郭寶英，鄭思凡

（1.仰恩大學(xué) 工程技術(shù)學(xué)院，福建 泉州362000；

2.黎明職業(yè)大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，福建 泉州362000）

諧波源的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)與樣本建模

郭寶英1，鄭思凡2

（1.仰恩大學(xué) 工程技術(shù)學(xué)院，福建 泉州362000；

2.黎明職業(yè)大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，福建 泉州362000）

針對(duì)當(dāng)前電網(wǎng)諧波的診斷與分類(lèi)識(shí)別均依賴(lài)于大量的樣本采集作特征提取，采用系統(tǒng)辨識(shí)的方法以三相直流勵(lì)磁同步發(fā)電機(jī)為對(duì)象,以三相直流勵(lì)磁電壓和定子感應(yīng)電動(dòng)勢(shì)為激勵(lì)，對(duì)發(fā)電機(jī)的正常發(fā)電過(guò)程及暫態(tài)震蕩與短路故障進(jìn)行系統(tǒng)辨識(shí)。文中根據(jù)問(wèn)題的實(shí)際情況確定了神經(jīng)網(wǎng)絡(luò)的類(lèi)型結(jié)構(gòu)，訓(xùn)練算法等參數(shù)，并給出了仿真實(shí)現(xiàn)。仿真結(jié)果表明，所訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)具有一定泛化能力并可用于激勵(lì)參數(shù)異常的故障樣本建模。

系統(tǒng)辨識(shí)；levenberg-marquardt；同步勵(lì)磁發(fā)電機(jī)；VC維；BP神經(jīng)網(wǎng)絡(luò)

當(dāng)前隨著IGBT,GTO,大功率場(chǎng)效應(yīng)管等電力電子器件在逆變，變流及開(kāi)關(guān)電源驅(qū)動(dòng)電路中大量推廣應(yīng)用[1]，電網(wǎng)中非線(xiàn)性負(fù)載諸如變頻器、同步勵(lì)磁電機(jī)、電壓適配器，整流器、高頻開(kāi)關(guān)電源等比重越來(lái)越多，基于這些功率器件的開(kāi)關(guān)電源技術(shù)雖然有著節(jié)約能源，提高效率和易于數(shù)字化，智能化的優(yōu)點(diǎn)，但同時(shí),也因?yàn)槠浞蔷€(xiàn)性產(chǎn)生了大量的諧波注入電網(wǎng)中,使用電效率降低，供電質(zhì)量變壞,對(duì)電氣設(shè)備的壽命及故障產(chǎn)生不良影響。另一方面，以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度機(jī)器學(xué)習(xí)算法因?yàn)榫哂心軌蜃詫W(xué)習(xí)出代表信號(hào)特征的卷積核矩陣從而比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)需要人為的去設(shè)計(jì)和選取特征矢量具有更優(yōu)的性能及更少的偶然性而得到重視與發(fā)展，但是將深度機(jī)器學(xué)習(xí)用在諧波源與異常電網(wǎng)波形分類(lèi)識(shí)別目前還處在發(fā)展的初期階段，主要的問(wèn)題在于深度學(xué)習(xí)因?yàn)槠湟崛〉奶卣骶矸e核數(shù)目眾多，隱層層數(shù)大，需要的訓(xùn)練樣本比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)更多，甚至跨越幾個(gè)數(shù)量級(jí)。

正因?yàn)樾枰C波樣本數(shù)量繁多，其幅度與持續(xù)時(shí)間，功率譜分布及RMS等統(tǒng)計(jì)值呈現(xiàn)隨機(jī)狀態(tài)，在實(shí)際研究中不易實(shí)地采集，因此本文從三相直流勵(lì)磁同步發(fā)電機(jī)的暫態(tài)震蕩故障及斷路故障波形為目標(biāo)，采用系統(tǒng)辨識(shí)的方法，利用改進(jìn)的動(dòng)量誤差反傳作為訓(xùn)練學(xué)習(xí)算法，訓(xùn)練出一個(gè)多層BP神經(jīng)網(wǎng)絡(luò)對(duì)三相直流勵(lì)磁同步發(fā)電機(jī)的故障波形進(jìn)行擬合，并作為諧波源參與后續(xù)的數(shù)據(jù)處理分析，實(shí)驗(yàn)數(shù)據(jù)表明，該模型能夠很好擬合以電路模型仿真的故障波形，在三相電壓幅值改變情況下具有很好跟蹤新的故障波形的能力，從而驗(yàn)證了模型驗(yàn)證模型對(duì)新故障樣本的泛化能力。

