馬立新，　張海兵，　項　慶，　周　磊

(上海理工大學 光電信息與計算機工程學院，上?！?00093)

?

一種基于Elman回歸神經網絡檢測諧波方法*

馬立新，張海兵，項慶，周磊

(上海理工大學 光電信息與計算機工程學院，上海200093)

摘要：提出了基于Elman回歸神經網絡提取檢測諧波電流的方案。通過MATLAB/Simulink仿真試驗結果，驗證了算法的可行性。該算法不僅能夠滿足檢測諧波實時性的要求，同時在檢測諧波的精度上有較大提高。

關鍵詞：檢測諧波； Elman回歸神經網絡； MATLAB/Simulink

0引言

隨著電力電子器件在工業(yè)控制中的大量應用，諧波電流與無功功率對電能質量的污染問題也日益嚴重。傳統的LC濾波器通過濾除特定次諧波的方法已經不能滿足現代工業(yè)對電能質量的苛刻要求，有源電力濾波器(Active Power Filter, APF)是一種能夠動態(tài)消除諧波并且可以補償無功的電力電子設備，其應用從根本上解決了電力系統中動態(tài)濾波和無功補償的問題[1]。與無源濾波器相比，APF具有高度可控性和快速響應性，不僅有實現同時對諧波與無功功率進行補償的功能，并且不會與電網發(fā)生諧振，沒有過載現象等優(yōu)點，是目前最為理想的濾波設備[2]。

目前實際中使用的APF中檢測諧波的方法，都是基于傳統的ip-iq瞬時無功理論的諧波電流檢測方法。然而，該算法在設計中使用到低通濾波器，由低通濾波器的傳遞函數可知，系統只有經過采集一定數量的點后才能進行濾波計算，因此，基于瞬時無功理論檢測諧波電流的方法設計上就存在一定的誤差[3]。基于此，尋找到更優(yōu)的檢測諧波電流的方法開始愈發(fā)得到相關研究人員的關注。人工神經網絡的發(fā)展給諧波檢測提供了新的途徑，常見的是應用BP神經網絡，通過將神經網絡理論與自適應噪聲對消技術相結合的方法來濾除諧波[4]。本文是在此基礎上提出了一種基于Elman回歸神經網絡和鎖相環(huán)(Phase Locked Loop， PLL)相結合的方法來濾除諧波電流分量，并利用MATLAB/Simulink搭建仿真模型，通過驗證試驗說明該算法的可行性，仿真試驗結果也進一步表明了該算法與傳統的無功理論檢測諧波電流的方法相比較，前者濾波檢測精度高、實時性強。

1APF工作原理

圖1為APF的拓撲結構圖。由于主電路中通過并聯大電容來穩(wěn)定直流側電壓，所以稱之為并聯型有源濾波器。當電網接入非線性負載工作時，通過電流傳感器檢測出補償對象負載電流iL中的諧波電流iLh，利用指令電流運算電路將其反極性后即作為指令電流信號iC*。根據指令電流信號iC*，補償電流發(fā)生電路產生實際的補償電流信號iC，即與負載側的諧波電流分量iLh大小相等、方向相反。由于兩者相互抵消，所以補償后的電源電流iS中只含有基波電流。其中補償電流發(fā)生電路是由電流跟蹤控制電路、驅動電路以及主電路三個部分共同組成的。

圖1　并聯型APF的拓撲結構圖

2諧波檢測思想

在電網正常工作時，電網電流應該為標準的50Hz正弦基波。其表達式如式(1)所示。

i(t)=Imsin(100πt+θ)

(1)

式中：Im——基波的幅值；

θ——初相角。

由式(1)可知，當確定了基波電流的幅值和初相角后，基波電流就可以確定了[5]。圖2為Elman神經網絡檢測諧波原理圖。當接有非線性負載時，采樣三相電網電流ia(t)、ib(t)、ic(t)，通過PLL對其進行鎖相，即可得到幅值為1、初相角與電網電流一致的單位正弦電流ifa1(t)、ifb1(t)、ifc1(t)；再利用Elman神經網絡計算得到三相基波電流幅值Ifa、Ifb、Ifc。將單位正弦電流與其相對應的基波電流幅值相乘即可得到三相基波電流ifa(t)、ifb(t)、ifc(t)，再以電網電流減去基波電流，即得到需要濾除的諧波電流iLha(t)、iLhb(t)、iLhc(t)[6]。

圖2　Elman神經網絡檢測諧波原理圖

以A相為例，基波電流ifa(t)的算式為

ifa(t)=ifa1(t)×Ifa

(2)

則有，諧波電流iLha(t)的算式為

iLha(t)=iLa(t)-ifa(t)

(3)

3Elman神經網絡構造

本文敘述的濾波方法，是一種反饋型神經網絡來計算得到基波幅值，總共有3層網絡結構[7]。圖3所示為Elman回歸神經網絡幅值檢測結構圖。第1層為輸入層，依次輸入6項采樣值，包括畸變的三相電網電流ia(t)、ib(t)、ic(t)，以及同一周期內的電流采樣最大值Iam(t)、Ibm(t)、Icm(t)。第2層為隱含層，由于Elman神經網絡隱含層運用神經元個數越多，相對的精度也會提高，但網絡的復雜程度也會成倍的增加，神經網絡的訓練時間也就更長[8]，因此結合實際情況本文所用的網絡中隱含層包含30個神經元。第3層為輸出層，即為工頻基波電流的幅值Iaf1(t)、Ibf1(t)、Icf1(t)。

圖3　Elman回歸神經網絡幅值檢測結構圖

神經網絡的隱含層傳遞函數選擇tansig函數(雙曲正切函數)：

f1=2/(1+e-2s)-1

(4)

