应用于兆瓦级变流器的小波网络电流瞬时值检测方法

摘要

本发明公开了一种应用于兆瓦级变流器的小波网络电流瞬时值检测方法，将变流器电流采样值作为小波神经网络的输入向量，将滤波后的变流器电流输出值作为小波神经网络的输出向量，选取Morlet小波函数，利用计算样本重心的方法初始化小波神经网络中间隐层的伸缩参数和平移参数，并利用伸缩参数和平移参数，采用梯度下降法,调整网络参数，求得滤波后的变流器电流输出值。本发明无需对变流器三相网侧电流进行实时采样，保证了变流器系统稳定可靠，提高了电流瞬时值检测的准确性，提高了电流环路的动态性能；本发明的方法实现方便，运算量小，且有很好的稳定性和抗扰性，是一种非常理想的检测方法。

主权项

一种应用于兆瓦级变流器的小波网络电流瞬时值检测方法，其特征在于，该方法为：1）设未经滤波的变流器电流采样值x_r=[x₁,x₂,…,x_n]^T为小波神经网络的输入向量，设滤波后的变流器电流输出值y_r=[y₁,y₂,…,y_m]^T为输出向量，输出层到隐层的权值为w_ij，隐层到输入层的权值为w_jk，中间隐层的伸缩参数和平移参数分别为a_j和b_j，隐层神经元数为N，i=1,2，…,m；j=1,2，…,N；k=1,2，…,n；n为输入节点数，m为输出节点数；2）初始化伸缩参数a_j和平移参数b_j；3）输入学习样本对(x_r,y_r)，r=1,2，…,n；4）利用所述学习样本对对应的伸缩参数a_j和平移参数b_j计算输出向量y_r，所述输出向量y_r的计算公式为：$y_r=f_i\left(t\right)=\underset{j=1}{\overset{N}{\Sigma }}{w}_{\mathrm{ij}}{\Psi }_{a,b}\left(\mathrm{ne}{t}_j\right),$其中，$\mathrm{ne}{t}_j=\underset{k=1}{\overset{n}{\Sigma }}{w}_{\mathrm{jk}}{x}_k\left(t\right),{\Psi }_{a,b}\left(\mathrm{ne}{t}_j\right)=\Psi \left(\frac{\mathrm{ne}{t}_j-b_j}{a_j}\right),$Ψ（）为选取的小波函数；f_i(t)为小波函数第i个输出向量的表达式；5）采用BP算法训练所述小波神经网络，取优化目标函数E为：$E=0.5\underset{p=1}{\overset{N}{\Sigma }}\underset{i=1}{\overset{n}{\Sigma }}{[d_i^{\left(p\right)}-y_i^{\left(p\right)}]}^2,$其中，为输入样本p第i个输出节点的期望输出电流，为输入样本p第i个输出节点的实际输出电流；p=x_r；6）计算优化目标函数E的瞬时梯度向量：$\frac{\partial E}{\partial w_{\mathrm{ij}}\left(n\right)}=\underset{p=1}{\overset{N}{\Sigma }}(d_i^{\left(p\right)}-y_i^{\left(p\right)})y_i^{\left(p\right)}(1-y_i^{\left(p\right)}){\Psi }_{b_j{a}_j}^p\left(\mathrm{ne}{t}_j\right),$$\frac{\partial E}{\partial w_{\mathrm{ij}}\left(n\right)}=\underset{p=1}{\overset{N}{\Sigma }}\underset{k=1}{\overset{n}{\Sigma }}(d_i^{\left(p\right)}-y_i^{\left(p\right)})y_i^{\left(p\right)}(1-y_i^{\left(p\right)})w_{\mathrm{ij}}^{\left(p\right)}{\Psi }_{b_j{a}_j}^{\prime p}\left(\mathrm{ne}{t}_j\right)\frac{x_k^{\left(p\right)}}{a_j^{\left(p\right)}},$$\frac{\partial E}{\partial a_j\left(n\right)}=\underset{p=1}{\overset{N}{\Sigma }}\underset{k=1}{\overset{n}{\Sigma }}(d_i^{\left(p\right)}-y_i^{\left(p\right)})y_i^{\left(p\right)}(1-y_i^{\left(p\right)})w_{\mathrm{ij}}^{\left(p\right)}{\Psi }_{b_j{a}_j}^{\prime p}\left(\mathrm{ne}{t}_j\right)\frac{\mathrm{ne}{t}_j^{\left(p\right)}-b_j^{\left(p\right)}}{{\left(a_j^{\left(p\right)}\right)}^2},$$\frac{\partial E}{\partial b_j\left(n\right)}=\underset{p=1}{\overset{N}{\Sigma }}\underset{k=1}{\overset{n}{\Sigma }}(d_i^{\left(p\right)}-y_i^{\left(p\right)})y_i^{\left(p\right)}(1-y_i^{\left(p\right)})w_{\mathrm{ij}}^{\left(p\right)}{\Psi }_{b_j{a}_j}^{\prime p}\left(\mathrm{ne}{t}_j\right)\frac{1}{a_j^{\left(p\right)}}$其中，w_ij(n)、w_jk(n)分别为当前输出层到隐层的权值和当前隐层到输入层的权值；a_j(n)和b_j(n)分别为当前中间隐层的伸缩参数和平移参数；为输入样本p第j个输出节点中间隐层的伸缩参数；为输入样本p第j个输出节点输出层到隐层的权值；()为[ba，p]区间内小波函数；为输入样本p第i个输出节点的实际输出电流；7）利用上述各瞬时梯度向量得到以下权值迭代公式：$w_{\mathrm{ij}}(n+1)=w_{\mathrm{jk}}\left(n\right)-{\eta }_{\mathrm{jk}}\frac{\partial E}{\partial w_{\mathrm{jk}}}\left(n\right),$$w_{\mathrm{ij}}(n+1)=w_{\mathrm{jk}}\left(n\right)-{\eta }_{\mathrm{jk}}\frac{\partial E}{\partial w_{\mathrm{jk}}}\left(n\right),$$a_j(n+1)=a_j\left(n\right)-{\eta }_a\frac{\partial E}{\partial a_j}\left(n\right),$$b_j(n+1)=b_j\left(n\right)-{\eta }_b\frac{\partial E}{\partial a_j}\left(n\right);$其中，η_ij，η_jk，η_a,η_b分别为参数w_ij,w_jk，a_j,b_j的学习速率；w_jk(n+1)、w_ij(n+1)分别为下一次学习的输出层到隐层的权值和隐层到输入层的权值，a_j(n+1)、b_j(n+1)分别为下一次学习的中间隐层的伸缩参数和平移参数；8）当E＜10^‑5，或者达到最大学习次数10⁵时，终止学习；否则，返回3），输入另一个样本对，进行下一次学习；所述步骤1）中，隐层神经元数N的计算公式为：$N=\sqrt{\mathrm{nm}+1.6799n+0.9298};$所述步骤2）中，初始化伸缩参数a_j和平移参数b_j的过程为：选取区间[0，n]的重心点E，设a₁=E，b₁=ξn，其中ξ取值范围为[0.40.6]；选取区间[0，E]的重心点V，设a₂=V，b₂=ξT，其中T为区间[0，E]的长度；依次类推，直到得到a_N和b_N；所述步骤4）中，选取Morlet小波函数，即：$\Psi \left(\frac{\mathrm{ne}{t}_j-b_j}{a_j}\right)=\Psi \left(t\right)=\exp (-t^2/2)\cos \left(\mathrm{\alpha t}\right),$其中α=1.75。