一種分布式電源諧波檢測方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電能質(zhì)量分析領(lǐng)域，更具體地，涉及一種分布式電源諧波檢測方法及 裝置。
【背景技術(shù)】
[0002] 近年來，以電力為中心的新一輪能源革命的序幕已經(jīng)拉開，其目的是實現(xiàn)以智能 電網(wǎng)為核心的低碳能源。于2012年4月26日在京召開的第六屆電能質(zhì)量國際研討會，把電 能質(zhì)量與智能電網(wǎng)作為主題，并重點討論了模塊化新能源接入的電能質(zhì)量問題、分布式電 源相關(guān)的電能質(zhì)量測量與評估問題等。由此可以看出，分布式電源的有效利用得到了學(xué)術(shù) 界和科技界的大力關(guān)注。從分布式電源用多種小型連接電網(wǎng)的設(shè)備發(fā)電和儲能的特點看， 分布式電源具有不易出現(xiàn)規(guī)模性瓦解、可跟蹤電力負(fù)荷的變化及采用熱電聯(lián)產(chǎn)及能源梯級 式利用時可大大提高資源的利用率的特性。在我國大電網(wǎng)集中供電的背景下，分布式電源 作為重要的電源補充將發(fā)揮巨大的作用。但分布式電源由于自身不穩(wěn)定特性，使其在應(yīng)用 時電能質(zhì)量問題比較突出，其中包括諧波、電壓閃變等。另外在并網(wǎng)時，對電網(wǎng)造成很大的 沖擊。研究解決分布式電源電能質(zhì)量問題具有重要的現(xiàn)實意義。
[0003] 要解決分布式電源電能質(zhì)量問題，先要對其電能質(zhì)量參數(shù)進行檢測，目前國內(nèi)外 通常的電能質(zhì)量檢測有在線檢測、定期或不定期檢測和專門測量三種，而從電能質(zhì)量檢測 方法方面來看可大致分為時域仿真方法、頻域檢測方法、人工智能方法等幾大類?；谌?工智能的方法是目前研究的熱點，人工神經(jīng)網(wǎng)絡(luò)是人工智能方法當(dāng)中的一種，目前，它主要 應(yīng)用在電能質(zhì)量的諧波測量、間諧波測量和擾動類型識別當(dāng)中。它雖然在實際應(yīng)用當(dāng)中顯 示了其優(yōu)越性，但也有一些不足之處。人工神經(jīng)網(wǎng)絡(luò)在投入運用之前，需要訓(xùn)練樣本訓(xùn)練網(wǎng) 絡(luò)。而在某些應(yīng)用中，要尋找到一組具有代表性的樣本并不是一件容易的事情。當(dāng)擁有這 樣一組較為理想的樣本之后，訓(xùn)練網(wǎng)絡(luò)時很可能會遇到不收斂或者收斂速度慢的問題；假 若問題或者網(wǎng)絡(luò)結(jié)構(gòu)需要改變，那么網(wǎng)絡(luò)就需要重新訓(xùn)練；訓(xùn)練當(dāng)中還有可能出現(xiàn)過學(xué)習(xí) 的問題。綜上可以看出現(xiàn)有的電能諧波檢測方法不能滿足電能質(zhì)量檢測的實際需求。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種快速的分布式電源諧波檢測方法。
[0005] 為了達(dá)到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：
[0006] -種分布式電源諧波檢測方法，包括：
[0007] 基于學(xué)習(xí)向量量化LVQ神經(jīng)網(wǎng)絡(luò)構(gòu)建電能質(zhì)量檢測模型；
[0008] 利用粒子群算法PS0優(yōu)化所述電能質(zhì)量檢測模型；
[0009] 利用優(yōu)化后的所述電能質(zhì)量檢測模型，依據(jù)輸入的電能質(zhì)量信號中的諧波信息， 對所述電能質(zhì)量信號的諧波及間諧波擾動進行檢測。
[0010] 進一步地，所述電能質(zhì)量檢測模型包括分別由多個神經(jīng)元組成的輸入層、競爭層 及輸出層；
[0011] 所述輸入層中的每個神經(jīng)元分別與所述競爭層中的所有神經(jīng)元連接，其中所述輸 入層的神經(jīng)元與所述競爭層的神經(jīng)元的一次連接對應(yīng)一個連接權(quán)值；所述競爭層的每個神 經(jīng)元所對應(yīng)的所有所述連接權(quán)值構(gòu)成其自身的參考向量；
[0012] 所述競爭層中的神經(jīng)元與所述輸出層中的神經(jīng)元一一對應(yīng)連接；
[0013] 所述輸出層，用于對外輸出所述電能質(zhì)量信號諧波及間諧波的檢測結(jié)果
[0014] 進一步地，所述利用PS0優(yōu)化所述電能質(zhì)量檢測模型包括：
[0015] 建立粒子群，其中所述粒子群中粒子的位置的分量與所述電能質(zhì)量檢測模型中的 連接權(quán)值一一對應(yīng)；
[0016] 利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度；
[0017] 其中，每次更新粒子的位置和速度后，均計算每個粒子的最優(yōu)適應(yīng)度位置，并利用 得到的粒子的最優(yōu)適應(yīng)度位置獲取粒子群的最優(yōu)適應(yīng)度位置，以及，利用所述粒子群的最 優(yōu)適應(yīng)度位置更新所述電能質(zhì)量檢測模型中的所有所述連接權(quán)值；
