一种基于人工神经元网络算法的谐波多路同步快速检测装置

陈有根，李晓光，郭海涛，李志勇



一种基于人工神经元网络算法的谐波多路同步快速检测装置

陈有根1，李晓光1，郭海涛2，李志勇1

(1. 中南大学 信息科学与工程学院，湖南 长沙 410075； 2. 广州铁路(集团)公司 供电处高铁科，广东 广州 510088)

通过对高铁牵引供电系统中谐波传输特性进行分析，设计以人工神经元网络算法为核心的快速谐波检测算法，实现牵引供电系统多路谐波数据同步检测。试制装置现场测试表明，该装置可实现牵引供电系统多路馈线50次以内谐波的同步快速检测，并具有较高的精度及良好的实时性。

牵引供电系统；谐波；人工神经元网络；多路同步快速检测

随着高速铁路飞速发展，牵引负荷表现出大功率、高密度和非线性等特性[1]，特别是近年来各线路运行密度日益增加，部分线路甚至出现重联重载动车或多型号动车混跑现象，加上各次谐波的叠加效应及其传输特性，使得原来不甚突出的谐波问题对牵引供电系统的正常运行影响日益突出，造成部分牵引变馈线的不规则跳闸、压互爆管和牵引闭锁等事故[2]。而我国目前对牵引供电系统中电能质量的系统评估和治理缺乏成套体系[3]，特别是谐波的快速检测方面有一定欠缺，所以研究适合高铁牵引供电系统的谐波快速检测算法显得十分必要。铁路枢纽牵引供电系统结构复杂、馈线回路多，如贵阳北牵引变电所27.5 kV馈线达26路，广州南牵引变电所27.5 kV馈线达14路，对这类型的牵引变电所的谐波检测势必要多路同步进行，以完成对各路馈线谐波的多路同步快速检测要求。用于谐波检测的算法主要有基于FFT的谐波检测法、基于小波变换的谐波检测法、基于瞬时无功功率的谐波检测法和基于神经元网络的谐波检测法[4−7]。基于FFT的谐波检测法存在频谱泄露和栅栏效应[8]，无法进行时域分析，难以实现谐波实时动态分析的需求；基于小波变换的谐波检测法只能对低频段进行分解，无法对高频段进行精确度较高的分析，且混叠现象严重[9]；基于瞬时无功功率的谐波检测法主要用于三相电网的谐波检测，对于单相电路的检测算法复杂且检测结果误差大[10]，只进行时域变换，不利于频谱分析，不适用于牵引供电系统的谐波检测；基于人工神经元网络的谐波检测法具有自适应和自学习能力，能够对数据进行大规模并行处理，特别适用于处理非线性问题[11]。通过FFT检测谐波数据时，通常需要几十个周期的信号数据，检测速度较慢[12]；小波变换检测谐波的速度比FFT快一个数量级[13]，但为了克服混叠现象，多采用组合小波来处理[14]，间接增加了系统计算量，当进行多路信号检测时，进一步加大了计算时间；使用人工神经元网络算法时，只需对一个周波数据进行处理即可得出谐波检测结果，权值学习算法的存在，加快了系统的迭代过程[15]，总的权值调整步数较小，保证了谐波检测的快速性。对于谐波监测设备来说，国内多基于单片机实现，在高精度测量和功能方面与进口仪器还有一定差距，难以进行实时性的在线监测。张青[16]基于加拿大Power Measurement公司研制的ION7600测量单元设计了一个谐波在线监测与分析系统，可以对一路三相电压和一路三相电流进行2-63次谐波在线监测，实现了显示、报警、控制和分析等功能，由于数据采集通道的限制，无法实现多路谐波数据同步监测。危韧勇等[17]基于人工神经元网络算法设计了一个便携式电力谐波检测装置，利用DSP平台进行数据处理，实现电力谐波的显示、分析、报警和数据管理等功能，算法设计的限制导致不能满足谐波数据多路同步快速检测的问题。本文通过对高铁牵引供电系统和高铁谐波传输特性的分析，利用人工神经元网络算法在处理非线性问题和海量数据时的独特优势，设计以人工神经元网络算法为核心的高铁牵引供电系统谐波多路同步快速检测算法。硬件设计和安装试运行表明，该装置实现了牵引供电系统多路馈线50次内谐波数据的快速同步检测，并具有较高的精度及良好的实时性。

