基于神经网络的有源电力滤波器应用研究
图3.1基于BP网络的谐波电流检测方案
3.2BP谐波检测网络的实现
BP网络中的一个关键步骤是关于隐含层的设计，包括隐含层的数量和对应关系等问题。若BP网络中的每个输出谐波都与同一个隐层相连接，输出层和隐层之间的连接权对对谐波滤波值可以给出最佳值，但是整个系统的记忆负担太重，而降低系统的效能，并有可能相互影响。但是如果使每次谐波分别对应于一个隐层，即都有自己的隐层，每个隐层只负责记忆自己所对应的那个谐波的隐含映射关系，将会更好地克服由于一个隐层带有的谐波之间相互影响的问题。
在本文中我们对图3.1所示的多层前馈神经网络的训练采用的是一种启发式学习算法即动量BP算法（MOBP），该算法采用动量法调整策略，可显著降低网络对于误差曲面局部细节的敏感性，有效的抑制网络陷入局部极小，在网络训练中MOBP采用式（3.1）和式（3.2）修正权值和阈值。
在式（3.1）和（3.2）中：是学习速率，γ是动量系数。m是指网络的第m层，是近似均方误差对m层输入的敏感性，b是网络权值，w是网络阈值，Y是网络输出层的输出，T是矩阵转置。
四.仿真研究
用上述构成的组合控制进行仿真，将电流检测应用到有源电力滤波器中观察波形，神经网络输出层采用非线性激活函数logsig和线性激活函数pureline进行检测结果对比，根据仿真值计算所得的THD平均值如表1所示：
表1测试样本补偿前后的平均THD值
采用训练好的BP网络检测实验仿真滤波器电路的电流波形，其中电源电流波形和滤波器注入电流波形分别如图4.1至图4.5所示。
图4.1电源电流波形
图4.2滤波器注入电流波形
图4.3没有滤波装置时的系统电流
图4.4投入混合型有源滤波器后的系统电流
图4.5不同情况下系统电流频谱比较
表1和图4.1、图4.2表明总谐波畸变率经谐波补偿后得到了明显的下降，说明该谐波电流检测方法能较好的进行谐波电流检测并比较好的进行补偿。
结束语
本文从瞬时无功功率入手，通过对BP网络模型、检测方法等方面的改进进行组合控制,在负载突变时引进神经网络提高准确实时性，得到了准确实时性好的谐波检测方法，结合有源滤波器将检测方法应用到检测环节通过仿真结果可以看出该方法为分析和设计谐波动态检测提供了有效的手段和工具。
评论