秦勇明 陸政 劉建軍 倪福銀

摘 要：針對電能質(zhì)量評估指標(biāo)與等級之間復(fù)雜的非線性關(guān)系，提出一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse Coupled Neural Networks， PCNN）的電能質(zhì)量評估新方法。根據(jù)含微網(wǎng)接入的配電網(wǎng)電能質(zhì)量影響因素建立電能質(zhì)量評價指標(biāo)體系，通過對PCNN建模，分析運行機理，建立由反饋輸入和連接輸入經(jīng)過調(diào)制部分的作用產(chǎn)生PCNN神經(jīng)元的內(nèi)部活動項，利用閾值來控制模型的輸入電能質(zhì)量等級，神經(jīng)元點火（激活）輸出評價等級值。分別運用模糊神經(jīng)網(wǎng)絡(luò)模型評估法、以及PCNN模型法對算例實測數(shù)據(jù)進(jìn)行評估比較，結(jié)果表明 PCNN評估方法更科學(xué)準(zhǔn)確、客觀合理，適用于含微網(wǎng)接入的配電網(wǎng)實時評估，為電能質(zhì)量評估研究提供了一種新方法。

關(guān)鍵詞：微電網(wǎng)；電能質(zhì)量；電能質(zhì)量評估；配電網(wǎng)；PCNN

中圖分類號：TM61 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-7394（2016）06-0035-06

近年來，微電網(wǎng)以其發(fā)電方式靈活，投資小，損耗低，利于環(huán)保等優(yōu)點得到快速發(fā)展，但隨著微網(wǎng)滲透率的逐步提升，其本身固有的間歇性、波動性等發(fā)電特點對電網(wǎng)造成了電壓波動、諧波等電能質(zhì)量問題，使得含微網(wǎng)接入的配電網(wǎng)電能質(zhì)量問題變得日益突出。因此，研究科學(xué)有效的電能質(zhì)量評估方法，對含微網(wǎng)的配電系統(tǒng)進(jìn)行電能質(zhì)量評估，對于擴(kuò)大微電網(wǎng)應(yīng)用規(guī)模、改善微電網(wǎng)電能質(zhì)量具有重要意義。[1-2]

由于電能質(zhì)量評估指標(biāo)與電能質(zhì)量等級之間復(fù)雜的非線性關(guān)系問題，目前，國內(nèi)外配電網(wǎng)的電能質(zhì)量評估方法主要集中在以下幾個方面：基于層次分析法[3]、模糊數(shù)學(xué)方法[3-4]、雷達(dá)圖法[5]以及神經(jīng)網(wǎng)絡(luò)法[6]等，以及相關(guān)改進(jìn)算法[7-8]或不同方法組合評估法[3， 7，9]，其中統(tǒng)計與矢量代數(shù)、模糊數(shù)學(xué)方法、均不同程度地存在人為主觀因素的影響， 評估結(jié)果具有較大的不確定性。[10]另一方面，上述相關(guān)文獻(xiàn)電能質(zhì)量評估算法主要都是以大電網(wǎng)電能質(zhì)量評估為主，但由于微電網(wǎng)間歇性和隨機性的發(fā)電特點，相對大電網(wǎng)其電能質(zhì)量實測數(shù)據(jù)動態(tài)變化大，數(shù)據(jù)量大，不適合使用算法復(fù)雜，計算量大的評估方法。

為了能實時對含微網(wǎng)的配電網(wǎng)進(jìn)行電能質(zhì)量評估，在深入分析脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse-coupled Neural Network， PCNN）[11]運行機制的基礎(chǔ)上，根據(jù)配電網(wǎng)電能質(zhì)量影響因素建立建立電能質(zhì)量評價體系，建立PCNN模型，由PCNN反饋輸入和連接輸入經(jīng)過調(diào)制產(chǎn)生PCNN神經(jīng)元的內(nèi)部活動項，由閾值來設(shè)定評估模型的電能質(zhì)量等級，然后由神經(jīng)元點火（激活）輸出受評估的電能質(zhì)量評價等級值，由此實時評估微電網(wǎng)的電能質(zhì)量。

