供电设备的谐波污染分析和辨识

阮斌，徐功，潘悦维

(1.中国石化上海石油化工股份有限公司公用事业公司，上海 200540，2.华东理工大学 自动化系，上海 200237)

0 引言

随着生产技术水平的不断发展，电力设备被广泛地用于工业领域，工厂企业尤其是流程工业企业对电能质量和可靠性的要求提出了很高的要求，影响电网质量和可靠运行的一个问题就是供电装置的误动作，如何避免误动作，减少误动作的发生成为输配电技术中需要解决的问题之一。

1 企业供电谐波的成因分析

电力系统谐波产生的根本原因是因为在电力系统中某些用电设备、负荷的非线性特征造成的，即负载侧的电压与电流不是线性关系而导致的电压畸变[1]。在工厂企业输变电部门谐波的主要产生原因是:电力变压器产生的谐波，是由于变压器铁芯饱和，磁化曲线的非线性特性，再加上变压器设计过程中考虑到经济型因素，其工作磁密处在磁化曲线的近饱和段上面，这就导致磁化电流呈尖顶波形，从而含有了奇次谐波。与此同时，用电设备产生谐波，也是产生谐波的主要原因，其中包括各类换流装置、电子调压设备、感应炉、电弧炉以及在现代工业装备中为节能以及控制使用的各类电力电子设备等。其中变频器由于采用了相位控制，导致谐波成分更复杂，除了含有整数次谐波以外，还有分数次谐波，这类装置功率一般都比较大，变频器的谐波含量以及分布更大，对电网造成的谐波污染也越来越多。

以上这些具有非线性特性的用电设备，即便输入侧提供的是标准的正弦波电压，也会由于其非线性特性产生谐波电流并注入系统，使得系统各处电压和电流产生谐波分量，有些地方还可能由于系统参数的原因而产生谐波放大，这些用电设备产生的谐波电流大小仅仅取决于设备自身的参数以及工作状态，与系统的参数和结构无关。

2 谐波分析的模型与辨识机理

谐波源尽管是提供谐波电流的能量源，但是它的能量却是由工频的基波所提供的。非线性用电设备产生谐波电压和电流的过程，实际上就是一个消耗工频电能，并且将其中的一部分工频电能转换为各次谐波电能向系统注入的过程。由此可以看出，高次谐波是对电力系统电能质量的一种污染。

本文提出了一种基于平均影响值(MIV，Mean Impact Value)的神经网络谐波源识别方法，利用平均影响值来得到在电力系统中对电能质量影响较大的谐波源，MIV被认为是在神经网络中评价变量相关性最好的指标之一，也为解决此类问题开创了新思路。因此基于平均影响值(MIV，Mean Impact Value)的神经网络谐波源识别方法有很高的实际价值。

2.1 BP神经网络学习的原理

图1 BP网络学习原理

在只考虑一个隐含层的图1中，先给LA层单元与LB层单元之间和 LB层单元与LC层单元之间连结权重以及 LB层单元的阈值 θi、LC层单元阈值 γi赋[－ ε，+ε]区间的随机值(ε＜ 0)[2－4]。对 每 个模式对(Ak，Tk)(k=1，2，……，m)，图 2所示的学习流程框图按下面的过程来学习:

(1)将输入模式送至 LA层，LA层单元激活值 ah通过连结权重矩阵V送至LB层，产生LB层中新的净输入 netbi，从而产生LB层单元输出值bi;

图2 BP网络学习流程图

式中 i=l，2，…，P，f为 S 型函数。

(2)计算LC层单元输出值:

式中 j=1，2，…，q。

(3)计算输出LC层单元一般化误差:

式中 j=1，2，…，q，k=l，…m，m 为总体样本数;TKj为 LC层单元 j的期望输出，为教师信号。

(4)计算输出LB层单元一般化误差:

式中i=1，2，…，p;上式就是将 LC层单元的误差反向传播到了LB层。

(5)调整LC层单元到LB层单元的连接权重以及阈值:

式中 i=1，2，…，P，j=1，2，…，q，η 是学习率(0 ＜ η ＜1)。(6)整LB层单元到LA层单元的连接权重和阈值:

