0 引言

    隨著科學技術(shù)的不斷發(fā)展,，大量的非線性負載和電力電子設(shè)備被應(yīng)用在工業(yè)生產(chǎn)和日常生活中，這提高了生產(chǎn)效率,，促進了生活便利,，但同時也對電網(wǎng)造成了巨大的諧波污染。另一方面,，隨著新能源在電力系統(tǒng)中的迅速發(fā)展,，各種分布式的電源也相繼產(chǎn)生，比如太陽能發(fā)電,、風力發(fā)電以及地熱能等,，這些新能源的發(fā)電設(shè)備并網(wǎng)運行時，同樣也給電力系統(tǒng)帶來了一系列諧波污染,，因此諧波污染治理也越發(fā)重要^[1],。諧波污染治理的性能很大程度上又受到諧波檢測環(huán)節(jié)的影響，這就要求諧波檢測過程必須要具備兩個特點：實時性強,、準確度高^[2],。電力系統(tǒng)中常用的諧波檢測的方法主要有傅里葉變換^[3]、小波變換^[4]和希爾伯特-黃變換^[5]等,。在治理諧波污染時性能表現(xiàn)不佳,，分別體現(xiàn)在易產(chǎn)生頻譜泄漏和柵欄效應(yīng)、算法計算量過大和不具有自適應(yīng)性以及容易產(chǎn)生模態(tài)混疊效應(yīng)和負頻率,。

    近年來,，Prony算法因其具有高頻率分辨率和高頻率估計精度，在電力系統(tǒng)中獲得了越來越多的關(guān)注,。但是,，Prony算法對于噪聲較為敏感，易受噪聲信號的影響,。電網(wǎng)系統(tǒng)中包含著大量的高斯噪聲,，因此如何能夠降低噪聲對模型辨識的影響成為了一個難點。文獻[6]提出了Prony算法與小波分析相結(jié)合的方法,，先通過小波函數(shù)對擾動信號進行分解,，然后利用改進的Prony算法對穩(wěn)態(tài)擾動問題進行參數(shù)辨識，雖然提高了辨識精度,，但是該算法過于依賴對小波基的選擇,，濾波效果并不理想。文獻[7]提出了將SVD濾波技術(shù)與Prony算法相結(jié)合的方法,，該方法利用SVD的特性濾除噪聲信號,，其次利用Prony算法對信號進行處理,，但是SVD濾波處理過程中太過依賴奇異值有效階次的判斷，同樣不具備自適應(yīng)性,。

    本文在前人研究的基礎(chǔ)上,，提出了一種基于SVD的改進濾波算法，能夠精確地找到電網(wǎng)信號中諧波及間諧波信號分量的階次,，同時濾除電網(wǎng)信號中的噪聲信號,，只留下“純凈的”電網(wǎng)信號。根據(jù)濾波后的電網(wǎng)信號以及諧波及間諧波信號階數(shù),，利用一種改進的Prony算法,，結(jié)合線性神經(jīng)網(wǎng)絡(luò)，計算出信號的頻率,、相位和幅值,。研究結(jié)果表明，算法對于諧波信號的檢測精確度極高,，同時由于所需的采樣數(shù)據(jù)長度小,，實時性也較強，能夠很好地滿足實時性和準確度的要求,。

1 電網(wǎng)信號模型

    電網(wǎng)信號主要包含基波各次諧波,、間諧波以及各種噪聲信號，因此可以通過以下數(shù)學表達式來建立模型：

式中,，w_i=2πf_i,，p為諧波和間諧波個數(shù)，A_i,、f_i,、θ_i分別表示第i個諧波或間諧波信號的幅值、頻率和相位,，而ω(n)則表示電網(wǎng)系統(tǒng)中的噪聲信號,。

    根據(jù)電網(wǎng)的特性，除了基波分量以外,，奇次諧波分量對電網(wǎng)的影響所占權(quán)重較大,，本文主要選取了奇次諧波中影響較大的3次、5次以及7次諧波作為電網(wǎng)信號的模型^[8],；間諧波主要存在于諧波附近,，易受諧波信號影響。因此,，本文基于諧波信號選擇了3個間諧波信號,。諧波檢測算法的作用是對式(1)的正弦信號進行參數(shù)辨識，得到各個諧波和間諧波信號的特性參數(shù),，本文所提算法正是基于此電網(wǎng)信號模型,。

2 算法實現(xiàn)