1 PCNN 建模和運行行為分析

PCNN是Eckhorn對貓的初生視覺皮層有神經(jīng)激發(fā)相關(guān)振蕩現(xiàn)象進(jìn)行解釋所提出的一種神經(jīng)網(wǎng)絡(luò)模型[12]，是近年來在國內(nèi)外興起的新型神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)的多層神經(jīng)網(wǎng)絡(luò)相比，PCNN屬于單層人工神經(jīng)網(wǎng)絡(luò)，是一種自監(jiān)督自學(xué)習(xí)的網(wǎng)絡(luò)，不需要提前進(jìn)行，對于圖像處理、特征提取、組合決策優(yōu)化等方面具有很好的應(yīng)用。[13]

一個典型的PCNN神經(jīng)元模型主要包括接收域、調(diào)制部分和脈沖產(chǎn)生三個部分，其結(jié)構(gòu)模型如圖1所示。[14]

（1）接受域：PCNN模型的接受域主要功能是接收來自其它神經(jīng)元以及外部的輸入。[15]其運行機理是當(dāng)接受域接收到其它神經(jīng)元以及外部的輸入后，通過兩條通道傳輸至調(diào)制部分。此兩條通道一條通道定義為[L]通道，如公式（1）表示，另一通道定義為[F]通道，用公式（2）表示：

[Lj=kLkj=[Wkje（-αLkjt）]Yk（t）+Jj，] （1）

[Fj=kFkj=Mkje（-αFkjt）]Yk（t）+Ij，] （2）

式中：[Wkj]與[Mkj]為突觸聯(lián)接權(quán)；[αLkj]與[αFkj]為時間常數(shù)；[Jj]與[Ij]為輸入常量；[Yk（t）]表示為神經(jīng)元點火輸出信息。

（2）調(diào)制部分：PCNN模型調(diào)制部分的主要功能，是對來自L通道的信號[Li]、[Li]與聯(lián)結(jié)強度相乘的正向偏移量以及來自[F]通道的信號[Fi]進(jìn)行相乘調(diào)制[15]，如公式（3）所示：

[Uj=Fj（1+βjLj），] （3）

式中：[Uj]定義為相乘調(diào)制得到的信號；[βj]定義為聯(lián)結(jié)強度，此處設(shè)置信號[Li]的偏移量歸整為1。

（3）脈沖產(chǎn)生部分[15]：PCNN模型的脈沖產(chǎn)生部分主要功能是神經(jīng)元輸出點火信息。

其組成主要包括閾值可變的比較器與脈沖產(chǎn)生器兩部分。其運行機制是當(dāng)神經(jīng)元輸出一個脈沖，神經(jīng)元的閾值經(jīng)過式（2）由[F]通道進(jìn)行提高，然后聯(lián)合L通道的信號[Li]輸入調(diào)制部分，當(dāng)神經(jīng)元的閾值[θj]超過調(diào)制信號[Uj]時，脈沖產(chǎn)生器則暫停發(fā)放脈沖，閾值則相對應(yīng)的按指數(shù)級下降，當(dāng)閾值再次低于[Uj]時，脈沖產(chǎn)生器則被重新打開，神經(jīng)元則被激活，進(jìn)行點火而輸出一個脈沖或脈沖序列。對于脈沖產(chǎn)生器發(fā)放脈沖的頻率在整個運行過程中保持衡定，而神經(jīng)元輸出脈沖（點火）的最大頻率不超過脈沖產(chǎn)生器發(fā)送脈沖的頻率。

[dθdt=-αTjθj+VTjY（t），] （4）

[Yj=Step（Uj-θj），] （5）

其中，[VTj]定義為閾值的幅度系數(shù)，[αTj]定義為閾值的時間常數(shù)；[Yj]定義為神經(jīng)元輸出，每發(fā)生一個脈沖，即神經(jīng)元表示被點火進(jìn)入激活狀態(tài)， 如式（5）所示， 可用一階躍函數(shù)來表示的[Yj]輸出。

