一种基于投票感知器的APF谐振预测方法与流程

一种基于投票感知器的apf谐振预测方法
技术领域
1.本发明涉及电力电子和神经网络技术领域，具体地，涉及一种基于投票感知器的apf谐振预测方法。


背景技术：

2.有源滤波器(apf)并联于电网中，相当于一个可控的无功和谐波电流源，其无功电流和谐波电流可以快速地跟随负荷无功电流和谐波电流的变化而变化，自动补偿电网系统所需无功功率和谐波，对电网无功功率和谐波实现动态无功补偿，属于灵活柔性交流输电系统（facts）的重要组成部分。
3.由于电网负载特性复杂，apf在实际应用中会与特殊负载出现谐振的情况。apf在电网中一旦谐振会造成很严重的后果。轻则导致工厂的负载保护，重则烧毁变压器或者负载。
4.专利文献cn112994004a(申请号：cn202011580570.4）公开了一种考虑控制延时的混合型有源滤波器谐振抑制策略，以应用于高压直流输电的混合型有源滤波器作为研究对象，属于一种新型的谐振抑制方法。但混合型有源滤波器阻抗特性复杂，容易产生谐振风险，此外，由于计算延时和采样延时，混合型有源滤波器可能呈现负阻抗特性，极大的危害交直流系统的稳定性。因此本发明通过建立阻抗模型，分析了数字延时对系统稳定性的影响，设计了一种基于最小均方算法的自适应谐振抑制策略，采用前馈补偿的设计思路，利用预测下一时刻的波形来消除控制延时带来的相位滞后，不仅可以改善滤波器的阻抗特性，而且能自适应调整预测矩阵，使其可应用于工况以及电路参数变化的情况。
5.专利文献cn106253279a(申请号：cn201610712875.3）公开了一种快速提取网侧电流谐波成分以及进行抑制的算法，通过进行检测对比判断，有效抑制有源滤波器与电网的谐振。一种应用于有源滤波器的防谐振控制算法，对负载电流进行实时检测，通过滑窗dft算法对负载电流中的谐波分量进行提取，为控制模块提供电流参考，实现有源滤波器的谐波抑制功能。本发明能够实现在电网阻尼较弱的情况下，保护设备，防止谐振对设备造成损伤，同时能够快速提取谐振电流的谐波成分，内部模块快速响应，从而达到谐振抑制的目的。
6.专利文献cn103378595a(申请号：cn201210105400.x）公开了一种采用电容无功补偿功率与串并联谐振频率的关系作为约束条件对并联混合型有源滤波器(shunthybridactivepowerfilter,shapf)参数进行优化配置的方法,采用改进的粒子群优化算法(improvedparticleswarmoptimization,ipso)，根据粒子群算法参数速度和惯性因子的关系，提出时变的非线性三角函数方法来控制参数，加速了算法的收敛速度，防止陷入局部最优。通过matlab进行仿真验证，shapf的参数设计得到了优化配置，具有良好的滤波效果。在实例应用中，有效地避免了谐振，具有一定的工程应用价值。
7.现有的技术都是提出某种算法能在针对某些特定负载或者特定的电网情况下抑制谐振，但apf在实际应用中面临的情况要负载的多，一旦谐振就会出现严重后果。本发明
旨在提供一种基于投票感知器的apf谐振预测方法，根据电网中电压和负载电流的一些特征准确的预测apf会发生谐振，提前对apf进行关机操作，避免apf和负载谐振对电网造成恶劣的影响。


