

图中，Layer1是神经网络的输入层，Layer2是神经网络的隐藏层，Layer3是神经网络的输出层。深度学习神经网络的目的是为了让输出hw,b(x)≈x，稀疏性可以被简单地解释如下。如果当神经元的输出接近于1的时候我们认为它被激活，而输出接近于0的时候认为它被抑制，那么使得神经元大部分的时间都是被抑制的限制则被称作稀疏性限制。这里我们假设的神经元的激活函数是sigmoid函数。如果你使用tanh作为激活函数的话，当神经元输出为-1的时候，我们认为神经元是被抑制的。

结束语:

本文提出了将深度学习神经网络应用与电力系统中的谐波检测的探索性研究。通过在Matlab中的软件仿真，表明DLNN在电力系统谐波检测的可行性。从结果中可以看出此方法的收敛性好，错误率低。能很好的控制误差。

深度学习神经网络有别于普通的神经网络。深度学习的实质是通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息[5]。所以，本文只是对深度学习神经网络对电力系统中的三次谐波的检测，可以扩展到其他高次谐波的检测。虽然此类方法在初期有一定的局限性，不