姜孝华，彭啸亚，肖秀春，2

（1.中山大学信息科学与技术学院，广州 510275；2.广东海洋大学信息学院，湛江 524025）

近年来，随着电网中非线性负载的大量增加和敏感电子设备的推广应用，电能质量问题日益严重。为了改善电能质量，要求供电部门首先对暂态干扰源进行检测、识别和分类，进而采取合理措施改善电能质量［1］。常见的动态电能质量扰动包括：电压凸起、电压凹陷、电压间断、谐波，振荡和暂态脉冲等。电能质量扰动的检测最新的研究方法主要有时频分析方法［2，3］，能量特征估计方法［4］，小波和神经网络方法［1，5～8］等，本文基于信号的自适应分解原理，从函数分解角度，结合信号处理的特点与要求，提出了一种自适应确定隐层神经元个数及权值计算的自适应基函数神经网络模型。利用Walsh基函数神经网络对信号进行分解，根据最大能量投影原则自适应调整得到最优化的激励函数和网络权值。在此神经网络的基础上加入滑动窗利用各时刻各Walsh基上能量的变化特征实时检测出电能质量扰动类型。

1 基函数神经网络参数自适应确定方法以及收敛性分析

考虑图1所示的神经网络模型［9］，设一内积空间中的函数f（x）可用一组特定基函数｛φi（x）的线性组合来表示，考虑从｛φi（x）｝i∞＝1中择优选取基函数组来逼近f（x），则有其中e（x）为逼近误差函数。定义‖e（x）‖2为神经网络的误差逼近指标。

图1 基函数神经网络模型结构Fig.1 Basis－function feedforward neural network model

该神经网络的参数自适应求解过程如下：

j＝0时ej（x）＝f（x），j≥1时ej（x）是ej－1投影于基函数φj－1（x）的投影与ej－1（x）的差值，其中