1 諧波源系統(tǒng)辨識(shí)整體思路及架構(gòu)

系統(tǒng)辨識(shí)可以具體定義為給定一個(gè)模型類(lèi)[5]μ={M}（在本文中M為帶權(quán)值矩陣參數(shù)的BP神經(jīng)網(wǎng)絡(luò)），一類(lèi)輸入信號(hào)u和等價(jià)準(zhǔn)則J=L(y，yM)(其中J為誤差函數(shù)，是過(guò)程輸出y和模型輸出yM的相減的泛函)；然后選擇使誤差函數(shù)J達(dá)到最小的模型來(lái)作為辨識(shí)所要求的結(jié)果。傳統(tǒng)的辨識(shí)方法為根據(jù)系統(tǒng)滿(mǎn)足的數(shù)學(xué)關(guān)系式將此泛函具體化為依賴(lài)于參數(shù)θ的方程組模型，而后對(duì)θ進(jìn)行參數(shù)估計(jì)，這類(lèi)算法一般應(yīng)用于線(xiàn)性系統(tǒng)或經(jīng)過(guò)局部微分近似處理后的可線(xiàn)性化的系統(tǒng)辨識(shí)，因?yàn)榉蔷€(xiàn)性的系統(tǒng)不能轉(zhuǎn)換為參數(shù)空間矩陣自身與其轉(zhuǎn)置的這種最小二乘格式，因而此類(lèi)算法并不適用非線(xiàn)性系統(tǒng)，另一方面，神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)的辨識(shí)則是通過(guò)系統(tǒng)的輸入/輸出數(shù)據(jù)對(duì)自身的權(quán)值矩陣元素進(jìn)行調(diào)整學(xué)習(xí)，使得每對(duì)的輸入數(shù)據(jù)與給定的輸出誤差函數(shù)達(dá)到最小，因而不依賴(lài)?yán)硐氲木€(xiàn)性化的動(dòng)力學(xué)等物理模型，所以對(duì)于非線(xiàn)性的系統(tǒng)的辨識(shí)具有更好的適應(yīng)性。

圖1給出了基于輸出誤差的神經(jīng)網(wǎng)絡(luò)辨識(shí)原理圖。圖中TDL(Tapped Delay Line)為多分頭時(shí)延系統(tǒng)，其輸出矢量由輸入信號(hào)的延時(shí)構(gòu)成。本文就以神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的選擇、神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣的訓(xùn)練和網(wǎng)絡(luò)泛化能力的檢驗(yàn)這3個(gè)環(huán)節(jié)介紹同步勵(lì)磁發(fā)電機(jī)兩個(gè)故障諧波源的辨識(shí)過(guò)程。

圖1 神經(jīng)網(wǎng)絡(luò)辨識(shí)原理圖

2 系統(tǒng)模型結(jié)構(gòu)與描述方法的確定

本文考慮的多相直流勵(lì)磁發(fā)電機(jī)構(gòu)造如圖2，圖中，轉(zhuǎn)子由直流電源F提供勵(lì)磁，定子的交流感應(yīng)電動(dòng)勢(shì)A，B，C經(jīng)過(guò)6個(gè)硅二極管全橋整流給負(fù)載供電，考慮到故障勵(lì)磁發(fā)電的系統(tǒng)狀態(tài)無(wú)法獲得，及狀態(tài)不都可測(cè)，本文將直流勵(lì)磁電壓u（k）、三相定子感應(yīng)電動(dòng)勢(shì)作為系統(tǒng)辨識(shí)輸入，輸出為整流負(fù)載電壓y（k），則當(dāng)將此發(fā)電機(jī)及故障模型視為非線(xiàn)性動(dòng)態(tài)系統(tǒng)時(shí)，其輸入輸出關(guān)系可采用非線(xiàn)性自回歸滑動(dòng)平均(NARMA)模型圖3來(lái)描述[2-4]，在不考慮干擾及系統(tǒng)誤差情況下系統(tǒng)可表示為：