[0018] 當(dāng)所述粒子群迭代算法達(dá)到設(shè)定的迭代次數(shù)，或，所述電能質(zhì)量檢測模型的實際 輸出和預(yù)期輸出的差值滿足預(yù)設(shè)范圍時，停止對粒子群中粒子位置和速度的更新。
[0019] 進一步地，所述建立粒子群，包括：
[0020] 建立初始種群數(shù)目為n，以及迭代次數(shù)為T的粒子群，其中所述粒子群中的粒子的 維度為所述電能質(zhì)量檢測模型中所有連接權(quán)值的數(shù)目，并隨機產(chǎn)生所述粒子群中所有粒子 的初始位置和初始速度，以及確定每個粒子初始的最優(yōu)適應(yīng)度位置和所述粒子群初始的最 優(yōu)適應(yīng)度位置；
[0021] 建立所述粒子群中粒子的位置的分量與所述電能質(zhì)量檢測模型中的連接權(quán)值的 -對應(yīng)關(guān)系。
[0022] 進一步地，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和 速度，包括：
[0023] 依次判斷每個粒子的當(dāng)前位置是否小于和其對應(yīng)的設(shè)定位置，且判斷每個粒子的 當(dāng)前速度是否小于和其對應(yīng)的設(shè)定速度，如果當(dāng)前粒子的判斷結(jié)果均為是，則重新初始化 所述粒子群；如果當(dāng)前粒子的判斷結(jié)果至少有一項為否，則更新當(dāng)前粒子的位置和速度。
[0024] 進一步地，所述每次更新粒子的位置和速度后，均計算每個粒子的最優(yōu)適應(yīng)度位 置，包括：
[0025] 每次更新粒子的位置和速度后，計算粒子當(dāng)前的適應(yīng)度值；
[0026] 依次判斷每個粒子當(dāng)前的所述適應(yīng)度值是否優(yōu)于其當(dāng)前的最優(yōu)適應(yīng)度位置對應(yīng) 的適應(yīng)度值，如果是，則利用粒子的當(dāng)前位置替換所述粒子的最優(yōu)適應(yīng)度位置。
[0027] 進一步地，所述利用得到的粒子的最優(yōu)適應(yīng)度位置獲取粒子群的最優(yōu)適應(yīng)度位 置，包括：
[0028] 依次判斷每個粒子當(dāng)前的最優(yōu)適應(yīng)度位置的適應(yīng)度值是否優(yōu)于所述粒子群的最 優(yōu)適應(yīng)度位置的適應(yīng)度值，如果當(dāng)前進行判斷的粒子當(dāng)前的最優(yōu)適應(yīng)度位置的適應(yīng)度值優(yōu) 于所述粒子群當(dāng)前的最優(yōu)適應(yīng)度位置的適應(yīng)度值，則將所述粒子群的最優(yōu)適應(yīng)度位置更新 為當(dāng)前進行判斷的粒子的最優(yōu)適應(yīng)度位置。
[0029] 進一步地，所述計算粒子當(dāng)前的適應(yīng)度值，包括：
[0030] 利用公式
）計算粒子當(dāng)前的適應(yīng)度值；
[0031] 其中，N為訓(xùn)練樣本總數(shù)；Y和冗分別為相應(yīng)于第i個訓(xùn)練樣本的輸出層的期望 輸出和實際輸出。
[0032] 進一步地，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和 速度，包括：
[0033] 采用公式I#1 =虜| + ￡^(尨- 4) +研(4 -4)更新粒子的速度；
[0034] 利用公式力1 +vy更新粒子的位置；
[0035] 其中：ω為慣性權(quán)重；
[0036] 為第i個粒子第k次迭代時速度在維度d上的分量；
[0037] 蟋為第i個粒子第k次迭代時位置在維度d上的分量；
[0038] 第i個粒子第k次迭代時粒子的最優(yōu)適應(yīng)度位置在維度d上的分量；
[0039] 為第k次迭代時整個所述粒子群的最優(yōu)適應(yīng)度位置在維度d上的分量；
[0040] ξ和η為預(yù)設(shè)的介于〇與1之間的隨機數(shù)；
[0041 ]cl與c2為學(xué)習(xí)因子。
[0042] 一種分布式電源諧波檢測裝置，包括：
[0043] 模型構(gòu)建模塊，用于基于學(xué)習(xí)向量量化LVQ神經(jīng)網(wǎng)絡(luò)構(gòu)建電能質(zhì)量檢測模型；
[0044] 模型優(yōu)化模塊，用于利用粒子群算法PS0優(yōu)化所述電能質(zhì)量檢測模型；
[0045] 諧波檢測模塊，用于利用優(yōu)化后的所述電能質(zhì)量檢測模型，依據(jù)輸入的電能質(zhì)量 信號中的諧波信息，對所述電能質(zhì)量信號的諧波及間諧波擾動進行檢測。
[0046] 與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：
[0047] 本發(fā)明方法利用粒子群算法優(yōu)化由LVQ神經(jīng)網(wǎng)絡(luò)構(gòu)建的電能質(zhì)量檢測模型，克服 現(xiàn)有神經(jīng)網(wǎng)絡(luò)在電能質(zhì)量檢測中獲取樣本不易，當(dāng)擁有這樣一組較為理想的樣本