基于三角函数神经网络的电流谐波分析方法技术

本发明专利技术涉及一种基于三角函数神经网络的电流谐波分析方法，针对电动汽车充电对电力系统产生的谐波，实现对电动汽车充电电流的谐波分析。将电动汽车充电电流转化为用权重表示的三角函数，构造三角函数神经网络，通过三角函数神经网络的前向递推，获取含各谐波分量的输出电流；将输出电流与输入电流比较，两者差值采用负梯度下降法通过三角函数神经网络的反向迭代，求取三角函数神经网络的最优权重，从而获得电动汽车充电电流谐波参数的精确估计。该方法具有更快的收敛特性和更好的噪声耐受力。

Current harmonic analysis method based on trigonometric function neural network

The invention relates to a current harmonic analysis method based on trigonometric function neural network, aiming at the harmonic generated by electric vehicle charging to electric power system, realizing the harmonic analysis of electric vehicle charging current. The charging current of electric vehicle is transformed into a trigonometric function expressed by weight, and a trigonometric function neural network is constructed. The output current containing various harmonic components is obtained by forward recursion of the trigonometric function neural network. The inverse iteration is used to obtain the optimal weight of the trigonometric function neural network so as to obtain the accurate estimation of the harmonic parameters of the electric vehicle charging current. This method has faster convergence and better noise tolerance.

【技术实现步骤摘要】
基于三角函数神经网络的电流谐波分析方法
本专利技术涉及一种电力检测技术，特别涉及一种基于三角函数神经网络的电流谐波分析方法。
技术介绍
传统的充电器有低阶、低功率因数、不可控充电状态的高输入电流谐波的缺点，对电池电流的控制是有限的。而且，低频率和低功率因数的高输入电流谐波不符合IEC1000-3-2或IEEE519谐波标准，不可控充电状态将缩短电池寿命。为了减轻谐波污染，对谐波成分进行准确监测和分析是首要的，并将补偿技术应用于校正波形，或终止电力传输。因此，为了加强谐波监测，对谐波参数例如大小和相位的估计尤其是重要的。发展至今，电力系统谐波测量领域取得了长足进展，其中最常用的估计谐波分量的方法是基于快速傅里叶变换(FFT)，但由于尖桩栅栏现象和频谱泄漏，FFT在充电汽车充电电流谐波分析的实际应用中有一定的局限性，通常会导致谐波电流幅值、相位、频率等的估计误差。人工神经网络(ANN)在过去二十年里吸引了广泛的关注，将ANN与谐波有机结合从而实现对谐波的准确估计成为人们关注的焦点，由于它的计算速度和鲁棒性，能够快速准确地跟踪到电流谐波的各个分量。但是如何将电动汽车充电电流和人工神经网络相结合，并且准确求出谐波电流的幅值和相位是目前的一大难点。
技术实现思路
本专利技术是针对电动车充电器自身故障或异常影响电力系统电能质量的问题，提出了一种基于三角函数神经网络的电流谐波分析方法，进行电动汽车充电电流的谐波分析，能迅速实现对电流各次谐波参数的分析。本专利技术的技术方案为：一种基于三角函数神经网络的电流谐波分析方法，将电动汽车充电电流转化为用权重表示的三角函数，构造三角函数神经网络，通过求取三角函数神经网络的最优权重，获得电动汽车充电电流谐波参数的精确估计，具体包括以下步骤：1)构造三角函数神经网络电动汽车充电电流用三角函数表示为：其中：i(t)表示电动汽车的充电电流；idc(t)表示电动汽车充电电流的直流分量；N表示电动汽车充电流谐波次数；ω0表示基波分量的角频率wj表示第j次电流谐波参数，wN+j表示第N+j次电流谐波参数；神经网络输入层为n对训练数据集{x，y}，x，y∈R1*n矩阵，其中x＝(x(1)，x(2)，……，x(i)，……x(n))，y＝(y(1)，y(2)，……，y(i)，……y(n))，x(i)＝t(i)是第i个采样点对应的时间；y(i)是第i个采样点对应的电流瞬时值；神经网络隐藏层用三角函数构造激活函数，共有2N+1个隐藏神经元，设计隐藏层的激活函数为：神经网络输出层用表示：其中：表示第i个采样时间对应的三角函数神经网络表示的输出电流；w0表示隐藏层第1个神经元和输出层之间的权重；wj表示第j次电流谐波参数，同时也表示隐藏层第j个神经元和输出层之间的权重；wN+j表示第N+j次电流谐波参数，同时也表示隐藏层第N+j个神经元和输出层之间的权重；2)利用性能函数和负梯度下降法更新权重求解分析电流谐波：设计学习规则性能函数为：将计算估计得到的神经网络的输出电流与输入电流作比较，当不满足目标误差，即e(w)达不到期望设定值eobj时，用负梯度迭代法更新权重；基于负梯度下降法，设计三角函数神经网络的权重迭代公式为：w(k+1)＝w(k)-ηPT(Pw(k)-y)其中：其中：k＝1，2，…，itermax，表示第k次迭代，itermax为迭代次数；w(k)表示第k次迭代对应的权重；w(k+1)表示第k+1次迭代对应的权重；η表示学习速率；若使η＞0且足够小，可通过迭代使三角函数神经网络的权重收敛于最优权重；通过求解神经网络的最优权向量，可通过权重迭代公式估算出直流分量以及第j次谐波的幅值和相角：其中：Adc表示直流分量的幅值；Aj表示第j次谐波的幅值；φj表示第j次谐波的相位。本专利技术的有益效果在于：本专利技术基于三角函数神经网络的电流谐波分析方法，通过负梯度下降的方式更新权重，从而获取电流或电压的精确的谐波估计，能有效计算谐波分量。该方法为谐波估计提供简单可行的解决方案。附图说明图1为本专利技术基于三角函数神经网络的结构图；图2为本专利技术基于三角函数神经网络的谐波分析方法的流程图；图3a为本专利技术三角函数神经网络和FFT在分析电动汽车充电电流基波幅值时的性能比较图；图3b为本专利技术三角函数神经网络和FFT在分析电动汽车充电电流三次谐波幅值时的性能比较图；图4为本专利技术三角函数神经网络和FFT在分析电动汽车充电电流基波相角时的性能比较图。具体实施方式基于三角函数神经网络的电流谐波分析方法：主要是将电动汽车充电电流转化为用权重表示的三角函数，构造三角函数神经网络，通过三角函数神经网络的前向递推，获取含各谐波分量的输出电流；将输出电流与输入电流比较，两者差值采用负梯度下降法通过三角函数神经网络的反向迭代，求取三角函数神经网络的最优权重，利用最优权重可快速、精确估计系统谐波分量及相关参数，鲁棒性好，能迅速实现对电流各次谐波参数的分析。电动汽车充电电流可以用幅值和相位表示为各个谐波分量之和：其中：i(t)表示电动汽车的充电电流；idc(t)表示电动汽车充电电流的直流分量；N表示电动汽车充电流谐波次数；ω0表示基波分量的角频率；Aj表示第j次谐波的幅值；φj表示第j次谐波的相位。根据三角等式，定义φj＝tan-1[wj/wN+j]，则式(1)可写为：其中：wj表示第j次电流谐波参数，wN+j表示第N+j次电流谐波参数。如图1所示基于三角函数神经网络的结构图，输入层为n对训练数据集{x，y}，x，y∈R1*n矩阵。其中x＝(x(1)，x(2)，……，x(i)，……(n))，y＝(y(1)，y(2)，……，y(i)，……y(n))，x(i)＝t(i)是第i个采样点对应的时间；y(i)是第i个采样点对应的电流瞬时值。隐藏层用三角函数构造激活函数，共有2N+1个隐藏神经元，设计隐藏层的激活函数为：输出层用表示：其中：表示第i个采样时间对应的三角函数神经网络表示的输出电流；w0表示隐藏层第1个神经元和输出层之间的权重；wj表示第j次电流谐波参数，同时也表示隐藏层第j个神经元和输出层之间的权重；wN+j表示第N+j次电流谐波参数，同时也表示隐藏层第N+j个神经元和输出层之间的权重。设计学习规则性能函数为：基于负梯度下降法，设计三角函数神经网络的权重迭代公式为：w(k+1)＝w(k)-ηPT(Pw(k)-y)(6)其中：其中：k＝1，2，…，itermax，表示第k次迭代，itermax为迭代次数；w(k)表示第k次迭代对应的权重；w(k+1)表示第k+1次迭代对应的权重；η表示学习速率。若使η＞0且足够小，可以通过迭代使三角函数神经网络的权重收敛于最优权重。通过求解神经网络的最优权向量，可通过式(6)估算出直流分量以及第j次谐波的幅值和相角：其中：Adc表示直流分量的幅值；Aj表示第j次谐波的幅值；φj表示第j次谐波的相位。基于三角函数神经网络的谐波分析方法的流程图如图2所示，将计算估计得到的神经网络的输出电流与输入电流作比较，当不满足目标误差，即e(w)达不到期望设定值eobj时，用负梯度迭代法更新权重，实现对实际电流准确、快速地估计。为了验证三角函数神经网络分析谐波的正确性和有效性，对实际含有谐波的电流信号，通过MATLAB/Simuli本文档来自技高网...