1 谐波传输特性

高铁牵引供电系统中含牵引变电所、AT所、接触网系统和高速动车组等，采用110 kV和220 kV电压等级电力系统进行供电，结构如图1所示。

图1 高铁牵引供电系统结构

接触网系统结构复杂，由接触线、正馈线、钢轨和保护线等组成，当进行谐波传输特性计算时，把牵引网化简成一个T型等效电路进行分析，如图2所示。其中s是系统电源电压；s是电源部分等效阻抗；1是机车到牵引变电所的距离；2是机车到分区所的距离。设考虑谐波影响的等效参数如下：Z()为机车等效阻抗；U()为机车电压，()为机车电流；1()为机车流向牵引变电所方向的电流；2()为机车流向分区所方向的电流，T1()和T2()为机车两侧牵引网的等效阻抗，其中：为谐波次数，为角频率。

根据基尔霍夫电流定律有

图2 牵引网T型等效电路

Fig. 2 Equivalent T circuit diagram of traction network

由传输线理论得到牵引供电系统中的分布参数传输方程

通过式(2)得出[18]

此时，从机车侧看牵引变电所等效输入阻抗可以表示为：

从机车侧看牵引网等效输入阻抗可以表示为：

2 谐波在线监测算法

2.1 人工神经元网络算法

人工神经元网络算法的优势在于对大数据的大规模处理，特别适用于处理非线性问题，还具有自适应和自学习能力，文献[17]和[19]已经将人工神经元网络算法应用于电力系统中谐波检测，且初见成效，本文利用人工神经元网络算法进行高铁牵引供电系统中的谐波在线监测。

高铁中的牵引动车是一种典型的非线性负载，当机车运行时，负载电流L的谐波成分可以通过傅里叶级数展开表示为：

将人工神经元网络用于谐波检测时，其检测的谐波电流可以表示为：

将输入的锁相信号sin，cos和倍频信号sin和cos(≥2，为正整数)作为人工神经元网络参考输入，输入矢量为

则神经元的输出可以表示为

式中：为谐波检测次数；w和w为连接权值；为神经元阈值。

利用人工神经元网络算法检测到的次谐波电流幅值为

相位角可以表示为

次谐波含有率表示为

通过上述结果可以看出，只需求出特定次谐波对应的权值即可得出所有谐波数据，故人工神经元网络检测谐波的输出结果可以用式(14)表示：

权值调节依据为

神经元阈值调节依据为

图3 人工神经元网络谐波检测原理图

人工神经元网络的学习过程属于在线学习，通过最小均方法实现权值空间的快速收敛，不需要离线样本集进行学习，具有其他算法不可比拟的 优势。

2.2 多路同步快速检测算法实现

高铁牵引供电系统馈线回路多且牵引变压器高压侧和低压侧也需要进行谐波检测，为保证谐波检测的实时性和快速性，需要设计多路同步快速检测算法，本文设计的多路同步快速检测算法主要从多路同步采样、统一人工神经元网络参考输入基准、多路程序并行处理和基于共享知识库的多路人工神经元同步学习这几方面实现。

2.2.1 多路同步采样

在多路谐波检测中均采用等间隔采样方式进行采样，采样间隔为s，为保证有较高的测量精度，设置每周波采样点数为400个。为减小系统采样所带来的误差，采用同步采样的方法进行信号采样，即要保证=400s(为牵引网中信号周期)，这种信号采样机制保证了信号检测端有较高的信噪比。

2.2.2 统一人工神经元网络参考输入基准

在多路同步检测的人工神经元网络算法中，多条支路人工神经元网络的参考输入可以选用同一组经过倍频处理的锁相信号，这是因为高铁牵引供电系统中多路馈线与变压器低压侧直接相连，其电压信号中相位和频率完全相同。只需要采样低压侧的电压信号进行倍频处理，生成一个参考信号X，使其作为各个检测点的人工神经元网络共同参考输入，减少了多条谐波检测支路分别进行锁相信号倍频处理的时间，实现了多路谐波检测过程中在时间上完全同步化的效果。

2.2.3 多路程序并行处理

不同支路之间的谐波检测在算法上并无差异，都是通过单个神经元网络算法进行谐波检测，且共用同一个参考信号，但在算法设计中实现不同支路之间谐波检测数据处理的并行性，即要求处理器处理数据时进行多路数据并行处理，减小检测结果在时间上的差异性。

