基于改进小波神经网络的直流输电系统谐波检测技术

姚建红 康耀文 王天娇 唐龙庆

(东北石油大学电气信息工程学院，黑龙江 大庆 163318)

基于改进小波神经网络的直流输电系统谐波检测技术

姚建红 康耀文 王天娇 唐龙庆

(东北石油大学电气信息工程学院，黑龙江 大庆 163318)

针对换流器产生谐波的主要特征进行分析，提出一种改进型的小波神经网络，增加了处理层，采用了神经树的网络结构。在Matlab中进行了仿真和数据分析，结果表明：相较于普通的小波神经网络改进的小波神经网络具有较好的检测精度和误差率。

直流输电 谐波检测 换流器 Matlab

近年来，直流输电以其远距离、低损耗及大输电量等方面的优势，取得了快速发展。但是在直流输电系统中由于一些非线性元件的存在会使系统产生谐波，谐波对于严格要求供电质量的输电系统来说是一种“污染”。谐波会影响输电设备的正常运行，对附近的通信设备造成干扰，所以对谐波进行精确的检测与分析对于电力系统的正常稳定运行有着重要的意义[1]。

在直流输电系统中，核心元件是换流器，通常采用十二脉动阀组结构的单级换流器[2,3]。在对换流器所产生的谐波进行分析时，主要考虑的是在其交流侧与直流侧产生的特征谐波。理论和实践证明，谐波检测的精度和动态响应速度与检测算法密切相关[4]。当前主要的谐波检测算法有傅里叶变换、小波变换及神经网络等，但这些算法总会有诸如误差精度不足、数据丢失严重及易陷入局部最优等问题。笔者首先分析了直流输电直流侧与交流侧的特征谐波，然后设计了一种改进型小波神经网络，实现对直流输电系统的谐波检测，最后在Matlab中对该改进型算法予以实现。

1 换流站的特征谐波

在分析直流输电系统的谐波时，通常做出以下假设[5]：换相电压源对称，为基波正序电压；变压器对称，包括结构和参数；触发角恒定；平波电抗为无穷大。

在理想条件下，换流站网侧的交流电压为三相对称电压，所以电压无谐波。直流侧为某一恒定的直流电流，故电流也不含谐波。所以在分析换流站的谐波特性时，要将换流站的交流侧和直流侧分开分析。

在理想条件下，无论是否考虑换相的影响，三相六脉冲换流器在直流输电系统的交流侧电流特征谐波次数为6k±1次。而对于直流侧，在直流输电系统中三相六脉冲换流器的直流侧电压特征谐波次数为6k次。而对于十二脉冲换流器，它的结构为两个六脉冲换流器串联，每个六脉冲换流器的谐波次数与上述相同。在理想条件下，两个换流器之间的谐波分量可以相互抵消，因此该换流器在交流侧电流中的特征谐波为12k±1次，直流侧电压的特征谐波为12k次。经过研究表明，对换流器的脉冲数做进一步分析，分析到p次时，交流侧和直流侧的特征谐波分别为pk±1次和pk次[6]。

2 小波神经网络与改进小波神经网络的比较

2.1小波神经网络

小波神经网络是在BP神经网络结构的基础上，在网络内部加入了小波函数。由于有小波分析理论做基础，网络的权值学习算法相比于常规神经网络来说要简单，收敛速度较快[7]。图1为普通的小波神经网络结构。

图1 小波神经网络结构

神经网络与小波变换的结合方式有两种，即松散型和紧致型[8]。松散型是将信号通过小波变换或傅里叶变换实现其时频特性的提取，进而将提取的时频特性送入神经网络进行处理；紧致型是将神经网络的隐含层改为小波函数，从图1中可以看到神经网络的输入层和输出层没有变化，只是中间层(隐含层)由原来的神经网络函数变为了小波函数。

小波神经网络在处理复杂数据(多维)时并不能快速得出目标结果，迭代次数、计算的误差精度仍与目标结果有很大的差距，网络本身也容易陷入局部最优。针对以上不足笔者提出了改进型小波神经网络。

2.2改进型小波神经网络

2.2.1处理层的构建

针对上述小波神经网络的不足，笔者将小波神经网络的松散型与紧致型结合起来。由于原始数据也就是谐波是一个三维数据，在小波神经网络的输入层与隐含层中间加入了处理层，处理层由快速傅里叶变换(FFT)构成，通过快速傅里叶变换，可以将谐波中的幅值、相角和频率分别提取出来，也就是笔者所要做的降维，将多维输入分解降维变成多个子网络，形成一个类似“神经树”的小波神经网络。这样做有效降低了离散正交小波网络的算法复杂性，加快了网络的学习速率，提高了网络的收敛速度和误差精度。由于谐波的检测包含谐波的幅值、相角与频率的检测，故笔者选择有3层子网络的小波神经网络，其结构如图2所示。

笔者改进的小波神经网络在进行信号分类识别时采用如下四层网络结构:

