Computer Engineering and Applications 计算机工程与应用 2013，49（17） 125 基于 NNAC 算法的电能质量暂态扰动检测 李加升 1，王应德 2，林 琳 1 LI Jiasheng1, WANG Yingde2, LIN Lin1 1.湖南城市学院 通信与电子工程学院，湖南 益阳 413000 2.长沙学院 电子与通信工程系，长沙 410003 1.College of Communication and Electronic Engineering, Hunan City University, Yiyang, Hunan 413000, China 2.Department of Electronics and Communication Engineering, Changsha University, Changsha 410003, China LI Jiasheng, WANG Yingde, LIN Lin. Power quality transient disturbance detection based on neural network adaptive control algorithms. Computer Engineering and Applications, 2013, 49（17）：125-128. Abstract：Aiming at current difficulties and key issues of power quality detection, after analyzing the advantages and disadvan- tages of the method most used based on wavelet transform, an algorithm of power quality transient disturbances detection based on the adaptive control using neural networks is proposed. The adaptive control structure of power quality transient disturbances detection is provided. Hebb rule is applied to learn the weight. Simulation test is conducted on transient disturbance of voltage sag, voltage transient rise, voltage interruption and transient oscillations. The results show that this algorithm behaves well on detecting the types of transient disturbances signal, confirming the starting time and duration of disturbance. Besides, the analy- sis and calculation of this algorithm are simple and fast, the datum is small, all of which make the algorithm practical on power quality transient disturbances detection. Key words：neural network; adaptive control; Hebb learning rule; transient disturbance 摘 要：针对当前电能质量检测分析的难点和重点问题，在分析了目前使用最多的方法小波变换优缺点的基础上，提出了 基于神经网络自适应控制（NNAC）的电能质量暂态扰动检测算法。给出了电能质量暂态扰动检测的自适应控制结构，采 用 Hebb 学习规则进行权值学习，并对电压暂降、电压瞬升、电压中断和暂态振荡等暂态扰动进行了仿真测试，结果表明所 提算法可以很好地检测电网中的暂态扰动信号的类型，确定扰动发生的起始时刻和持续时间，且分析计算简单，速度快， 计算所得数据量少，在电能质量扰动检测中更加具有实时性。 关键词：神经网络；自适应控制；Hebb 学习规则；暂态扰动 文献标志码：A 中图分类号：TM714 doi：10.3778/j.issn.1002-8331.1112-0390 1 前言 当前电能质量检测分析的难点是暂态扰动和非平稳 信号，在电能质量暂态扰动检测方法中，目前使用最多的 方法是小波变换 [1-3]，小波变换由于具有时频局部化的特 点，克服了傅里叶变换的缺点，特别适合于突变信号和非 平稳信号的分析。小波变换的实质是把函数展开为满足 一定条件的基本小波函数的线性组合。目前，小波变换方 法虽然得到广泛应用，但是还存在着一些问题：（1）小波变 换在很大程度上依赖于小波基的选取。不同小波基对电 能质量扰动检测与识别结果的影响很大。如何选择小波 基 是 小 波 在 电 压 扰 动 识 别 研 究 中 要 解 决 的 关 键 问 题 之 一。（2）由于小波变换对各类噪声和微弱信号同样敏感，所 以在实际应用中，小波变换不可避免地会受到噪声的干 扰。（3）目前小波分析还缺乏有效的快速算法，这导致了小 波分析过程中的计算量过大，很难满足实时性的要求。于 是文献[4]提出了一种利用小波变换及人工神经网络识别 电能扰动的方法，指出了电能扰动识别包括预处理、特征 提取和模式识别等 3 个过程，该方法进行了电能质量扰动 识别，虽然获得了比较理想的识别结果，但该方法过于复 杂，仍存在计算量过大，实时性差的问题。本文针对暂态 电能质量问题，主要做的工作是将单神经元自适应控制算 法应用于电能质量暂态扰动检测分析中。 基金项目：湖南省科技计划项目（No.2010GK3179）；益阳市科技计划项目（No.2011JZ46）。 作者简介：李加升（1965—），男，教授，主要研究方向：电能质量检测、信号处理、智能控制；王应德（1965—）男，高级实验师；林琳（1981—）， 女，讲师。 收稿日期：2011-12-20 修回日期：2012-03-23 文章编号：1002-8331（2013）17-0125-04 CNKI 出版日期：2012-05-21 http://www.cnki.net/kcms/detail/11.2127.TP.20120521.1141.036.html 

