基于人工神经网络的新能源电网微变检测方法

杜露露 石倩倩 王有军

（国网安徽省电力有限公司滁州供电公司）

0 引言

在新能源电网运行过程中，频率是一项重要指标，一方面，其可以用于对电网质量的评价，通过对其动态监测确保新能源电网运行的安全和稳定；另一方面，也可以作为电网运行控制的反馈信息。在新能源电网运行的过程中，可以通过对其频率进行实时重构来分析电网的运行状态。

当前，随着新能源的加入，电网的结构逐渐复杂，异构型复杂电网的形成以及人们对于其行为特性的深入理解，使得各类检测方法产生[1]。过电压是电网中的一种多发性事件，其过载幅度一般都很低，且在很短的时间内不会对电网产生显著的影响[2]。所以，必须对电网的电压和频率进行实时监测，以便在事故发生前和之后，对电网的电压、频率变化进行实时监控，从而为操作人员分析事故原因、处理事故等提供有利依据[3]。在这一背景下，电网微变检测成为一种有效的手段。基于此，为提高新能源电网运行安全性，本研究引入人工神经网络，针对新能源电网微变检测方法展开设计。

1 新能源电网运行中弱信号频率检测

在新能源电网运行过程中，会产生大量的弱信号。若在检测时无法实现对弱信号的检测，则会造成最终频率检测精度难以满足实际需要。针对这一问题，结合混沌理论中的Duffing方程，实现对新能源电网运行过程中的弱信号的检测。Duffing方程的表达式为：

式中，x(t)表示新能源电网运行过程中产生的微弱信号频率；b表示阻尼比；f表示新能源电网运行周期内的策动力幅值。

Duffing方程既有振幅灵敏度，又有较好的频敏度，可用来检测弱信号频率的变化。Duffing方程对微小信号十分敏感，对噪音有强烈的抗干扰能力。在实际检测过程中，结合新能源电网的运行特点，待检测信号的频率未必为1rad/s，因此需要通过对Duffing方程的进行略微变形，使得Duffing方程能够对任何微小频率的待检测信号进行检测。根据上述论述，将Duffing方程转换为如下形式：

式中，τ表示互相关函数。

新能源电网的运行状态会随着周期内的策动力幅值f的变化而变化。当f值为0时，此时相轨迹会最终停留在相平面度上两个焦点的某一个之上；当f值不为0时，则此时新能源电网会表现出十分复杂的动力学形态特征。在f值较小时，新能源电网运行时其弱信号频率呈现出一种线性的特征，即相点在两个焦点中的某一处发生周期性的移动，而在某一临界点上，则会产生共宿轨道[4]。当分叉越大，就会产生一种分叉现象，这种现象会持续很长一段时间，然后就会陷入一种混乱的状态。当超过临界点时，新能源电网运行时产生的弱信号频率就会进入大尺度的周期性运动，并将焦点和鞍点包围起来，从而产生显著的大周期，进一步表现出振幅的敏感性。在检测的过程中，其基本流程如下图所示。

图 新能源电网运行中弱信号检测流程

在实际检测的过程中，考虑到新能源电网的运行特点，将其弱信号频率变化范围设置为49.5～50.5Hz。同时，当微弱信号的频率不在1Hz范围内时，则需要适当增加阵列混沌振子的数量，以此实现对其他范围弱信号频率的检测。

2 基于人工神经网络感知电网微变

在完成对新能源电网运行中弱信号频率的检测后，本研究引入人工神经网络，感知新能源电网的频率微变。将人工神经网络看成是一个映射网络，能够获得一个复杂的输入和输出之间的映射关系。在感知的过程中，将多层感应器与新的能量网相连，并将其视为前馈神经网络。在前向神经网络的结构中，含有多个层次的神经元。

假设人工神经网络的感知层为k，且k=1,2,3,…,M，M表示结构层总数其中共包含j个神经元，则多层感知器的输入与输出关系可用下述公式表示：

式中，bk表示感知器的输出结果数值，即新能源电网在运行过程中的微弱变化的感知量化结果；ak表示感知器的输入数据，即新能源电网的电压频率波动数值；wij表示一个神经元i和一个神经元j的连接强度系数；θk表示多层感知器k层对应的神经元阈值。

在实际应用到对新能源电网的微变感知当中，输入和输出的关联信息往往是由神经元的联结强度决定的。通过不同的连接强度，可以得到不同的输入和输出之间的对应关系。除此之外，还可利用人工神经网络中的卷积层从众多新能源电网变化参数当中，提取用于微变感知的数据量；利用人工神经网络的池化层对获取到的数据量中存在的冗余信息进行去除，并对特征数据进行压缩和简化复杂度处理。

