1谐波含量计算问题
原始理想的电压和电流波形应该是标准的正弦波波形，
可以假设电源瞬时电压为
为基波有功电流；
为高
次谐波电流，可以将式(2)
改写成权值模式：
(3)
其中
体现高次谐波的含量
谐波分析即为求取式(5)
中权值系数
。由式（5）可
知，神经网络谐波权值计算可用图1
表示
图1谐波计算单层感知器-误差修正网络图
如图1所示，
（6）
误差信号
一步一步接近期望输出来实现
定义如下：
（8）
其中
为学习率，为第n 个输入向量。综合以上分析可知，采用单层感知器-误差修正神经网络的谐波算法计算步骤如下：
(1)给定初始谐波权值
初始权值赋值可采用在规定区间内的随机赋值法，初值赋值区间为[-2,2]。
(2)给定当前输入
由前面分析可知
的顺序依次编号）。
(3)
由权值和输入量计算网络输出值
10）
其中
的选取对于系统重
复学习过程中的稳定性和收敛性是非常重要的，
的值过小，学习速度过慢，也将
影响系统实时响应速度。
3遗传算法改进神经网络算法
上一节中提到的单层感知器-误差修正神经网络是一种简单的寻优算法，但神经网络权值寻优算法存在全局搜索能力差的缺点，初始权值随机性过大影响网络的泛化能力，而遗传算法可以对复杂的，非线性的、多峰的不可微函数实现最优全局搜索，
能有效利用历史信息来推测下一代更优质的寻优点集
：
第一步：确定决策变量和约束条件
包括基波权值在内，一共有13组，总共有26个权值，谐波权值的范围一般在[-1，1]，权值可能溢出，本文将权值范围扩大到[-2，2]，
即：
的顺序
需要104位二进制编码串来表示，这便构成了染色体编码方法。解码时先将104位的二进制编码串截成26段4位二进制编码串，每一段编码串表示一个权值编码，
设某一段编码为
，
可知
。设置遗传算法群体大小为80，
终止代数为100，交叉概率为0.7，变异概率为0.001，神经网络算法学习率为0.1，使用遗传算法改进神经网络算法的训练样本曲线如图3所示，单独使用神经网络算法的训练样本曲线如图4
所示：
图3遗传算法改进神经网络训练曲线图4神经网络训练曲线
由图3和图4可知，采用遗传算法改进神经网络算法进行谐波分析，在遗传算法完成100步迭代后适应度最高样本的训练误差已经降到，此后进行神经网络训练到160步后训练误差已经降到，相比单独使用神经网络算法，需要到350步训练误差才能到，可见采用遗传算法改进神经网络算法大大加快了迭代速度和计算结果的准确性。5遗传算法改进神经网络算法的优点
使用遗传算法改进神经网络算法为谐波计算分析提出了新
的解决思路，主要特点包括：(1)全局搜索能力强，
算法精确度高
吕润如.电力系统高次谐波[M ].北京：中国电力出版社，
1998.
焦李成.神经网络计算[M ].西安:西安电子科技大学出版社，
1993.
陈国良,王熙法,庄镇泉，王东生.遗传算法及其应用[M ].北
京：人民邮电出版社
,1999.
常巍,谢光军,黄朝峰.MATLAB R2007基础与提高[M ].北京:电子工业出版社
,2007.