图2 改进型小波神经网络的结构

a. 输入层。将待检测的含有谐波的原始信号输入到神经网络中。

b. 处理层。将输入层输入的原始信号通过快速傅里叶进行分解，分别得到分解后的幅值、频谱与相角数据。将这些数据作为隐含层输入同时分别输入到3个子网络中，这样做的目的是为了加快学习速率，避免陷入局部最优，提高神经网络的收敛速度与检测精度。

c. 隐含层。与BP神经网络类似，只是将小波函数作为隐层传递函数得出隐层的输出，该层小波函数的选择与训练是小波神经网络性能好坏的关键。

d. 输出层。与BP神经网络类似，隐含层的输出作为输出层的输入，输出小波神经网络的结果。

2.2.2小波神经网络各层参数的确定

输入层的输出等于整个网络的输入信号：

隐含层的输入为：

隐含层的输出为：

其中，f(·)为小波函数,笔者所采用的小波函数为Morlet函数。

Morlet函数的数学表达式为：

输出层的输入为：

输出层的输出为：

网络误差为：

网络的总误差为：

梯度为：

综上所述，可知检测谐波的步骤为：

a. 将谐波输入到神经网络中在处理层进行FFT预处理，得到谐波的幅值、频率与相角数据；

b. 将经过处理的谐波的幅值、频率与相角数据输入到神经网络的子网络中；

c. 按前述方法确定神经网络模型参数；

d. 对神经网络进行训练；

e. 给出网络检测结果。

3 小波神经网络检测高压直流输电系统谐波的Matlab仿真与数据分析

笔者将换流器的交流侧谐波与直流侧谐波综合考虑，先将基波中含有11、12、13、23、24、25次谐波的训练数据放入小波神经网络中进行训练，取0.0～16.8之间每π/8为一个采样点,通过训练确定网络的各个参数，如权值、阈值。再将需要检测的数据输入到已经训练好的网络中。图3为训练网络的原始数据。

图3 训练小波神经网络的原始数据

将含有谐波的数据放入已经训练好的网络中，检测出的谐波如图4所示。

图4 用小波神经网络检测出的谐波

从图4中可以看出检测出的谐波波形基本与实际情况一致。笔者给出使用改进小波神经网络与普通小波神经网络对谐波信号进行检测的结果比较。表1～3分别为使用改进小波神经网络与普通小波神经网络检测的谐波频率值、谐波相角和谐波幅值。

表1 谐波频率值对比 Hz

表2 谐波相角对比 (°)

表3 谐波幅值(标幺值)对比

由表1～3可以看出，笔者所提算法检测谐波的精度相比于普通的小波神经网络算法有了较大的提高。

图5为改进的小波神经网络与普通的小波神经网络在相同迭代次数下误差率对比。

由图5可以看出，改进的小波神经网络在相同迭代次数下误差率要比普通小波神经网络低很多，谐波在改进小波神经网络中迭代470次后其精度基本已经达到检测要求。

图5 误差率对比

4 结束语

对普通小波神经网络进行改进，增加了处理层，采用神经树的神经网络结构，将小波函数作为神经网络的隐含层，并将含有谐波的数据送入搭建好的改进小波神经网络中进行检测，发现改进的小波神经网络能够精确地检测出谐波，同时在相同迭代次数下其检测误差率要低于普通的小波神经网络。将此改进型小波神经网络应用于直流输电系统的谐波检测中，具有广泛的应用前景。

[1] 杨斌文，刘丽英，王文虎．电力系统中谐波的危害与产生[J]．电气时代，2002，(2)：30～31．

[2] 徐宏雷,郑伟,周喜超，等.特高压直流输电系统对电网谐波污染的仿真分析[J].电力系统保护与控制,2010,38(23):192～195.

[3] 杨志栋,李亚男,殷威扬，等.±800kV向家坝-上海特高压直流输电工程谐波阻抗等值研究[J].电网技术,2007,31(18): 1～4.

[4] 宋泽琳，郑恩让，马令坤.基于FPGA的电力系统谐波检测算法研究及实现[J].化工自动化及仪表,2011，38(6)：713～717

[5] 浙江大学发电教研组直流输电科研组.直流输电[M].北京：水利水电出版社,1982.

[6] 夏道止,沈赞埙.高压直流输电系统的谐波分析及滤波[M].北京:水利电力出版社,1994.

[7] Patl Y C,Krishnaprasad P S.Analysis and Synthesis of Feedfordward Neural Networks Using Discrete Affine Wavelet Transformations [J].IEEE Transaction on Neural Networks,1995,4(1):73～85.

[8] 李伟,吴超群，王艳茹，等.基于小波神经网络的FRP复合材料损伤声发射信号识别[J].化工机械，2011，38(3)：294～297.

(Continued from Page 473)

AbstractRegarding matters bothering the development and application of gas-solid flow velocity measurement equipment, having computer sound cards, Matlab software and the signal access board employed to design a calibration system for pulverized coal and wind velocity measurement in a power plant was implemented and applied in a microwave measurement method-supported experimental platform. The testing results show that this calibration system can satisfy both check and fault detection of pulverized coal and wind velocity in the power plant because of its simple structure and low cost; and it has practical significance to the detection and maintenance as well as the checking of gas-solid flow velocity measuring equipment.

Keywordstwo-phase flow velocity, calibration system, sound card, Matlab

HarmonicDetectioninHVDCTransmissionSystemBasedonImprovedWaveletNeuralNetwork

YAO Jian-hong, KANG Yao-wen, WANG Tian-jiao, TANG Long-qing

(SchoolofElectricalEngineeringandInformation,NortheastPetroleumUniversity,Daqing163318,China)

The main characteristics of the harmonic generated from the converter were analyzed and an improved wavelet neural network was proposed, which boasts improved processing layer and neural tree network structure. Simulation with Matalab shows that as compared to the ordinary wavelet neural network, the improved one has better detection speed and smaller error rate.

HVDC, harmonic detection, converter, Matlab

TH865

A

1000-3932(2016)05-0491-04

2016-03-15(修改稿)

黑龙江省教育厅科技攻关项目(12531062)