根據(jù)以上單個PCNN的模型運行機制分析，變閾值特性是其周期性發(fā)放脈沖，內(nèi)部活動項大于動態(tài)門限時，神經(jīng)元輸出脈沖，動態(tài)門限突然上升到最大值，繼而動態(tài)門限按指數(shù)規(guī)律衰減，衰減到小于內(nèi)部活動項時，再一次發(fā)放脈沖，這些周而復(fù)始輸出脈沖的神經(jīng)元通過非線性調(diào)制與其性質(zhì)相似的鄰近神經(jīng)元相互捕獲而同步發(fā)放脈沖，在不同時刻分析空間脈沖點火狀態(tài)，則展現(xiàn)了動態(tài)的自動波傳播現(xiàn)象。

用PCNN方法進(jìn)行決策評估，是受自動波特性啟發(fā)。PCNN模型連接輸入部分受上一次點火時的脈沖輸出影響，展現(xiàn)了前后神經(jīng)元之間的聯(lián)系；從而調(diào)節(jié)閾值更容易對樣本進(jìn)行分類，應(yīng)用動態(tài)閾值便可以確定電能質(zhì)量的等級；省略了傳統(tǒng)BP（Back Propagation）模型中權(quán)值的訓(xùn)練，減少了模型的復(fù)雜度，尤其適用于具有含微電網(wǎng)的配電網(wǎng)發(fā)電不確定性特點的微電網(wǎng)電能質(zhì)量實時評估等領(lǐng)域。

2 基于PCNN模型的電能質(zhì)量評估方法

根據(jù)國際公認(rèn)定義的要求，對電壓暫降、電壓偏差、三相不平衡、頻率偏差、諧波、波動和閃變、服務(wù)性，可靠性指標(biāo)作為評估指標(biāo)，組成判斷對象的因素集，即電能質(zhì)量的各項指標(biāo)構(gòu)成的集合。將電能各項指標(biāo)均分為5 級，在規(guī)定的范圍內(nèi)平均分為5個等級，分別稱為優(yōu)、良、中、合格和不合格。

運用PCNN模型進(jìn)行配電網(wǎng)電能質(zhì)量評估時，先把電能質(zhì)量等級進(jìn)行劃分，然后在每個等級取值范圍內(nèi)均勻隨機產(chǎn)生樣本，將此樣本以脈沖形式輸入，在PCNN脈沖產(chǎn)生部分通過脈沖輸出調(diào)節(jié)閾值，最后應(yīng)用動態(tài)閾值來確定該樣本的電能質(zhì)量等級。具體步驟如下。

步驟1：根據(jù)國家電能質(zhì)量指標(biāo)對配電網(wǎng)電能質(zhì)量優(yōu)、良、中、合格和不合格5個等級進(jìn)行歸一化，同時，對電壓暫降、電壓偏差等8個單項指標(biāo)也進(jìn)行分級歸一化處理。

設(shè)配電網(wǎng)的電能質(zhì)量等級和單指標(biāo)分級標(biāo)準(zhǔn)為[{[a（i，j），b（i，j）]，i=1，2…5，j=1，2…9}]，其中[a（i，j），，b（i，j）]分別為第[i]級電能質(zhì)量等級第[j]個評估指標(biāo)變化區(qū)間的上限值和下限值， [i]定義為國家電能質(zhì)量標(biāo)準(zhǔn)的等級數(shù)目，[j]分別定義為電能質(zhì)量評估指標(biāo)數(shù)目。采用公式（6）進(jìn)行歸一化處理，將其置于（0，1） 區(qū)間：

[a?（i，j）=[a（i，j）-amin（j）]/[amax（j）-amin（j）]，b?（i，j）=[b（i，j）-bmin（j）]/[bmax（j）-bmin（j）]。] （6）

步驟2：在電能質(zhì)量等級和單指標(biāo)分級標(biāo)準(zhǔn)已歸一化的基礎(chǔ)上，在[[a?（i，j），b?（i，j）]]區(qū)間內(nèi)均勻隨機內(nèi)插產(chǎn)生100個電能質(zhì)量指標(biāo)樣本值[x（k，j）]，其電能質(zhì)量標(biāo)準(zhǔn)等級值定義為[y（k）=i]。則電能質(zhì)量評估標(biāo)準(zhǔn)樣本集為[{x（i，j），y（k），k=1，2…nk，j=1，2…9}]，其中[nk]為樣本容量。

