【正文】 同時也要感謝華北電力大學(xué)曾經(jīng)教授過我的老師們，他們的教侮使我終身難忘。針對交流測量系統(tǒng)的實(shí)際情況，合理選擇采樣相關(guān)算法是提高通信電源監(jiān)控系統(tǒng)準(zhǔn)確度的重要環(huán)節(jié)。 圖310當(dāng)n=3時訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果 圖311 當(dāng)n=6時訓(xùn)練后網(wǎng)絡(luò)的輸出結(jié)果其中“ ” 代表要逼近的非線性函數(shù)曲線；“‥‥‥” 代表未經(jīng)訓(xùn)練的函數(shù)曲線；“―――” 代表經(jīng)過訓(xùn)練的函數(shù)曲線；2）頻率參數(shù)設(shè)為k=4，當(dāng)隱層神經(jīng)元數(shù)目分別取n=n=8時，得到了訓(xùn)練后的網(wǎng)絡(luò)輸出結(jié)果如圖312，313所示。)。)title(39。步驟4： 網(wǎng)絡(luò)測試對于訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真：y2=sim(net,p)。圖37 未訓(xùn)練網(wǎng)絡(luò)的輸出結(jié)果其中“ ” 代表要逼近的非線性函數(shù)曲線；“‥‥‥” 代表未經(jīng)訓(xùn)練的函數(shù)曲線；因?yàn)槭褂胣ewff( )函數(shù)建立函數(shù)網(wǎng)絡(luò)時，權(quán)值和閾值的初始化是隨機(jī)的，所以網(wǎng)絡(luò)輸出結(jié)構(gòu)很差，根本達(dá)不到函數(shù)逼近的目的，每次運(yùn)行的結(jié)果也有時不同。)。y1=sim(net,p)。net = newff(minmax(p),[n,1],{39。)。t=1+sin(k*pi/4*p)。神經(jīng)元數(shù)目太少會造成網(wǎng)絡(luò)的不適性，而神經(jīng)元數(shù)目太多又會引起網(wǎng)絡(luò)的過適性。在線性網(wǎng)絡(luò)中，學(xué)習(xí)率過大會導(dǎo)致訓(xùn)練過程不穩(wěn)定。BP神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個非線性優(yōu)化問題, 它可以在已知的約束條件下，尋找一組參數(shù)組合，使該組合確定的目標(biāo)函數(shù)達(dá)到最小。理論上，對于一個三層和三層以上的BP網(wǎng)絡(luò)，只要隱層神經(jīng)元數(shù)目足夠多，該網(wǎng)絡(luò)就能以任意精度逼近一個非線性函數(shù)。它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華。BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模仿人腦，具有并行處理的特征，大大提高了網(wǎng)絡(luò)功能。此過程完成后， 輸入信號再次由輸入層輸入網(wǎng)絡(luò)，重復(fù)上述過程。然后按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。一層小波分解的重構(gòu)信號39。 title(39。)。db139。 a1 = upcoef(39。 clear all。在小波分析中經(jīng)常用到近似與細(xì)節(jié)。 小波變換的信號處理在信號處理中，需要將連續(xù)的小波及其小波變換離散化。小波函數(shù)系的時寬帶寬積很小，且在時間和頻率軸上都很集中，即展開系數(shù)的能量很集中； 4）小波變換巧妙地利用了非均勻的分辨率，較好地解決了時間和頻率分辨率的矛盾；在低頻段用高的頻率分辨率和低的時間分辨率（寬的分析窗口），而在高頻段則用低的頻率分辨率和高的時間分辨率（窄的分析窗口），這與時變信號的特征一致； 5）小波變換將信號分解為在對數(shù)坐標(biāo)中具有相同大小頻帶的集合，這種以非線形的對數(shù)方式而不是以線形方式處理頻率的方法對時變信號具有明顯的優(yōu)越性； 6）小波變換是穩(wěn)定的，是一個信號的冗余表示。 連續(xù)小波變換所謂小波（wavelet）是由滿足條件: 當(dāng)使用編寫的程序進(jìn)行8點(diǎn)的DIFFFT計(jì)算時結(jié)果如下：》xn=[1 2 3 4 5 6 7 8]。經(jīng)過庫函數(shù)fft后得到的頻譜的相位39。)figure (2)subplot(3,1,1)stem(m,xn)。title(39。 %根據(jù)碼位倒置的結(jié)果，將xn重新排序,存入Xk中EndFFT變換過程如圖33所示。 %第g組中蝶形運(yùn)算變量1的偏移量 Interval_2=(g1)*Interval_of_Group+Interval_of_Unit。 if length(xn)N xn=[xn,zeros(1,Nlength(xn))]。其步進(jìn)值為蝶形結(jié)的間距值LE=，同一種蝶形結(jié)中參加運(yùn)算的兩節(jié)點(diǎn)的間距為LE1=點(diǎn)。對于M級的任一蝶形運(yùn)算所對應(yīng)的旋轉(zhuǎn)因子的指數(shù)，可以 如下方法得到：1將待求的蝶形輸入節(jié)點(diǎn)中上面節(jié)點(diǎn)的行標(biāo)號值k寫成L位二進(jìn)制數(shù)；2將此二進(jìn)制數(shù)乘以2的M1次方，即將L位二進(jìn)制數(shù)左移M1位，右邊的空位補(bǔ)零，然后從低位到高位截取L位，即所得指數(shù)r所對應(yīng)的二進(jìn)制數(shù)。 1 圖32 頻率抽取蝶形運(yùn)算1）原位運(yùn)算在DIFFFT蝶形圖中，取第m級且兩輸入節(jié)點(diǎn)分別在第k，j行的蝶形為例，討論DIFFFT的原位運(yùn)算規(guī)律。將長度為的序列，先按n的奇偶分成兩組： （r=0,1,…,N/21）DFT化為： 上式中利用了旋轉(zhuǎn)因子的可約性，即：。FFT的基本思想在于，將原有的N點(diǎn)序列分成兩個較短的序列，這些序列的DFT可以很簡單的組合起來得到原序列的DFT。直至前后兩個訓(xùn)練周期得到的總誤差平方和之差小于某允許值時（該值由所需準(zhǔn)確度決定），結(jié)束迭代。 （234）將該模擬輸出與該時刻的實(shí)際采樣值進(jìn)行比較，得到與該時刻相對應(yīng)的當(dāng)前誤差，進(jìn)而利用下式對初始權(quán)向量進(jìn)行修正；這n個訓(xùn)練隊(duì)就組成了ADALINE模型的訓(xùn)練集。很明顯每個采樣時刻所對應(yīng)的輸入模式向量都是不同的。在上述遞推方程中，增益矩陣、誤差協(xié)方差矩陣、與采樣值無關(guān)，可事先求出，所以每次計(jì)算時實(shí)際上只需計(jì)算（6）式。 （218）式中：N為每個周期均勻采樣的點(diǎn)數(shù)； ui為第i點(diǎn)的電壓采樣值；ii為第i點(diǎn)的電流采樣值。)+ ωt+ψ+120176。 算法是采樣的核心問題之一，而衡量一個算法的優(yōu)劣的標(biāo)準(zhǔn)主要是精度和速度。根據(jù)采樣信號的不同，采樣方法可分為直流采樣和交流采樣。所以，在供電系統(tǒng)的設(shè)計(jì)中，對諧波、負(fù)荷電流水平和功率因數(shù)等電網(wǎng)參數(shù)進(jìn)行合理的估算，并采取相應(yīng)的措施(如加設(shè)濾波和無功補(bǔ)償裝置)是非常必要的。 Wavelet transform。電力參數(shù)計(jì)算方法的研究與應(yīng)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(jié)構(gòu)日趨復(fù)雜，電力系統(tǒng)中實(shí)時監(jiān)控、調(diào)度的自動化就顯得十分重要，而數(shù)據(jù)采集又是實(shí)現(xiàn)自動化的重要環(huán)節(jié)，尤其是如何準(zhǔn)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(guān)注的熱點(diǎn)。 The BP neural network based目 錄摘要 IAbstract II1前 言 12 國內(nèi)外電力參數(shù)算法現(xiàn)狀 2 2 2 3 最大值算法 3 單點(diǎn)算法 3 半周期積分法 4 2點(diǎn)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(luò)算法 73 幾種主要的電力參數(shù)計(jì)算方法的詳細(xì)介紹與實(shí)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(yàn)證 15 17 連續(xù)小波變換 17 離散二進(jìn)小波變換 18 小波變換的信號處理 18 BP神經(jīng)網(wǎng)絡(luò)及其原理 20 BP神經(jīng)網(wǎng)絡(luò)定義 20 BP神經(jīng)網(wǎng)絡(luò)模型及其基本原理 20 BP神經(jīng)網(wǎng)絡(luò)的主要功能 21 BP網(wǎng)絡(luò)的優(yōu)點(diǎn)以及局限性 21 BP網(wǎng)絡(luò)在電力參數(shù)采樣中的應(yīng)用 22 問題的提出 22 基于BP神經(jīng)網(wǎng)絡(luò)逼近函數(shù) 22 不同頻率下的逼近效果 26 討論 274 結(jié)論 28參考文獻(xiàn) 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。