[发明专利]基于神经网络最小方均根的APF谐波检测系统及检测方法

权利要求书

1.一种基于神经网络最小方均根的APF谐波检测系统，包括含负载的电网，其特征在于它包括指令电流运算模块、电流跟踪控制模块、驱动模块、主电路模块；其中，所述指令电流运算模块的输入端与负载所在电网连接，其输出端连接电流跟踪控制模块的输入端；所述电流跟踪控制模块的输出端与驱动模块输入端连接；所述驱动模块输出端与主电路模块连接；所述主电路模块产生补偿电流注入电网以消除电网中的谐波。

2.根据权利要求1中所述一种基于神经网络最小方均根的APF谐波检测系统，其特征在于所述指令电流运算模块包括定积分电路和电源周期延时电路；所述积分电路中的积分器采用运算放大器构成的模拟积分；所述电路电源周期延时电路采用音响放大电路中用于回声和混响的专用数字延时电路芯片。

3.根据权利要求1中所述一种基于神经网络最小方均根的APF谐波检测系统，其特征在于所述主电路模块采用电压型PWM变流器电路，其每一桥臂均由一个IGBT和一个二极管反并联而成。

4.一种基于神经网络最小方均根的APF谐波检测方法，其特征在于包括以下步骤：

(1)指令电流运算模块检测计算电网电流，经指令电流运算电路计算得出补偿电流的指令信号；

(2)电流跟踪控制模块根据补偿电流的指令信号和实际补偿电流之间的相互关系，得出控制补偿电流发生电路中主电路各个器件通断的PWM信号；

(3)驱动模块将电流跟踪控制模块产生的PWM信号进行放大；

(4)PWM信号控制主电路中开关器件的通断产生期望的补偿电流。

5.根据权利要求4中所述一种基于神经网络最小方均根的APF谐波检测方法，其特征在于所述步骤(1)中的电流检测计算过程由以下步骤构成：

①根据最小方均根的谐波电流检测原理，首先构造一个补偿电流函数，补偿电流i_c(t)的均方根值为I_rms：

Irms=1T∫t-Tt[(A1-A)2sin2wt+(B1-B)2cos2wt+(Σn=2nAnsinnwt+Bncosnwt)2]dt]]>

通过调节这个补偿电流函数中基波电流的幅值A和B，使这个补偿电流的均方根值i_c(t)达到最小，从而确定出负载电流基波有功分量的幅值；

②从检测得到的负载电流中减去步骤①所得的基波有功分量，得到所需补偿的谐波和无功电流，这时A＝A₁为t时刻基波有功电流的幅值，B＝B₁为t时刻无功电流的幅值；(图3)

③设计前馈3层人工神经网络(如图8)，实现最小均方根调节电路中从输入I_L(t)到输出基波有功分量幅值A的非线性映射；利用前馈多层人工神经网络能实现任意非线性映射的特点，设置输入层(即缓冲层)节点数为n，隐层节点为m，激活函数采用S型函数，输出层节点数为1，激活函数是线性函数；

④最小均方根调节人工神经网络输入信号的前向传播过程：

将I_L(t)在t时刻及之前的n个采样值作为神经网络的输入，经过正向运算，在神经网络的输出端得到待求的A值，设输入层输入电流向量为：

I_l(t_k)＝[i_L(t_k)，i_L(t_k-1)，L，i_L(t_k-n+1)]＝[i_L(t_k)，i_L(t_k-T_a)，L，i_L(t_k-(n-1)T_a]＝{i_L(t_k-jT_a)}

i＝0，1，Ln-1；

输入向量各元为t_k时刻以及以前的(n-1)个时刻的n个采样值，其中T_a为采样周期，则输入层和隐层间的链接权值矩阵为：

W₁＝{W_ij}j＝0，1，Lm-1；i＝0，1，Ln-1；

从而得，隐层第j号节点的输入为：

Ij(tk)=Σi=0n-1[Wij·iL(tk-i)]]]>j＝0，1，Lm-1

隐层输出为：

O_j(t_k)＝f(I_j(t_k))j＝0，1，Lm-1其中f(x)=1-e-x1+e-x]]>

输出层和隐层之间的权值向量为：

W₂＝{W_l}l＝0，1，Lm-1

则A=Σl=0m-1[wl.f(IL)]]]>

这样便完成了ANN从I_L(t)到A变换正向运算；

⑤构造的补偿电流函数的平方和作为误差函数，即：

E=12Σj=0n-1[iL(tk-jTa)-Asinw(tk-jTa)]2]]>

在P+1次叠代时，输出层到隐层之间权值调整公式可由最陡下降法导出：

Δw1(p+1)=-aδ(p)(tk)Ol(p)(tk)]]>

式中δ(p)(tk)=Σj=0n-1{[iL(tk-jTa)-A(p)sinw(tk-jTa)][-sinw(tk-jTa)]}]]>和是隐层中第l号神经元在P次叠代时的输出；a是输出层到隐层权值调节的学习因子；根据BP算法规则，在输出层到隐层权值调整的基础上，进行隐层到输入层的权值调整；

输入层中第i个神经元到隐层中第j个神经元的连接权值的调整量为：

ΔWij(p+1)=-η∂E∂Wij=-η∂E∂Ij·∂E∂Wij=-η∂E∂A·∂A∂Oj·∂Oj∂Ij·∂Ij∂Wij=-η·δ(p)(tk)·Wl(p)·f′[Ij(tk)]·iL(tk-1)]]>

式中η为输入层到隐层的权值学习因子；学习率一般取0～1之间的数；然后运用ANN中的误差反传算法，通过调节网络的链接权值，使误差函数达到最小，从而使补偿电流的均方根值达到最小，从而实现补偿电流有效值最小。