其中[u（k），yp（k）]為 SISO（m≤n）系統(tǒng)在 k時(shí)刻的輸入輸出對(duì)，g為非線(xiàn)性函數(shù)，這樣時(shí)刻 k+1上系統(tǒng)的輸出由過(guò)去的n個(gè)輸出值，m個(gè)輸入值決定。因此g可用多層前饋神經(jīng)網(wǎng)絡(luò)建模。yp（k)作目標(biāo)輸出，整個(gè)模型關(guān)系式可用BP算法進(jìn)行訓(xùn)練，確定g的權(quán)值元素。

圖2 多相同步勵(lì)磁交流發(fā)電機(jī)

圖3 NARMA模型

本文要辨識(shí)的故障諧波源和正常發(fā)電過(guò)程是在負(fù)載上采樣輸出電壓，系統(tǒng)的輸入為勵(lì)磁直流電壓及定子感應(yīng)電勢(shì)，系統(tǒng)本身因?yàn)榫哂须娙菖c電感等延遲元器件，所以一并考慮系統(tǒng)的歷史輸出。對(duì)于直流無(wú)刷勵(lì)磁發(fā)電機(jī)來(lái)說(shuō),勵(lì)磁繞組存在自感,轉(zhuǎn)子繞組有三相,各有自感和互感,負(fù)載有一自感,故系統(tǒng)的階次n取5,m取0。

3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的確定

3.1 網(wǎng)絡(luò)VC維度及層數(shù)與各層節(jié)點(diǎn)數(shù)的設(shè)定

根據(jù)式(1)選擇的NARMA模型，系統(tǒng)的階次n取5，加上勵(lì)磁輸入與電樞電動(dòng)勢(shì)輸入，故在此確定輸入神經(jīng)元個(gè)數(shù)為9，輸出的目標(biāo)樣本是負(fù)載電壓，故輸出層取一個(gè)神經(jīng)元，由映射存在定理[5]可知:“給定任一連續(xù)函數(shù) f∶un→rm，f（x）=y。 這里 u 是閉單位區(qū)間[0，1]。 則 f總可以精確地用一個(gè)三層感知器網(wǎng)絡(luò)實(shí)現(xiàn)”。因此本文在此取1層隱層。對(duì)于隱層節(jié)點(diǎn)數(shù)，本文參考BP神經(jīng)網(wǎng)絡(luò)的VC維度，保證樣本數(shù)量足夠情況下最優(yōu)目標(biāo)函數(shù)有解，具體公式如式（2）[9]：

其中m、n分別為輸入結(jié)點(diǎn)數(shù)目與輸出結(jié)點(diǎn)數(shù)目，將m、n值代入，可得本方案隱層取11個(gè)節(jié)點(diǎn)。

3.2 傳輸函數(shù)的選擇

雖然BP網(wǎng)絡(luò)剛開(kāi)始時(shí)可以用于二值化的邏輯回歸，但在處理模擬數(shù)據(jù)擬合和回歸時(shí)為了方便計(jì)算誤差的梯度，要求輸出神經(jīng)元的激活函數(shù)以及隱層神經(jīng)元傳輸函數(shù)必須是連續(xù)可微的，通常選擇S形函數(shù)，因采用logsig（x）函數(shù)，可能使網(wǎng)絡(luò)陷入一個(gè)較大的平坦區(qū)導(dǎo)致收斂變慢。故在此選擇tansig（x）函數(shù)為神經(jīng)元的作用函數(shù)。

3.3 機(jī)器學(xué)習(xí)算法的選擇及實(shí)現(xiàn)

鑒于傳統(tǒng)的BP算法具有局部收斂的局限性，一旦梯度過(guò)小，程序?qū)⑻崆巴顺?，為此我們考慮包含取函數(shù)二階赫森矩陣的牛頓法的改進(jìn)方案。即若將目標(biāo)函數(shù)F（x）在等0處一階泰勒展開(kāi)并令其導(dǎo)數(shù)為零[7]，可得：