2.2.4 基于共享知识库的多路人工神经元同步学习

为实现多路谐波数据的快速检测，对多路人工神经元网络算法的学习过程进行同步学习并将学习结果共享，形成共享学习知识库，以对各路谐波进行同步检测及处理，学习处理过程如图4所示。人工神经元网络算法用于检测谐波的优势在于其学习能力上，当其处理了足够大的样本容量时，对应权值调整的学习收敛速度则会加快，最终确认出各次谐波的最佳学习率s和最佳惯性项值s。不同型号机车对应不同的特征谐波，包括谐波电流值和特征次谐波含有率等，根据式(15)~(16)得出不同的车型对应特征次谐波的s和s，而车型数据则根据当前检测支路与线路列车运行时刻表结合得出。根据样本的积累，将不同支路学习的不同型号机车对应的和组成人工神经元网络的学习知识库，在后续进行支路谐波检测时，只需调用单个或组合的知识库中的学习单元即可实现人工神经元网络谐波检测时的快速收敛，加快多支路的谐波检测速度。根据信号处理的同步性，将不同支路中谐波检测时调用的学习单元同步传递给低压侧，通过上述学习单元中的s和s进行叠加组合后实现低压侧的谐波数据快速检测。高压侧的特征谐波与低压侧的特征谐波有很大的关联性，但由于变压器的变比和结构带来的差异，故在对高压侧的谐波数据进行检测时，将上述影响因素折算成受变压器影响的学习率和受变压器影响的惯性项，然后叠加组合低压侧的s和s进行学习，从而实现高压侧的谐波快速检测。

图4 多路同步学习处理框图

3 系统实现与测试

高铁牵引供电谐波多路同步快速检测系统以人工神经元网络算法为核心，其实现方式如图5所示。将高压侧、低压侧和馈线侧的传感器回路接入系统中，通过硬件电路实现电流、电压信号的采集和锁相，经AD转换输入到PC中。PC首先对锁相信号进行倍频处理，使其作为人工神经元网络的参考输入，之后CPU通过人工神经元网络算法程序对采集到的数据进行谐波分析，得到50次以内的谐波权值矩阵，通过公式计算出各次谐波电流有效值和相位，然后将谐波权值矩阵、谐波电流有效值和相位数据存储到数据库中，同时形成特征车型的学习知识库进行存储，完成谐波的检测。

图5 高铁牵引供电系统谐波多路同步快速检测系统结构

系统在实现基础谐波检测的功能同时，还实现了如图6所示的计量、分析、显示和报警等功能。由于目前没有牵引供电系统谐波方面的国家(或行业)标准，系统中设计的谐波标准参照文献[20] 制定。

图6 谐波在线监测装置功能

本文设计的高铁牵引供电系统谐波多路同步快速检测装置安装在武广高速铁路中某牵引变电所中，其高压侧输入220 kV，低压侧输出27.5 kV，牵引变压器容量为2×75 MVA。该装置对2路高压侧、2路低压侧和6路馈线侧电压和电流谐波进行在线监测，柜体安装如图7所示。

图7 高铁牵引供电系统谐波在线监测装置

该所馈线运行的主要车型有CRH380A，CRH380B和CRH380AL(重联)等，同一线路中出现多机车混跑时，常会出现谐波总畸变率超标，此时对应监测线路指示灯呈红色状态，监测界面如图8所示。

图8 谐波在线监测装置监测面板

根据算法原理，系统实现了多路同步在线监测的功能，图9所示为其中一路(212F)的谐波监测实时数据，50次内的谐波谱以棒状图方式输出，左侧提供不同监测点切换选项，同时也可以提供表格显示，方便查询具体谐波次数的谐波含量。

机车运行密度较大时，线路中的谐波含量十分丰富，对应电能质量问题也越突出。被监测的牵引变电所在11:00~16:00时间段内机车进出站密集，故选取其中某一时刻点(13:12)的谐波监测数据进行分析，如表1所示，由于只有畸变率超标的线路的谐波含量比较丰富，且只有一些特征次谐波较为突出，故表1只列出部分监测数据。

图9 谐波监测实时数据

从表1可以看出，不同馈线侧支路在同一时刻的谐波电流特性不一致，这是各支路上的负载差异所致。对比低压侧与各馈线侧支路数据发现对应谐波次数的低压侧的谐波电流值与馈线侧谐波电流的有效值之和并不相等，低压侧的谐波含有率与各个馈线侧相比也有较大的差异，原因主要有2点：一方面是由于低压侧谐波电流有效值是各馈线侧谐波电流的矢量和，说明不同馈线侧支路之间的谐波电流存在一定的相位差；另一方面是由于馈线侧差异负载下产生的谐波数据共同影响低压侧数据，使其表征的各次谐波含有率与馈线侧各支路之间有较大差异，进一步体现了谐波电流在牵引网中的叠加效应。对比高压侧和低压侧的谐波数据可以看出，谐波电流值受牵引变压器的变比影响，且3的整数次倍的谐波数据在高压侧全部消失，说明变压器的结构及接线方式对谐波传输特性有一定影响。

