基于PCNN模型的微电网电能质量评估方法

秦勇明 陆政 刘建军 倪福银

摘 要：针对电能质量评估指标与等级之间复杂的非线性关系，提出一种基于脉冲耦合神经网络（Pulse Coupled Neural Networks， PCNN）的电能质量评估新方法。根据含微网接入的配电网电能质量影响因素建立电能质量评价指标体系，通过对PCNN建模，分析运行机理，建立由反馈输入和连接输入经过调制部分的作用产生PCNN神经元的内部活动项，利用阈值来控制模型的输入电能质量等级，神经元点火（激活）输出评价等级值。分别运用模糊神经网络模型评估法、以及PCNN模型法对算例实测数据进行评估比较，结果表明 PCNN评估方法更科学准确、客观合理，适用于含微网接入的配电网实时评估，为电能质量评估研究提供了一种新方法。

关键词：微电网；电能质量；电能质量评估；配电网；PCNN

中图分类号：TM61 文献标识码：A 文章编号：2095-7394（2016）06-0035-06

近年來，微电网以其发电方式灵活，投资小，损耗低，利于环保等优点得到快速发展，但随着微网渗透率的逐步提升，其本身固有的间歇性、波动性等发电特点对电网造成了电压波动、谐波等电能质量问题，使得含微网接入的配电网电能质量问题变得日益突出。因此，研究科学有效的电能质量评估方法，对含微网的配电系统进行电能质量评估，对于扩大微电网应用规模、改善微电网电能质量具有重要意义。[1-2]

由于电能质量评估指标与电能质量等级之间复杂的非线性关系问题，目前，国内外配电网的电能质量评估方法主要集中在以下几个方面：基于层次分析法[3]、模糊数学方法[3-4]、雷达图法[5]以及神经网络法[6]等，以及相关改进算法[7-8]或不同方法组合评估法[3， 7，9]，其中统计与矢量代数、模糊数学方法、均不同程度地存在人为主观因素的影响， 评估结果具有较大的不确定性。[10]另一方面，上述相关文献电能质量评估算法主要都是以大电网电能质量评估为主，但由于微电网间歇性和随机性的发电特点，相对大电网其电能质量实测数据动态变化大，数据量大，不适合使用算法复杂，计算量大的评估方法。

为了能实时对含微网的配电网进行电能质量评估，在深入分析脉冲耦合神经网络（Pulse-coupled Neural Network， PCNN）[11]运行机制的基础上，根据配电网电能质量影响因素建立建立电能质量评价体系，建立PCNN模型，由PCNN反馈输入和连接输入经过调制产生PCNN神经元的内部活动项，由阈值来设定评估模型的电能质量等级，然后由神经元点火（激活）输出受评估的电能质量评价等级值，由此实时评估微电网的电能质量。

1 PCNN 建模和运行行为分析

PCNN是Eckhorn对猫的初生视觉皮层有神经激发相关振荡现象进行解释所提出的一种神经网络模型[12]，是近年来在国内外兴起的新型神经网络。与传统的多层神经网络相比，PCNN属于单层人工神经网络，是一种自监督自学习的网络，不需要提前进行，对于图像处理、特征提取、组合决策优化等方面具有很好的应用。[13]

一个典型的PCNN神经元模型主要包括接收域、调制部分和脉冲产生三个部分，其结构模型如图1所示。[14]

（1）接受域：PCNN模型的接受域主要功能是接收来自其它神经元以及外部的输入。[15]其运行机理是当接受域接收到其它神经元以及外部的输入后，通过两条通道传输至调制部分。此两条通道一条通道定义为[L]通道，如公式（1）表示，另一通道定义为[F]通道，用公式（2）表示：

[Lj=kLkj=[Wkje（-αLkjt）]Yk（t）+Jj，] （1）

[Fj=kFkj=Mkje（-αFkjt）]Yk（t）+Ij，] （2）

式中：[Wkj]与[Mkj]为突触联接权；[αLkj]与[αFkj]为时间常数；[Jj]与[Ij]为输入常量；[Yk（t）]表示为神经元点火输出信息。

（2）调制部分：PCNN模型调制部分的主要功能，是对来自L通道的信号[Li]、[Li]与联结强度相乘的正向偏移量以及来自[F]通道的信号[Fi]进行相乘调制[15]，如公式（3）所示：

[Uj=Fj（1+βjLj），] （3）

式中：[Uj]定义为相乘调制得到的信号；[βj]定义为联结强度，此处设置信号[Li]的偏移量归整为1。

（3）脉冲产生部分[15]：PCNN模型的脉冲产生部分主要功能是神经元输出点火信息。

其组成主要包括阈值可变的比较器与脉冲产生器两部分。其运行机制是当神经元输出一个脉冲，神经元的阈值经过式（2）由[F]通道进行提高，然后联合L通道的信号[Li]输入调制部分，当神经元的阈值[θj]超过调制信号[Uj]时，脉冲产生器则暂停发放脉冲，阈值则相对应的按指数级下降，当阈值再次低于[Uj]时，脉冲产生器则被重新打开，神经元则被激活，进行点火而输出一个脉冲或脉冲序列。对于脉冲产生器发放脉冲的频率在整个运行过程中保持衡定，而神经元输出脉冲（点火）的最大频率不超过脉冲产生器发送脉冲的频率。