假設(shè)F（x）是平方函數(shù)之和，即

那么第j個(gè)梯度分量為：

因此梯度可以寫(xiě)成矩陣形式：

赫森矩陣可以表示為：

將(10)式和(7)式代入(3)式，可以得到高斯-牛頓方法：

此算法的優(yōu)點(diǎn)是不需計(jì)算二階導(dǎo)數(shù)。由于矩陣H=JTJ可能不可逆，故用下述近似赫森矩陣代替:

由此可導(dǎo)出L-M算法：

對(duì)應(yīng)地，在Matlab構(gòu)造網(wǎng)絡(luò)時(shí)只要傳遞“trainlm”參數(shù)即可。

3.4 數(shù)據(jù)歸一化及采樣間隔

因?yàn)殡[層激活函數(shù)在 [0,1]之外函數(shù)趨于飽和，導(dǎo)致梯度變小，收斂速度慢，故必須對(duì)輸入變量進(jìn)行歸一化。保證位于[0,1]之內(nèi)，為簡(jiǎn)單起見(jiàn)，本文采用公式 :

來(lái)歸一化，網(wǎng)絡(luò)仿真結(jié)束之后，需要通過(guò)反歸一化將仿真結(jié)果轉(zhuǎn)換成原始數(shù)據(jù)尺度，也就是將仿真后的結(jié)果代入xl，得出sl，考慮到諧波分析的最高階數(shù)25次，即1.25 K，采樣間隔取0.00002 s，是最高分析頻率的40倍，已滿(mǎn)足奈奎斯特定理要求。

4 系統(tǒng)辨識(shí)激勵(lì)設(shè)計(jì)及matlab實(shí)現(xiàn)

綜上所述，本文對(duì)5階NARMA辨識(shí)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)的輸入為發(fā)電機(jī)負(fù)載電阻電壓的前5個(gè)采樣值以及當(dāng)前3個(gè)轉(zhuǎn)子正弦交流激勵(lì)電壓瞬時(shí)值以及勵(lì)磁電壓值。此9個(gè)元素組成輸入層各神經(jīng)元的輸入向量，具體為：[y（k-1），y（k-2），y（k-3），y（k-4），y（k-5），u（k），ε1（k），ε2（k），ε3（k）],其中y（k-1）由 y（k）右移形成,同理推廣至 y（k-5）,為考慮神經(jīng)網(wǎng)絡(luò)本身的延遲效應(yīng),對(duì) u（k）亦進(jìn)行右移一單位,這樣右移后,將靠前的數(shù)移至后面以決定后面的值,符合因果系統(tǒng)的要求。

根據(jù)參考文獻(xiàn)[6]提供的仿真模型，在直流勵(lì)磁電壓不變情況下，對(duì)定子電動(dòng)勢(shì)以步長(zhǎng)20取0～600 V的30組樣本進(jìn)行訓(xùn)練，另外令圖2中節(jié)點(diǎn)X,節(jié)點(diǎn)Y電壓為0，經(jīng)過(guò)模型磁鏈回路方程及元器件U-I方程聯(lián)立計(jì)算，可以得到斷路故障負(fù)載波形數(shù)據(jù)作為辨識(shí)數(shù)據(jù)源樣本，最后在電樞電壓疊加因機(jī)械沖擊或碰撞等的波形來(lái)得到暫態(tài)震蕩故障波形樣本。

綜合上述,在matlab可用如下代碼完成神經(jīng)網(wǎng)絡(luò)的初始化[8]:

net=newff([0 600;0 600;0 600;0 600;0 600;0 50;0 400;

0 400;0 400],[9,11,1],{'tansig','tansig','purelin'},'trainlm');

其中輸入矩陣前五行為負(fù)載輸出的過(guò)去歷史輸出形成的自遞歸矢量即 ,第六行為當(dāng)前直流勵(lì)磁輸入。輸出是一個(gè)神經(jīng)元,為下一時(shí)刻的負(fù)載輸出電壓YT。

net=init(net);%以matlab默認(rèn)的方式初始化

………….

YT=sordata';其中sordata為上述各需要辨識(shí)波形的數(shù)據(jù)源；

YT1=(circshift(sordata,1))';circshift為循環(huán)右移函數(shù),YT1,YT2前被移元素必須補(bǔ)零;

YT2=(circshift(sordata,2))';

…………….

