本發(fā)明屬于諧波分析，具體涉及一種基于負(fù)載電壓電流信號的智能功率分析與諧波檢測方法。

背景技術(shù)：

1、電力電子技術(shù)在經(jīng)過近幾十年的迅猛發(fā)展，使得現(xiàn)代工業(yè)得到快速進(jìn)步，消費電子產(chǎn)品得到廣泛應(yīng)用，從而導(dǎo)致了電力系統(tǒng)中的諧波污染日益嚴(yán)重。諧波會影響電力設(shè)備的正常運(yùn)行效率，并且增加電力系統(tǒng)的損耗，具備導(dǎo)致設(shè)備故障的可能性，因此對諧波的準(zhǔn)確分析和監(jiān)測在當(dāng)前環(huán)境下顯得尤為重要。在諧波檢測領(lǐng)域，功率分析儀因其能夠精確測量電流、電壓以及功率因數(shù)得到廣泛應(yīng)用。

2、目前，國內(nèi)高精度功率分析普遍采用傅里葉變換(fft)等經(jīng)典算法對輸入信號進(jìn)行采樣，將時域信號轉(zhuǎn)換為頻域表示，并通過頻譜分析提取諧波成分的相關(guān)信息。然而，盡管快速傅里葉變換(fft)在諧波分析中得到廣泛應(yīng)用，這些方法在數(shù)據(jù)需求量、處理時間和模型適應(yīng)性方面存在顯著局限，尤其是在面對復(fù)雜電氣負(fù)載和多變環(huán)境條件時，難以保證高精度的檢測結(jié)果。為應(yīng)對這些問題，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)逐漸被應(yīng)用于諧波分析，憑借其強(qiáng)大的數(shù)據(jù)處理能力和非線性映射特性，神經(jīng)網(wǎng)絡(luò)能夠有效彌補(bǔ)傳統(tǒng)算法的不足，提升諧波分析的精度與適應(yīng)性，為高精度功率分析提供了新的解決方案。

3、在常規(guī)的神經(jīng)網(wǎng)絡(luò)方法中需要大量的訓(xùn)練數(shù)據(jù)樣本來訓(xùn)練模型，然而實際應(yīng)用中，負(fù)載諧波樣本數(shù)據(jù)極其稀缺，尤其是針對特定負(fù)載參數(shù)的樣本數(shù)據(jù)更是難以獲取。因此，小樣本學(xué)習(xí)在這種場景下逐漸顯現(xiàn)出其應(yīng)用優(yōu)勢。小樣本神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)樣本稀缺的條件下，能夠利用少量訓(xùn)練數(shù)據(jù)進(jìn)行較為準(zhǔn)確的輸出，具有高效、低成本、可實現(xiàn)性強(qiáng)等特點，為諧波分析提供了一種智能化的新型解決方案。

4、本發(fā)明基于快速傅里葉變換(fft)對輸入信號諧波成分的分析，通過小樣本神經(jīng)網(wǎng)絡(luò)為核心方法的構(gòu)建，利用阻容分壓和電阻采樣對負(fù)載輸入信號中的電壓和電流進(jìn)行采集，并結(jié)合差分放大和程控增益放大技術(shù)，將信號調(diào)整至adc適宜的輸入范圍內(nèi)以實現(xiàn)量化。同時，通過鎖相環(huán)技術(shù)確保輸出信號的頻率與相位與輸入信號保持一致，從而進(jìn)一步提高分析精度。該方法能夠?qū)Σ煌愋拓?fù)載(如電阻、電感、電容等)在不同工藝參數(shù)條件下的諧波特性進(jìn)行精確的離線分析，并在小樣本條件下對數(shù)據(jù)集進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，在已有的數(shù)據(jù)基礎(chǔ)上，利用生成對抗神經(jīng)網(wǎng)絡(luò)生成多樣化的功率分析值樣本來擴(kuò)展訓(xùn)練集，以此訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中監(jiān)控?fù)p失函數(shù)，使得學(xué)習(xí)率的變化根據(jù)損失函數(shù)來確定，提高模型訓(xùn)練的高效性與穩(wěn)定性。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提出了一種基于負(fù)載電壓電流信號的智能功率分析與諧波檢測方法，設(shè)計合理，解決了現(xiàn)有技術(shù)的不足，具有良好的效果。