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。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(zhuǎn)換器送入主機(jī)，此方法軟件設(shè)計(jì)簡單、計(jì)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(diǎn)。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(zhǔn)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。) =[3ωt+2ψ)COS(2ωt+2ψ240176。由連續(xù)周期函數(shù)的功率定義可得離散表達(dá)式為： （219）這種算法不僅對正弦波有效，當(dāng)采樣點(diǎn)數(shù)多時，還可較準(zhǔn)確的測量波形畸變的交流量。由（6）式求出輸入電壓復(fù)數(shù)振幅的實(shí)部和虛部的估計(jì)值以后，將其變?yōu)橛行е担謩e用UR和UI表示，則輸入電壓的有效值為 （227） 全周波付里葉算法　設(shè)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)。設(shè)初始權(quán)向量為其訓(xùn)練過程如下：利用第一個采樣時刻所對應(yīng)的輸入模式向量和初始權(quán)向量按下式計(jì)算與第一個采樣時刻所對應(yīng)的模擬輸出， 當(dāng)被采樣的對象為電壓信號時，則迭代收斂時的權(quán)值 和 即相當(dāng)于遞推最小二乘法中的UR和UI，則輸入電壓的有效值為 （238）3 幾種主要的電力參數(shù)計(jì)算方法的詳細(xì)介紹與實(shí)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(shí)現(xiàn)；近年來因?yàn)橹悄茈娋W(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(luò)算法引入電網(wǎng)的參數(shù)采集以及負(fù)荷預(yù)測等方面，取得了不錯的效果，因此本文也重點(diǎn)講述其相關(guān)原理以及仿真實(shí)現(xiàn)。例如，若N為偶數(shù)，將原有的N點(diǎn)序列分成兩個（N/2）點(diǎn)序列，那么計(jì)算N點(diǎn)DFT將只需要約[(N/2)2 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(diǎn)偶數(shù)點(diǎn)和奇數(shù)點(diǎn)序列的N/2點(diǎn)DFT值，所以，一個N點(diǎn)序列的DFT可以用兩個N/2點(diǎn)序列的DFT組合而成。由圖可得蝶形運(yùn)算的關(guān)系式可表示為=，=[] 。 matlab程序編寫FFT程序包括變址（倒位序）和L級遞推計(jì)算（N=，L為正整數(shù)）兩部分。第二層循環(huán)，其循環(huán)變量J用來控制計(jì)算不同種（系數(shù)不同）的碟形結(jié)，J的步進(jìn)值為1。 %若長度不是2的冪，補(bǔ)0到2的整數(shù)冪 end %蝶形運(yùn)算開始M=log2(N)。 %第g組中蝶形運(yùn)算變量2的偏移量 for r=0:Cycle_Count。圖33 FFT變換示意圖 程序驗(yàn)證編寫主函數(shù)，在主函數(shù)中輸入一個序列分別調(diào)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(jié)果是否相等，以判斷自己編寫的FFT程序是否正確[26]。輸入的離散序列39。title(39。)通過觀察比較，得到的序列各點(diǎn)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(shí)現(xiàn)對序列進(jìn)行FFT變換得到的結(jié)果與庫函數(shù)FFT得到的結(jié)果是一樣的。N=8。 (1)由于a、b是連續(xù)變化的，相鄰分