另外因?yàn)橛?xùn)練樣本是取不同激勵(lì)電壓構(gòu)成,故每次的輸出矢量必須連接,這可以用cat函數(shù)完成

ZYT1=cat(2,ZYT1,YT1);ZYT2=cat(2,ZYT2,YT2);其中ZYT是累積連接的矢量樣本。這樣就把各種電壓幅值參數(shù)的樣本組合為較大的列向量，一次參與訓(xùn)練學(xué)習(xí)，最終的組合的輸入矢量如下：Z=[ZYT1,ZYT2,ZYT3,ZYT4,ZYT5,E1,E2,E3,ZINPU];其中ZINPU為u（k）右移一位補(bǔ)零得到。

net.trainParam.show=10;%確定顯示步數(shù)間隔

net.trainParam.epochs=400;%確定總訓(xùn)練步數(shù)

net.trainParam.goal=0.005;%目標(biāo)性能誤差

net.trainParam.lr=0.01;%學(xué)習(xí)率

net.trainParam.min_grad=14;%最小梯度值,小于此梯度退出。

[pn,meanp,stdp,tn,meant,stdt]=prestd(Z,ZYT);

其中 meanp,stdp,meant,stdt分別為輸入和目標(biāo)數(shù)據(jù)規(guī)范化后的均值和標(biāo)準(zhǔn)差,pn,tn分別為規(guī)范化后結(jié)果,他們才參與訓(xùn)練和模型驗(yàn)證即

[net,tr]=train(net,pn,tn);antemp=sim(net,pn);

驗(yàn)證結(jié)果antemp必須進(jìn)行反歸一化才可以與原信號(hào)相比較。即

yafter=poststd(antemp,meant,stdt);

5 訓(xùn)練仿真結(jié)果總結(jié)

對(duì)于正常勵(lì)磁發(fā)電機(jī)電樞幅值從0～420 V的0.1 s發(fā)電過(guò)程辨識(shí)在訓(xùn)練過(guò)程中目標(biāo)性能誤差的下降情況如圖4。

由圖可見(jiàn)，30組樣本經(jīng)過(guò)50(圖4步數(shù)間隔為10)輪迭代便達(dá)到誤差目標(biāo)0.005.收斂速度比較理想，各樣本理想電路模型輸出與辨識(shí)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果比對(duì)如圖5。

圖中虛線(xiàn)為訓(xùn)練前神經(jīng)網(wǎng)絡(luò)的輸出，默認(rèn)為零，訓(xùn)練后，則很好地?cái)M合了各組發(fā)電過(guò)程中的全波整流后的周期起伏波形。將辨識(shí)輸出與樣本輸出相減取絕對(duì)值可得辨識(shí)輸出與系統(tǒng)輸出的擬合誤差如圖6。

可以發(fā)現(xiàn)，辨識(shí)的輸出與樣本輸出的誤差在0.06%以下。 神經(jīng)網(wǎng)絡(luò)樣本的輸出與期望輸出的均方差為err=0.0229,在Matlab命令窗口里可方便得到訓(xùn)練好的網(wǎng)絡(luò)權(quán)值與偏置,其中隱含層的權(quán)w1和閾值b1為:net.IW{1,1}=

同理訪(fǎng)問(wèn)元胞數(shù)組net.LW{2,1},net.LW{2,3},net.b{2,1},net.b{3,1}可以得到隱層,輸出層的權(quán)w2和閾值b2。

圖4 0.1s發(fā)電過(guò)程辨識(shí)在訓(xùn)練過(guò)程

圖5 系統(tǒng)輸出與辨識(shí)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果比對(duì)

圖6 辨識(shí)輸出與系統(tǒng)輸出的擬和誤差

圖7 暫態(tài)震蕩故障辨識(shí)訓(xùn)練過(guò)程

同樣可以得到暫態(tài)震蕩故障的訓(xùn)練結(jié)果如圖7。

從圖可以看出，因暫態(tài)震蕩在每個(gè)交變周期存在隨機(jī)幅度與頻率變化，波形突變較多，平滑度下降，網(wǎng)絡(luò)需經(jīng)過(guò)接近400次同組樣本迭代才收斂，收斂速度比正常發(fā)電過(guò)程的擬合慢。暫態(tài)震蕩的系統(tǒng)辨識(shí)擬合結(jié)果如圖8。