[dθdt=-αTjθj+VTjY（t），] （4）

[Yj=Step（Uj-θj），] （5）

其中，[VTj]定义为阈值的幅度系数，[αTj]定义为阈值的时间常数；[Yj]定义为神经元输出，每发生一个脉冲，即神经元表示被点火进入激活状态， 如式（5）所示， 可用一阶跃函数来表示的[Yj]输出。

根据以上单个PCNN的模型运行机制分析，变阈值特性是其周期性发放脉冲，内部活动项大于动态门限时，神经元输出脉冲，动态门限突然上升到最大值，继而动态门限按指数规律衰减，衰减到小于内部活动项时，再一次发放脉冲，这些周而复始输出脉冲的神经元通过非线性调制与其性质相似的邻近神经元相互捕获而同步发放脉冲，在不同时刻分析空间脉冲点火状态，则展现了动态的自动波传播现象。

用PCNN方法进行决策评估，是受自动波特性启发。PCNN模型连接输入部分受上一次点火时的脉冲输出影响，展现了前后神经元之间的联系；从而调节阈值更容易对样本进行分类，应用动态阈值便可以确定电能质量的等级；省略了传统BP（Back Propagation）模型中权值的训练，减少了模型的复杂度，尤其适用于具有含微电网的配电网发电不确定性特点的微电网电能质量实时评估等领域。

2 基于PCNN模型的电能质量评估方法

根据国际公认定义的要求，对电压暂降、电压偏差、三相不平衡、频率偏差、谐波、波动和闪变、服务性，可靠性指标作为评估指标，组成判断对象的因素集，即电能质量的各项指标构成的集合。将电能各项指标均分为5 级，在规定的范围内平均分为5个等级，分别称为优、良、中、合格和不合格。

运用PCNN模型进行配电网电能质量评估時，先把电能质量等级进行划分，然后在每个等级取值范围内均匀随机产生样本，将此样本以脉冲形式输入，在PCNN脉冲产生部分通过脉冲输出调节阈值，最后应用动态阈值来确定该样本的电能质量等级。具体步骤如下。

步骤1：根据国家电能质量指标对配电网电能质量优、良、中、合格和不合格5个等级进行归一化，同时，对电压暂降、电压偏差等8个单项指标也进行分级归一化处理。

设配电网的电能质量等级和单指标分级标准为[{[a（i，j），b（i，j）]，i=1，2…5，j=1，2…9}]，其中[a（i，j），，b（i，j）]分别为第[i]级电能质量等级第[j]个评估指标变化区间的上限值和下限值， [i]定义为国家电能质量标准的等级数目，[j]分别定义为电能质量评估指标数目。采用公式（6）进行归一化处理，将其置于（0，1） 区间：

[a?（i，j）=[a（i，j）-amin（j）]/[amax（j）-amin（j）]，b?（i，j）=[b（i，j）-bmin（j）]/[bmax（j）-bmin（j）]。] （6）

步骤2：在电能质量等级和单指标分级标准已归一化的基础上，在[[a?（i，j），b?（i，j）]]区间内均匀随机内插产生100个电能质量指标样本值[x（k，j）]，其电能质量标准等级值定义为[y（k）=i]。则电能质量评估标准样本集为[{x（i，j），y（k），k=1，2…nk，j=1，2…9}]，其中[nk]为样本容量。

步骤3：设PCNN模型初始连接部分的连接权均为0，阈值[θj]设定为0，连接幅度系数[VL]，设定为1， [Ykl（n-1）]定义为神经元[x（k，j）]输出，表示该神经元是否点火被激活。根据F通道公式：

反馈输入：[Fij（n）=x（k，j），] （7）

连接输入：[Lij（n）=VLk，lWij，klYkl（n-1）。] （8）

步骤4：PCNN调制。进过调制产生神经元[x（k，j）]的内部活动项：

[Uij（n）=Fij（n）（1+βLij（n）），] （9）

式中：连接强度[β]取值0.01，阈值[θij]根据神经元[x（k，j）]点火（激活）与否的状态进行自动调整，假设神经元[x（k，j）]点火被激活，则[θij]表示如式（10）：

[θij（n）=e-aθθij（n-1）+VθYij（n-1）]， （10）

其中，[aθ]定义为时间衰减常量，取值0.3；[Vθ]定义为阈值常量，取值2。

步骤5：PCNN脉冲产生，产生脉冲的公式如（11）所示：

[Yij（n）=1，Uijθij，0，Uij<θij。] （11）

当[Yij（n）=1]时则表示神经元[x（k，j）]点火而被激活，则输出配电网的电能质量评估等级值。

3 算例验证及分析

考虑建立在电压为380V的条件环境下，评估电能质量指标等级界限表如表1[7]所示. 将其评估指标的等级界限进行归一化处理，如表2所示。

在表2中，在各等级取值范围内由MATLAB均匀产生10个样本，利用PCNN模型对各等级范围内的样本进行逐一分类，可得到相对应的等级。再由表2标准检验模型的合理性。根据某地区5个观测点的微电网电能质量实测数据如表3所示[9]，将其实测数据进行归一化如表4所示。

