论文部分内容阅读
摘 要：提出SOM神经网络的电能质量综合评估方法，讨论实测综合数据排名和等级划分.实证结果表明，SOM神经网络方法对电能质量综合评估有效.
关键词：SOM神经网络;电能质量;MATLAB
[中图分类号]TM71 [文献标志码]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
随着电能质量综合评估指标的逐步提高，电能质量综合评价呈现出高度复杂的非线性特征.人工神经网络ANN（Artificial Neural Network）[1-5]模型具有较强的自适应能力、较低的工作量和较快的更新速度.通过神经元函数的简单复合，可以逼近有界子集上的任何非线性函数.SOM神经网络输入信号的拓扑分布，能在一维或二维的处理单元阵列上表示，其训练数据可满足电能质量分类的要求，并根据聚类结果区分优缺点.因此，本文使用人工神经网络进行电能质量综合评价，对于改进电能质量的综合评价方法具有重要意义.
1 SOM神经网络电能质量评估模型与等级标准
1.1 SOM神经网络学习算法
自组织特征映射算法用来检测数据的相似性，是一个可以配置为有选择反映输入数据的网络.
第一步 网络初始化
网络的初始化包括输入层和映射层之间权值的初始化.输入神经元m的数量连接到竞争层的神经元，被赋予较小的权值.定义一个集合，输出神经j的“邻接神经元”（Si），t=0时神经元j的集合为（Sj（0）），t时刻“邻接神经元”的集合为（Sj（t）），且区域Sj（t）随着时间变化为一个单调递减的函数.
第二步 输入向量
输入向量X=（x1，x2，x3，…，xm）T到输入层.
第三步 计算权重与输入向量的距离
dj=‖X-Wj‖=∑mi=1（xi（t）-wij（t））2.（1）
距離最小神经元为j*，在单元k确定情况下，则需要满足对于任何单位都存在dk=minj（dj）的邻接神经元集合.
第四步 学习权值
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的常数随着时间逐渐减小.
第五步 计算输出O k
O k=f（minj‖X-Wj‖）.（4）
对f（*）通常是0～1函数或其他非线性函数.
如果满足要求，算法结束;否则返回步骤（2），继续下一轮学习.
1.2 建立SOM神经网络模型
建立评估模型.选定电能质量的评估指标，对输出最大的神经元标记进行标记，将待测样本输入SOM神经网络，确定分界样本的模型输出值，评估电能质量综合指标.
1.3 电能质量评估的选定与分级处理
本文采用以下指标进行分类：供电电压允许偏差[6]、电力系统频率偏差[7]、电压波动和闪变[8]、三相电压允许不平衡度[9]、公用电网谐波[10].数据标准见表1.根据国家标准体系的规定，将电能质量五项指标综合评价分为九个层次[11]，等级1到等级5代表电能质量合格，级别6到9代表不合格.当质量为可接受的范围时，可以更精细检查电能质量，而当质量不合格时，可以对进行广泛测试以发现问题.
表1中，电压波动X2括号内是随机不规则波动时的极限，长时间闪变限值在电压闪变X3的括号内;X5是短时间范围内的三相电压允许不平衡度的极限值;X6括号内代表着系统容量放宽后的极限值.
2 应用案例
采用SOM神经网络电能质量评估模型，分析某变电站110 kV电能质量测试数据.数据来源：10组文献数据，5组某电力公司变电站2016年5个监测点的电能质量实测数据.[12]数据整理汇总表见2.其中，X1～ X6代表 6项电能质量指标，见表2和表3.
表3中的数据用SOM神经网络的MATLAB仿真实现模拟，得到其类聚结果见表4.当训练步数为10时，级别1，2和5为一个类别，级别3，4，6，7为一类.可以看出，SOM神经网络在对样本数据的处理上具有分类的作用.要想把8个等级都分出来，显然不够精确，训练步数需要增加.
当训练步数为200时，每个等级都被划分为一类，划分更加精细了.当训练步数为500和1 000时，获得相同的结果，并且每个级别被分成为一个级别，所以也就没有再提高训练步数的必 要.图1显示了SOM神经网络的拓扑结构，图2显示了临近神经元直接距离，图3为SOM神经网络权重位置，图4显示了每个神经元的分类.