2、一種基于負(fù)載電壓電流信號的智能功率分析與諧波檢測方法，包括以下步驟：

3、步驟1：通過傳感器對待測負(fù)載的電壓信號和電流信號進(jìn)行采集；

4、步驟2：對采集的信號進(jìn)行處理，調(diào)整至adc的合適輸入范圍內(nèi)，利用adc將模擬信號轉(zhuǎn)化為數(shù)字信號；

5、步驟3：采用鎖相環(huán)電路對數(shù)字信號進(jìn)行頻率跟隨處理，使鎖相環(huán)電路的輸出信號與輸入信號在頻率和相位上保持一致；

6、步驟4：構(gòu)建bp神經(jīng)網(wǎng)絡(luò)模型，采用了自適應(yīng)學(xué)習(xí)率調(diào)整策略，從而優(yōu)化了網(wǎng)絡(luò)的訓(xùn)練過程；

7、步驟5：將步驟3的輸出信號經(jīng)過fft處理后輸入到訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行功率分析與諧波檢測。

8、進(jìn)一步地，所述步驟1中，分別利用阻容分壓法和電阻采樣法對負(fù)載的電壓、電流信號進(jìn)行采集；在阻容分壓法中，低頻時阻容分壓網(wǎng)絡(luò)的衰減系數(shù)近似等于分壓電阻r1與r2的比值；在高頻時，采用阻容并聯(lián)方式來抵消電阻自身寄生電容以及pcb布局產(chǎn)生的寄生電容的影響；使r1c1＝r2c2來消除頻率對分壓的有影響，c1和c2為頻率補(bǔ)償電容。

9、進(jìn)一步地，所述步驟3中，采用鎖相環(huán)電路對采集信號進(jìn)行頻率追隨，先對輸入信號、輸出信號及相位比較器進(jìn)行初始化，通過相位比較器比較比較參考信號與電壓控制振蕩器vco輸出信號的相位差，使用低通濾波器平滑掉誤差信號，調(diào)整電壓控制振蕩器vco的頻率，然后重新對輸出信號、參考信號進(jìn)行比較，在該過程中，鎖相環(huán)通過持續(xù)調(diào)整，使輸出信號的頻率和相位與輸入信號保持一致，實現(xiàn)對輸入信號頻率的精確跟蹤。

10、進(jìn)一步地，所述步驟4包括以下子步驟：

11、步驟4.1：構(gòu)建數(shù)據(jù)集；

12、步驟4.2：采用生成對抗網(wǎng)絡(luò)對數(shù)據(jù)集進(jìn)行擴(kuò)展和增強(qiáng)，得到訓(xùn)練集；

13、步驟4.3：搭建bp神經(jīng)網(wǎng)絡(luò)模型；

14、步驟4.4：采用訓(xùn)練集對bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，根據(jù)改進(jìn)的adam算法，利用損失函數(shù)進(jìn)行反向傳播更新模型參數(shù)。

15、進(jìn)一步地，所述步驟4.1中，針對不同負(fù)載種類，通過改變每種負(fù)載的電氣參數(shù)以及負(fù)載的制造工藝，模擬多種實際使用場景，負(fù)載種類包括電阻、電容和電感，電氣參數(shù)包括電阻值、電容值和電感值，制造工藝包括材料特性和幾何形狀，每種負(fù)載分別進(jìn)行1000次電流、電壓采集；

