Page 24 - 电力与能源2024年第六期

第 45 卷 第 6 期
电力与能源
660 2024 年 12 月

DOI：10.11973/dlyny202406005
电网技术

基于深度网络的新型电力系统谐波分离算法研究

姚 兵 ，申 冉 2
1
（1. 国网湖北省电力有限公司直流公司，湖北 宜昌 443000；
2. 国网湖北省电力有限公司宜昌供电公司，湖北 宜昌 443099）

摘 要：新型电力系统中广泛应用电力电子装置，导致谐波成分复杂且随时间变化。有效检测这些谐波分量
对于提升电能质量与效率具有重要意义。集合经验模态分解能够求解电力系统信号的频谱信息，并提取各次
谐波的幅值、相位等特征但需人为设定参数。提出了一种基于深度网络的神经网络训练自适应谐波分解模
型，该模型能够自动选择参数，无须依赖人工设置，从而避免了人为因素引入的误差。最后，验证了所提出方
法的有效性。
关键词：深度网络；神经网络；新型电力系统；谐波分离
作者简介：姚 兵（1974—），男，硕士，高级工程师，主要从事“双碳”及新型电力系统方向工作。
中图分类号：TM73 文献标志码：A 文章编号：2095-1256（2024）06-0660-04
Research on Harmonic Separation Algorithm for New Power Systems Based on Deep Networks

1
YAO Bing ，SHEN Ran 2

（1. DC Company，State Grid Hubei Electric Power Co.，Ltd.，Yichang 443000 ，Hubei Province，China；

2. Yichang Power Supply Company，State Grid Hubei Electric Power Co.，Ltd.，Yichang 443099，Hubei Province，China）

Abstract：The new power systems contain a large number of power electronic devices, resulting in complex har⁃
monic content, with harmonic frequencies varying over time. Monitoring the harmonic components can improve
the power quality and efficiency of these systems. Empirical Mode Decomposition (EMD) can resolve the spectral
information of power system signals, such as the amplitude and phase of each harmonic. This paper proposes an
adaptive harmonic decomposition model based on deep neural networks, where the model parameters can be auto⁃
matically selected without relying on manual settings, thus avoiding human-induced errors. Finally, test cases are
presented to verify the effectiveness of the proposed method.

Key words：deep network，neural network，new power system，harmonic separation

［7］
随着电力系统的快速发展，电力电子装置应 频率随时间变化的信号 。
用 于 发 电 、输 电 、换 电 、配 电 及 用 电 等 各 个 环 针对集合经验模态分解在分析新型电力系统
节 ［1-3］ 。然而，电力电子装置的大规模使用也引入 时需人为设定白噪声参数、缺乏自适应的问题，本
了谐波，导致电压波形和电流波形发生畸变，影响 文提出一种基于深度网络的神经网络训练自适应
电能质量。对电力系统的谐波含量检测十分重 模型。该方法能够使集合经验模态分解法自动选
要，但新型电力系统的谐波特征与传统电力系统 择有效参数。算例结果表明该方法能够有效分离
并不相同，存在大量暂态扰动信号 ［4-5］ 。因此，对 新型电力系统信号中的谐波分量，提高信号分析
新型电力系统的谐波分量进行分析，对于提高电 的效率与准确性。
能质量和电能利用率具有重要意义。
1 基于深度网络的自适应模型
电力系统中的信号谐波分量可视为具有不同
频率和幅值的固有模态信号 。经验模态分解是 经验模态分解是一种分析非线性信号的方
［6］
分析时域信号频域分量的有效方法，尤其适用于 法。该方法将信号分解成一系列的单频信号，每