【技术保护点】
1.一种基于三角函数神经网络的电流谐波分析方法，其特征在于，将电动汽车充电电流转化为用权重表示的三角函数，构造三角函数神经网络，通过求取三角函数神经网络的最优权重，获得电动汽车充电电流谐波参数的精确估计，具体包括以下步骤：1)构造三角函数神经网络电动汽车充电电流用三角函数表示为：

【技术特征摘要】
1.一种基于三角函数神经网络的电流谐波分析方法，其特征在于，将电动汽车充电电流转化为用权重表示的三角函数，构造三角函数神经网络，通过求取三角函数神经网络的最优权重，获得电动汽车充电电流谐波参数的精确估计，具体包括以下步骤：1)构造三角函数神经网络电动汽车充电电流用三角函数表示为：其中：i(t)表示电动汽车的充电电流；idc(t)表示电动汽车充电电流的直流分量；N表示电动汽车充电流谐波次数；ω0表示基波分量的角频率wj表示第j次电流谐波参数，wN+j表示第N+j次电流谐波参数；神经网络输入层为n对训练数据集{x，y}，x，y∈R1*n矩阵，其中x＝(x(1)，x(2)，......，x(i)，......x(n))，y＝(y(1)，y(2)，......，y(i)，......y(n))，x(i)＝t(i)是第i个采样点对应的时间；y(i)是第i个采样点对应的电流瞬时值；神经网络隐藏层用三角函数构造激活函数，共有2N+1个隐藏神经元，设计隐藏层的激活函数为：神经网络输出层用表示：其中：表示第i个采样时间对应的三角函数神经网络表示的输出电流...

【专利技术属性】
技术研发人员：俞荣江，罗进圣，陈忠华，王育飞，胡晨刚，陈攀，薛花，许秀珍，陈炳，汪欣玥，张帆，金娇，朱怡佳，沈国恒，
申请(专利权)人：杭州市电力设计院有限公司，
类型：发明
国别省市：浙江,33