步驟3：設(shè)PCNN模型初始連接部分的連接權(quán)均為0，閾值[θj]設(shè)定為0，連接幅度系數(shù)[VL]，設(shè)定為1， [Ykl（n-1）]定義為神經(jīng)元[x（k，j）]輸出，表示該神經(jīng)元是否點火被激活。根據(jù)F通道公式：

反饋輸入：[Fij（n）=x（k，j），] （7）

連接輸入：[Lij（n）=VLk，lWij，klYkl（n-1）。] （8）

步驟4：PCNN調(diào)制。進(jìn)過調(diào)制產(chǎn)生神經(jīng)元[x（k，j）]的內(nèi)部活動項：

[Uij（n）=Fij（n）（1+βLij（n）），] （9）

式中：連接強度[β]取值0.01，閾值[θij]根據(jù)神經(jīng)元[x（k，j）]點火（激活）與否的狀態(tài)進(jìn)行自動調(diào)整，假設(shè)神經(jīng)元[x（k，j）]點火被激活，則[θij]表示如式（10）：

[θij（n）=e-aθθij（n-1）+VθYij（n-1）]， （10）

其中，[aθ]定義為時間衰減常量，取值0.3；[Vθ]定義為閾值常量，取值2。

步驟5：PCNN脈沖產(chǎn)生，產(chǎn)生脈沖的公式如（11）所示：

[Yij（n）=1，Uijθij，0，Uij<θij。] （11）

當(dāng)[Yij（n）=1]時則表示神經(jīng)元[x（k，j）]點火而被激活，則輸出配電網(wǎng)的電能質(zhì)量評估等級值。

3 算例驗證及分析

考慮建立在電壓為380V的條件環(huán)境下，評估電能質(zhì)量指標(biāo)等級界限表如表1[7]所示. 將其評估指標(biāo)的等級界限進(jìn)行歸一化處理，如表2所示。

在表2中，在各等級取值范圍內(nèi)由MATLAB均勻產(chǎn)生10個樣本，利用PCNN模型對各等級范圍內(nèi)的樣本進(jìn)行逐一分類，可得到相對應(yīng)的等級。再由表2標(biāo)準(zhǔn)檢驗?zāi)Ｐ偷暮侠硇浴８鶕?jù)某地區(qū)5個觀測點的微電網(wǎng)電能質(zhì)量實測數(shù)據(jù)如表3所示[9]，將其實測數(shù)據(jù)進(jìn)行歸一化如表4所示。

然后將表4數(shù)據(jù)輸入PCNN模型，便可得到基于PCNN模型的的電能質(zhì)量評價結(jié)果。

將基于PCNN法與模糊神經(jīng)網(wǎng)絡(luò)模型評估法[6]相比，其電能質(zhì)量評價結(jié)果如表5所示。

評估結(jié)果基本接近，區(qū)別在于觀測點1，PCNN法比模糊神經(jīng)網(wǎng)絡(luò)法相差一個等級，從實測數(shù)據(jù)來看，觀測點1暫態(tài)壓降相對較為嚴(yán)重，PCNN評估質(zhì)量等級為中等，更為合理。

4 結(jié)語

針對微電網(wǎng)電能質(zhì)量實測數(shù)據(jù)動態(tài)變化大，不確定性強的特點，建立了PCNN模型，通過分析自動波特性的運行機理，將其應(yīng)用于配電網(wǎng)的電能質(zhì)量決策評估研究中，針對PCNN神經(jīng)元模型運行機理采用不同反饋輸入、連接輸入公式和閾值的調(diào)整公式，對配電網(wǎng)電能質(zhì)量進(jìn)行評估取得了滿意的結(jié)果。結(jié)果表明，該方法科學(xué)準(zhǔn)確，能夠完成實時評估，為解決含微電網(wǎng)接入的配電網(wǎng)電能質(zhì)量評估問題提供了一種新方法。

參考文獻(xiàn)：

[1] 呂志盛，閆立偉，羅艾青，等.新能源發(fā)電并網(wǎng)對電網(wǎng)電能質(zhì)量的影響研究[J].華東電力，2012，40（2）：251-256.

