【正文】 其優(yōu)化計算存在局部極小問題，必須通過改進完善[20]。再次，BP 神經(jīng)網(wǎng)絡對外界輸入樣本有很強的識別與分類能力。其次，BP神經(jīng)網(wǎng)絡具有對外界刺激和輸入信息進行聯(lián)想記憶的能力。4）數(shù)據(jù)壓縮：減少輸出向量維數(shù)以便傳輸或存儲。BP網(wǎng)絡主要用于以下四方面[18]。BP神經(jīng)網(wǎng)絡具有初步的自適應與自組織能力，在學習或訓練中改變突觸權值以適應環(huán)境，可以在使用過程中不斷學習完善自己的功能，并且同一網(wǎng)絡因學習方式的不同可以具有不同的功能，它甚至具有創(chuàng)新能力，可以發(fā)展知識，以至超過設計者原有的知識水平。3）具有容錯性。2) 信息并行處理。這種信號正向傳播與誤差反向傳播的各層權值調整過程周而復始地進行著，直到網(wǎng)絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數(shù)為止。網(wǎng)絡的輸入層模擬的是神經(jīng)系統(tǒng)中的感覺神經(jīng)元，它接收輸入樣本信號。此過程反復交替進行，直至網(wǎng)絡的全局誤差趨向給定的極小值，即完成學習的過程。 BP神經(jīng)網(wǎng)絡及其原理 BP神經(jīng)網(wǎng)絡定義BP (Back Propagation)神經(jīng)網(wǎng)絡是一種神經(jīng)網(wǎng)絡學習算法。)。r39。一層小波分解的高頻信息39。)。subplot(2, 2, 2)。 plot(s)。, 1, Len)。 d1 = upcoef(39。a39。[ca1, cd1] = dwt(s, 39。 close all。因此，在實際應用中，一般依據(jù)信號的特征或者合適的標準來選擇適當?shù)姆纸鈱訑?shù)。近似表示信號的高尺度，即低頻信息；細節(jié)表示信號的高尺度，即高頻信息。 小波分解的意義就在于能夠在不同尺度上對信號進行分解，而且對不同尺度的選擇可以根據(jù)不同的目標來確定。一般計算機實現(xiàn)中使用二進制離散處理，將經(jīng)過這種離散化的小波及其相應的小波變換成為離散小波變換（簡稱DWT）。w（a, b）的伸縮因子a和b進行采樣，選取a=2j ，b=2j kb0，則可得到離散的二進小波變換[25]； 由于a、b是連續(xù)變化的，相鄰分析窗的絕大部分是相互重疊的，相關性很強； 7）小波變換同傅立葉變換一樣，具有統(tǒng)一性和相似性，其正反變換具有完美的對稱性。 (1)但是用傅立葉分析只能獲得信號的整個頻譜，而難以獲得信號的局部特性，特別是對于突變信號和非平穩(wěn)信號難以獲得希望的結果[23]。N=8。這個程序可以實現(xiàn)基2FFT,但是如果想在運行時直接輸入要變換的點數(shù)就不行，必須在調用FFT函數(shù)前現(xiàn)將要算的序列定義好，這是這個程序的不足之處。)通過觀察比較，得到的序列各點的值以及直觀的通過圖形，可以得到自己編寫的DIF_FFT函數(shù)實現(xiàn)對序列進行FFT變換得到的結果與庫函數(shù)FFT得到的結果是一樣的。經(jīng)過庫函數(shù)fft后得到的頻譜的幅度39。title(39。)subplot(3,1,3)stem(m,x5)。輸入的離散序列39。x5=angle(x1)。圖33 FFT變換示意圖 程序驗證編寫主函數(shù)，在主函數(shù)中輸入一個序列分別調用自己編寫的FFT函數(shù)，和MATLAB本身系統(tǒng)的FFT函數(shù)并比較兩個結果是否相等，以判斷自己編寫的FFT程序是否正確[26]。 %第m級，第g組的蝶形運算式2 end endend%序列排序開始n1=fliplr(dec2bin([0:N1]))。 %第g組中蝶形運算變量2的偏移量 for r=0:Cycle_Count。 %每一組中相關運算單元之間的間距 Cycle_Count= Interval_of_Unit 1。 %若長度不是2的冪，補0到2的整數(shù)冪 end %蝶形運算開始M=log2(N)。%本程序對輸入序列實現(xiàn)DIFFFT基2算法，點數(shù)取小于等于長度的2的冪次 N=8。第二層循環(huán)，其循環(huán)變量J用來控制計算不同種（系數(shù)不同）的碟形結，J的步進值為1。2）L級遞推計算整個L級遞推過程由三個嵌套循環(huán)構成。 matlab程序編寫FFT程序包括變址（倒位序）和L級遞推計算（N=，L為正整數(shù)）兩部分。依次類推：對于N等于2的L次方的DIFFFT，可以得到第M級蝶形每個蝶形運算量節(jié)點的“距離”為2的LM次方。由圖可得蝶形運算的關系式可表示為=，=[] 。 1 圖31 時間抽取蝶形運算（DIF）的FFT算法 設序列長度為，L為整數(shù)（如果序列長度不滿足此條件，通過在后面補零讓其滿足）。又令，則上式可以寫成： (k=0,1,…,N/21) （32）可以看出，分別為從中取出的N/2點偶數(shù)點和奇數(shù)點序列的N/2點DFT值，所以，一個N點序列的DFT可以用兩個N/2點序列的DFT組合而成。上述處理方法可以反復使用，即（N/2）點的DFT計算也可以化成兩個（N/4）點的DFT（假定N/2為偶數(shù)），從而又少作一半的乘法。例如，若N為偶數(shù)，將原有的N點序列分成兩個（N/2）點序列，那么計算N點DFT將只需要約[(N/2)2 DFT的定義為：，k=0,1,…N1 （31）通常令，稱為旋轉因子。 （238）3 幾種主要的電力參數(shù)計算方法的詳細介紹與實現(xiàn)在電力系統(tǒng)參數(shù)采集，故障濾波，信號分析等方面，F(xiàn)FT與小波變換有著舉足輕重的作用，所以本文特別介紹其原理和仿真實現(xiàn)；近年來因為智能電網(wǎng)的提出，電網(wǎng)追求智能化，自動化，所以研究人員將BP神經(jīng)網(wǎng)絡算法引入電網(wǎng)的參數(shù)采集以及負荷預測等方面，取得了不錯的效果，因此本文也重點講述其相關原理以及仿真實現(xiàn)。 （237）當被采樣的對象為電流信號時，則迭代收斂時的權值 和 即相當于遞推最小二乘法中的IR和II，則輸入電流的有效值為當被采樣的對象為電壓信號時，則迭代收斂時的權值 和 即相當于遞推最小二乘法中的UR和UI，則輸入電壓的有效值為 當一個訓練周期結束后，按下式計算這一周期的總誤差平方和 其訓練過程如下：利用第一個采樣時刻所對應的輸入模式向量和初始權向量按下式計算與第一個采樣時刻所對應的模擬輸出， （233）設算法的數(shù)據(jù)窗長度為n個采樣周期。設初始權向量為文獻[18]提出了一種基于人工神經(jīng)網(wǎng)絡的交流采樣算法，大量的實踐證明：這種算法準確度高，其特性與傅氏算法相當，同時又具有最小二乘法的某些優(yōu)點，是一個較有前途的算法[29]。 （227） 全周波付里葉算法　設u(t)為周期函數(shù)，并且滿足狄里赫利條件，則U(t)可展開為級數(shù)。 （226）輸入電流的有效值為由（6）式求出輸入電壓復數(shù)振幅的實部和虛部的估計值以后，將其變?yōu)橛行е?，分別用UR和UI表示，則輸入電壓的有效值為假設無噪聲的輸入電壓是角頻率為w的正弦波電壓，則= = 由連續(xù)周期函數(shù)的功率定義可得離散表達式為： （219）這種算法不僅對正弦波有效，當采樣點數(shù)多時，還可較準確的測量波形畸變的交流量。采2組值。) =[3ωt+2ψ)COS(2ωt+2ψ240176。