第23卷 第5期 电子测量与仪器学报 Vol. 23 No. 5 2009年5月 JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENT · 29 · 本文于2008年1月收到。 *基金项目: 国家自然科学基金(编号: 60775047)资助项目; 国家863计划(编号: 2007AA042244)资助项目。 电力系统谐波及其检测方法研究* 唐 求 王耀南 郭斯羽 (湖南大学电气与信息工程学院, 长沙 410082) 摘 要: 谐波测量在电力系统中占有重要的作用和地位。本文概述了谐波测量的主要方法, 对基于加窗插值FFT 的谐波测量方法进行了分析和研究。在此基础上, 设计并实现了一种多功能虚拟谐波测量系统, 采用加窗插值FFT 算法, 以图形化编程语言LabVIEW 为开发平台, 实现了电力系统电压、电流谐波参数的测量。与传统的谐波测量系统相比, 该系统硬件简单、编程灵活、可自定义、数据分析与处理能力强、使用方便, 测量结果证明了系统的可行性和准确性。 关键词: 谐波测量；加窗插值FFT ；虚拟仪器；LabVIEW 中图分类号: TM714 文献标识码: A 国家标准学科分类代码: 470.4054 Research on harmonics and its measurement method in power system Tang Qiu Wang Yaonan Guo Siyu (College of Electrical and Information Engineering, Hunan University, Changsha 410082, China) Abstract: The harmonic measurement plays an important role in power system. In this paper, some main harmon-ics measurement methods are generally described, and a harmonic measurement method based on interpolating win-dowed FFT is discussed. According to the interpolating windowed FFT method, a multifunctional virtual instrument system for harmonic measurement of voltage and current signals is designed and implemented with LabVIEW envi-ronment. Compared with traditional harmonic measurement system, this system is flexible, self-defined, capable of data processing and analysis, with simple hardware and so on. The measurement results show the feasibility and the validity of the system. Keywords: Harmonic measurement;interpolating windowed FFT;virtual instrument;LabVIEW 1 引 言 近年来, 随着工业和民用用电负荷的迅速增加以及各种电力电子设备的广泛应用, 非线性负载的数量和容量日益增加, 电力系统谐波污染日趋严重。电网谐波使得电压、电流的波形发生畸变, 使电力系统的发、供、用电设备出现许多异常现象和故障, 对电力系统的安全、经济运行造成极大的危害。谐波问题已成为电力部门普遍重视和关心的问题[1] 。谐波测量是处理谐波问题的基础, 是分析和控制电网谐波含量的依据。 传统的电力谐波测量方法多采用电力谐波分析仪或MATLAB 软件包, 但是它们不具有图形化编程 和远程测控能力, 因此具有局限性。 本文在研究谐波测量的主要方法的基础上, 设计了基于加窗插值FFT 的虚拟谐波测量系统。实现了三相电压、三相电流的总谐波畸变率(THD)以及各次(1~13次)谐波畸变率的测量。系统集信息采集、处理和传输于一体, 具有数据采集、谐波分析处理和显示等功能, 试验结果表明了其性能良好, 测量稳定。 2 谐波测量方法 谐波测量是解决谐波问题的基础和主要依据, 通过对谐波的检测, 可以实时监测电网中谐波的含量及其潮流方向, 计量各次谐波含量、 谐波电压电流幅值、相位等参数, 从而提高测量和计量仪表的准确
matlab遗传算法优化神经网络权值教程第4章nnToolKit神经网络工具包 4.1 nnToolKit简介 神经网络工具包是基于MATLAB神经网络工具箱自行开发的一组神经网络算法函数库 可在MATLAB环境下均独立运行，也可打包成DLL组件，直接被VB、VC、 C++ 、C#、JAVA或其他支持COM的语言所调用 本工具包中增加了一些MATLAB中没有的神经网络算法，如模糊神经网络、小波神经网络、遗传神经网络算法等 4.2nnToolKit函数库 4.2nnToolKit 函数库 4.2nnToolKit函数库 例4-1 对ch4\nnToolKit工具箱\lmnet文件夹中文件(input_para1.txt和output_para1.txt)提供的专家样本数据进行网络训练。%此为BP网络训练程序
