別威 田麗

摘?要：提出SOM神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量綜合評估方法，討論實(shí)測綜合數(shù)據(jù)排名和等級劃分.實(shí)證結(jié)果表明，SOM神經(jīng)網(wǎng)絡(luò)方法對電能質(zhì)量綜合評估有效.

關(guān)鍵詞：SOM神經(jīng)網(wǎng)絡(luò);電能質(zhì)量;MATLAB

[中圖分類號]TM71???[文獻(xiàn)標(biāo)志碼]A

Synthetic Evaluation of Power Quality Based onSOM Neural Network

BIE Wei ，TIAN Li

（School of Electrical Engineering， Anhui University of Engineering， Wuhu 241000， China）

Abstract：This thesis proposes a comprehensive evaluation method of power quality for SOM neural network， and discusses the ranking and ranking of measured comprehensive data. The empirical results show that the SOM neural network method is effective for comprehensive evaluation of power quality.

Key words：SOM neural network; power quality; MATLAB

隨著電能質(zhì)量綜合評估指標(biāo)的逐步提高，電能質(zhì)量綜合評價(jià)呈現(xiàn)出高度復(fù)雜的非線性特征.人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）[1-5]模型具有較強(qiáng)的自適應(yīng)能力、較低的工作量和較快的更新速度.通過神經(jīng)元函數(shù)的簡單復(fù)合，可以逼近有界子集上的任何非線性函數(shù).SOM神經(jīng)網(wǎng)絡(luò)輸入信號的拓?fù)浞植?，能在一維或二維的處理單元陣列上表示，其訓(xùn)練數(shù)據(jù)可滿足電能質(zhì)量分類的要求，并根據(jù)聚類結(jié)果區(qū)分優(yōu)缺點(diǎn).因此，本文使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行電能質(zhì)量綜合評價(jià)，對于改進(jìn)電能質(zhì)量的綜合評價(jià)方法具有重要意義.

1?SOM神經(jīng)網(wǎng)絡(luò)電能質(zhì)量評估模型與等級標(biāo)準(zhǔn)

1.1?SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

自組織特征映射算法用來檢測數(shù)據(jù)的相似性，是一個(gè)可以配置為有選擇反映輸入數(shù)據(jù)的網(wǎng)絡(luò).

第一步?網(wǎng)絡(luò)初始化

網(wǎng)絡(luò)的初始化包括輸入層和映射層之間權(quán)值的初始化.輸入神經(jīng)元m的數(shù)量連接到競爭層的神經(jīng)元，被賦予較小的權(quán)值.定義一個(gè)集合，輸出神經(jīng)j的“鄰接神經(jīng)元”（Si），t=0時(shí)神經(jīng)元j的集合為（Sj（0）），t時(shí)刻“鄰接神經(jīng)元”的集合為（Sj（t）），且區(qū)域Sj（t）隨著時(shí)間變化為一個(gè)單調(diào)遞減的函數(shù).

第二步?輸入向量

輸入向量X=（x1，x2，x3，…，xm）T到輸入層.

第三步?計(jì)算權(quán)重與輸入向量的距離

dj=‖X-Wj‖=∑mi=1（xi（t）-wij（t））2.（1）

距離最小神經(jīng)元為j*，在單元k確定情況下，則需要滿足對于任何單位都存在dk=minj（dj）的鄰接神經(jīng)元集合.

第四步?學(xué)習(xí)權(quán)值

Δw=wij（t+1）-wij（t）???=η（t）（xi（t）-wij（t））.（2）

η（t）=1t或η（t）=0.2（1-110 000）.（3）

η大于0且小于1的常數(shù)隨著時(shí)間逐漸減小.

第五步?計(jì)算輸出O k

O k=f（minj‖X-Wj‖）.（4）

對f（*）通常是0～1函數(shù)或其他非線性函數(shù).

如果滿足要求，算法結(jié)束;否則返回步驟（2），繼續(xù)下一輪學(xué)習(xí).

1.2?建立SOM神經(jīng)網(wǎng)絡(luò)模型

建立評估模型.選定電能質(zhì)量的評估指標(biāo)，對輸出最大的神經(jīng)元標(biāo)記進(jìn)行標(biāo)記，將待測樣本輸入SOM神經(jīng)網(wǎng)絡(luò)，確定分界樣本的模型輸出值，評估電能質(zhì)量綜合指標(biāo).

1.3?電能質(zhì)量評估的選定與分級處理

本文采用以下指標(biāo)進(jìn)行分類：供電電壓允許偏差[6]、電力系統(tǒng)頻率偏差[7]、電壓波動(dòng)和閃變[8]、三相電壓允許不平衡度[9]、公用電網(wǎng)諧波[10].數(shù)據(jù)標(biāo)準(zhǔn)見表1.根據(jù)國家標(biāo)準(zhǔn)體系的規(guī)定，將電能質(zhì)量五項(xiàng)指標(biāo)綜合評價(jià)分為九個(gè)層次[11]，等級1到等級5代表電能質(zhì)量合格，級別6到9代表不合格.當(dāng)質(zhì)量為可接受的范圍時(shí)，可以更精細(xì)檢查電能質(zhì)量，而當(dāng)質(zhì)量不合格時(shí)，可以對進(jìn)行廣泛測試以發(fā)現(xiàn)問題.