技术实现要素：

8.针对现有技术中的缺陷，本发明的目的是提供一种基于投票感知器的apf谐振预测方法及系统。本方法方便能准确预测apf在电网中运行的谐振风险，在谐振发生前对apf作关机处理，保证电网安全可靠的运行。
9.为了达到上述目的，本发明采用的技术方案为：本发明采用感知器算法的神经网络对apf谐振进行预测，按如下步骤进行：步骤1：收集apf电流突然变大前后的电网电压和负载电流的波形数据apf出现谐振通常出现在输出电流突然增大的情况下，但是apf输出电流增大不一定会出现谐振。在apf设备中设计数据采集功能，一旦apf的输出电流突然变大，将输出电流增加前后的电网电压和负载电流的波形数据存储在apf设备中的闪存中，并通过gprs将数据上传至服务器中。
10.步骤2：确定用于apf谐振预测的训练样本的特征值。apf在电网中发生谐振通常是因为电网中特殊负载的运行引起的，能引起apf谐振的特殊负载运行通常为造成电网中电流、电压的相位发生改变，或者造成电网电压或电流出现突变，还有可能在电网电压或电流中产生尖峰电压或冲击电流。所以选定训练样本的特征值为：1、 apf谐振或电流突然增大前一个市电周期内三相电网电压相位变化最大值2、 apf谐振或电流突然增大前一个市电周期内三相电网电流相位变化最大值3、 apf谐振或电流突然增大前一个市电周期内三相电网电压斜率最大值4、 apf谐振或电流突然增大前一个市电周期内三相电网电流斜率最大值5、 apf谐振或电流突然增大前一个市电周期内三相电网电压最大值6、 apf谐振或电流突然增大前一个市电周期内三相电网电流最大值从服务器的数据中选取n组谐振的数据，提取上面的特征值，再选取n组电流突然增加但是未谐振的数据，提取上面的特征值，获得2n个样本的训练集。phva=｛phva
(1)
,phva
(2)
,phva
(3)
,
…
,phva
(2n)
｝其中phva
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压相位变化最大值，phva
(2n)
为第2n组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压相位变化最大值。phvb和phvc以此类推，分别为b、c相电网电压相位变化最大值。
11.phia=｛phia
(1)
,phia
(2)
,phia
(3)
,
…
,phia
(2n)
｝其中phia
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流相位变化最大值，phia
(2n)
为第2n组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流相位变化最大值。phib和phic以此类推，分别为b、c相电网电流相位变化最大值。
12.sva=｛sva
(1)
,sva
(2)
,sva
(3)
,
…
,sva
(2n)
｝其中sva
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压斜率最大值，sva
(2n)
为第2n组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压斜率最大值。svb和svc以此类推，分别为b、c相电网电压斜率最大值。
13.sia=｛sia
(1)
,sia
(2)
,sia
(3)
,
…
,sia
(2n)
｝其中sia
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流斜率最大值，sia
(2n)
为第2n组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流斜率最大值。sib和sic以此类推，分别为b、c相电网电流斜率最大值。
14.vpa=｛vpa
(1)
,vpa
(2)
,vpa
(3)
,
…
,vpa
(2n)
｝其中vpa
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压的最大值，vpa
(2n)
为第2n组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压的最大值。vpb和vpc以此类推，分别为b、c相电网电压的最大值。
15.ipa=｛ipa
(1)
,ipa
(2)
,ipa
(3)
,
…
,ipa
(2n)
｝其中ipa
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流的最大值，vpa
(2n)
为第2n组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流的最大值。vpb和vpc以此类推，分别为b、c相电网电流的最大值。
16.y=｛y
(1)
,y
(2)
,y
(3)
,
…
,y
(2n)
｝y中存入类别标签（将谐振定义为1，未谐振定义为-1）。y
(1)
为第一组数据是否谐振的类别标签，y
(2n)
为第2n组数据是否谐振的类别标签。
17.步骤3：构建向量x
(n)
=[phva
(n)
,phvb
(n)
,phvc
(n)
,phia
(n)
,phib
(n)
,phic
(n)
,sva
(n)
,svb
(n)
,svc
(n)
,sia
(n)
,sib
(n)
,sic
(n)
,vpa
(n)
,vpb
(n)
,vpc
(n)
,ipa
(n)
,ipb
(n)
,ipc
(n)
]
t
步骤2中有2n组数据，那么可以通过这2n组数据构建2n个向量x
(n)
（n=1，2，3，
…
,2n）。
[0018]
构建感值器的分类准则： (1)其中 是感知器的权重向量， 是从一组需要预测apf是否会谐振的数据中提取出的特征值， 是预测结果（ =1将会谐振， =-1不会谐振）步骤4：初始化权重向量0，0为 的初始值，。
[0019]
步骤5：把
k-1
和步骤2中的x
(k)
代入公式（1）中可以得到第k预测结果 。
[0020]
步骤6：计算模型预测与真实标签之间的差异，如果 ，样本预测错误，如果 ，样本预测正确。选取下面的公式作为损失函数：如果 ,即样本预测错误，那么损失函数。如果 ，则样本预测正确，那么损失函数 。
[0021]
步骤7：更新权重向量，采用随机梯度下降，其每次更新的梯度为其每次更新的梯度为
步骤8：重复迭代2n次，计算(k=1，2，3，
…
,2n)步骤9：计算的平均值。
[0022]
使用 作为apf产品中使用的权重向量，带公式(1)后用来预测apf是否会出现谐振。
[0023] （2）步骤10：apf运行时，滑窗提取20ms内的x=[phva,phvb,phvc,phia,phib,phic,sva,svb,svc,sia,sib,sic,vpa,vpb,vpc,ipa,ipb,ipc]
t
，把x代入式（2）计算 ，如果 则apf立刻关机，避免出现谐振的情况。
附图说明
[0024]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：图1为谐振发生前后三相电网电压波形；图2为谐振发生前后三相电网电流波形。
[0025]
图3为apf谐振预测方法的流程图。