function retstr = LmTrain(ModelNo,NetPara,TrainPara,InputFun,OutputFun,DataDir)NNTWARN OFF retstr=-1; ModelNo=‘1’;NetPara(1)=7;Ne tPara(2)=1; NetPara(3)=6;NetPara(4)=10; 4.2nnToolKit函数库 4.2nnToolKit函数库 例4-2 输入一组测试样本数据，对例4-1训练的网络模型进行仿真 %此为一仿真程序%首先读入权域值参数 function retdouble = LmSimu(ModelNo,NetPara,SimulatePara,InputFun,OutputFun,DataDir)NNTWA RN OFF %%%% 输入参数赋值开始 %%%%%%%%%%%%%%%%%%%%%%%% 这 部分代码主要是方便用户调试用ModelNo=‘1’; NetPara(1)=7; 4.2nnToolKit函数库
实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2)
目录 摘要 (2) Abstract (2) 1：绪论 (2) 1.1课题背景 (2) 1.2谐波的产生 (3) 1.3电网中谐波的危害 (5) 1.4研究谐波的重要性 (5) 2：谐波的限制标准和常用措施 (7) 2.1国外谐波的标准和规定 (8) 2.1.1谐波电压标准 (8) 2.1.2谐波电流的限制 (9) 2.2我国谐波的标准和规定 (9) 2.2.1谐波电压标准 (10) 2.2.2谐波电流的限制 (11) 2.3谐波的限制措施 (12) 3：谐波的检测与分析 (15) 3.1电力系统谐波检测的基本要求 (15) 3.2国内外电力谐波检测与分析方法研究现状 (15) 3.3谐波的分析 (18) 3.3.1电力系统电压（或电流）的傅立叶分析 (19) 3.3.2基于连续信号傅立叶级数的谐波分析 (19) 4：电力谐波基于FFT的访真 (21) 4.1快速傅立叶变换的简要和计算方法 (21) 4.1.1快速傅立叶变换的简要 (21) 4.1.2快速傅立叶变换的计算方法 (21) 4.2 FFT应用举例 (22) 5：结论 (28) 附录： (28) 参考文献： (30) 致谢： (30)
基于MATLAB的电力谐波分析 学生： 指导老师： 电气信息工程学院 摘要：电力系统的谐波问题早在20世纪20年代就引起人们的注意，到了50年代和60年代，由于高压直流输电技术的发展，发表了有关换流器引起电力系统谐波问题的大量论文。70年代以来，由于电力电子技术的飞速发展，各种电力电子装置在电力系统、工业、交通及家庭中的应用日益广泛，谐波所造成的危害也日趋严重。世界各国都对谐波问题予以充分的关注。 本文首先对目前国内外电力谐波检测与分析方法进行了综述与展望，并对电力谐波的基本概念、性质和特征参数进行了详细的分析，给出了谐波抑制的措施。并得出基于连续信号傅立叶级数的各次谐波系数的计算公式，推导了该计算公式与MATLAB函数FFT计算出的谐波系数的关系。实例证明：准确测量各次谐波参数，对电力系统谐波分析和抑制具有很大意义，可确保系统安全、可靠、经济地运行。同时实验结果表明，该法对设备要求不高，易于实现。 关键字：MA TLAB电力谐波分析 Harmonic Analysis of Electric Power System Based On Matlab Student: Teacher: Electrical and Information Engineering Abstract:The harmonic problem of electric power system has caused the attention of people in1920s and 1930s.Until 1950s,owing to the development of high voltage direct current transportation electricity technology,people published a large number of theses about the electricity power system harmonic problem,which caused by the current transform device.Since 1970s,because of the speedly development of eletricity power electronics technology,the various electric power electronics devices were applied extensively in the electric power system,industry,traffic and family,but the harm which the harmonic creates was serious more and more.Many country of the world all pay attention to the harmonic problem. Summary and Prospects of the first domestic and international power harmonics detection and analysis methods, and power harmonics of the basic concepts of the nature and characteristic parameters of a detailed analysis, given a harmonic suppression measures. Obtained based on the
