基于极限学习机的谐波电流检测方法-论文.pdf

《基于极限学习机的谐波电流检测方法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第46卷第3期郑州大学学报(理学版)Vo1．46No．32014年9月J．ZhengzhouUniv．(Nat．Sci．Ed．)Sep．2014基于极限学习机的谐波电流检测方法王杰，王瑶，彭金柱(郑州大学电气工程学院河南郑I'1450001)摘要：谐波电流检测的实时性和准确度直接影响有源电力滤波器的谐波补偿效果．针对基于传统神经网络谐波检测方法的不足，提出了一种基于极限学习机的谐波电流检测新方法．首先详细给出了极限学习机的训练样本的组成和训练方法，然后构造检测模型实现对谐波电流幅值和相位的检测．仿真结果表明，该谐波电流检测方法的检测精度普遍达到10

2、I¨，在有白噪声影响的情况下检测精度达到l0一，与基于传统神经网络的谐波检测方法相比具有更高的检测精度和更强的泛化能力，更加适用于谐波源固定的场合．关键词：极限学习机；谐波检测；谐波幅值；有源电力滤波器中图分类号：TM93文献标志码：A文章编号：1671—6841(2014)03—0091—05D0l：10．3969／j．issn／1671—6841．2014．03．0200引言近年来，作为抑制电网谐波的一种有效手段，有源电力滤波器(activepowerfilter，APF)已被广泛应用于电力电子设备中．作为APF的一个重要环节，谐波检测[1-2

3、]的实时性和准确度直接影响其谐波补偿效果．许多学者提出了诸多谐波检测方法，其中应用比较广泛的是快速傅里叶分析(FFTr)、基于瞬时无功功率理论的智能检测方法J．在这些方法中，FFT方法需要大量的计算时间和响应时间；基于瞬时无功功率的检测算法一般适用于三相平衡的电路系统中，其低通滤波器使用的积分环节也使得电流检测出现延迟；基于小波的谐波检测方法与小波的选取有关，不同的小波分析得到的结果可能相差很大．人工神经网络具有分布并行处理、非线性映射、自适应学习和鲁棒等特性，已经被用于谐波检测一10]中，并且成为研究的热点．传统的神经网络以经验风险最小化为原则，

4、其精度取决于样本，存在完整的样本难以获得，样本训练时间较长，容易产生过拟合，难以保证泛化性能等问题．而且，神经网络用于谐波检测的难点在于训练样本的构造，如果训练样本选取不当，即使使用大量样本，训练后的网络依然会变得杂乱无章不可用．作为一种特殊的单隐层前馈神经网络，极限学习机¨(extremelearningmachine，ELM)在保证网络具有结构简单、学习速度快等特点的同时，利用Moore—Penrose广义逆求解网络权重，以获得较小的权重范数，避免了基于梯度下降学习方法而产生的诸多问题，如局部极小、迭代次数过多、性能指标及学习率的确定等，可获得

5、良好的网络泛化性能．本文将极限学习机引入谐波检测中，同时在文献[9]所提出样本选取方法的基础上，进一步细化样本的选取间隔，使训练之后的网络具有更加广泛的适用性，通过与基于传统神经网络BP谐波检测方法的仿真比较表明，该谐波检测方法具有更高的精度和泛化能力．1ELM的基本原理给定N个任意的各不相同的样本(，t)，其中=Ex，⋯，]∈R“，t=[t，⋯，]∈R，一个拥有￡个隐含层节点，前馈神经网络的输出可以表示为∑G(a·+bi)=Oj，∈R，nER，∈R，i．其中a=[Ct口，⋯，口]，是网络的输入层到第i个节点的输人权值；是第i个隐含层节点的偏置收稿

6、日期：2o13一l1—12基金项目：高等学校博士学科点专项科研项目，编号20124101120001；河南省重点科技攻关项目，编号122102210503作者简介：王杰(1959一)，男，教授，博士生导师，主要从事模式识别与智能控制研究，E—mail：wj@ZZU．edu．cn．郑州大学学报(理学版)第46卷(bias)；卢=[JB卢，⋯，JB]，是第i个隐含层节点的输出权值；乜·xj表示向量a和的内积．G()为隐含层激励函数．若该前馈神经网络能以零误差逼近这N个样本，也就意味着∑l—tjll=0，则存在口，，使∑G(a·+bi)=tj,i=1，2

7、，⋯，L；j：1，2，⋯，ⅣI由矩阵来表示为=，其中，r卢]rt1rG(a1·x1+b1)⋯G(a￡·l+)]日(a一，aL，b．．，bL，--，XⅣ)=l⋯⋯⋯1．(1)LG(a,。XN+b1)⋯G(aL‘XN+bL)J『vL由文献[10]定义，日称之为网络隐含层输出矩阵．由于L《Ⅳ，H为非方阵，在随机给定a与b时，由Moore-Penrose广义逆定理，求得唯一的解日～，则卢=日I1(2)由线性系统的最小二乘范数与式(1)，可以得到矩阵H为H=min『IHH～T—TlI；T=[t。，t：，⋯，t]．由矩阵H代入式(2)中可以得到解卢，从而确定了

8、ELM的网络参数，完整的ELM网络如图1所示．由图1可以看到相比于传统的神经网络，ELM的输人权值和偏置可以随机设置，在训