式中 h=l，2，…，n，j=1，2，…，q。

2.2 MIV的基本原理

Dombi和Nandi等人提出了使用 MIV(Mean Impact Value)来体现神经网络中权重矩阵的变化情况[5]，它是用来确定神经网络中输入神经元对于输出神经元影响程度的一个重要标准，其符号代表相关方向，绝对值大小代表了影响程度的相对重要性。具体的计算过程如下:在神经网络训练结束后，将训练样本X中每一个自变量特征在原始值的基础上分别加减20%从而构成新的两个训练样本X1和X2，将X1和X2分别作为仿真样本利用已经建好的神经网络进行仿真，得到了两个仿真结果 Y1和Y2，求出Y1和Y2的差值，即为变动的自变量对于输出所产生的影响变化值(IV，Impact Value)，最后将影响变化值按照观测数平均得到该自变量对于应变量在神经网络中的MIV。按照以上步骤一次算出每个自变量的MIV值，最后根据MIV的绝对值大小得到各个自变量对神经网络相对重要程度的位次表，从而判断出输入网络特征对于网络结果的影响程度大小，即可实现神经网络谐波源辨识。MIV算法流程图如图3所示。

图3 MIV算法流程图

3 谐波源辨识的实际案例分析

根据母线段各个非线性用电设备的谐波特征参量来确定谐波源以及谐波源的性质对于提高电力系统电能质量，明确相关谐波责任，从而能够有针对性地提出相关治理措施有着重要的现实意义。由于焦化5#400 V母线上的非线性电力设备主要为变频器，所以主要对5、7、11、13次谐波电流数据进行了检测和记录。实测数据来自上海石化焦化5#400 V母线，使用FLUKE 435电能质量分析仪分别对400 V母线进线侧、变频器BP1、变频器BP7、变频器BP8、变频器BP13进行了数据记录。

图4 BP神经网络系统结构图

由于常规测量的谐波电流为实际谐波电流大小，而谐波电流与谐波源的容量有关，因此本文提出以各个变频器监测点的5、7、11、13次谐波电流以及谐波电流总畸变率为神经网络输入特征参量;以400 V母线监测点的5、7、11、13次谐波电流以及谐波电流总畸变率为神经网络输出特征参量[6]。神经网络系统结构如图4所示。

图5 BP神经网络运行过程

本文分别选用5#400 V母线上的各台变频器的谐波源参量作为神经网络识别的学习样本，对谐波的神经网络识别系统进行权值矩阵进行调整。

各监测点的瞬时检测数据如表1所示。

将上述数据进行神经网络训练后，对上海石化焦化5#400 V母线上测得的实际数据进行基于MIV的谐波源辨识，谐波源辨识采用的是4输入1输出的BP神经网络，训练数据300组，最大训练步数为5000，BP神经网络运行过程如图5所示，谐波源辨识结果如表2所示。

表1 各监测点瞬时检测数据

表2 谐波源辨识结果

从谐波源辨识结果上可以看出，BP1是5#400 V母线上污染最严重的谐波源;而从各次谐波的污染程度上来看5次谐波电流主要由BP1和BP13注入，7次谐波电流、11次谐波电流以及13次谐波电流主要由BP1注入。由此可以判定，BP1为该段母线上最主要的谐波污染源，建议对BP1采用有源滤波器进行重点治理或是对该段母线上的5、7、11、13次谐波采用无源滤波器组进行集中治理。

4 结束语

本文提出了一种基于平均影响值(MIV，Mean Impact Value)的神经网络谐波源识别方法，利用平均影响值来得到在电力系统中对电能质量影响较大的谐波源，能够较为准确地辨识出电力系统中的主要谐波源，为电力系统谐波污染治理找到了一条新思路，具有较高的实际意义。

[1]林海雪，孙树琴.电力网中的谐波[M].北京:中国电力出版社，1998.

[2]韩立群.人工神经网络理论、设计及应用[M].北京:化学工业出版社，2002.

[3]余立雪.神经网络与实例学习[M].北京:中国铁道出版社，1996.

[4]周志华，曹存根.神经网络及其应用[M].北京:清华大学出版社，2004.

[5]Dombi G W，Nandi P，Saxe J M，et al.Prediction of rib fracture injury outcome by an artificial neural network[J].The Journal of Trauma，1995，39(5):915－921.

[6]Hartana，Richards.Harmonic source monitoring and identification using neural networks[J].IEEE Transactions on Power Systems，1990，5(4):1098－1104.