电力系统谐波检测与治理的研究 摘要：目前电力系统谐波危害已经引起了各个部门的关注，为了整个供电系统 的供电质量，必须对谐波进行有效的检测和治理。 关键字：电力谐波检测治理 前言随着我国工业化进程的迅猛发展，电网装机容量不断加大，电网中电力电子元件的 使用也越来越多，致使大量的谐波电流注入电网，造成正弦波畸变，电能质量下降，不但对 电力系统的一些重要设备产生重大影响，对广大用户也产生了严重危害。目前，谐波与电磁 干扰、功率因数降低被列为电力系统的三大公害，因而了解谐波产生的机理，研究和清除供 配电系统中的高次谐波，对改于供电质量、确保电力系统安全、经济运行都有着十分重要的 意义。 一、电力系统谐波危害 ①谐波会使公用电网中的电力设备产生附加的损耗，降低了发电、输电及用电设备的效率。大量三次谐波流过中线会使线路过热，严重的甚至可能引发火灾。 ②谐波会影响电气设备的正常工作，使电机产生机械振动和噪声等故障，变压器局部严 重过热，电容器、电缆等设备过热，绝缘部分老化、变质，设备寿命缩减，直至最终损坏。 ③谐波会引起电网谐振，可能将谐波电流放大几倍甚至数十倍，会对系统构成重大威胁，特别是对电容器和与之串联的电抗器，电网谐振常会使之烧毁。 ④谐波会导致继电保护和自动装置误动作，造成不必要的供电中断和损失。 ⑤谐波会使电气测量仪表计量不准确，产生计量误差，给供电部门或电力用户带来直接 的经济损失。 ⑥谐波会对设备附近的通信系统产生干扰，轻则产生噪声，降低通信质量;重则导致信息丢失，使通信系统无法正常工作。 ⑦谐波会干扰计算机系统等电子设备的正常工作，造成数据丢失或死机。 ⑧谐波会影响无线电发射系统、雷达系统、核磁共振等设备的工作性能，造成噪声干扰 和图像紊乱。 二、谐波检测方法 1.模拟电路 消除谐波的方法很多，即有主动型，又有被动型；既有无源的，也有有源的，还有混合 型的，目前较为先进的是采用有源电力滤波器。但由于其检测环节多采用模拟电路，因而造 价较高，且由于模拟带通滤波器对频率和温度的变化非常敏感，故使其基波幅值误差很难控 制在10%以内，严重影响了有源滤波器的控制性能。近年来，人工神经网络的研究取得了较 大进展，由于神经元有自适应和自学习能力，且结构简单，输入输出关系明了，因此可用神 经元替代自适应滤波器，再用一对与基波频率相同，相位相差90度的正弦向量作为神经元 的输入。由神经元先得到基波电流，然后检测出应补偿的电流，从而完成谐波电流的检测。 但人工神经网络的硬件目前还是一个比较薄弱的环节，限制了其应用范围。 2.傅立叶变换 利用傅立叶变换可在数字域进行谐波检测，电力系统的谐波分析，目前大都是通过该方 法实现的，离散傅立叶变换所需要处理的是经过采样和A/D转换得到的数字信号，设待测信 号为x(t)，采样间隔为 t秒，采样频率 =1/ t满足采样定理，即大于信号最高频率分量的2倍，则采样信号为x(n t)，并且采样信号总是有限长度的，即n=0，1……N-1。这相当于对无限长 的信号做了截断，因而造成了傅立叶变换的泄露现象，产生误差。此外，对于离散傅立叶变 换来说，如果不是整数周期采样，那么即使信号只含有单一频率，离散傅立叶变换也不可能 求出信号的准确参数，因而出现栅栏效应。通过加窗可以减小泄露现象的影响。 3.小波变换 小波变换已广泛应用于信号分析、语音识别与合成、自动控制、图象处理与分析等领域。电力谐波是由各种频率成分合成的、随机的、出现和消失都非常突然的信号，在应用离散傅 立叶变换进行处理受到局限的情况下，可充分发挥小波变换的优势。即对谐波采样离散后，
遗传算法在 BP 神经网络优化中的应用 2O世纪80年代后期，多机器人协作成为一种新的机器人应用形式日益引起国内外学术界的兴趣与关注。一方面，由于任务的复杂性，在单机器人难以完成任务时，人们希望通过多机器人之间的协调与合作来完成。另一方面，人们也希望通过多机器人间的协调与合作，来提高机器人系统在作业过程中的效率。1943年，Maeullocu和 Pitts融合了生物物理学和数学提出了第一个神经元模型。从这以后，人工神经网络经历了发展、停滞、再发展的过程，时至今日正走向成熟，在广泛领域里得到了应用，其中将人工神经网络技术应用到多机器人协作成为新的研究领域。本文研究通过人工神经网络控制多机器人完成协作搬运的任务-3 J，并应用遗传算法来对神经网络进行优化。仿真结果表明，经过遗传算法优化后的搬运工作效率显著提高，误差降低。 1 人工神经网络 ANN)的基本原理和结构 人工神经网络(Artiifcial Neural Network，ANN)) 是抽象、简化与模拟大脑神经结构的计算模型，又称并行分布处理模型 J。ANN 由大量功能简单且具有自适应能力的信息处理单元——人工神经元按照大规模并行的方式通过一定的拓扑结构连接而成。ANN拓扑结构很多，其中采用反向传播(Back-Propa- gation，BP)算法的前馈型神经网络(如下图1所示)，即BP人工神经网络，是人工神经网络中最常用、最成熟的神经网络之一。 BP网络模型处理信息的基本原理是：输入信号x；通过中间节点(隐层点 )作用于出节点，经过非线形变换，产生输出信Yk，网络训练的每个样本包括输入向量 x和期望输出量 T，网络输出值Y与期望输出值T之间的偏差，通过调整输入节点与隐层节点的联接强度取值w；；和隐层节点与输出节点之间的联接强度Y以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数 (权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。