2.1 基于SVD的改進濾波算法

    電網(wǎng)信號模型為x(i)=s(i)+w(i)(i=1,，2，…,，N),。將接收到的電能信號序列x=[x₁，x₂,，…,，x_N]構(gòu)造成如下的Hankel矩陣的形式：

其中，當N為偶數(shù)時,，n=N/2，m=N/2+1,；當N為奇數(shù)時n=(N+1)/2,，m=(n+1)/2。

完成對信號序列的Hankel矩陣X的構(gòu)造以后,，對X進行奇異值分解,，可得到：

    信號的完備空間可以劃分為信號子空間和噪聲子空間，并且它們之間相互正交,。在奇異值分解理論中,，奇異值的前k個值對應(yīng)著信號子空間分量，后q-k個奇異值則對應(yīng)著噪聲子空間分量,。因此,，稱k為信號的有效階次。

    信號分解的奇異值序列的分布具有其特點：在有效階次k之前,，奇異值內(nèi)部差異都相對較小,，變化也比較平緩；而在第k+1個奇異值處,，奇異值序列出現(xiàn)明顯的階躍式下降,；之后奇異值序列的變化再次趨于平緩，不存在明顯波動^[9],。如果將獲得的奇異值序列看作一個信號序列,，根據(jù)奇異值序列的這種特性尋找到相應(yīng)的突變點作為奇異點，那么這個突變點的位置就是原信號中有效階次,。

    對于電網(wǎng)信號來說,，在確定有效階次為k后，如果k的值過小,，雖然大部分噪聲信號都被濾除,，但是大量的電能信號也已丟失；如果k的值過大,，電能信號雖保持完整,，但是噪聲信號未能得到很好的濾除,，干擾仍較大。因此,，如何更好地確定有效階次對于濾波的效果至關(guān)重要,。本文在結(jié)合對電網(wǎng)信號的特性分析以及奇異值分解理論后，提出一種奇異點輔助算法,，根據(jù)奇異值增長率的變化,，確定奇異值突變點，輔助確定奇異值的有效階次,。奇異值增長率公式為：

式中,，σ_i為第i個奇異值，η_i為第i+1個奇異值同比上一個奇異值的下降率,。通過對η_i大小的比較,，選擇η_i最大的i處作為奇異點位置。

    對矩陣X進行奇異值分解之后,，利用式(6)對信號進行重構(gòu)：

2.2 改進的Prony-ADALINE算法

    Prony算法是一種使用指數(shù)函數(shù)的線性組合來描述等間距采樣數(shù)據(jù)的理論,，可以用來估計有理式功率譜密度^[10]。傳統(tǒng)的算法采用的數(shù)學模型為p個具有任意幅值,、相位,、頻率與衰減因子的指數(shù)函數(shù)，本文的信號為正弦信號,，因此,，采樣Prony譜線估計算法^[11]，其數(shù)學模型為p個實的,、無衰減的正弦信號,。

2.2.1 Prony譜線估計算法

    Prony譜線估計算法的數(shù)學模型用離散時間的函數(shù)表示為：

    本文改進的算法主要包括以下步驟：

    (1)定義樣本函數(shù)(10)，根據(jù)濾波處理后的信號以及得到的信號的有效階次k(即特征多項式中2p=k),，利用樣本函數(shù)構(gòu)建樣本矩陣,，并通過樣本矩陣構(gòu)建法方程(11)：

2.2.2 ADALINE神經(jīng)網(wǎng)絡(luò)算法

    ADALINE神經(jīng)網(wǎng)絡(luò)是一種結(jié)構(gòu)較為簡單的神經(jīng)網(wǎng)絡(luò)模型，現(xiàn)在已經(jīng)廣泛應(yīng)用于自適應(yīng)信號處理領(lǐng)域,，對于電網(wǎng)信號中的諧波和間諧波信號分析也同樣適用,。ADALINE神經(jīng)網(wǎng)絡(luò)算法和其他神經(jīng)網(wǎng)絡(luò)相比，它的最大優(yōu)勢就是不需要事先對神經(jīng)網(wǎng)絡(luò)進行大量訓(xùn)練,，同時它還具有分析精度高,、收斂速度快這一突出特點，因此可以做到對電網(wǎng)信號中的諧波和間諧波信號成分的實時分析,。