126 2013，49（17） Computer Engineering and Applications 计算机工程与应用 2 单神经元自适应控制算法原理 单神经元自适应控制的结构如图 1 所示[5]。 r(k) x 1 x 2 x 3 + e(k) - Du(k) u(k) + y(k) 对象 Σ K z-1 图 1 单神经元自适应控制结构 单神经元自适应控制器是通过对加权系数的调整来 实现自适应、自组织功能，控制算法为： u(k) = u(k - 1) + Kå 3 i = 1 w i (k)x (k) i （1） 如果权系数的调整按有监督的 Hebb 学习规则实现，即 在学习算法中加入监督项 z(k) 则神经网络权值学习算法为： （2） （3） （4） (k - 1) + ηz(k)u(k)x 1 (k - 1) + ηz(k)u(k)x 2 (k - 1) + ηz(k)u(k)x (k) = w 1 (k) = w (k) = w 2 (k) w 1 w (k) (k) 2 3 3 w 3 式中， z( )k = e( )k ，x x 1 (k) = e(k) (k) = e(k) - e(k - 1) (k) = D2e(k) = e(k) - 2e(k - 1) + e(k - 2) 2 x 3 η为学习速率，K 为神经元的比例系数，K > 0 η Î(0 1) 。 K 值的选择非常重要。K 越大，则快速性越好，但超调 量大，甚至可能使系统不稳定。当被控对象时延增大时，K 值必须减少，以保证系统稳定。K 值选择过小，会使系统的 快速性变差。 3 单神经元自适应控制算法在暂态信号检测中 的应用 为了验证本文所提算法的有效性，在 Matlab7.0 中将本 文所提算法应用到电压暂降、电压瞬升、电压中断、暂态振 荡等几类电能质量扰动信号 [6-7]，将其进行了检测分析，仿 真中，设被控对象为： y(k) = 0.368y(k - 1) + 0.26y(k - 2) + 0.10u(k - 1) + 0.632u(k - 2) （5） 输入信号为一反映电网实际情况的电压信号 r(k) 采 样时间为 0.1 ms，采用单神经元自适应控制律进行控制，信 号 频 率 为 工 频 50 Hz，，初 始 权 值 W=[w1 w2 w3] =[0.1 0.1 0.1]，η=0.40，K=0.12。 3.1 对电压暂降的检测 如果输入信号 r(k) 为一电压暂降信号，其数学模型如下： r(t) = A[1 - B(u(t - t （6） 式中的 t = 0.000 1k B 为电压暂降幅度，0.1

李加升，王应德，林 琳：基于 NNAC 算法的电能质量暂态扰动检测 2013，49（17） 127 2 0 －2 r 0.1 0 －0.1 踪 跟 置 位 2 0 －2 差 误 1 0 －1 r 1 0 －1 踪 跟 置 位 0.5 0 －0.5 差 误 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （a）输入信号 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （b）输出信号 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （c）输入输出信号之差 0.12 0.10 0.08 1 w 0.12 0.10 0.08 2 w 0.105 0.100 0.095 3 w 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （a）网络权值 1 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （b）网络权值 2 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （c）网络权值 3 图 4 电压瞬升时信号位置跟踪图 图 5 电压瞬升时网络权值 W 的变化图 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （a）输入信号 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （b）输出信号 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （c）输入输出信号之差 0.12 0.10 0.08 1 w 2 w 1.0 0.5 0 0.101 0.100 0.099 3 w 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （a）网络权值 1 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （b）网络权值 2 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （c）网络权值 3 图 6 电压中断时信号位置跟踪图 图 7 电压中断时网络权值 W 的变化图 其中图 4（a）是输入的电压瞬升信号，图 4（b）是经单神 经元自适应控制结构后的输出信号，图 4（c）为输入信号和 输出信号之差 e(k) = r(k) - y(k) 图 5 是网络权值 W 的变化 图，从图 4 中可以看出在 0.06~0.14 s 处发生瞬升扰动时，单 神经元自适应控制结构的输出 y(k) 及差值 e(k) 也在对应 时间段得到一上升波形，电压升幅为 0.3 pu，很明显这种扰 动为瞬升扰动。从图 5 中也可以看出在 0.06~0.14 s 处发生 了瞬升扰动。 3.3 对电压中断的检测 电压中断一般由供电系统发生故障如线路遭受破坏 或雷击引起，造成用户在一定时间内一相或多相电压低于 0.1 pu。