实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算．1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： 序号遗传学概念遗传算法概念数学概念 1 个体要处理的基本对象、结构也就是可行解 2 群体个体的集合被选定的一组可行解 3 染色体个体的表现形式可行解的编码 4 基因染色体中的元素编码中的元素 5 基因位某一基因在染色体中的位置元素在编码中的位置 6 适应值个体对于环境的适应程度， 或在环境压力下的生存能力可行解所对应的适应函数值 7 种群被选定的一组染色体或个体根据入选概率定出的一组 可行解 8 选择从群体中选择优胜的个体， 淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9 交叉一组染色体上对应基因段的 交换根据交叉原则产生的一组新解 10 交叉概率染色体对应基因段交换的概 率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异染色体水平上基因变化编码的某些元素被改变
电路分析基础谐波分析法 本章实训谐波分析法的验证 实训任务引入和介绍 在电路分析的应用过程中～遇到非正弦周期电流电路的情况并不少见。有时候～电流波形非常简单,如矩形波、三角波等,～可以通过简单的计算得出其有效值、平均值及平均功率,但有时候非正弦周期电流的波形非常复杂～那么通过谐波分析法来进行电路分析就显得尤为重要。本次实训我们就以一个简单的电路为基础～通过简单的理论计算和实际测量的结合来验证谐波分析法。 实训目的 1.掌握非正弦周期电流电路的测量方法, 2.理解谐波分析法的基本原理, 3.学会用谐波分析法进行简单的电路分析。 实训条件 100V直流电源、150V/50Hz交流电源、100V/100Hz交流电源、功率计、 R=10Ω、L=1H、 3C=1.11*10uF、电压表、电流表。 操作步骤 (1)连接电路。 如图5-12所示，将在直流、交流电源串联，根据叠加定理，可以知道电路中的电流为非正弦周期电流，且该信号可以分解为100V直流、150V/50Hz交流、100V/100Hz电源给出的信号。
图5-12 实训电路 (2)理论计算。 已知: U,100，150sin,t，100sin(2,t,90:)V s R,10, 1X,,90,， c,C X,,L,10, L ? 直流分量作用于电路时，电感相当于短路，电容相当于开路。故有: I,0,U,0,P,0000 ? 一次谐波作用于电路时，有: 150 U,，0:Vs12 150，0:U2s1 I,,,1.32，82.9:A1R，j(X,X)10，j(10,90)L1C1 U,1.31，82.9:(10，j10),18.5，127.9:V1 ? 二次谐波作用于电路时，有: 100，,90:U2s2 I,,,2.63，,21.8:A2R，j(X,X)10，j(20,45)L2C2 U,2.63，,21.8:(10，j20),58.8，41.6:V2
电力系统谐波检测与治理的研究 1、谐波的定义 供电系统谐波的定义是对周期性非正弦电量进行傅立叶级数分解，除了得到与电网基波频率相同的分量，还得到一系列大于电网基波频率的力量，这部分电量称为谐波。谐波频率与基波频率的比值（n=fn/f1)称为谐波次数。电网中有时也存在非整数倍谐波，称为非谐波或分数谐波。谐波实际上是一种干扰量，使电网受到“污染”。 2、谐波的危害 电网谐波造成电网污染，正弦电压波形畸变，使电力系统的发供用电设备出现许多异常现象和故障，情况日趋严重。电力系统中谐波的危害是多方面的，概括起来有以下几个方面： 2.1 对供配电线路的危害 2.1.1 影响线路的稳定运行 供配电系统中的电力线路与电力变压器一般采用电磁式继电器、感应式继电器或晶体管继电器予以检测保护，使得在故障情况下保证线路与设备的安全。但由于电磁式继电器与感应式继电器对10%以下含量高达40%时又导致继电保护误动作，因而在谐波影响下，不能全面有效地起到保护作用。晶体管继电器虽然具有许多优点，但由于采用了整流取样电路，容易受谐波影响，产生误动或拒动。这样，谐波将严重威胁供配电系统的稳定与安全运行。 2.1.2影响电网的质量 电力系统中的谐波能使电网的电压与电流波形发生畸变。如民用电配电系统中的中性线，由于荧光灯、调光灯、计算机等负载，会产生大量的奇次谐波，其中3次谐波的含量较低，可达40%；三相配电线路中，相线上的3的整数倍谐波，在中性线上会叠加，使中性线的电流值可能超过相线上的电流。