然后将表4数据输入PCNN模型，便可得到基于PCNN模型的的电能质量评价结果。

将基于PCNN法与模糊神经网络模型评估法[6]相比，其电能质量评价结果如表5所示。

评估结果基本接近，区别在于观测点1，PCNN法比模糊神经网络法相差一个等级，从实测数据来看，观测点1暂态压降相对较为严重，PCNN评估质量等级为中等，更为合理。

4 结语

针对微电网电能质量实测数据动态变化大，不确定性强的特点，建立了PCNN模型，通过分析自动波特性的运行机理，将其应用于配电网的电能质量决策评估研究中，针对PCNN神经元模型运行机理采用不同反馈输入、连接输入公式和阈值的调整公式，对配电网电能质量进行评估取得了满意的结果。结果表明，该方法科学准确，能够完成实时评估，为解决含微电网接入的配电网电能质量评估问题提供了一种新方法。

参考文献：

[1] 吕志盛，闫立伟，罗艾青，等.新能源发电并网对电网电能质量的影响研究[J].华东电力，2012，40（2）：251-256.

[2] 李海英，闵建平.兼顾分布式发电系统特征的电能质量评估[J].电力自动化设备，2014，34（4）：31-36.

[3] 李正明，张纪华，陈敏洁.基于层次分析法的企业有序用电模糊综合评估[J].电力系统保护与控制，2013，41（7）：136-141.

[4] XU Wei-xiang，LIU Xun-min.Study on the accuracy of Comprehensive evaluation method based on fuzzy set theory[J].Journal of Systems Engineering and Electronics，2005，16（2）：330-334.

[5] 乔鹏程，吴正国，李辉.基于改进雷达图法的电能质量综合评估方法[J].电力自动化设备，2011，31（6）：88-92.

[6] 周林，栗秋华，刘华勇，等.用模糊神经网络模型评估电能质量[J].高电压技术，2007，33（9）：66-69.

[7] 刘俊华，罗隆福，张志文，等.一种考虑排序稳定分析的电能质量综合评估新方法[J].中国电机工程学报，2013，33（1）：70-76.

[8] 吴传来，杨洪耕，周辉.采用 DTOPSIS 法的电能质量综合评估[J].华东电力，2012，40（3）：408-411.

[9] 李正明，施诗，潘天红，等.基于灰色关联度和理想解法的电能质量综合评估方法[J].电力系统保护与控制，2014，42（6）：14-19.

[10] 刘颖英， 戴平， 徐永海， 等.电能质量综合评估方法比较[J].电力自动化设备，2008，28（12）：93-97.

[11] JOHNSON J L， PADGETT M L.PCNN models and applications[J]. IEEE Transactions on Neural Networks ， 1999，10（3）： 480-498.

[12] ECKHORN R， REITBOECK H J， ARNDT M， et al. Feature linking via synchronization among distributed assemblies： simulations of result from cat visual cortex[J]. Neural Computation， 1990，12：293-307.

[13] 杨聪辉，王宝华，付强，等.洪水灾情评价的脉冲耦合神经网络模型[J] .灾害学，2010，25（3）：12-15.

[14] MA Yi-de， SHI Fei， LI Lian. A new kind of impulse noise filter based on PCNN[C]. 2003 International Conference on Neural Networks and Signal Processing （ICNNSP'03）， vol.1，2003.

[15] 王宝华.洪灾损失分析及评估模型研究 [D].哈尔滨： 东北农业大学， 2008.

The Power Quality Evaluation Method of Microgrid Based on PCNN Model

QIN Yong-ming1，LU Zheng1， LIU Jian-jun1， NI Fu-yin2

（1.Changzhou Power Supply Bureau， Changzhou 213001， China；2.School of Electrical and Information Engineering， Jiangsu University of Technology， Changzhou 213001， China ）

Abstract： Aiming at the complicated non-line relationship between power quality evaluation index and grade， a new power quality evaluation method based on pulse coupled neural networks（PCNN） is proposed. According to power quality affecting factors of distribution network incorporating micro-grid， the evaluation index system is built. Then the PCNN is modeled， and its running mechanism is analyzed. The internal action items of PCNN neuron which is produced through modulation role by feedback input and connecting input is set up， the input power quality grade of model is controlled by threshold value， output grade is determined by neuron ignition（activation）. The method of fuzzy artificial neural network and the method of PCNN is applied respectively on power quality evaluation through an example of in-situ data， the results showed that the method of PCNN is more scientific and accurate， and more objective and reasonable. Therefore it is suitable to evaluate power quality of distribution network containing micro grid in real-time， and the new method is put forward to the study of evaluation on power quality.

Key words： microgrid； power quality；power quality evaluation； distribution network；PCNN

責任编辑 祁秀春