作者：窦嘉铭¹, 马鸿雁^1,2,3

作者单位：1. 北京建筑大学电气与信息工程学院，北京 100044;
2. 分布式储能安全大数据研究所，北京 100044;
3. 建筑大数据智能处理方法研究北京市重点实验室，北京 100044

关键词：电能质量;谐波检测;人工神经网络;复调制细化

摘要：

针对传统快速傅里叶变换（FFT）与自适应线性（Adaline）神经网络结合的谐波检测方法中，存在难以辨识频率相近谐波的问题，提出一种改进方法。首先，利用复调制频谱细化对快速傅里叶变换后的频谱峰值进行细化，确定谐波的个数和大致频率。其次，将所得谐波个数和大致频率代入Adaline神经网络中进行训练，获得准确的谐波幅值、频率和相位。最后，利用不同谐波算例对所提方法进行仿真验证。所提方法均能准确检测出各算例中的谐波个数、频率、幅值和相位，误差均保持在小数点后三位，且用时较短。结果表明，该方法可以有效解决整数次谐波附近的精细化辨识问题，准确率高且时效性好，并具备一定的自动化程度。

Harmonic detection method based on complex modulation refinement and adaptive linear network
DOU Jiaming¹, MA Hongyan^1,2,3
1. School of Electrical and Information Engineering, Beijing University of Civil Engineering and Architecture, Beijing 100044, China;
2. Institute of Distributed Energy Storage Safety Big Data, Beijing 100044, China;
3. Beijing Key Laboratory of Intelligent Processing for Building Big Data, Beijing 100044, China
Abstract: In order to address the problem of difficulty in identifying harmonics with similar frequencies in the conventional harmonic detection method combining fast fourier transform and adaptive linear neural network, an improved method is proposed. Firstly, the number of harmonics and the approximate frequency are determined by refining the peak of the spectrum after the fast Fourier transform using the complex modulation spectrum refinement. Secondly, the number of harmonics and the approximate frequencies are substituted into the Adaline neural network for training to obtain the accurate harmonic amplitude, frequency and phase. Finally, different harmonic examples are used to simulate and verify the proposed method. The method can accurately detect the number, frequency, amplitude and phase of the harmonics in each case, and the error is kept to three decimal places, and the time required is short. The results show that the proposed method can effectively solve the problem of refinement of identification near integer harmonics with high accuracy and good timeliness, and has a certain degree of automation.
Keywords: power quality;harmonic detection;artificial neural network;complex modulation refinement
2022, 48(5):43-50  收稿日期: 2021-01-17;收到修改稿日期: 2021-02-18
基金项目: 北京建筑大学博士基金项目（ZF15054）
作者简介: 窦嘉铭（1996-），男，河北石家庄市人，硕士研究生，专业方向为电能质量分析与控制
参考文献
[1] 姜春阳, 刘俭, 王雪, 等. 电磁式电压互感器谐波误差测量方法研究[J]. 中国测试, 2021, 47(3): 163-168
[2] 舒骁骁, 祝君剑, 朱亮, 等. 计及噪声影响的高准确度迭代滤波电网频率测量方法[J]. 中国测试, 2020, 46(7): 54-59,132
[3] 卢鹏宇, 刘宏勋. 基于CEEMDAN-UWT降噪的暂态电能质量检测方法[J]. 中国测试, 2020, 46(7): 60-67
[4] 柴旭峥, 文习山, 关根志, 等. 一种高精度的电力系统谐波分析算法[J]. 中国电机工程学报, 2003, 23(9): 67-70
[5] 曹长修, 钱基业, 何立新. RBF神经网络在谐波检测中的应用[J]. 国外电子测量技术, 2007, 26(1): 46-47,70
[6] 蔡忠法, 陈隆道, 陈国志. 基于自适应神经网络的谐波分析模型与算法[J]. 电工技术学报, 2008, 23(7): 118-123
[7] 汤胜清, 程小华. 一种基于多层前向神经网络的谐波检测方法[J]. 中国电机工程学报, 2006, 26(18): 90-94
[8] 侯世英, 汪瑶, 祝石厚. 遗传算法改进神经网络的电力系统谐波检测法[J]. 重庆大学学报, 2008, 31(5): 490-494
[9] 付攀文, 庞科旺. 粒子群优化RBF神经网络谐波电流检测方法研究[J]. 信息技术, 2019(3): 79-82
[10] 尹渭萍. 基于BP神经网络的电力系统谐波检测分析[D]. 西安: 西安理工大学, 2015.
[11] 于志豪, 刘志珍, 徐文尚. 基于电路模型和神经网络的谐波电流检测方法[J]. 电工技术学报, 2004, 19(9): 86-89
[12] 向东阳, 王公宝, 马伟明, 等. 基于FFT和神经网络的非整数次谐波检测方法[J]. 中国电机工程学报, 2005, 25(9): 35-39
[13] 吴纯, 王文波. 联合SWT和三角基神经网络的近频率谐波提取[J]. 测控技术, 2017, 36(6): 10-14
[14] 杜春晖, 张晔. 自适应线性神经网络LMM算法的谐波辨识技术研究[J]. 现代电子技术, 2019, 42(21): 45-48,52
[15] 朱剑平, 张保健, 张志远, 等. 基于改进FFT-BP的电力谐波检测算法[J]. 水电能源科学, 2019, 37(10): 168-171
[16] GARANAYAK P, NAAYAGI R T, PANDA G. A high-speed master-slave adaline for accurate power system harmonic and inter-harmonsic estimation[J]. IEEE Access, 2020, 8: 51918-51932
[17] GARANAYAK P, PANDA G. Fast and accurate measurement of harmonic parameters employing hybrid adaptive linear neural network and filtered-x least mean square algorithm[J]. IET Generation Transmission & Distribution, 2016, 10(2): 421-436
[18] 霍兵勇, 易伟建. 密集频率数字信号的判定和校正方法[J]. 振动与冲击, 2013, 32(2): 171-174,181
[19] 丁康, 谢明, 张彼德, 等. 基于复解析带通滤波器的复调制细化谱分析原理和方法[J]. 振动工程学报, 2001, 14(1): 33-39
[20] 谢明, 丁康. 基于复解析带通滤波器的复调制细化谱分析的算法研究[J]. 振动工程学报, 2002, 14(4): 479-483
[21] 宋知用. MATLAB数字信号处理85个实用案例精讲 入门到进阶[M]. 北京: 航空航天大学出版社, 2016.
[22] 电能质量 公用电网谐波: GB/T 14549—1993[S]. 北京: 中国标准出版社, 1993.
[23] 李国元, 崔成玲, 陈继溢, 等. 一种改进的卫星激光测高全波形高斯分解方法[J]. 测绘科学, 2018, 43(10): 117-124
[24] 蔡忠法, 陈隆道. 基于AR谱估计和Adaline神经元的间谐波分析[J]. 电力系统自动化, 2007, 31(17): 78-82
[25] 赵帅旗, 肖辉, 李文俊, 等. 基于多谱线插值法和复调制细化法的电力系统谐波分析[J]. 电测与仪表, 2019, 56(18): 10-15,24
[26] 电能质量 电力系统频率偏差: GB/T 15945—2008[S]. 北京: 中国标准出版社, 2008.