另外，相同频率的谐波电压与谐波电流要产生同次谐波的有功功率与无功功率，从而降低电网电压，浪费电网的容量。 2.2 对电力设备的危害 2.2.1对电力容器的危害 当电网存在谐波时，投入电容器后，其端电压增大，通过电容器的电流增加得更大，使电容器损耗功率增加。对于膜低复合介质电容器，虽然允许有谐波时的损耗功率为无谐波时损耗功率的1.38倍；对于全膜电容器，允许有谐波时的损耗功率为无谐波时的1.43倍，但如果谐波含量较高，超出电容器允许条件，就会使电容器过电流和过负荷，损耗功率超过上述值，使电容器异常发热，在电场和温度的作用下绝缘介质会加速老化。尤其是电容器投入在电压已经畸变的电网中时，还可能使电网的谐波加剧，即产生谐波扩大现象。另外，谐波的存在往往使电压器呈现尖顶波形，尖顶电压波易在介质中诱发局部放电，且由于电压变化率大，局部放电强度大，对绝缘介质更能起到加速老化的作用，从而缩短电容器的使用寿命。一般来说，电压每升高10%，电容器的寿命就要缩短1/2左右。再者，在谐波严重的情况下，还会使电容器鼓肚、击穿或爆炸。 2.2.2 对电力变压器的危害 谐波使变压器的铜耗增大，其中包括电阻损耗、导体中的涡流损耗与导体外部因漏磁通引起的杂散损耗都要增加。谐波还使变压器的铁耗增大，这主要表现在铁心中的磁滞损耗增加，谐波使电压的波形变得越差，则磁滞损耗越大。同时
毕业设计（论文）题目：电力系统谐波检测与分析
毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期：
学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日
系统工程理论与实践 Systems Engineering——Theory & Practice 1999年第2期第19卷 vol.19 No.2 1999 遗传算法与神经网络的结合 李敏强徐博艺寇纪淞 摘要阐明了遗传算法和神经网络结合的必要性和可行性,提出用多层前馈神经网络作为遗传搜索的问题表示方式的思想。用遗传算法和神经网络结合的方法求解了短期地震预报问题,设计了用遗传算法训练神经网络权重的新方法,实验结果显示了遗传算法快速学习网络权重的能力,并且能够摆脱局部极点的困扰。 关键词遗传算法进化计算神经网络 On the Combination of Genetic Algorithms and Neural Networks Li Minqiang Xu Boyi Kou Jisong (Institute of Systems Engineering, Tianjin University, Tianjin 300072 Abstract In this paper, we demonstrate the necessity and possibility of combining neural network (NN with GAs. The notion of using multilayered feed forward NN as the representation method of genetic and the searching technique is introduced. We combine GA and NN for solving short term earthquake forecasting problem, design a novel method of using GAs to train connection weights of NN.The empirical test indicates the capability of the new method in fast learning of NN and escaping local optima. Keywords genetic algorithms; evolutionary computation; neural networks
有源电力滤波器中的谐波检测电路设计 摘要：针对现在有源电力滤波器中谐波检测的缺陷，设计出一种基于DSP、AD756和MAX260等硬件相结合的谐波检测电路。分析了ip-iq谐波电流检测算法，并且在硬件上实现。介绍了硬件结构原理，给出硬件设计框图和谐波检测各部分的程序流程，并研制出谐波检测电路。实验结果验证了谐波检测的快速性和准确性，系统运行稳定可靠，有较好的应用前景。关键词：谐波检测；TMS320F2812；AD7656；PLL；MAX260；C8051F330 对于有源电力滤波器(APF)而言，实时准确地检测出谐波电流是非常关键的，它的快速性、准 确性、灵活性以及可靠性直接决定APF的补偿性能。设计的谐波检测电路检测出的多路模拟信号会有一定的延迟性，这会大大影响APF计算谐波的精确性和准确性。本文中谐波检测装置所用的AD7656具有6路同步采样特性，克服了测量结果之间延迟的缺点，使得测量精度高。以上优点弥补了目前APF中谐波电流检测技术的缺陷，而且抗混叠滤波器、隔离放大器、过零检测电路、锁相倍频电路的设计增强了检测的精确性。1 装置整体运行原理及相关算法1．1 装置运行原理图1为并联型有源电力滤波器的原理结构框图。图中，交流电网对非线性负载电，非线性负载为谐波源，产生谐波并且消耗无功功率。有源电力滤波器由4部分组成：谐波电流检测电路、电流跟踪控制电路、主开关器件驱动电路和主电路。谐波电流检测电路采用基于瞬时无功功率理论的ip-iq算法，根据有源电力滤波器的补偿目的检测出负载电流中的谐波分量，同时还要检测直流侧母线电容电压。然后将这些信号输入电流跟踪控制电路，通过控制算法生成一系列PWM信号，以此作为补偿电流的指令信号。这些信号经过电平转换后输入主开关器件驱动电路，驱动主电路中的主开关器件。此时，APF 产生并向电网注入补偿电流，该电流与非线性负载电流相位相反，幅值为负载
