基于聚类和傅里叶基PSO-Elman谐波检测研究

摘要

谐波检测算法是有源电力滤波器(APF)动态响应速度和稳态精度的重要保障,针对传统检测算法易产生频谱泄漏和实时性较差的问题,将拥有全局优化能力的粒子群优化算法(PSO)与动态性能良好的Elman神经网络相结合,并重置激励函数构造一种基于傅里叶基(FB)的神经网络用于谐波检测。首先对谐波采样并聚类集成,聚类后同类别的数据作为网络的训练数据;再利用粒子群优化算法的寻优能力将最优权值和阈值赋予神经网络;最后利用训练好的模型对谐波参数进行预测。仿真结果表明,使用8万组k-means聚类集成数据训练的傅里叶基PSO-Elman网络比单纯的Elman神经网络拥有更高的参数辨识精度,谐波电流幅值与相位估计准确,验证了该检测方法的可靠性。