輸出層傳遞函數選擇purelin函數(線性函數)：

f2=s

(5)

分別得到隱含層輸出：

X1(i)= [b1(i)+∑6α=1w1i(α)X0(α)+

(6)

網絡輸出：

(7)

將三相電網電流當前值，以及前一個周期內的三相電流最大值作為該神經網絡的輸入樣本值，訓練函數采用學習率可變的動量BP算法來進行網絡的離線訓練。文獻[9]中給出BP神經網絡與鎖相環(huán)相結合的方法來檢測諧波電流。本文通過將采樣值分別輸入到兩個訓練網絡中，通過訓練仿真比較得出仿真結果，進一步說明本文敘述的算法的優(yōu)越性。

4Simulink系統仿真與結果分析

根據以上分析，利用MATLAB/Simulink軟件進行仿真。

仿真系統的基本參數為： 系統電網電壓U=220V，整流橋選用觸發(fā)角為0°的二極管整流電路，負載側參數為R=100Ω，L=2mH，C=100μF。設置仿真時間為0.15s，在系統運行之前首先要通過三相負載電流以及電流峰值訓練得到Elman神經網絡模塊。

由于三相電網的對稱性，仿真結果以A相電流波形來說明。參考文獻[9]中提出的基于BP神經網絡濾波方法我們得到： 其中圖4(a)是濾波前A相電網電流諧波頻譜圖，不妨取仿真的第一個周期時間段；圖4(b)是濾波后A相電網電流諧波頻譜圖，并取以0.1s開始的下一個周期。可得知系統在0.04s處并入電網開始工作，比較兩者可以很清楚地看到該方法的濾波效果較為明顯，諧波濾除后總諧波失真率(Total Harmonic Distortion, THD)為4.37%，但是仍然可以看到濾波后的電流波形有不規(guī)則曲線。

圖4　濾波前后A相電網電流諧波頻譜圖

圖5是在其他條件都相同的情況下，基于Elman神經網絡結合鎖相環(huán)濾波后的A相電網電流諧波頻譜圖。同樣我們取0.1s時刻后的一個周期，從系統仿真結果中可以看出，當系統運行至0.05s時，補償后的A相電網電流開始趨于穩(wěn)定[10]。相對于BP神經網絡，Elman神經網絡補償電流可以實時跟蹤諧波電流，補償后的THD為2.76%，濾波效果更加明顯。

圖5　基于Elman神經網絡濾波后諧波頻譜圖

5結語

本文提出了基于Elman反饋型神經網絡和鎖相環(huán)相結合來提取諧波電流的方法。在離線訓練神經網絡的條件下，通過與BP前向型神經網絡訓練相比較，容易看出Elman神經網絡的目標輸出更加容易計算得出，網絡訓練收斂速度更快。

對APF整個系統搭建MATLAB/Simulink仿真模型，仿真結果說明該控制策略能夠較好地實現諧波提取，滿足諧波監(jiān)測的實時性和準確性的要求。

【參 考 文 獻】

[1]崔景秀,孫志宏.基于用戶側諧波和無功補償的諧波檢測法研究[J].江西電力，2008，32(3)： 1-4.

[2]李圣清，彭玉樓，周有慶.一種改進型自適應諧波電流檢測方法的研究[J].高電壓技術，2002，28(12)： 3-4.

[3]徐洋.電網諧波抑制技術及提高電能質量的方法研究[J].電源技術應用,2013(1)： 35-36.

[4]都洪基,蘇煒宏,鄧烽.一種基于神經網絡的諧波電流抑制方法[J].南京理工大學學報,2003，27(1)： 28-32.

[5]周波.一種無鎖相環(huán)的單相電路諧波和無功電流檢測方法[J].四川電力技術,2009,32(3)： 41-43,60.

[6]楊杰,賴聲禮,李心廣,等.三相電壓不對稱時諧波與基波有功、無功電流的精確檢測方法研究[J].繼電器,2003,31(4)： 6-9.

[7]PECHARANIN N, MITSUI H, SONE M. Harmonic detection by using neural network[J]. Proceedings of IEEE International Conference, 1995,27(2)： 923-926.

[8]邸斌,簡優(yōu)宗.負載電流檢測型有源濾波器新的控制策略[J].電機與控制學報，2013，17(9)： 99-104.

[9]馬立新,肖川,林家雋,等.神經網絡與鎖相環(huán)相結合的諧波檢測方法[J].電力系統及其自動化學報,2011,23(3)： 24-29.

[10]馮亞瓊,王昕,周荔丹,等.神經網絡自適應PI控制器在有源濾波器中的應用[J].電力系統保護與控制,2011,39(16)： 74-79.

A Harmonic Detection Method Based on Elman Neural Network*

MALixin,ZHANGHaibing,XIANGQing,ZHOULei

(College of Optical-Electrical and Computer Engineering, University of Shanghai for Science &Technology, Shanghai 200093, China)

Abstract：The scheme to extract the harmonic current based on Elman recurrent neural network was presents, illustrating the feasibility of the algorithm through the MATLAB/Simulink simulation experiments.The algorithm can not only meet the requirements of real-time of harmonic detection， but also has great improvement in the accuracy of the harmonic detection.

Key words：harmonic detection; elman recurrent neural network; MATLAB/Simulink

收稿日期：2015-08-17

中圖分類號：TM 306

文獻標志碼：B

文章編號：1673-6540(2016)04- 0086- 04

作者簡介：馬立新(1960—)，男，博士，教授，研究方向為電力系統穩(wěn)定性與優(yōu)化運行、電力電子與電力傳動、電氣系統故障診斷與模式識別。

*基金項目：上海市張江國家自主創(chuàng)新重點項目(201310-PI-B2-008)；滬江基金(C14002)