    根據(jù)三角函數(shù)的特點,，對式(8)進行三角恒等變換，得到式(13)：

    基于ADALINE模型的檢測原理圖如圖1所示，分為輸入層,、求和層和輸出層,。其中輸入信號X(n)= [ cos(2πf₁n)，sin(2πf₁n),，…,，cos(2πf_pn)，sin(2πf_pn)],，輸入神經(jīng)元數(shù)即等于有效階次2p,。對應(yīng)的權(quán)系數(shù)為W(n)=[a₁，b₁,，…,，a_p，b_p]^T,。輸入信號與權(quán)系數(shù)相乘,，經(jīng)過求和層，得到單個的輸出向量y(n),。權(quán)值更新算法自動更新權(quán)系數(shù)W(n)，使之不斷收斂到穩(wěn)態(tài)階段,，這時的權(quán)系數(shù)即為逼近式(13)中的系數(shù),，實現(xiàn)諧波及間諧波的幅值、相位檢測,。

    該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基本特點可總結(jié)為如下三個方面：

    (1)可以根據(jù)變化著的輸入和目標輸出實現(xiàn)實時在線訓(xùn)練,；

    (2)應(yīng)用自適應(yīng)在線算法調(diào)整各權(quán)值大小,；

    (3)結(jié)構(gòu)簡單,，便于硬件實現(xiàn)。

3 仿真分析

    實際電網(wǎng)中,，電網(wǎng)信號相對比較復(fù)雜,，包含了眾多的諧波、間諧波以及噪聲信號等,。本節(jié)主要對電網(wǎng)電壓信號進行仿真并分析,，建立的信號模型的表達式如式(14)所示，通過利用MATLAB軟件對信號進行仿真分析,，用以分析和驗證本文所提算法應(yīng)用在諧波檢測的性能,。

式中，ω(t)為加在諧波信號上的噪聲,，信噪比為30 dB,，各個諧波以及間諧波的具體參數(shù)如表1所示。本次信號采樣點個數(shù)為400,，采樣頻率為1 500 Hz,，采樣時間為0.27 s,。

3.1 濾波算法性能分析

    對于采樣的電網(wǎng)信號，根據(jù)式(2)構(gòu)造Hankel矩陣X,，對其進行奇異值分解,，得到奇異值序列σ。根據(jù)本文提出的奇異值輔助算法,，通過對奇異值序列的運算,，得到如圖2所示的奇異值增長率曲線。

    圖2中橫坐標表示的為奇異值序列,，縱坐標為根據(jù)輔助算法計算出的奇異值增長率,。由圖2可知，奇異值增長率在橫坐標為0～14區(qū)間變化較大,；在超過14后,，增長率降低，接近于0,，變化趨于穩(wěn)定,。這是因為各次諧波分量的能量差距較大導(dǎo)致。增長率在奇異值序列為2時達到80%以上,，是由于基頻信號與其他諧波成分能量相差過大,。當奇異值序列取值為14時，此時的增長率接近于1,，達到最大值,。對比數(shù)據(jù)可知，該處即為有效階次,，通過該輔助算法確定的有效階次與實際的完全一致,。

    根據(jù)已經(jīng)得到的奇異值的有效階次，對信號進行SVD濾波處理,，濾波結(jié)果如圖3所示,。圖3中分別是未加噪聲的原始諧波信號、加噪聲的諧波信號以及SVD濾波后的諧波信號的局部波形圖,。

    從圖3中原始信號,、包含噪聲信號以及濾波后信號的對比可看出，濾波后的信號波形幾乎與原始信號完全重合,。這是因為本文提出的算法能夠準確地確定信號的有效階次,，進而能夠有效濾除噪聲成分，降低噪聲對諧波檢測算法影響的同時,，又沒有損失信號中的有效成分,，為Prony譜線估計算法提供了一個“純凈”的電能信號。

3.2 諧波檢測算法性能分析

    為了驗證本文方法的有效性，通過采樣本文所提算法與文獻[12]中的數(shù)學形態(tài)學+改進Prony算法進行對比,，其中,，算法1為本文算法，算法2為文獻中所提算法,。兩種算法對于信號特性參數(shù)中頻率的估計結(jié)果如表2所示,，對于幅值和相位特性參數(shù)的估計則通過圖4以相對誤差的形式給出。

    表2是兩種算法對于電網(wǎng)信號對頻率估計的計算數(shù)值結(jié)果,，兩種算法對于諧波分量的頻率估計誤差已經(jīng)很小,，接近實際頻率值，估計精確度極高,。其中在對于間諧波分量的頻率進行計算時發(fā)現(xiàn),，算法2在對于1.3次間諧波的頻率進行計算時，計算值與實際參數(shù)值相差0.093 4 Hz,，而算法1的計算值與實際參數(shù)值誤差則僅為0.000 8 Hz,，在3.3次間諧波分量處算法2的計算誤差同樣遠大于算法1，而在6.4次間諧波處兩種算法的計算誤差逐漸降低,，趨于平緩,。