为确保最终新能源电网微变检测结果的精度，还必须通过神经网络的权重来调节神经元的联结能力，从而使两个神经元在空间上的距离得到进一步的缩短，使得最后的连接强度所决定的网络能够使映射关系在最小二乘性意义下无限接近，从而提高微变感知结果的准确性。

3 新能源电网频率测量

在新能源电网运行过程中，其电网电压波形与频率之间存在一定映射关系，结合上述基于人工神经网络的电网微变感知可知，每一种新能源网络都有一种多层次的感知器。因此，感知器所完成的映射和神经元间的转移函数的平均变化比指定的值要小[5]。

基于以上理论分析，本研究设计一种基于新能源电网电压波形的多层次感应器，利用该感应器获得新能源网的电压频率。将电压频率采样数据作为人工神经网络的输入信号。为获得更高的检测精度，单靠一个3级传感器已无法满足检测的需要，本文采用相位作为基准，将检测过程中得到的结果分别映射到20个子域当中，同时对每个子域设置一个权重数值，结合预处理相位判断确定人工神经网络的权重系数。在进行测试之前，必须对多个层次的感知器进行反复的训练。此外，在检测新能源电网真实微变情况前，要对人工神经网络权重进行适当的调节，确保权重在容错范围内，才能进行相应的映射。在训练过程中，训练样本可用下述公式表示：

式中，a(i)表示多层感知器的输入数值；c表示频率。在实际的新能源电网运行中，电网的工作频率在f＝50Hz左右发生变化，故在训练的过程中，将多层感知器弱信号频率采样设置在48～52Hz范围内。在实际新能源电网运行中，信号会受到噪声的干扰造成最终检测结果不理想问题。因此，在训练时可直接加入直流噪声等干扰，使得神经网络的抗干扰性得到提高，确保检测结果的精度。

在完成对频率的测量后，根据测量结果，对新能源电网是否存在微弱变化情况进行判断。可通过设置阈值的方式，将标准新能源微电网运行时的电压频率范围作为阈值，若测量得到的结果超出这一阈值范围，则说明存在微弱变化；反之同理。通常情况下，电压频率波动在－5%～＋5%范围内属于微变，因此将±5%作为阈值。将这一逻辑导入到频率总程序当中，实现对新能源电网每一周波起始到结束区间的微变检测。

4 对比实验与结果分析

为验证上述设计的基于人工神经网络的新能源电网微变检测方法在实际工作中的有效性，设计如下实验。以某新能源发电企业为例，将本文方法与传统的基于大数据技术的检测方法进行对比。

针对该新能源发电企业中现运行的新能源电网，对其分别利用两种检测方法进行检验。在实验过程中，将干扰两种检测方法的噪声作为实验条件，在确保其他条件均相同的情况下，通过改变噪声的信噪比，记录在不同噪声条件下两种检测方法检测结果的误差，以此实现对两种检测方法检测精度的对比。考虑实验的真实性，需要在改变噪声信噪比时，将其数值控制在信噪比门限以内。基于此，对新能源电网运行过程中产生噪声的信噪比门限进行计算，其公式为：

式中，SNR表示新能源电网运行过程中产生的噪声信噪比门限数值；η表示运行周期当中的信号功率；σ表示噪声方差。根据上式，计算得出该新能源电力企业的电网在运行时的信噪比门限数值为-21dB。根据这一结果，设置两种检测方法在检测过程中，噪声的信噪比数值分别为-5dB、-10dB、-12dB、-18dB和-21dB。记录在五种不同噪声情况下，两种检测方法检测到的电网频率与实际真实频率的误差，可通过检测结果与真实频率的比值得出测量误差。结合上述实验准备，将完成实验后的结果进行记录。

为了方便表述，将本文上述提出的基于人工神经网络的检测方法设置为实验组，将基于大数据技术的检测方法设置为对照组，将其各自频率测量误差记录如下表所示。

表 实验组与对照组检测方法检测结果对比表

结合表中的数据得出，在五组不同信噪比条件下，实验组检测方法的频率测量误差均控制在1.00%以下，而对照组检测方法的频率测量误差均超过2.00%，明显实验组频率测量误差更小。频率测量误差越小，说明检测方法的检测精度越高。因此，通过上述得到的实验结果能够证明，本文提出的基于人工神经网络的检测方法在实际应用中，检测结果更符合实际，检测精度符合新能源电网安全稳定运行检测的要求。

5 结束语

通过本文上述论述，本研究基于人工神经网络提出一种新的针对新能源电网的微变检测方法，用于在确保新能源电网正常运行中，对电网频率变化进行检测。通过实验的方式证明新检测方法在检测过程中不仅能够保证良好的检测精度，同时在检测时不会受到噪声的干扰，具备极高的抗干扰能力，能够为新能源电网的运行监督提供重要的基础条件。