遗传算法优化的BP神经网络建模 十一月匆匆过去，每天依然在忙碌着与文档相关的东西，在寒假前一个多月里，努力做好手头上的事的前提下多学习专业知识，依然是坚持学习与素质提高并重，依然是坚持锻炼身体，为明年找工作打下基础。 遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理。 目标： 对y=x1^2+x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。 步骤： 未经遗传算法优化的BP神经网络建模 1、随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2+x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。 2、数据预处理：归一化处理。 3、构建BP神经网络的隐层数，次数，步长，目标。 4、使用训练数据input_train训练BP神经网络net。 5、用测试数据input_test测试神经网络，并将预测的数据反归一化处理。 6、分析预测数据与期望数据之间的误差。 遗传算法优化的BP神经网络建模 1、读取前面步骤中保存的数据data； 2、对数据进行归一化处理； 3、设置隐层数目； 4、初始化进化次数，种群规模，交叉概率，变异概率 5、对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数； 6、循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值； 7、将得到最佳初始权值和阈值来构建BP神经网络； 8、使用训练数据input_train训练BP神经网络net; 9、用测试数据input_test测试神经网络，并将预测的数据反归一化处理； 10、分析预测数据与期望数据之间的误差。 算法流程图如下：
第17卷第3期 辽阳石油化工高等专科学校学报Vol.17No.3 2001年9月 Journal of Liaoyang Petrochemical College September2001 一种改进的遗传算法 王亮申 王文友 吴克勤 江远鹏 谢 荣 (辽阳石油化工高等专科学校机械系,辽阳111003) 摘 要 给出的适应值标定公式能够解决对个体选择压力和标定后适应值非负问题. 对多极值函数的遗传算法所提出的改进措施可以增加群体的多样性,避免算法“早熟”,过早 陷入局部最优. 关键词 遗传算法;适应值标定;早熟 中图分类号 O224 由美国密执安(Michrgan)大学的Holland教授等人在1975年创立的遗传算法(G enetic Algo2 rithms简称G A),是建立在达尔文(Darwin)的生物进化论和孟德尔(Mendel)的遗传学说基础上的算法.经过后人的不断改进使得遗传算法更加完善.由于遗传算法求解复杂优化问题的巨大潜力及其在各个领域(如布局优化问题、交通问题、图像处理与识别、结构设计、电力系统设计、可靠性计算等)的成功应用,这种算法越来越被人们所接受. 遗传算法是一种基于生物进化原理构想出来的搜索最优解的仿生算法,它模拟基因重组与进化的自然过程,把待解决问题的参数编成二进制码或十进制码(也可编成其它进制码)即基因(gene),若干基因组成一个染色体(个体),许多染色体进行类似于自然选择、配对交叉和变异运算,经过多次重复迭代(即世代遗传)直至得到最后的优化结果.习惯上,适应度值越大,表示解的质量越好.对于求解最小值问题可通过变换转为求解最大值问题.遗传算法是一种高度并行、随机、自适应搜索算法. 尽管遗传算法有许多优点,也有许多专家学者对遗传算法进行不断研究,但目前存在的问题依然很多.如(1)适应值标定方式多种多样,没有一个简洁、通用方法,不利于对遗传算法的使用; (2)遗传算法的“早熟”现象即很快收敛到局部最 收稿日期:2001-06-27优解而不是全局最优解是迄今为止最难处理的关键问题;(3)快要接近最优解时在最优解附近左右摆动,收敛较慢. 1 改进方法 1.1 适应值标定 初始种群中可能存在特殊个体的适应值超常(如很大).为了防止其统治整个群体并误导群体的发展方向而使算法收敛于局部最优解需限制其繁殖;在计算临近结束,遗传算法逐渐收敛,由于群体中个体适应值比较接近,继续优化选择困难,造成在最优解附近左右摇摆,此时应将个体适应值适当加以放大,以提高选择能力,这就是适应值的标定.文献[1]提出的标定方法有两个计算公式,不利于使用;文献[2]的标定方式虽然限制了适应值范围但将最大最小值颠倒.此外象幂律标定、对数标定等亦有应用.本文针对适应值标定问题提出以下计算公式. f’= 1 f max-f min+δ (f+|f min|) f′—为标定后的适应值;f—为原适应值;δ—为在(0,1)内的一个正实数,目的是防止分母为零和增加遗传算法的随机性;|f min|—是为了保证定标后的适应值不出现负值。