圖中可看出，擬合誤差主要集中在波形尖峰突變點(diǎn)處，總體上數(shù)據(jù)MSE誤差仍然可以達(dá)到要求。最后，關(guān)于斷路故障的仿真與辨識(shí)訓(xùn)練過(guò)程及仿真結(jié)果對(duì)比如圖9～10。

圖8 暫態(tài)辨識(shí)輸出與系統(tǒng)輸出的比對(duì)

圖9 斷路故障的辨識(shí)訓(xùn)練過(guò)程

由圖10斷路故障的波形可以看出，斷路故障含有較多的高次諧波分量，突變點(diǎn)較多，曲線(xiàn)平滑度嚴(yán)重下降致使訓(xùn)練過(guò)程在迭代350次后，誤差梯度即趨于飽和，最終誤差在0.05左右，從最終擬合的結(jié)果圖（5～7）可以看出，誤差集中在具有高次諧波的突變點(diǎn)處，理論上雖然可以通過(guò)增加隱層結(jié)點(diǎn)數(shù)來(lái)逼近更多的峰值點(diǎn)，但也會(huì)造成過(guò)擬合而降低泛化能力，因此只能在不影響實(shí)際應(yīng)用的情況下降低誤差要求。

圖10 斷路故障的系統(tǒng)辨識(shí)和系統(tǒng)仿真比對(duì)結(jié)果

6 泛化能力驗(yàn)證

現(xiàn)給系統(tǒng)輸入50 V的交流定子激勵(lì)以與樣本20 V倍數(shù)幅值分開(kāi),時(shí)間0.1 s,采樣間隔擴(kuò)大為0.005來(lái)進(jìn)行泛化能力檢查，同樣在函數(shù)調(diào)用前對(duì)輸入數(shù)據(jù)歸一化,仿真結(jié)束之后，需要反歸一化將結(jié)果轉(zhuǎn)換成原始數(shù)據(jù)尺度，實(shí)現(xiàn)代碼如下:[pn,meanp,stdp,tn,meant,stdt]=prestd(Z,ZYT);meanp,stdp,meant,stdt分別為輸入和目標(biāo)數(shù)據(jù)規(guī)范化后的均值和標(biāo)準(zhǔn)差,pn,tn分別為規(guī)范化后結(jié)果,他們才參與訓(xùn)練和模型驗(yàn)證即[net,tr]=train(net,pn,tn);antemp=sim(net,pn);驗(yàn)證結(jié)果 antemp必須進(jìn)行反歸一化才可以與原信號(hào)相比較。即yafter=poststd(antemp,meant,stdt);得到的神經(jīng)網(wǎng)絡(luò)辨識(shí)模型的輸出與系統(tǒng)的電路仿真輸出比較結(jié)果如圖11。

圖11 三相直流勵(lì)磁發(fā)電機(jī)的神經(jīng)網(wǎng)絡(luò)模型輸出與系統(tǒng)的電路仿真輸出

由此可見(jiàn)，系統(tǒng)在幅值與采樣頻率不同的條件下，BP神經(jīng)網(wǎng)絡(luò)辨識(shí)輸出還是很好與電路模型仿真輸出一致。

7 結(jié)論及展望

以常見(jiàn)的三相同步勵(lì)磁發(fā)電機(jī)的正常發(fā)電與暫態(tài)震蕩故障與斷路故障為系統(tǒng)辨識(shí)目標(biāo)，利用非線(xiàn)性NMARMA的前向遞歸模型作為反饋調(diào)整環(huán)節(jié)的辨識(shí)方法，對(duì)三種波形以不同的激勵(lì)電壓幅度為樣本進(jìn)行學(xué)習(xí)訓(xùn)練，實(shí)驗(yàn)仿真結(jié)果表明，本文的系統(tǒng)辨識(shí)方法能夠很好地與參考文獻(xiàn)6中依據(jù)發(fā)電機(jī)磁鏈等微分方程等數(shù)學(xué)模型以及利用Matlab內(nèi)建的sim Power System模塊庫(kù)建立的發(fā)電機(jī)輸出保持很高的一致性，誤差在10-2數(shù)量級(jí)左右。同時(shí)修改轉(zhuǎn)子輸出交流電壓幅度完成訓(xùn)練后，可以看到本系統(tǒng)也能很好的跟蹤擬合訓(xùn)練之外的電壓幅度，從而證明神經(jīng)網(wǎng)絡(luò)采用系統(tǒng)辨識(shí)的方法可以很好的泛化能力。