表1 部分特征谐波监测数据

4 结论

1) 牵引供电系统中的谐波处于动态变化中，与机车型号和位置密切相关，且谐波通过牵引网进行传播。

2) 所设计的高铁牵引供电系统谐波多路同步快速检测算法能够对多路数据同步监测，且通过多路同步学习处理的方式加快了各路检测速度。

3) 谐波在线监测装置的运行结果验证了所设计算法的可行性，通过对部分数据的分析验证了谐波的传输特性，同时分析结果表明算法具有较高的谐波检测精度。

[1] 何正友, 胡海涛, 方雷, 等. 高速铁路牵引供电系统谐波及其传输特性研究[J]. 中国电机工程学报, 2011, 31(16): 55−62. HE Zhengyou, HU Haitao, FANG Lei, et al. Research on the harmonic in high-speed railway traction power supply system and its transmission characteristic[J]. Proceedings of the CSEE, 2011, 31(16): 55−62.

[2] 李宗垒, 刘明光, 屈志坚, 等. 交直交机车谐波特性及其诱发过电压的治理[J]. 铁道学报, 2015, 37(10): 26−34. LI Zonglei, LIU Mingguang, QU Zhijian, et al. Harmonics characteristic of AC-DC-AC locomotive and the disposal of resonance overvoltage[J]. Journal of the China Railway Society, 2015, 37(10): 26−34.

[3] 王雨竹. 交直交型传动机车(动车组)对供电系统的影响[D]. 北京: 中国铁道科学研究院, 2014. WANG Yuzhu. The influence of LCI-type drive locomotive (EMU) on power supply system[D]. Beijing: China Academy of Railway Sciences, 2014.

[4] 杜天军, 陈光, 雷勇. 基于混叠补偿小波变换的电力系统谐波检测方法[J]. 中国电机工程学报, 2005, 25(3): 54−59. DU Tianjun, CHEN Guang, LEI Yong. A novel method for power system harmonic detection based on wavelet transform with aliasing compensation[J]. Proceedings of the CSEE, 2005, 25(3): 54−59.

[5] Subtirelu G E, Dobriceanu M, Linca M. Power quality analyzer[C]// Advanced Topics in Electrical Engineering (ATEE), 2017 10th International Symposium on. IEEE, 2017: 909−914.

[6] Loureiro P C, Variz A M, de Oliveira L W, et al. ANN-based SVC tuning for voltage and harmonics control in microgrids[J]. Journal of Control, Automation and Electrical Systems, 2017, 28(1): 114−122.

[7] 徐浩. 高速铁路牵引电流谐波及其对轨道电路影响分析[D]. 北京: 北京交通大学, 2016. XU Hao. Analysis of harmonic current in high-speed railway and its influence on track circuit[D]. Beijing: Beijing Jiaotong University, 2016.

[8] 贾清泉, 姚蕊, 王宁, 等. 一种应用原子分解和加窗频移算法分析频率相近谐波/间谐波的方法[J]. 中国电机工程学报, 2014, 34(27): 4605−4612. JIA Qingquan, YAO Rui, WANG Ning, et al. An approach to detect harmonics/inter-harmonics with closing frequencies using automatic decomposition and windowed frequency shifting algorithm[J]. Proceedings of the CSEE, 2014, 34(27): 4605−4612.

[9] 周龙华, 付青, 余世杰, 等. 基于小波变换的谐波检测技术[J]. 电力系统及其自动化学报, 2010(1): 80−85. ZHOU Longhua, FU Qing, YU Shijie, et al. Harmonicdetectionbased on wavelet transform[J]. Proceedings of the CSU-EPSA, 2010(1): 80−85.

[10] 吴雷, 郜亚洲. 基于自适应分析的瞬时无功功率谐波检测法[J]. 电力电子技术, 2015, 49(5): 87−89. WU Lei, GAO Yazhou. Instantaneous reactive power for harmonic detection method based on adaptive analysis[J]. Power Electronics, 2015, 49(5): 87−89.