仿真图形4中显示1的部分代表在训练过程中获胜的神经元.利用MATLAB的仿真功能，对表3数据进行模拟分析，各监测点电能质量组合综合评价情况与等级的排名见表5.
3 结论
本文提出了一种电能质量综合评估方法，可以客观、全面地评估电能质量.在没有授权的情况下，神经网络训练可以客观地反映评估指标之间的内在联系.案例数据分析表明，基于SOM神经网络的电能质量综合评估方法在理论和实践上具有一定的可行性.
参考文献
[1]刘颖英.智能化电能质量综合评估方法分析与比较研究[D].北京：华北电力大学，2007.
[2]周林，栗秋华，刘华勇，等.用模糊神经网络模型评估电能质量[J].高电压技术，2007（9）：66-69.
[3]李敬德，康维新.基于信息熵和BP神经网络的信号奇异点智能检测[J].牡丹江师范学院学报：自然科学版，2017（4）：1-5+43.
[4]商玉萍，韦晨珺娃，李超.我国能源生产总量组合预测研究[J].牡丹江师范学院学报：自然科学版，2018（1）：10-13.
[5]王小川，史峰，郁磊，等.MATLAB神經网络43个案例分析[M].北京：北京航空航天大学出版社，2013.
[6]国家技术监督局GB/T12325-2008，电能质量.供电电压偏差[S].北京：中国标准出版社，2008.
[7]国家技术监督局GB/T15945-2008，电能质量.电力系统频率偏差[S].北京：中国标准出版社，2008.
[8]国家技术监督局GB/T12326-2008，电能质量.电压波动和闪变[S].北京：中国标准出版社，2008.
[9]国家技术监督局GB/T15543-2008，电能质量.三相不平衡[S].北京：中国标准出版社，2008.
[10]国家技术监督局GB/T14549-1993，电能质量.公用电网谐波[S].北京：中国标准出版社，2008.
[11]周林，栗秋华，刘华勇，等.用模糊神经网络模型评估电能质量[J].高电压技术，2007（9）：66-69.
[12]贺仁茜.电能质量组合综合评价方法的研究[D].重庆：重庆邮电大学，2017.
编辑：琳莉
关键词：SOM神经网络;电能质量;MATLAB
[中图分类号]TM71 [文献标志码]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
随着电能质量综合评估指标的逐步提高，电能质量综合评价呈现出高度复杂的非线性特征.人工神经网络ANN（Artificial Neural Network）[1-5]模型具有较强的自适应能力、较低的工作量和较快的更新速度.通过神经元函数的简单复合，可以逼近有界子集上的任何非线性函数.SOM神经网络输入信号的拓扑分布，能在一维或二维的处理单元阵列上表示，其训练数据可满足电能质量分类的要求，并根据聚类结果区分优缺点.因此，本文使用人工神经网络进行电能质量综合评价，对于改进电能质量的综合评价方法具有重要意义.
1 SOM神经网络电能质量评估模型与等级标准
1.1 SOM神经网络学习算法
自组织特征映射算法用来检测数据的相似性，是一个可以配置为有选择反映输入数据的网络.
第一步 网络初始化
网络的初始化包括输入层和映射层之间权值的初始化.输入神经元m的数量连接到竞争层的神经元，被赋予较小的权值.定义一个集合，输出神经j的“邻接神经元”（Si），t=0时神经元j的集合为（Sj（0）），t时刻“邻接神经元”的集合为（Sj（t）），且区域Sj（t）随着时间变化为一个单调递减的函数.
第二步 输入向量
输入向量X=（x1，x2，x3，…，xm）T到输入层.
第三步 计算权重与输入向量的距离
dj=‖X-Wj‖=∑mi=1（xi（t）-wij（t））2.（1）
距離最小神经元为j*，在单元k确定情况下，则需要满足对于任何单位都存在dk=minj（dj）的邻接神经元集合.
第四步 学习权值
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的常数随着时间逐渐减小.
第五步 计算输出O k
O k=f（minj‖X-Wj‖）.（4）
对f（*）通常是0～1函数或其他非线性函数.
如果满足要求，算法结束;否则返回步骤（2），继续下一轮学习.