其数学模型如下： 自适应控制结构后的输出信号，图 6（c）为输入信号和输出 信号之差 e(k) = r(k) - y(k) 图 7是网络权值 W的变化图，从图 6 中可以看出在 0.06~0.14 s 处发生中断扰动时，单神经元自适 应控制结构的输出 y(k) 及差值 e(k) 也在对应时间段得到一 中断波形，电压降到 0 pu，很明显这种扰动为中断扰动。从 图 7 中也可以看出在 0.06~0.14 s 处发生了电压中断扰动。 3.4 对暂态振荡的检测 暂 态 振 荡 一 般 由 线 路、负 载 和 电 容 器 组 的 投 切 等 引 起，可造成电力电子设备损坏和设备绝缘破坏等后果。其 数学模型如下： y(t) = A é sin(ωt) + Be ëê t - t 1 τ sin(nω(t - t ))(u(t - t 1 2 ù ) - u(t - t )) （9） ûú 1 y(t) = A[1 - B(u(t - t 2 ) - u(t - t ))]sin(ωt) 1 - t 1 2 式中 B 为电压中断幅度，0.9

128 2013，49（17） Computer Engineering and Applications 计算机工程与应用 2 0 －2 r 2 0 －2 踪 跟 置 位 1 0 －1 差 误 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （a）输入信号 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （b）输出信号 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （c）输入输出信号之差 1.0 0.5 1 w 0 4 2 0 2 w 0.5 0 －0.5 3 w 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （a）网络权值 1 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （b）网络权值 2 0 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 时间/s （c）网络权值 3 图 8 暂态振荡时信号位置跟踪图 图 9 暂态振荡时网络权值 W 的变化图 经元自适应控制结构后的输出信号，图 8（c）是输入信号和 输出信号之差 e(k) = r(k) - y(k) 图 9 是网络权值 W 的变化 图，从图 8 中可以看出在 0.06~0.14 s 处发生暂态振荡扰动 时，单神经元自适应控制结构的输出 y(k) 及差值 e(k) 也在 对应时间段得到一暂态振荡波形，很明显这种扰动为暂态 振荡扰动。从图 9 中也可以看出在 0.085~0.115 s 处发生了 暂态振荡扰动。 通过上面仿真可以看出本文所提算法可以很好地检 测电网中的暂态扰动信号，确定扰动发生的起始时刻和持 续时间，根据网络权值 W 的变化图中权值的突变特点可进 一步对暂态扰动信号进行检测分析。 3.5 与文献[4]的比较分析 为了更进一步说明问题，参照文献[4]从方法、处理过 程、数据量、实时性等方面进行了综合比较：（1）本文采用 的是神经网络自适应控制算法，方法较为简单，而文献[4] 采用的是小波变换加人工神经网络理论，方法较为复杂。 （2）文献[4]需要预处理、特征提取和模式识别等 3 个过程， 较为复杂，而本文是将信号直接进行检测，只需要 1 个过 程，较为简单。（3）在检测分析短时电压中断和电压暂降 时，文献[4]中在进行特征量提取时，两种扰动区别不是很 明显而影响其正确识别率（见文献[4]），但本文方法由于不 需进行特征量提取，所以这两种扰动的检测识别效果好 （见图 2、图 3、图 6、图 7）。（4）从实时性的角度来分析的话， 文献[4]在识别前要利用小波变换进行特征量的提取，需要 将信号数字化而进行采样，所得数据量多，实时性较差，本 文方法不需要将信号数字化而进行采样，自然数据量就较 少，实时性较好。总之本文所提神经元自适应控制算法是 值得研究和应用的一种用于电能质量扰动检测的方法。 4 结语 稳信号的检测与分析，利用单神经元自适应控制算法尝试 性地对其进行了检测分析。仿真实验表明该方法可以有 效地检测识别电压暂降、电压暂升、电压中断和暂态振荡 等电能质量暂态扰动，以及发生暂态扰动起止时刻。该方 法在实际应用中，比文献[4]分析计算简单，速度快，计算所 得的数据量少，使得它在电能质量扰动检测中更加具有实 时性。 本文所研究的扰动类型有限[8-9]，未包含几种扰动同时 发生的情况以及在暂态扰动中同时含有噪声的情况。在 加入这些扰动类型后，是否有这样的效果将是下一步需继 续研究的问题。 参考文献： [1] 胡铭，陈珩.基于小波变换模极大值的电能质量扰动检测与定 位[J].电网技术，2001，25（3）：12-16. [2] 蔡政，陶少华.一种小波和脊波联合去噪方法[J].计算机工程与 应用，2012，48（9）：201-204. [3] 薛惠，杨仁刚.基于小波包除噪的电能质量扰动检测方法[J].中 国电机工程学报，2004，24（3）：85-90. [4] 林涛，樊正伟.利用小波变换及人工神经网络识别电能扰动[J]. 高电压技术，2007，33（7）：151-153. [5] 李加升，戴瑜兴，柴世杰.基于预测机制的电能质量扰动检测 方法研究[J].电力系统保护与控制，2010，38（17）：96-100. [6] 汤胜清，程小华.一种基于多层前向神经网络的谐波检测方法[J]. 中国电机工程学报，2006，26（18）：90-94. [7] 王晓飞，李柏年.利用脉冲耦合神经网络的纹理图像检索方法[J]. 计算机工程与应用，2012，48（7）：201-204. [8] 秦代春，周林，郭珂，等.一种小波神经网络的电能质量信号去 噪新方法[J].电力系统保护与控制，2010，38（13）：88-93. [9] 蒋文萍.移动机械手的 T-S 模糊控制系统[J].计算机工程与应 本文针对当前电能质量分析的难点是对暂态和非平 用，2011，47（18）：222-225.