电力系统间谐牵扯其检测方法综合分析.docx

电力系统间谐牵扯其检测方法综合分析综上所述，Burg算法求得的模型具有稳定性，较为通用，但仍然存在谱线分裂与谱峰偏移现象，文献提出的改良算法,基本上能够改正这些缺点，而且效率高，对同步要求也不高，易于硬件电路的简化创造；改良协方差法虽然基本上克服了谱线分裂、谱峰偏移和出现伪峰等缺点，但它不能保证AR模型稳定，且所需计算量也偏大，失去实用性。3.2.2特征分解法特征分解法又叫特征构造法或者子空间法，包含有Pisarenko谐波分解法(PisarenkoHarmonicDecomposition,PHD)、多信号分类法(MultipieSignalClassification,MUSIC)和Prony算法。PHD方法通过求解数据自相关矩阵的特征多项式来计算各谐波分量的频率。PHD方法将具有H个交变信号分量的正弦电压信号转换为复频率表达式后，由前p+1个联系的自相关函数组成自相关函数矩阵，并根据自相关函数矩阵自身的非零特征值和零特征值将特征矢量分成两类，这两类基分别张成了正交的信号子空间SU和噪声子空间Sw。由于是正交的，可得到H个非线性代数方程式中，al(1=1,2,，m)为谐波次数。通过采用基本惯性算法，即式中，a、Tl分别为调整步幅和惯性系数。则有对于具体的问题，a、Tl的取值会影响到网络的收敛速度。此时让各权值和谐波次数都有不同的a、,而且每一个权值和谐波次数的a、Tl都会随着误差的变化而独立调节。实际验算证明，此算法收敛速度快。训练一个人工神经网络可能要花很长时间，有时根本就不收敛。虽然可以先通过将信号作加汉宁窗的FFT变换，得到精度不高的谐波次数和谐波个数，进而确定神经元个数和迭代初始值，显著地减少神经网络的训练时间，取得很好的信号分离效果，提高谐波参数检测的准确性。但是计算量还是较大，实时性不强。3.3.2支持向量机算法由统计学习理论发展而来的支持向量机(SupportVectorMachine,SVM)是一种基于构造风险最小化原理的新的机器学习算法，它比基于经验风险最小化的神经网络学习算法具有更强的理论依据和更好的泛化能力。文献提出了应用基于支持向量机SVM回归算法的非参数稳健频谱估计来检测电力系统谐波和间谐波检测方法。SVM利用优化对偶理论使高维特征空间中的模型参数估计易于计算，并且运算的复杂度与问题的维数关系