第四章 遗传算法与组合优化 4.1 背包问题（knapsack problem ） 4.1.1 问题描述 0/1背包问题：给出几个尺寸为S 1，S 2，…，S n 的物体和容量为C 的背包，此处S 1，S 2，…，S n 和C 都是正整数；要求找出n 个物件的一个子集使其尽可能多地填满容量为C 的背包。 数学形式： 最大化 ∑=n i i i X S 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 广义背包问题：输入由C 和两个向量C ＝(S 1，S 2，…，S n )和P ＝(P 1，P 2，…，P n )组成。设X 为一整数集合，即X ＝1，2，3，…，n ，T 为X 的子集，则问题就是找出满足约束条件∑∈≤T i i C X ，而使∑∈T i i P 获得最大的子集T ，即求S i 和P i 的下标子集。 在应用问题中，设S 的元素是n 项经营活动各自所需的资源消耗，C 是所能提供的资源总量，P 的元素是人们从每项经营活动中得到的利润或收益，则背包问题就是在资源有限的条件下，追求总的最大收益的资源有效分配问题。 广义背包问题可以数学形式更精确地描述如下： 最大化 ∑=n i i i X P 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 背包问题在计算理论中属于NP —完全问题，其计算复杂度为O (2n )，若允许物件可以部分地装入背包，即允许X ，可取从0.00到1.00闭区间上的实数，则背包问题就简化为极简单的P 类问题，此时计算复杂度为O (n )。
4.1.2 遗传编码 采用下标子集T 的二进制编码方案是常用的遗传编码方法。串T 的长度等于n(问题规模)，T i (1≤i ≤n )＝1表示该物件装入背包，T i ＝0表示不装入背包。基于背包问题有近似求解知识，以及考虑到遗传算法的特点（适合短定义距的、低阶的、高适应度的模式构成的积木块结构类问题），通常将P i ，S i 按P i /S i 值的大小依次排列，即P 1/S 1≥P 2/S 2≥…≥P n /S n 。 4.1.3 适应度函数 在上述编码情况下，背包问题的目标函数和约束条件可表示如下。 目标函数：∑==n i i i P T T J 1 )( 约束条件：C S T n i i i ≤∑=1 按照利用惩罚函数处理约束条件的方法，我们可构造背包问题的适应度函数f (T )如下式： f (T ) = J (T ) + g (T ) 式中g (T )为对T 超越约束条件的惩罚函数，惩罚函数可构造如下: 式中E m 为P i /S (1≤i ≤n )i 的最大值，β为合适的惩罚系数。 4.2 货郎担问题（Traveling Salesman Problem ——TSP ） 在遗传其法研究中，TSP 问题已被广泛地用于评价不同的遗传操作及选择机制的性能。之所以如此，主要有以下几个方面的原因： (1) TSP 问题是一个典型的、易于描述却难以处理的NP 完全（NP-complete ）问题。有效地 解决TSP 问题在可计算理论上有着重要的理论价值。 (2) TSP 问题是诸多领域内出现的多种复杂问题的集中概括和简化形式。因此，快速、有效 地解决TSP 问题有着极高的实际应用价值。 (3) TSP 问题因其典型性已成为各种启发式的搜索、优化算法的间接比较标准，而遗传算法 就其本质来说，主要是处理复杂问题的一种鲁棒性强的启发式随机搜索算法。因此遗传算法在TSP 问题求解方面的应用研究，对于构造合适的遗传算法框架、建立有效的遗传操作以及有效地解决TSP 问题等有着多方面的重要意义。
课程设计作业——翻译 课题：介绍遗传算法神经网络 穆姣姣 0808490233 物流08-班
介绍遗传算法神经网络 理查德·坎普 1. 介绍 一旦一个神经网络模型被创造出来，它常常是可取的。利用这个模型的时候,识别套输入变量导致一个期望输出值。大量的变量和非线性性质的许多材料模型可以使找到一个最优组输入变量变得困难。 在这里,我们可以用遗传算法并试图解决这个问题。 遗传算法是什么?遗传算法是基于搜索algo-rithms力学的自然选择和遗传观察到生物的世界。他们使用两个方向(\适者生存”),在这种条件下,探索一个强劲的功能。重要的是,采用遗传算法,这不是必需要知道功能的形式,就其输出给定的输入(图1)。 健壮性我们这么说是什么意思呢?健壮性是效率和效能之间的平衡所使用的技术在许多不同的环境中。帮助解释这个问题,我们可以比其他搜索和优化技术,如calculus-based,列举,与随机的求索。 方法Calculus-based假设一个光滑,无约束函数和要么找到点在衍生为零(知易行难)或者接受一个方向梯度与当地日当地一所高中点(爬山)。研究了这些技术已经被重点研究、扩展、修改，但展现自己缺乏的鲁棒性是很简单的。 考虑如图2所示的功能。利用Calculus-based在这里发现极值是很容易的(假定派生的函数可以发现…!)。然而,一个更复杂的功能(图3)显示该方法是当地——如果搜索算法,在该地区的一个开始,它就会错过低高峰目标,最高的山峰。 图1 使用网络神经算法没必要知道它的每一项具体功能。 一旦一个局部极大时,进一步改进需要一个随机的重启或类似的东西。同时,假设一个函数光滑,可导,并明确知道很少尊重现实。许多真实世界充满了间断模型和设置在嘈杂的多通道搜索空间(图4)。 虽然calculus-based方法在某些环境中至非常有效的，但内在的假