1.2 建立SOM神经网络模型
建立评估模型.选定电能质量的评估指标，对输出最大的神经元标记进行标记，将待测样本输入SOM神经网络，确定分界样本的模型输出值，评估电能质量综合指标.
1.3 电能质量评估的选定与分级处理
本文采用以下指标进行分类：供电电压允许偏差[6]、电力系统频率偏差[7]、电压波动和闪变[8]、三相电压允许不平衡度[9]、公用电网谐波[10].数据标准见表1.根据国家标准体系的规定，将电能质量五项指标综合评价分为九个层次[11]，等级1到等级5代表电能质量合格，级别6到9代表不合格.当质量为可接受的范围时，可以更精细检查电能质量，而当质量不合格时，可以对进行广泛测试以发现问题.
表1中，电压波动X2括号内是随机不规则波动时的极限，长时间闪变限值在电压闪变X3的括号内;X5是短时间范围内的三相电压允许不平衡度的极限值;X6括号内代表着系统容量放宽后的极限值.
2 应用案例
采用SOM神经网络电能质量评估模型，分析某变电站110 kV电能质量测试数据.数据来源：10组文献数据，5组某电力公司变电站2016年5个监测点的电能质量实测数据.[12]数据整理汇总表见2.其中，X1～ X6代表 6项电能质量指标，见表2和表3.
表3中的数据用SOM神经网络的MATLAB仿真实现模拟，得到其类聚结果见表4.当训练步数为10时，级别1，2和5为一个类别，级别3，4，6，7为一类.可以看出，SOM神经网络在对样本数据的处理上具有分类的作用.要想把8个等级都分出来，显然不够精确，训练步数需要增加.
当训练步数为200时，每个等级都被划分为一类，划分更加精细了.当训练步数为500和1 000时，获得相同的结果，并且每个级别被分成为一个级别，所以也就没有再提高训练步数的必 要.图1显示了SOM神经网络的拓扑结构，图2显示了临近神经元直接距离，图3为SOM神经网络权重位置，图4显示了每个神经元的分类.
仿真图形4中显示1的部分代表在训练过程中获胜的神经元.利用MATLAB的仿真功能，对表3数据进行模拟分析，各监测点电能质量组合综合评价情况与等级的排名见表5.
3 结论
本文提出了一种电能质量综合评估方法，可以客观、全面地评估电能质量.在没有授权的情况下，神经网络训练可以客观地反映评估指标之间的内在联系.案例数据分析表明，基于SOM神经网络的电能质量综合评估方法在理论和实践上具有一定的可行性.
参考文献
[1]刘颖英.智能化电能质量综合评估方法分析与比较研究[D].北京：华北电力大学，2007.
[2]周林，栗秋华，刘华勇，等.用模糊神经网络模型评估电能质量[J].高电压技术，2007（9）：66-69.
[3]李敬德，康维新.基于信息熵和BP神经网络的信号奇异点智能检测[J].牡丹江师范学院学报：自然科学版，2017（4）：1-5+43.
[4]商玉萍，韦晨珺娃，李超.我国能源生产总量组合预测研究[J].牡丹江师范学院学报：自然科学版，2018（1）：10-13.
[5]王小川，史峰，郁磊，等.MATLAB神經网络43个案例分析[M].北京：北京航空航天大学出版社，2013.
[6]国家技术监督局GB/T12325-2008，电能质量.供电电压偏差[S].北京：中国标准出版社，2008.
[7]国家技术监督局GB/T15945-2008，电能质量.电力系统频率偏差[S].北京：中国标准出版社，2008.
[8]国家技术监督局GB/T12326-2008，电能质量.电压波动和闪变[S].北京：中国标准出版社，2008.
[9]国家技术监督局GB/T15543-2008，电能质量.三相不平衡[S].北京：中国标准出版社，2008.
[10]国家技术监督局GB/T14549-1993，电能质量.公用电网谐波[S].北京：中国标准出版社，2008.
[11]周林，栗秋华，刘华勇，等.用模糊神经网络模型评估电能质量[J].高电压技术，2007（9）：66-69.
[12]贺仁茜.电能质量组合综合评价方法的研究[D].重庆：重庆邮电大学，2017.
编辑：琳莉