電參量自適應測量技術研究.pdf

1、傅里葉變換是常用的電參量分析方法，本文在分析傅里葉變換的特點和不足的基礎上，將神經網絡和功率譜估計應用于電參量測量，提出增強型Adaline神經網絡和諧波基函數神經網絡兩種自適應電參量分析模型，以適應更短采樣數據、更高頻率分辨率、更快學習速度的電參量測量要求。
　　 傅里葉變換在電參量測量中的局限性在于它存在頻譜泄漏和柵欄效應，頻率分辨率受采樣數據長度限制，以及無法直接應用于非穩(wěn)態(tài)周期信號的測量。針對非穩(wěn)態(tài)周期信號，提出基于搜索

2、的同步化算法，通過逆向搜索在非同步采樣數據中截取整周期的采樣序列，然后通過離散傅里葉變換得到所需電參量。針對穩(wěn)態(tài)周期信號的非同步測量，基于Hanning窗與基于Blackman和Blackman-Harris等窗函數的插值傅里葉變換方法存在測量精度與運算量之間的矛盾，提出改進的Hanning窗插值傅里葉變換方法，通過消除基波對二次諧波的頻譜泄漏，提高了Hanning窗插值傅里葉變換的總體分析精度，而附加的運算量很小。
　　 Ad

3、aline神經網絡應用于電參量分析時通過自適應濾波原理進行測量，無需事先對神經網絡權值進行樣本訓練，但要求信號頻率事先已知，較小的頻率偏差會引起較大的分析誤差。提出改進的增強型Adaline神經網絡和諧波基函數(HBF)神經網絡模型，將基波頻率作為待定的權值，可以同時估計信號頻率、幅值和相位。在學習算法中增加動量項并采用頻率延遲調整策略，提高了算法的收斂速度。分析自適應電參量分析算法的收斂性條件，討論學習率和動量因子等參數對算法收斂性的

4、影響，給出學習率和動量因子的優(yōu)化選擇范圍。仿真算例表明增強型Adaline和HBF神經網絡電參量分析方法具有分析精度高、收斂速度快的優(yōu)點。
　　 針對傅里葉變換在分析間諧波時存在頻率分辨率低的不足，提出現代功率譜估計與自適應神經網絡相結合的間諧波分析方法。先通過AR Burg算法或MUSIC算法估算信號中諧波和間諧波的個數及頻率初值，然后應用增強型Adaline和HBF神經網絡分析諧波和間諧波的頻率、幅值和相位。仿真算例表明現代