基于集成神经网络的电能质量自动识别

韩庆

摘 要：人工神经元网络（ANN），是用大量简单的计算处理单元——神经元（Neuron）广泛连接组成的复杂网络。目前，大多数电能质量识别方法都采用了傅里叶变换，DQ变换，瞬时无功功率理论，小波变换及由小波变换扩张的S变换进行扰动检测及特征提取，然后采用人工神经网络来实现电能质量扰动的自动识别。神经网络具有简单的结构和很强的问题求解能力，是分类识别的重要方法。集成神经网络，融合单个神经元网络的特点，能有效地提高识别效率跟正确率。

关键词：电能质量；神经网络；最小二乘法；锁相环；自识别

中图分类号：TM76 文献标志码：A 文章编号：2095-2945（2017）25-0017-02

1 概述

随着工业的发展，自动化程度高的用户对电能质量的要求越来越高，任何电能质量的问题都将导致产品质量下降及工程作业的停顿。信息科技的发展对电能质量及供电可靠性提出了更严苛的要求。电能质量一般是指电压或电流的幅值、频率、波形等参量偏离规定值的误差。本文将以神经网络为基础，加以最小二乘法和改进锁相环电能监测方法，实现对电压，谐波，震荡及噪声等多种电能质量扰动的自动识别。

2 最小二乘加权融合及改进锁相环电能质量检测

集成神经网络的基本思想是通过信号的有效组合，用多个子神经网络，从不同的侧面对信号进行分析，最大限度的提高识别正确率。

基于改进锁相环和集成神经网络的电能质量自动识别，采用多个不同结构的神经网络对相同电能质量扰动信号样本进行训练和识别，然后用最小二乘加权融合法，对各个子网络的分析结果进行信息融合，通过融合结果的分析最终识别电能质量扰动。

建模步骤

依据最小二乘原理对多个子神经网络输出加权融合，并在最优原理下推导出神经网络输出偏差与权系数的关系，其步骤如下：

根据新的权系数再次进行加权最小二乘估计，循环下去，直到满足循环结束条件为止。子网络输出的估计误差越大，权系数就越小。

3 加权集成神经网络的电能质量自动识别

3.1 电能质量扰动的检测和特征提取

通过METLAB，首先对扰动的定义仿真产生谐波、电压波动、频率偏差、电压暂降和电压凸起、瞬时脉冲、低频振荡、高频振荡和噪声等电能扰动信号检测。

3.2 网络训练

采用10个谐波、10个低频振荡、10个高频振荡、10个瞬时脉冲、5个电压波动、5个频率偏差、5个电压暂降（电压凸起）和5个噪声。输入层神经元的个数是33个，采用logsig函数，输出层神经元的个数是个，采用purelin函数。在各子网络训练时，对应于每种电能质量扰动输入，其输出向量中除了该类型对应分取1，其余分量取0。

3.3 网络测试

网络测试样本由仿真程序产生，同样采用上述的PLL系统检测输出。测试结果发现，在噪声轻微的情况下（1%）各个子网路都能比较好的识别上述几种电能扰动，单个子网络和集成神经网络的识别结果区别较小，下面是包含2%随机噪声的正弦输入，对应各个子網络和该集成神经网络识别的仿真计算结果：

ANN1=【0.2027 -0.1347 -0.2744 -0.0976 0.1284 -0.2414 -0.4066 1.0353】

ANN2=【0.2016 13377 0.4936 -0.0866 -0.0116 -0.2787 0.3605 0.4940】

ANN3=【-0.2585 0.7724 -0.7873 0.5143 0.1289 -0.4191 -0.4969 0.2651】

ANN4=【0.4006 0.3460 -0.3478 -0.1976 -0.1647 -0.0662 -0.0173 1.1085】

ANN5=【0.3808 -0.5789 0.2530 0.3568 -0.6570 -0.5565 0.3987 0.9629】

ANNtotal=【0.2053 0.3460 -0.2324 0.0062 -0.0631 -0.2852 -0.0173 0.8782】

其中，ANN1、ANN2、ANN3、ANN4、ANN5分别是5个子网络的识别输出结果，ANNtotal是集成神经网络的识别结果输出。

最后，采用包含2%随机噪声的80个测试样本对于最小二乘加权融合集成神经网络和单个神经网络的识别效果进行统计分析，识别结果对比如表1所示。

4 结果分析

新改进的锁相环系统具有良好的动态和静态性能，是检测各种暂态电能质量扰动的有效途径。

从集成神经网络的识别输出结果看，在识别2%噪声扰动时，5个子网络中有两个子网络出现误识别，他们是ANN2和ANN3，而集成神经网络则很安全的识别出该扰动，与产生误差识别具有很大的安全间隔空间，即扰动对应分量大小相对于其他分量占绝对优势，他相对于另外三个没有发生误识别的子网络，具有更好的识别效果。

从表1可以看出，同单个BP神经网络识别方法相比，上述这种基于最小二乘加权融合集成神经网络的电能质量扰动自动识别方法，在噪声较强时仍然能有效识别，具有较高的识别正确率。

5 结束语

应用最小二乘加权融合集成神经网络对电能质量进行检测，使得电能质量这一重要用电参数得到有效的检测控制。该方法在识别检测结果中还不能很有效的检测谐波结果，未来还需要改进。

参考文献：

[1]肖湘宁，等.电能质量分析与控制[J].中国电力出版社，2004，2.

[2]程浩忠，吕干云，周荔丹.电能质量检测与分析[J].科学出版社，2012.

[3]于群，曹娜.MATLAB/Simulink电力系统建模与仿真[J].机械工业出版社，2011，5.

[4]谢东，张兴，曹仁贤.基于小波变换与神经网络的孤岛检测技术[J].中国电机工程学报，2014，2.

[5]吕干云，丁屹峰，程浩忠.一种基于改进锁相环系统的电能质量扰动检测方法[J].电力系统及其自动化学报，2006.

[6]葛乃成，程浩忠，吕干云.基于MATLAB/Simulink仿真的电能质量检测[J].供用电，2004.

[7]粟时平，刘桂英.现代电能质量检测技术[J].中国电力出版社，2008.

[8]Dugan R C， Megranghan M F， Benty H W. Electrical Power Systems Quality[M].New York； McGraw-Hill，1996.endprint