    圖4表示的是兩種算法對于幅值和相位這兩個參數(shù)計算數(shù)值的相對誤差。由圖可知,，算法1對于幅值的計算在1.3以及3.3次諧波處的相對誤差遠小于算法2的相對誤差,，且計算結(jié)果滿足文獻[13]中規(guī)定的A類測量儀器要求的相對誤差小于5%。在對于相位計算過程中,，算法1計算的相對誤差最高也僅為1.5%,，檢測精確度比算法2更高,。

4 結(jié)論

    本文針對Prony算法對噪聲信號敏感的問題,，提出了一種基于SVD改進算法。采用了自適應(yīng)的輔助算法幫助奇異值序列找到有效階次,，替代了傳統(tǒng)的奇異值曲線以及奇異熵增量等經(jīng)驗性的方法,，更好地濾除噪聲信號。同時,，基于有效階次,，將SVD更好地與Prony算法結(jié)合在一起，使用簡單的線性方程組的求解去替代最小二乘法,，降低了算法運算量,。在此基礎(chǔ)上進行仿真驗證，仿真結(jié)果表明該方法準確,、有效,，具有一定的工程應(yīng)用價值。

參考文獻

[1] BAGHERI A，MARDANEH M,，RAJAEI A,，et al.Detection of grid voltage fundamental and harmonic components using Kalman filter and generalized averaging method[J].IEEE Transactions on Power Electronics，2015,，31(2)：1064-1073.

[2] 彭詠龍,，張坤鋒，李亞斌,，等.基于自適應(yīng)算法的諧波檢測方法研究[J].電測與儀表,，2018，55(9)：6-9.

[3] Su Taixin,，Yang Mingfa,，Jin Tao，et al.Power harmonic and interharmonic detection method in renewable power based on Nuttall double-window all-phase FFT algorithm[J].IET Renewable Power Generation,，2018,，12(8)：953-961.

[4] TSE N C F，CHAN J Y C,，LAU W H,，et al.Hybrid wavelet and hilbert transform with frequency-shifting decomposition for power quality analysis[J].IEEE Transactions on Instrumentation and Measurement，2012,，61(12)：3225-3233.

[5] 李正明,，徐敏，潘天紅,，等.基于小波變換和HHT的分布式并網(wǎng)系統(tǒng)諧波檢測方法[J].電力系統(tǒng)保護與控制,，2014，42(4)：34-39.

[6] 任子暉,，劉昊岳,，徐進霞.基于小波變換和改進Prony方法的電能質(zhì)量擾動分析[J].電力系統(tǒng)保護與控制，2016,，44(9)：122-128.

[7] 許伯強,，田士華.SVD濾波技術(shù)與Prony譜線估計算法相結(jié)合的異步電動機轉(zhuǎn)子故障檢測新方法[J].電機與控制應(yīng)用，2015,，42(10)：41-47.

[8] 劉冬梅,，楊重良，張艷,，等.基于Nuttall自卷積窗四譜線插值FFT的電力諧波分析方法[J].合肥工業(yè)大學學報,，2018，41(3)：12-17.

[9] 查翔,，倪世宏,，謝川,，等.奇異值分解去噪中有效秩階次的自身輔助確定[J].計算機應(yīng)用研究，2016,，33(5)：1359-1362.

[10] 熊杰鋒.基于加窗插值和Prony的電力系統(tǒng)間諧波算法[J].電力系統(tǒng)保護與控制,，2011，39(7)：8-13,，19.

[11] 張賢達.現(xiàn)代信號處理[M].北京：清華大學出版社,，2002.

[12] 公茂法，蔡芬,，劉俊杰,，等.基于數(shù)學形態(tài)學和改進Prony算法的諧波與間諧波參數(shù)估計[J].電測與儀表，2018,，55(11)：25-29,，40.

[13] GB/T 24337-2009，電能質(zhì)量 公用電網(wǎng)間諧波[S].2009.

作者信息:

應(yīng)  俊1,，2,，朱云鵬1，2,，賀  超2

(1.重慶郵電大學 光電工程學院,，重慶400065；2.重慶郵電大學 光通信與網(wǎng)絡(luò)重點實驗室,，重慶400065)