基于改进型神经网络的电能质量扰动识别

2012-12-14金燕钟金金章旌红

电气自动化 2012年4期

金燕，钟金金，章旌红

(浙江工业大学信息工程学院，浙江杭州 310023)

0 引言

敏感性电子设备如计算机、微电子控制器、变速驱动器的广泛使用，电力工业及其用户对电力系统的电能质量要求日益严格。同时，由于不对称、非线性、波动性负荷在容量和数量上的大量增加，电能质量的污染日趋严重[1]。因此，准确识别扰动信号对电能质量的分析非常重要，也是电能质量问题进行治理和改善的前提条件。

近年来，基于神经网络的电能质量识别方案获得了一定效果。电能质量识别系统中，特征向量提取方法主要包括 Fourier变换[2]、dq 变换[3]、S 变换[4]及小波变换[5]等，识别方法有:人工神经网络[5]、模糊逻辑[6]、专家系统[7]及支持向量机[4]等。其中支持向量机训练时间短，实时性能好，但对大规模训练样本难以实施，提高训练样本后，分类效果明显下降。传统神经网络的算法收敛性差，训练时间长，泛化能力不足且难以保证精确度和速度的要求。

为弥补传统方法的不足，一些学者提出了遗传算法优化的BP神经网络[8]，利用遗传算法的并行性和全局搜索能力克服了传统BP神经网络容易陷入局部最小的缺点，但优化后的神经网络仍易出现过拟合现象且网络节点数偏多。因此，本研究中将遗传算法和贝叶斯正则化神经网络相结合，增强网络泛化能力。仿真结果表明，此方法训练时间短，收敛性好，不易出现过拟合现象且对多数扰动信号类型均适合。