基于神经网络的二次谐波检测研究

郝淑娟 何巍巍 刘永皓 崔海瑛 邱忠阳

摘 要： 针对传统检测方法在检测电网谐波时，一直存在对二次谐波电压及电流含有率检测不准确，谐波失真的问题，提出基于神经网络的二次谐波检测方法。以谐波检测原理为依据，采用奈奎斯特定理，对二次谐波信号进行采集，并通过小波变换将二次谐波信号划分为低频信号和高频信号，通过FFT算法处理低频信号，并对谐波信号进行自适应噪声对消处理，引入神经网络算法，选取激活函数及初始权值，实现对二次谐波的检测。实验结果表明，采用改进方法对二次谐波的检测，相比传统检测方法，其检测结果准确，失真率降低，具有一定的实用性。

关键词： 电网； 二次谐波检测； 神经网络； 小波变换； 噪声对消； 谐波失真

中图分类号： TN763.1?34； TM77 文献标识码： A 文章编号： 1004?373X（2018）18?0170?04

Research on second harmonic detection based on neural network

HAO Shujuan， HE Weiwei， LIU Yonghao， CUI Haiying， QIU Zhongyang

（Daqing Normal University， Daqing 163000， China）

Abstract： In allusion to the problems existing in the traditional detection method for its inaccurate detection for voltage and current rate of the second harmonic， and harmonic distortion in the detection of power grid harmonics， a second harmonic detection method based on neural network is proposed. The Nyquist′ theory is adopted to collect second harmonic signals according to the harmonic detection principle. The second harmonic signals are divided into high frequency and low frequency signals by means of wavelet transform. The FFT algorithm is used to process low frequency signals， and conduct adaptive noise cancellation of the harmonic signal. The neural network algorithm is introduced， and the activation function and initial weight are selected to realize second harmonic detection. The experimental results show that in comparison with the traditional detection method， the improved second harmonic detection method has more accurate detection results and lower distortion rate， which has a certain practicability.

Keywords： power grid； second harmonic detection； neural network； wavelet transform； noise cancellation； harmonic distortion

諧波是指包含在负载电流中其频率为基波的整数倍的电能，当基波为50 Hz时，2次谐波为100 Hz。谐波产生的主要原因为正弦电压作用在非线性负载两端，所以含有谐波的基本电流发生畸变形成谐波[1]。谐波容易导致电能的波形、幅值等特性产生偏差，损害电力系统的安全，同时电缆的输出电能容量减小，设备快速老化，电流出现泄露，造成电路故障。加之电力设备种类、数量增加，对判断电网谐波的来源形成干扰，不能准确辨别谐波来自外线路或是电网自身中的非线性设备导致[2]。若想达到谐波治理要求，要进行谐波检测，特别是对二次谐波的检测，应把它当作是谐波治理的关键。传统检测方法将二次谐波激发效率作为定量分析电力故障的特征参数，并对其理论公式进行详细的推导，得出检测结果，但是存在对谐波故障源无法定位，出现检测谐波失真，为此，提出基于神经网络的二次谐波检测方法。

1 谐波检测原理

电力装备种类、数量的增加，对判断电网谐波来源造成一定的干扰，对于谐波是处在外线路或是电网自身中的非线性装备导致无法准确的辨别[3]。对此在进行谐波检测时，第一，将谐波信号进行小波变换区分稳定状态及暂态状态；第二，对稳定谐波实行FFT解析，计算各谐波的分量相位、频率和其幅值；第三，通过加窗插值对检测结果实行修订；第四，对非稳态谐波再次通过小波变换获取谐波暂态信息。其检测步骤如图1所示。

2 二次谐波信号采集

在对二次谐波信号进行采集时，主要根据采样定理，即采样频率大于或者等于输入信号最高频率的两倍，对二次谐波信号进行采集[4]。采样定理又称奈奎斯特定理，公式为：

[fs≥2fimax] （1）

式中：[fs]表示采样频率；[fimax]表示最高频率分量频率。在采样进程中，设置采样频率及信号频率同步，对转换器相关参数进行固定[5?6]，通过锁相环对采样频率进行控制，采样过程如图2所示。

3 二次谐波信号处理

在对二次谐波信号进行采样的过程后，對谐波信号通过小波变换把输送的信号进行低频信号及高频信号的划分，分别经过FFT算法对低频信号进行处理，得到谐波信号相位、频率及幅值，然后通过小波变换对高频信号进行处理[7?8]，解析高频信号时域特性。二次谐波信号处理流程图如图3所示。

在对二次谐波信号进行处理过程中，还需对谐波信号进行自适应噪声对消处理[9]，具体对消处理如图4所示。

由图4可知，自适应噪声对消处理过程中，谐波信号包括正常信号[s]的同时，还含有噪声信号[n0]，所以其输入信号为[s+n0]。谐波信号处理过程中还应设有仅接收与噪声[n0]相关的谐波信号[n1]的专门端口。对[n1]进行处理后，得出近似于[n0]的谐波信号[n1]，然后用[s+n0]与[n1]相减，即消去[n0]，得到所需要的二次谐波信号。

4 改进检测算法的实现

在进行二次谐波检测时，预先设定波的幅值及频率[10]，周期采样点数[N=32]，采样频率为5次，采样时间[t]为[0.04～0.08 ms]。其谐波检测步骤为：

1） 确定输入层单元数。在检测进行中，神经网络算法重点是对二次谐波进行高精度检测，因此，设置二次谐波斜侧的神经网络输入层为1层，神经元为1个。

2） 确定输出层单元数。为了减少检测次数，设置输出层为1层，神经元数量为1个。

3） 神经网络层数。依据[Kolmogorov]定理，当隐含层节点数量较多时，隐含层传输精度需要无限接近一个非线性函数，所以谐波检测过程中，神经网络算法的隐含层数为m=3。采用全连接的形式对神经网络层和层进行连接，在同层单元里输入层、中间层（隐含层）及输出层不采用任何形式的连接方式。中间层可以是单层也可以是多层，虽然和外界无任何形式的连接，但若转变隐含层的权重系数，即可转变整体神经网络算法的性能。