設　u=Um sin(ωt+ψu) （21）則　 （22）式中　Um——同步采樣得到的電壓最大值。對于通信電源監(jiān)控系統(tǒng)來說，需要監(jiān)測的量較多，對算法的準確程度要求較高，對于速度一般只要求跟上系統(tǒng)的采樣速度即可。與直流采樣相比，交流采樣法具有實時性好，相位失真小，便于維護的優(yōu)點。直流采樣是采集經(jīng)過變送器整流后的直流量，然后由Ａ/Ｄ轉換器送入主機，此方法軟件設計簡單、計算方便，對采樣值只需作一次比例變換，即可得到被測量的數(shù)值，具有采樣周期短的優(yōu)點。隨著微機技術的發(fā)展，交流采樣以其優(yōu)異的性能價格比，有逐步取代直流采樣的趨勢。根據(jù)采樣信號的不同，可分為直流采樣和交流采樣2大類。隨著新型非線性負荷的大量增加，電力系統(tǒng)的電壓和電流波形可能發(fā)生嚴重畸變，從而給系統(tǒng)帶來大的“電網(wǎng)污染”。 The BP neural network based目 錄摘要 IAbstract II1前 言 12 國內外電力參數(shù)算法現(xiàn)狀 2 2 2 3 最大值算法 3 單點算法 3 半周期積分法 4 2點采樣 4 5 均方根法 5 遞推最小二乘算法 5 全周波付里葉算法 6 遞推付里葉算法 7 人工神經(jīng)網(wǎng)絡算法 73 幾種主要的電力參數(shù)計算方法的詳細介紹與實現(xiàn) 9 FFT算法 9 9（DIT）的FFT算法 9（DIF）的FFT算法 11 12 matlab程序編寫 13 程序驗證 15 17 連續(xù)小波變換 17 離散二進小波變換 18 小波變換的信號處理 18 BP神經(jīng)網(wǎng)絡及其原理 20 BP神經(jīng)網(wǎng)絡定義 20 BP神經(jīng)網(wǎng)絡模型及其基本原理 20 BP神經(jīng)網(wǎng)絡的主要功能 21 BP網(wǎng)絡的優(yōu)點以及局限性 21 BP網(wǎng)絡在電力參數(shù)采樣中的應用 22 問題的提出 22 基于BP神經(jīng)網(wǎng)絡逼近函數(shù) 22 不同頻率下的逼近效果 26 討論 274 結論 28參考文獻 29致謝 311前 言目前，我國電力事業(yè)得到蓬勃發(fā)展，從信息時代向智能時代發(fā)展，提出了智能電網(wǎng)概念。并且對FFT算法，小波變換以及近年才引入交流采樣算法領域的BP神經(jīng)網(wǎng)絡算法進行較詳細的描述和仿真實現(xiàn)。電力參數(shù)計算方法的研究與應用摘要隨著電力系統(tǒng)的快速發(fā)展，電力網(wǎng)容量不斷增大，結構日趨復雜，電力系統(tǒng)中實時監(jiān)控、調度的自動化就顯得十分重要，而數(shù)據(jù)采集又是實現(xiàn)自動化的重要環(huán)節(jié)，尤其是如何準確、快速地采集系統(tǒng)中的各個模擬電量，一直是電力工作者關注的熱點。為此，本文介紹電力系統(tǒng)中常用的交流采樣算法，如：均方根算法，遞推最小二乘法，全周波傅里葉算法等等，并分析其特點，以便正確選擇其使用場合。 Wavelet transform。隨著電力系統(tǒng)的快速發(fā)展，電力網(wǎng)容量不斷增大，結構日趨復雜，電力系統(tǒng)中實時監(jiān)控、調度的自動化就顯得十分重要，而數(shù)據(jù)采集又是實現(xiàn)自動化的重要環(huán)節(jié)，尤其是如何準確、快速地采集系統(tǒng)中的各個模擬電量，一直是電力工作者關注的熱點。所以，在供電系統(tǒng)的設計中，對諧波、負荷電流水平和功率因數(shù)等電網(wǎng)參數(shù)進行合