基于神经网络自适应滤波器的数字化电能计量故障检测方法

为了提高数字化电能计量表故障检测的准确性,研究一种基于神经网络自适应滤波器的数字化电能计量故障检测方法。利用电流传感器、电压传感器以及功率传感器采集三种数字化电能计量装置运行数据并实施去噪和归一化处理。提取数据的时域和频域两类四种特征参数,包括方根幅值、偏斜度、频谱幅值、均方根频率。以特征为输入,神经网络自适应滤波器训练后,实现数字化电能计量故障检测。结果表明:检测结果的Z值均在8以上,说明检测结果更接近所设置的真实故障类型,检测更为准确。

基于自适应线性神经元滤波的内置式永磁电机转子位置观测器

为提高无位置传感器内置式永磁同步电动机(IPMSM)控制性能,提出一种改进的基于反电动势模型的自适应滤波转子位置观测器。针对逆变器非线性和磁场空间谐波引起扩展反电动势6k±1次谐波,进而产生6k次转子位置脉动观测误差问题,提出一种基于递归最小二乘算法自适应线性神经元滤波器的转子位置观测方法,从而实现IPMSM矢量控制系统准确解耦控制。该方案能够在线连续调整权重分量,保证了转子位置观测器的快速收敛性。通过自适应滤波器滤除指定的反电动势观测值谐波分量,从而提高正交软件锁相环获得转子位置信息的准确度。最后通过模型仿真和2.2k W IPMSM无传感器矢量控制系统验证了控制策略的有效性。

神经Chebyshev正交多项式均衡器及自适应算法

提出一种全新结构的非线性均衡器———神经Chebyshev正交多项式自适应均衡器.该均衡器由1个非线性神经自适应滤波器和1个Chebyshev正交多项式滤波器级联而成.基于最陡下降方法,推导出了相应的自适应算法.仿真结果表明,在线性信道中,该均衡器的均方误差(MSE)比神经自适应均衡器和二阶Volterra均衡器小;在非线性信道中,以更为简单的结构达到了和BP算法训练的三层神经网络相似的性能.

基于对称分量法的神经元谐波综合检测

非线性负载在电网中引入了大量谐波及无功损耗.为改善电网电能质量,提高谐波检测的灵活性,提出了一种融合了自适应线性神经元(adaptive linear neural,Adaline)滤波及对称分量法的谐波检测方法.基于对称分量法的坐标变换后,可由滤波算法分离出负载电流基波正序、负序、零序分量和谐波分量,并可进行组合实现多种补偿目标,有效的克服传统谐波检测方法对于不对称负载(包括断路情况)谐波电流检测的局限性.同时为提高在电网电压不对称或畸变情况下对基波正序电压及相位的跟踪效果,引入了基于模糊比例积分(PI)调节器的锁相环结构.仿真试验表明:该方法能够很好适应负载的变化,克服电源电压畸变的影响,能够实现对谐波电流、无功电流和不对称分量的综合补偿.

转子时间常数在线校正的感应电机转速观测

基于磁链的模型参考自适应算法中,转子时间常数失准会影响电流模型精度。建立了消除耦合关系的可同时辨识转速和转子时间常数的模型。针对纯积分环节造成的电压模型磁链失准问题,采用了包含两个神经元自适应滤波器的积分器代替传统积分器,消除了直流漂移和积分初始条件的影响。仿真结果表明:设计的模型参考自适应转速观测系统不受转子时间常数变化和直流漂移的影响,系统动态性能良好。最后在DSP电机控制试验平台上进行试验,验证了该方法的有效性和高性能。