Page 26 - 电力与能源2024年第六期

662 姚 兵，等：基于深度网络的新型电力系统谐波分离算法研究

（14） 例。数据来源为国网甘肃省电力公司微电网实验室。
F (ω i) = f (ω G) + f (ω i) /H i，G
式中 H i，G——第 i 个粒子的增益，取值为第 i 个 数据来源为分布式电源，如光伏发电系统、风
粒子的最优次数除以总的迭代次数。 力发电系统、储能电站等。
若粒子适应度函数取值较小，则增加该粒子 采样设置为每隔 1 h一次，每次采样持续 3 min，
被选择的概率。 采样频率为 10 kHz，共采样 5 个点，每一个采样点

2.3 深度网络 共采样 5 次。
深度网络由多个生成神经网络结构的受限玻 将采集到的数据分成多组，每组包括 500 个
耳兹曼机（RBM）堆叠而成。深度网络利用对比 数据，从所有数据集中随机抽取 1 000 组数据进行
散度算法进行训练，既可应用于非监督学习，也可 训练，然后从每个采样点的数据中随机抽取 500
应用于监督学习。 组进行验证。
RBM 通常由一个可见层和一个隐藏层构成。 3.2 参数设置

训练深度网络时，首先对底层进行充分训练，然后 在本算例中，粒子群算法的迭代次数设置为
将其结果作为下层的输入进行训练，以此循环，直 50 次，粒子群规模为 30。
至训练到最后一层。 将随机抽取的数据集输入到基于深度网络的
RBM 的能量函数可表示为 神经网络中进行模型训练。为了提取 RBM 的各
E (v，h) =-c v - b h - h Wv （15） 层特征，设置了不同层的参数，并通过比较不同层
T
T
T
式中 W——权值矩阵；h，v——RBM 网络隐藏 数 下 的 误 差 来 分 析 RBM 层 数 对 结 果 的 影 响 。
层和可见层的神经元值向量；c，b——RBM 网络 RBM 设置如表 1 所示。
隐藏层和可见层的偏置向量。 表 1 RBM 设置
其概率分布可表示为 层数 节点数 误差 训练时间/s
2 275，50 0.118 7.8
1 -E (v，h )
P (v，h) = e （16） 3 300，200，50 0.010 8.2
Z 4 400，300，200，50 0.140 9.1
P (v，h )
P ( v| h) = （17） 由表 1 可见，随着 RBM 层数的增加，训练时
P ( ) v
间也会增加，但是误差并不是线性减小。当 RBM
式中 Z——归一化系数。
的层数为 3 时，重构误差最小，因此设置 RBM 的
将神经网络 BP 加在深度网络的最后一层，即
层数为 3。
将 RMB 的输出结果作为神经网络 BP 的输入向
3.3 结果分析
量。基于深度网络的神经网络结构如图 2 所示。
被采集的信号见图 3。从采样数据中随机抽

取了两组数据，分别如图 3（a）和 3（b）所示。
采用基于深度网络的神经网络对图 3（a）所示
的信号进行训练后得到的频率分布如图 4 所示。
由图 4 可见，3 次、5 次、7 次谐波均能够得到有
效的分离，但是 9～13 次谐波存在一定的混叠。
采用基于深度网络的神经网络对图 3（b）所示

图 2 基于深度网络的神经网络结构 的信号进行训练后得到的频率分布如图 5所示。
由图 5 可见，该方法能够有效地分离出 3~7
3 结果分析
次谐波，并且对其他各次谐波分量特征也能够进
3.1 算例数据 行有效的分离。
为验证本文所提方法的有效性，搭建了仿真算 总 体 而 言 ，本 文 所 提 出 的 方 法 能 够 较 好 地