[2] 李海英，閔建平.兼顧分布式發(fā)電系統(tǒng)特征的電能質(zhì)量評估[J].電力自動化設(shè)備，2014，34（4）：31-36.

[3] 李正明，張紀(jì)華，陳敏潔.基于層次分析法的企業(yè)有序用電模糊綜合評估[J].電力系統(tǒng)保護(hù)與控制，2013，41（7）：136-141.

[4] XU Wei-xiang，LIU Xun-min.Study on the accuracy of Comprehensive evaluation method based on fuzzy set theory[J].Journal of Systems Engineering and Electronics，2005，16（2）：330-334.

[5] 喬鵬程，吳正國，李輝.基于改進(jìn)雷達(dá)圖法的電能質(zhì)量綜合評估方法[J].電力自動化設(shè)備，2011，31（6）：88-92.

[6] 周林，栗秋華，劉華勇，等.用模糊神經(jīng)網(wǎng)絡(luò)模型評估電能質(zhì)量[J].高電壓技術(shù)，2007，33（9）：66-69.

[7] 劉俊華，羅隆福，張志文，等.一種考慮排序穩(wěn)定分析的電能質(zhì)量綜合評估新方法[J].中國電機工程學(xué)報，2013，33（1）：70-76.

[8] 吳傳來，楊洪耕，周輝.采用 DTOPSIS 法的電能質(zhì)量綜合評估[J].華東電力，2012，40（3）：408-411.

[9] 李正明，施詩，潘天紅，等.基于灰色關(guān)聯(lián)度和理想解法的電能質(zhì)量綜合評估方法[J].電力系統(tǒng)保護(hù)與控制，2014，42（6）：14-19.

[10] 劉穎英， 戴平， 徐永海， 等.電能質(zhì)量綜合評估方法比較[J].電力自動化設(shè)備，2008，28（12）：93-97.

[11] JOHNSON J L， PADGETT M L.PCNN models and applications[J]. IEEE Transactions on Neural Networks ， 1999，10（3）： 480-498.

[12] ECKHORN R， REITBOECK H J， ARNDT M， et al. Feature linking via synchronization among distributed assemblies： simulations of result from cat visual cortex[J]. Neural Computation， 1990，12：293-307.

[13] 楊聰輝，王寶華，付強，等.洪水災(zāi)情評價的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型[J] .災(zāi)害學(xué)，2010，25（3）：12-15.

[14] MA Yi-de， SHI Fei， LI Lian. A new kind of impulse noise filter based on PCNN[C]. 2003 International Conference on Neural Networks and Signal Processing （ICNNSP'03）， vol.1，2003.

[15] 王寶華.洪災(zāi)損失分析及評估模型研究 [D].哈爾濱： 東北農(nóng)業(yè)大學(xué)， 2008.

The Power Quality Evaluation Method of Microgrid Based on PCNN Model

QIN Yong-ming1，LU Zheng1， LIU Jian-jun1， NI Fu-yin2

（1.Changzhou Power Supply Bureau， Changzhou 213001， China；2.School of Electrical and Information Engineering， Jiangsu University of Technology， Changzhou 213001， China ）

Abstract： Aiming at the complicated non-line relationship between power quality evaluation index and grade， a new power quality evaluation method based on pulse coupled neural networks（PCNN） is proposed. According to power quality affecting factors of distribution network incorporating micro-grid， the evaluation index system is built. Then the PCNN is modeled， and its running mechanism is analyzed. The internal action items of PCNN neuron which is produced through modulation role by feedback input and connecting input is set up， the input power quality grade of model is controlled by threshold value， output grade is determined by neuron ignition（activation）. The method of fuzzy artificial neural network and the method of PCNN is applied respectively on power quality evaluation through an example of in-situ data， the results showed that the method of PCNN is more scientific and accurate， and more objective and reasonable. Therefore it is suitable to evaluate power quality of distribution network containing micro grid in real-time， and the new method is put forward to the study of evaluation on power quality.

Key words： microgrid； power quality；power quality evaluation； distribution network；PCNN

責(zé)任編輯 祁秀春