[11] Deniz E, Aydogmus O, Aydogmus Z. Implementation of ANN-based selective harmonic elimination PWM using hybrid genetic algorithm-based optimization[J]. Measurement, 2016(85): 32−42.

[12] 李加升, 柴世杰. 电能质量谐波间谐波在线快速检测方法研究[J]. 电力系统保护与控制, 2009, 37(18): 62−64, 69. LI Jiasheng, CHAI Shijie. Research of online rapid detection method about harmonic and inter-harmonic of power quality[J]. Power System Protection and Control, 2009, 37(18): 62−64, 69.

[13] 赵成勇, 何明锋. 基于复小波变换相位信息的谐波检测算法[J]. 中国电机工程学报, 2005, 25(1): 38−42. ZHAO Chengyong, HE Mingfeng. A novel method for harmonics measurement using phase information of complex wavelet transform[J]. Proceedings of the CSEE, 2005, 25(1): 38−42.

[14] 房国志, 杨超, 赵洪. 基于FFT和小波包变换的电力系统谐波检测方法[J]. 电力系统保护与控制, 2012, 40(5): 75−79. FANG Guozhi, YANG Chao, ZHAO Hong. Detection of harmonic in power system based on FFT and wavelet packet[J]. Power System Protection and Control, 2012, 40 (5): 75−79.

[15] 何娜, 黄丽娜, 武健, 等. 一种新型快速自适应谐波检测算法[J]. 中国电机工程学报, 2008, 28(22): 124−129. HE Na, HUANG Lina, WU Jian, et al. A novel adaptive harmonic detecting algorithm[J]. Proceedings of the CSEE, 2008, 28(22): 124−129.

[16] 张青. 500 kV变电站谐波在线监测与分析系统应用研究[D]. 广州: 华南理工大学, 2012. ZHANG Qing. Research and application of the 500 kV substation online harmonic monitoring and analysis system[D]. Guangzhou: South China University of Technology, 2012.

[17] 危韧勇, 李志勇. 基于人工神经元网络的电力系统谐波测量方法[J]. 电网技术, 1999, 23(12): 20−23. WEI Renyong, LI Zhiyong. Measurement of harmonic in power system based on artificial neural network[J]. Power System technology, 1999, 23(12): 20−23.

[18] 何垚. 高速铁路车网谐波特性研究[D]. 成都: 西南交通大学, 2013. HE Yao. The harmonic characteristic research of locomotive and traction network for high-speed railway[D]. Chengdu: Southwest Jiaotong University, 2013.

[19] 殷昌华, 危韧勇, 穆帅, 等. 电力谐波智能检测系统设计[J]. 计算机测量与控制, 2006, 14(1): 36−38. YIN Changhua, WEI Renyong, MU Shuai, et al. Design of a portable and intellectualized system for harmonics detector[J]. Computer Measurement & Control, 2006, 14(1): 36−38.

[20] 吴命利, 杨少兵, 翟铁久. 电气化铁路接入电网谐波预评估有关问题分析及谐波国家标准修订建议[J]. 铁道学报, 2016, 38(8): 1−7. WU Mingli, YANG Shaobing, ZHAI Tiejiu. Analysis of problems about harmonic preliminary assessment for the connection of electric railways to the power grid and suggestions on revision of national harmonic standard[J]. Journal of the China Railway Society, 2016, 38(8): 1−7

Harmonic multi-channel synchronous rapid detection device based on artificial neural network algorithm

CHEN Yougen1, LI Xiaoguang1, GUO Haitao2, LI Zhiyong1

(1. School of Information Science and Engineering, Central South University, Changsha 410075, China; 2. Power Supply Department of High-speed Trains, Guangzhou Railway (Group) Corporation, Guangzhou 510088, China)

By analyzing the characteristics of harmonic transmission in traction power supply system of high-speed railway, a harmonic detection algorithm based on artificial neural network was designed, which realized the synchronous rapid detection of multi-channel harmonic current in traction power supply system. The test device realized multi-channel harmonic synchronous rapid detection within 50 times of the traction power supply system, and had high accuracy and good real-time performance.

traction power supply system; harmonic current; artificial neural network; multi-channel synchronous rapid detection

10.19713/j.cnki.43−1423/u.2019.02.029

U223.63

A

1672 − 7029(2019)02 − 0501 − 08

2018−01−18

湖南省自然科学基金资助项目(2015JJ2171)

李志勇(1992−)，男，河南开封人，副教授，博士，从事电能质量控制、新能源发电技术研究；E−mail：lizy@mail.csu.edu.cn

(编辑 阳丽霞)