供电系统误动作机理分析+ETAP仿真(9)
图3.10 MIV算法流程图
3.4 学习样本的收集
学习样本对BP网络的应用成败至关重要，学习样本如果差的话不但会导致网络的错误的映射关系，同时也会使神经网络的学习过程最终无法收敛，因此，应格外的注意去选择学习的样本。采集学习的样本的通常原则[46-47]：
(1)具有代表性的样本当：采集的样本应当尽可能起到“以点代面”作用，即，尽可能的体现网络的输入输出之间的关系。
(2)采集具有广泛性的样本：样本越为广泛性，那么训练出来的BP网络具有越好的适应能力，使它在多种场合适用。所以采集的样本最好能提供了BP网络在各种情况下的输入，并能给出相应的期望输出。
(3)采集具有紧凑性的样本：除了具有以上的条件外，学习的样本还应当具有紧凑性。若含有大量冗余成分，学习样本会产生以下的不利情况：
①训练出的神经网络会产生错误的映射，那么网络输出将出现过多偏向冗余学习的成分注入到所形成的输出。
② 导致神经网络的学习过程收敛困难甚者是不收敛。
3.5 谐波源辨识的实际案例分析
下面利用上面所介绍的BP网络算法和MIV的神经网络谐波源的识别方法对5#400V母线上的变频器进行辨识，通过数据来明确哪个变频器对母线造成的污染最严重，为以后的治理打下良好的基础。（5#400V母线上的变频器数据为查阅相关资料所得，如下表3.1所示）。
表3.1 各监测点瞬时检测数据
THDI 谐波电流（A）
5th 7th 11th 13th
5#400V母线 13.66% 16.5 10.84 2.63 0.78
BP1 105.27% 77.31 61.48 26.62 15.32
BP7 94.74% 62.56 52.41 37.63 27.81
BP8 92.63% 62.21 54.81 32.42 25.99
BP13 85.19% 68.99 46.52 11.88 7.81
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400V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。神经网络系统结构图如图3.11所示：
图3.11 BP神经网络系统结构图
将上述数据进行神经网络训练后，再对5#400V母线上的数据进行基于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。最后辨识的结果如下表3.2所示：
表3.2 谐波源辨识结果
MIV BP1 BP7 BP8 BP13
THDI 2.6078 0.0.8864 0.8763 -0.9311
5th 7.0069 0.4083 -3.1546 -10.4012
7th 4.9786 -1.1838 -0.1474 -4.4011
11th 8.2058 -1.6829 -2.5359 0.4963
13th 2.6459 0.4642 1.2300 -3.5991
从谐波源辨识结果上可以看出，BP1是5#400V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。