具体实施方式
[0026]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0027]
根据本发明提供的一种基于投票感知器的apf谐振预测方法，如图1-图2所示，包括：步骤1：收集apf电流突然变大前后的电网电压和负载电流的波形数据apf出现谐振通常出现在输出电流突然增大的情况下，但是apf输出电流增大不一定会出现谐振。在apf设备中设计数据采集功能，一旦apf的输出电流突然变大，将输出电流增加前后的电网电压和负载电流的波形数据存储在apf设备中的闪存中，并通过gprs将数据上传至服务器中。
[0028]
步骤2：确定用于apf谐振预测的训练样本的特征值。apf在电网中发生谐振通常是因为电网中特殊负载的运行引起的，能引起apf谐振的特殊负载运行通常为造成电网中电流、电压的相位发生改变，或者造成电网电压或电流出现突变，还有可能在电网电压或电流中产生尖峰电压或冲击电流。所以选定训练样本的特征值为：1、 apf谐振或电流突然增大前一个市电周期内三相电网电压相位变化最大值2、 apf谐振或电流突然增大前一个市电周期内三相电网电流相位变化最大值3、 apf谐振或电流突然增大前一个市电周期内三相电网电压斜率最大值4、 apf谐振或电流突然增大前一个市电周期内三相电网电流斜率最大值
5、 apf谐振或电流突然增大前一个市电周期内三相电网电压最大值6、 apf谐振或电流突然增大前一个市电周期内三相电网电流最大值从服务器的数据中选取1000组谐振的数据，提取上面的特征值，再选取1000组电流突然增加但是未谐振的数据，提取上面的特征值，获得2000个样本的训练集。phva=｛phva
(1)
,phva
(2)
,phva
(3)
,
…
,phva
(2000)
｝其中phva
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压相位变化最大值，phva
(2000)
为第2000组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压相位变化最大值。phvb和phvc以此类推，分别为b、c相电网电压相位变化最大值。
[0029]
phia=｛phia
(1)
,phia
(2)
,phia
(3)
,
…
,phia
(2000)
｝其中phia
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流相位变化最大值，phia
(2000)
为第2000组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流相位变化最大值。phib和phic以此类推，分别为b、c相电网电流相位变化最大值。
[0030]
sva=｛sva
(1)
,sva
(2)
,sva
(3)
,
…
,sva
(2000)
｝其中sva
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压斜率最大值，sva
(2000)
为第2000组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压斜率最大值。svb和svc以此类推，分别为b、c相电网电压斜率最大值。
[0031]
sia=｛sia
(1)
,sia
(2)
,sia
(3)
,
…
,sia
(2000)
｝其中sia
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流斜率最大值，sia
(2000)
为第2000组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流斜率最大值。sib和sic以此类推，分别为b、c相电网电流斜率最大值。
[0032]
vpa=｛vpa
(1)
,vpa
(2)
,vpa
(3)
,
…
,vpa
(2000)
｝其中vpa
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压的最大值，vpa
(2000)
为第2000组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电压的最大值。vpb和vpc以此类推，分别为b、c相电网电压的最大值。
[0033]
ipa=｛ipa
(1)
,ipa
(2)
,ipa
(3)
,
…
,ipa
(2000)
｝其中ipa
(1)
为第一组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流的最大值，vpa
(2000)
为第2000组数据中提取的apf谐振或电流突然增大前一个市电周期内a相电网电流的最大值。vpb和vpc以此类推，分别为b、c相电网电流的最大值。
[0034]
y=｛y
(1)
,y
(2)
,y
(3)
,
…
,y
(2000)
｝y中存入类别标签（将谐振定义为1，未谐振定义为-1）。y
(1)
为第一组数据是否谐振的类别标签，y
(2000)
为第2000组数据是否谐振的类别标签。
[0035]
步骤3：构建向量x
(n)
=[phva
(n)
,phvb
(n)
,phvc
(n)
,phia
(n)
,phib
(n)
,phic
(n)
,sva
(n)
,svb
(n)
,svc
(n)
,sia
(n)
,sib
(n)
,sic
(n)
,vpa
(n)
,vpb
(n)
,vpc
(n)
,ipa
(n)
,ipb
(n)
,ipc
(n)
]
t
步骤2中有2000组数据，那么可以通过这2n组数据构建2n个向量x
(n)
（n=1，2，3，
…
,2000）。
[0036]
构建感值器的分类准则：(3)其中
ꢀꢀ
是感知器的权重向量， 是从一组需要预测apf是否会谐振的数据中提取出的特征值， 是预测结果（ =1将会谐振，=-1不会
谐振）。
[0037]
步骤4：初始化权重向量0←
0（全零向量）， 0
为 的初始值。
[0038]
步骤5：把
k-1
和步骤2中的x
(k)
代入公式（1）中可以得到第k预测结果 。
[0039]
步骤6：计算模型预测与真实标签之间的差异，如果 ，样本预测错误，如果 ，样本预测正确。选取下面的公式作为损失函数：如果 ,即样本预测错误，那么损失函数 。如果 ，则样本预测正确，那么损失函数 。
[0040]
步骤7：更新权重向量 ，采用随机梯度下降，其每次更新的梯度为其每次更新的梯度为步骤8：重复步骤5~7，迭代2000次，计算 (k=1，2，3，
…
,2000)步骤9：计算的平均值 。
[0041]
使用 作为apf产品中使用的权重向量，带公式(1)后用来预测apf是否会出现谐振。
[0042]
ꢀꢀ
（2）步骤10：apf运行时，滑窗提取20ms内的x=[phva,phvb,phvc,phia,phib,phic,sva,svb,svc,sia,sib,sic,vpa,vpb,vpc,ipa,ipb,ipc]
t
，把x代入式（2）计算 ，如果 则apf立刻关机，避免出现谐振的情况。
[0043]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。