表1中，電壓波動(dòng)X2括號內(nèi)是隨機(jī)不規(guī)則波動(dòng)時(shí)的極限，長時(shí)間閃變限值在電壓閃變X3的括號內(nèi);X5是短時(shí)間范圍內(nèi)的三相電壓允許不平衡度的極限值;X6括號內(nèi)代表著系統(tǒng)容量放寬后的極限值.

2?應(yīng)用案例

采用SOM神經(jīng)網(wǎng)絡(luò)電能質(zhì)量評估模型，分析某變電站110 kV電能質(zhì)量測試數(shù)據(jù).數(shù)據(jù)來源：10組文獻(xiàn)數(shù)據(jù)，5組某電力公司變電站2016年5個(gè)監(jiān)測點(diǎn)的電能質(zhì)量實(shí)測數(shù)據(jù).[12]數(shù)據(jù)整理匯總表見2.其中，X1～ X6代表 6項(xiàng)電能質(zhì)量指標(biāo)，見表2和表3.

表3中的數(shù)據(jù)用SOM神經(jīng)網(wǎng)絡(luò)的MATLAB仿真實(shí)現(xiàn)模擬，得到其類聚結(jié)果見表4.當(dāng)訓(xùn)練步數(shù)為10時(shí)，級別1，2和5為一個(gè)類別，級別3，4，6，7為一類.可以看出，SOM神經(jīng)網(wǎng)絡(luò)在對樣本數(shù)據(jù)的處理上具有分類的作用.要想把8個(gè)等級都分出來，顯然不夠精確，訓(xùn)練步數(shù)需要增加.

當(dāng)訓(xùn)練步數(shù)為200時(shí)，每個(gè)等級都被劃分為一類，劃分更加精細(xì)了.當(dāng)訓(xùn)練步數(shù)為500和1 000時(shí)，獲得相同的結(jié)果，并且每個(gè)級別被分成為一個(gè)級別，所以也就沒有再提高訓(xùn)練步數(shù)的必

要.圖1顯示了SOM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，圖2顯示了臨近神經(jīng)元直接距離，圖3為SOM神經(jīng)網(wǎng)絡(luò)權(quán)重位置，圖4顯示了每個(gè)神經(jīng)元的分類.

仿真圖形4中顯示1的部分代表在訓(xùn)練過程中獲勝的神經(jīng)元.利用MATLAB的仿真功能，對表3數(shù)據(jù)進(jìn)行模擬分析，各監(jiān)測點(diǎn)電能質(zhì)量組合綜合評價(jià)情況與等級的排名見表5.

3?結(jié)論

本文提出了一種電能質(zhì)量綜合評估方法，可以客觀、全面地評估電能質(zhì)量.在沒有授權(quán)的情況下，神經(jīng)網(wǎng)絡(luò)訓(xùn)練可以客觀地反映評估指標(biāo)之間的內(nèi)在聯(lián)系.案例數(shù)據(jù)分析表明，基于SOM神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量綜合評估方法在理論和實(shí)踐上具有一定的可行性.

參考文獻(xiàn)

[1]劉穎英.智能化電能質(zhì)量綜合評估方法分析與比較研究[D].北京：華北電力大學(xué)，2007.

[2]周林，栗秋華，劉華勇，等.用模糊神經(jīng)網(wǎng)絡(luò)模型評估電能質(zhì)量[J].高電壓技術(shù)，2007（9）：66-69.

[3]李敬德，康維新.基于信息熵和BP神經(jīng)網(wǎng)絡(luò)的信號奇異點(diǎn)智能檢測[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2017（4）：1-5+43.

[4]商玉萍，韋晨珺娃，李超.我國能源生產(chǎn)總量組合預(yù)測研究[J].牡丹江師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2018（1）：10-13.

[5]王小川，史峰，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2013.

[6]國家技術(shù)監(jiān)督局GB/T12325-2008，電能質(zhì)量.供電電壓偏差[S].北京：中國標(biāo)準(zhǔn)出版社，2008.

[7]國家技術(shù)監(jiān)督局GB/T15945-2008，電能質(zhì)量.電力系統(tǒng)頻率偏差[S].北京：中國標(biāo)準(zhǔn)出版社，2008.

[8]國家技術(shù)監(jiān)督局GB/T12326-2008，電能質(zhì)量.電壓波動(dòng)和閃變[S].北京：中國標(biāo)準(zhǔn)出版社，2008.

[9]國家技術(shù)監(jiān)督局GB/T15543-2008，電能質(zhì)量.三相不平衡[S].北京：中國標(biāo)準(zhǔn)出版社，2008.

[10]國家技術(shù)監(jiān)督局GB/T14549-1993，電能質(zhì)量.公用電網(wǎng)諧波[S].北京：中國標(biāo)準(zhǔn)出版社，2008.

[11]周林，栗秋華，劉華勇，等.用模糊神經(jīng)網(wǎng)絡(luò)模型評估電能質(zhì)量[J].高電壓技術(shù)，2007（9）：66-69.

[12]賀仁茜.電能質(zhì)量組合綜合評價(jià)方法的研究[D].重慶：重慶郵電大學(xué)，2017.

編輯：琳莉