16、將采集到的數(shù)據(jù)進(jìn)行fft處理，計算出3000組數(shù)據(jù)，每組數(shù)據(jù)包括電壓值、電流值、有功功率值、功率因數(shù)、電流諧波系數(shù)thd、電流基波及其2～10次諧波分量的有效值共15個測量值；另外在相同條件下通過人工計算出3000組實際數(shù)據(jù)，每組數(shù)據(jù)包括電壓值、電流值、有功功率值、功率因數(shù)、電流諧波系數(shù)thd、電流基波及其2～10次諧波分量的有效值共15個數(shù)據(jù)值作為目標(biāo)值使用；

17、將測量值和目標(biāo)值進(jìn)行標(biāo)準(zhǔn)化處理，使每個特征的均值為0，標(biāo)準(zhǔn)差為1，并重塑為二維矩陣，構(gòu)建成數(shù)據(jù)集。

18、進(jìn)一步地，所述步驟4.3中，所述bp神經(jīng)網(wǎng)絡(luò)模型包括輸入層、l層隱藏層和輸出層，各隱藏層包括多個神經(jīng)元，神經(jīng)元的激活函數(shù)為relu函數(shù)，輸出層的激活函數(shù)采用softmax激活函數(shù)，損失函數(shù)采用均方誤差損失函數(shù)，令輸入層的輸入與激活值相等，即：

19、z(1)＝a(1)＝x(1)；

20、z(i+1)＝w(i)a(i)+b(i)；

21、a(i+1)＝f(z(i+1))；

22、其中，x(1)為輸入層的輸入，a(1)為輸入層的輸出，z(1)為輸入層的線性組合，即每個神經(jīng)元輸入的加權(quán)和；z(i+1)為第i+1層隱藏層的線性組合，w(i)為第i層隱藏層的權(quán)重矩陣，a(i)為第i層隱藏層的輸出，即激活值，b(i)為第i層隱藏層的偏置項，f(z(i+1))為第i+1層的激活函數(shù)，i＝1,…,l-1。

23、進(jìn)一步地，所述步驟4.4中，模型參數(shù)更新表達(dá)式為：

24、

25、式中，θt+1為下一時間步的模型參數(shù)，θt是當(dāng)前時間步的模型參數(shù)，α是學(xué)習(xí)率；ε是防止除零的最小值，取10-8；為修正后時間步t的一階矩估計，為修正后時間步t的第二階矩估計；

26、設(shè)計一種分段學(xué)習(xí)率方法，在損失函數(shù)未達(dá)到設(shè)定閾值之前，表示距離目標(biāo)函數(shù)的距離較遠(yuǎn)，此時保持最大學(xué)習(xí)率αmax，在損失函數(shù)達(dá)到設(shè)定閾值之后，表示接近最優(yōu)解，對學(xué)習(xí)率進(jìn)行指數(shù)損失函數(shù)衰減，表達(dá)式為：

27、

28、式中，loss為當(dāng)前損失誤差，lossset為設(shè)置的分段損失誤差閾值，lossmin為當(dāng)前損失函數(shù)的最小值。

29、本發(fā)明帶來的有益技術(shù)效果：

30、本發(fā)明首次結(jié)合神經(jīng)網(wǎng)絡(luò)與快速傅里葉變換(fft)實現(xiàn)了對電路功率諧波分析誤差的補(bǔ)償，顯著提高了諧波分析的精度。特別地，針對小樣本神經(jīng)網(wǎng)絡(luò)的特點，本發(fā)明創(chuàng)新性地采用了自適應(yīng)學(xué)習(xí)率調(diào)整策略，從而優(yōu)化了網(wǎng)絡(luò)的訓(xùn)練過程，避免了傳統(tǒng)方法中依賴大量數(shù)據(jù)的局限性。通過這一創(chuàng)新，不僅提升了功率分析儀在負(fù)載輸入信號諧波檢測中的準(zhǔn)確性，而且增強(qiáng)了模型在復(fù)雜多變的負(fù)載條件下的適應(yīng)性與實用性，極大地拓展了其應(yīng)用場景。