基于神經網絡的有源電力濾波器應用研究

圖3.1基于BP網絡的諧波電流檢測方案

　　3.2BP諧波檢測網絡的實現

　　BP網絡中的一個關鍵步驟是關于隱含層的設計，包括隱含層的數量和對應關系等問題。若BP網絡中的每個輸出諧波都與同一個隱層相連接，輸出層和隱層之間的連接權對對諧波濾波值可以給出最佳值，但是整個系統的記憶負擔太重，而降低系統的效能，并有可能相互影響。但是如果使每次諧波分別對應于一個隱層，即都有自己的隱層，每個隱層只負責記憶自己所對應的那個諧波的隱含映射關系，將會更好地克服由于一個隱層帶有的諧波之間相互影響的問題。

　　在本文中我們對圖3.1所示的多層前饋神經網絡的訓練采用的是一種啟發式學習算法即動量BP算法（MOBP），該算法采用動量法調整策略，可顯著降低網絡對于誤差曲面局部細節的敏感性，有效的抑制網絡陷入局部極小，在網絡訓練中MOBP采用式（3.1）和式（3.2）修正權值和閾值。

　　在式（3.1）和（3.2）中：是學習速率，γ是動量系數。m是指網絡的第m層，是近似均方誤差對m層輸入的敏感性，b是網絡權值，w是網絡閾值，Y是網絡輸出層的輸出，T是矩陣轉置。

四.仿真研究

　　用上述構成的組合控制進行仿真，將電流檢測應用到有源電力濾波器中觀察波形，神經網絡輸出層采用非線性激活函數logsig和線性激活函數pureline進行檢測結果對比，根據仿真值計算所得的THD平均值如表1所示：

　　表1測試樣本補償前后的平均THD值

　　采用訓練好的BP網絡檢測實驗仿真濾波器電路的電流波形，其中電源電流波形和濾波器注入電流波形分別如圖4.1至圖4.5所示。

圖4.1電源電流波形

圖4.2濾波器注入電流波形

圖4.3沒有濾波裝置時的系統電流

圖4.4投入混合型有源濾波器后的系統電流

圖4.5不同情況下系統電流頻譜比較

　　表1和圖4.1、圖4.2表明總諧波畸變率經諧波補償后得到了明顯的下降，說明該諧波電流檢測方法能較好的進行諧波電流檢測并比較好的進行補償。

結束語

　　本文從瞬時無功功率入手，通過對BP網絡模型、檢測方法等方面的改進進行組合控制,在負載突變時引進神經網絡提高準確實時性，得到了準確實時性好的諧波檢測方法，結合有源濾波器將檢測方法應用到檢測環節通過仿真結果可以看出該方法為分析和設計諧波動態檢測提供了有效的手段和工具。