考慮到不管是Matlab的模塊，還是利用磁鏈的微分方程建立的發(fā)電機(jī)模型都是在一些元器件理想化的模型進(jìn)行抽象，使得模型存在系統(tǒng)誤差，本文提出的利用神經(jīng)網(wǎng)絡(luò)則在非線(xiàn)性映射能力方面則更具有能夠擬合實(shí)際場(chǎng)景中故障的波形的潛力，從而使得采用系統(tǒng)辨識(shí)構(gòu)建諧波源樣本對(duì)于進(jìn)一步的深度學(xué)習(xí)與模式識(shí)別方面的研究方面具有廣闊的前景。

［1］ 路德亮．簡(jiǎn)述電力諧波的產(chǎn)生、危害及治理方案［J］．中國(guó)科技博覽，2012（18）：64．

［2］ 許慧雅，王華東．發(fā)電機(jī)勵(lì)磁系統(tǒng)參數(shù)辨識(shí)的仿真研究［J］．計(jì)算機(jī)仿真，2013，30（6）；129－132.

［3］羅玉春．發(fā)電機(jī)勵(lì)磁系統(tǒng)參數(shù)辨識(shí)研究［D］．南京：南京理工大學(xué)，2008.

［4］ 羅國(guó)云，嚴(yán)東超，祝雪平．基于 MATLAB 的同步發(fā)電機(jī)勵(lì)磁系統(tǒng)仿真［J］．電氣傳動(dòng)，2003（5）；62－64.

［5］陸桂琴．基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性動(dòng)態(tài)系統(tǒng)辨識(shí)［D］．銀川：寧夏大學(xué)，2015．

［6］ 鄭思凡，楊冠魯．換相重疊角的計(jì)算機(jī)仿真及辨識(shí)［J］．華僑大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，30（3）：272－276.

［7］李捷．基于神經(jīng)網(wǎng)絡(luò)的軸承故障診斷技術(shù)研究［D］．成都：電子科技大學(xué)，2015．

［8］ 岑紅蕾，魯敏 基于 BP 神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性函數(shù)逼近仿真研究［J］．農(nóng)業(yè)網(wǎng)絡(luò)信息，2015（1）：52－55．

［9］李新龍．基于人工神經(jīng)元網(wǎng)絡(luò)的系統(tǒng)辨識(shí)及其在匯率預(yù)測(cè)中的應(yīng)用［D］．西安：西安交通大學(xué)，2003．

（責(zé)任編輯：朱聯(lián)九）

Neural Network System Identification and Sample Modeling of Harmonic Sources

GUO Bao-ying1，ZHENG Si-fan2
(1.College of Engineering,Yang-En University,Quanzhou 362000,China;2.College of Mechanical and Electrical Engineering,Liming Vocational University,Quanzhou 362000,China)

Considering that the current power quality diagnosis and classification are dependent on a large number of sample acquisition for feature extraction,the normal generation process,transient concussion and short-circuit fault are made system identification by adopting system identification and taking three-phase direct current excitation generator system as research object.Then the type structure and training algorithm etc of the neural network are determined according to the actual situation of the problem and the simulation implementation is given.The simulation results show that the trained BP neural network has some generalization ability and can be used to model the fault samples with abnormal input parameters.

system identification；levenberg-marquardt；synchronous excitation generator；VC dimension；BP neural network

TM711

A

1673-4343（2017）04-0061-08

10．14098 ／j．cn35－1288 ／z．2017．04．011

2017-05-21

福建省中青年教師教育科研項(xiàng)目（JAT160588）；泉州市科技局項(xiàng)目（2014Z138）

郭寶英，女，福建泉州人，講師。主要研究方向：電氣控制。