4） 确定隐含层层数及隐含层单元数。隐含层层数、节点数是实现谐波检测的重点，步骤较为复杂，现无准确的标准。当隐节点减少时，检测进程无法达到收敛全局最小；当隐节点增多时，延长了检测时间，出现多余节点，检测进程中神经网络算法的泛化能力降低。

5） 激活函数的选取。在对二次谐波检测中，选择非对称[Sigmoid]函数对谐波信号进行归一化处理，将所有输入参数和输出参数进行归一化处理。

6） 选取期望误差。检测过程中，在一定程度上，期望精度、隐含层神经元数目之间成正比。首先设定的误差较大时为[10-3]，在检测趋于准确后，慢慢降低误差到[10-4]，再次检测二次谐波。

改进二次谐波检测算法流程图见图5。

5 实验结果分析

5.1 实验指标设置

在电流总谐波值一定的情况下，对电压总谐波失真[THDU]进行对比研究，电压总谐波失真定义如下：

[THDU=U2UI×100]%

式中：[U2]二次谐波电压；[UI]输入信号载波。

5.2 实验结果分析

为了验证改进方法在检测二次谐波方面的有效性及可行性，实验采用改进检测方法与传统检测方法为对比，以电压及电流的总谐波失真率为指标进行实验对比分析，结果如图6 所示。

由图6可知，在时间不定的情况下，采用传统方法检测时，其检测谐波多次出现失真的情况，且与实际电压波动存在差异，检测结果不准确；采用改进方法进行谐波检测时，其检测结果与实际电压值相近，且未出现失真的现象，检测结果更加接近现实情况。

6 结 论

针对传统方法存在检测结果谐波失真的问题，提出基于神经网络的二次谐波检测方法。实验结果表明，采用改进方法对二次谐波进行检测时，其检测未导致二次谐波产生失真的现象，与传统检测方法相比，更加接近真实二次谐波，具有可实用性。

参考文献

[1] 曹英丽，尹希哲.基于BP神经网络和全相位快速傅里叶变换的电力系统谐波检测技术研究[J].现代电子技术，2017，40（1）：125?128.

CAO Yingli， YIN Xizhe. Research on power system harmonic detection technology based on BP neural network and all?phase fast Fourier transform [J]. Modern electronics technique， 2017， 40（1）： 125?128.

[2] 刘叶鹏，孙孝君，庄新颖，等.基于深度神经网络的轴承状态监测研究[J].制造技术与机床，2017（8）：76?80.

LIU Yepeng， SUN Xiaojun， ZHUANG Xinying， et al. Bearing condition monitoring based on deep neural networks [J]. Manufacturing technology & machine tool， 2017（8）： 76?80.

[3] 熊贤成，杨春平，敖明武，等.基于BP神经网络的云相态检测方法研究[J].遥感技术与应用，2015，30（4）：714?718.

XIONG Xiancheng， YANG Chunping， AO Mingwu， et al. A research on cloud phase detection based on BP neural network [J]. Remote sensing technology and application， 2015， 30（4）： 714?718.

[4] 陈志勇，杨佩，彭力，等.基于BP神经网络的驾驶员疲劳监测研究[J].计算机科学，2015，42（z1）：67?69.

CHEN Zhiyong， YANG Pei， PENG Li， et al. Fatigue driving monitoring based on BP neural network [J]. Computer science， 2015， 42（S1）： 67?69.

[5] 左艳丽，马志强，左宪禹.基于改进卷积神经网络的人体检测研究[J].现代电子技术，2017，40（4）：12?15.

ZUO Yanli， MA Zhiqiang， ZUO Xianyu. Research on pedestrian detection based on improved convolutional neural network [J]. Modern electronics technique， 2017， 40（4）： 12?15.

[6] 李志明.基于卷积神经网络的虹膜活体检测算法研究[J].计算机工程，2016，42（5）：239?243.

LI Zhiming. Research on iris liveness detection algorithm based on convolutional neural network [J]. Computer engineering， 2016， 42（5）： 239?243.

[7] 吴春华，冯夏云，袁同浩，等.基于BP神经网络的光伏故障电弧检测方法研究[J].太阳能学报，2016，37（11）：2958?2964.

WU Chunhua， FENG Xiayun， YUAN Tonghao， et al. Photovoltaic arc fault detection method based on BP network [J]. Acta Energiae Solaris Sinica， 2016， 37（11）： 2958?2964.

[8] 潘翔.基于神经网络的物联网设备环境监测技术研究[J].现代电子技术，2017，40（3）：12?14.

PAN Xiang. Research on IoT equipment environmental monitoring technology based on neural network [J]. Modern electronics technique， 2017， 40（3）： 12?14.

[9] 贺静，徐成武，任密林.基于概率神经网络的IPv6入侵检测技术研究[J].太原理工大学学报，2017，48（6）：969?972.

HE Jing， XU Chengwu， REN Milin. Research on IPv6 intrusion detection technology based on PNN [J]. Journal of Taiyuan University of Technology， 2017， 48（6）： 969?972.

[10] 叶圣超，朱希安.基于PSO神经网络的定子电流信号谐波检测[J].科技通报，2017，33（5）：198?202.

YE Shengchao， ZHU Xian. Study on algorithm of stator current signal harmonic detection based on PSO neural network [J]. Bulletin of science and technology， 2017， 33（5）： 198?202.