【正文】 ig39。 39。purelin39。},39。trainlm39。)。對于初始網絡，可以應用sim（）函數觀察網絡輸出。y1=sim(net,p)。figure。plot(p,t,39。39。,p,y1,39。:39。)title(39。未訓練網絡的輸出結果39。)。xlabel(39。時間39。)。ylabel(39。仿真輸出原函數39。)。同時繪制網絡輸出曲線，并與原函數相比較，結果如圖37所示。圖37 未訓練網絡的輸出結果其中“ ” 代表要逼近的非線性函數曲線；“‥‥‥” 代表未經訓練的函數曲線；因為使用newff( )函數建立函數網絡時，權值和閾值的初始化是隨機的，所以網絡輸出結構很差，根本達不到函數逼近的目的，每次運行的結果也有時不同。步驟3：網絡訓練應用train（）函數對網絡進行訓練之前，需要預先設置網絡訓練參數。將訓練時間設置為50，其余參數使用缺省值。訓練后得到的誤差變化過程如圖38所示。圖38 訓練過程=50。 (網絡訓練時間設置為50)=。（）net=train(net,p,t)。（開始訓練網絡）TRAINLMcalcjx, Epoch 0/50, MSE , Gradient TRAINLMcalcjx, Epoch 3/50, MSE , Gradient TRAINLM, Performance goal met.從以上結果可以看出，網絡訓練速度很快。步驟4： 網絡測試對于訓練好的網絡進行仿真：y2=sim(net,p)。figure。plot(p,t,39。39。,p,y1,39。:39。,p,y2, 39。39。)title(39。訓練后網絡的輸出結果39。)。xlabel(39。時間39。)。ylabel(39。仿真輸出39。)。繪制網絡輸出曲線，并與原始非線性函數曲線以及未訓練網絡的輸出結果曲線相比較，比較出來的結果如圖39所示。圖39 訓練后網絡的輸出結果其中 “ ” 代表要逼近的非線性函數曲線；“‥‥‥” 代表未經訓練的函數曲線；“―――” 代表經過訓練的函數曲線；從圖中可以看出，得到的曲線和原始的非線性函數曲線很接近。這說明經過訓練后，BP網絡對非線性函數的逼近效果比較好。 不同頻率下的逼近效果改變非線性函數的頻率和BP函數隱層神經元的數目，對于函數逼近的效果有一定的影響。網絡非線性程度越高，對于BP網絡的要求越高，則相同的網絡逼近效果要差一些；隱層神經元的數目對于網絡逼近效果也有一定影響，一般來說，隱層神經元數目越多，則BP網絡逼近非線性函數的能力越強。下面通過改變頻率參數和非線性函數的隱層神經元數目來加以比較證明。1）頻率參數設為k=2，當隱層神經元數目分別取n=n=6時，得到了訓練后的網絡輸出結果如圖310，311所示。 圖310當n=3時訓練后網絡的輸出結果 圖311 當n=6時訓練后網絡的輸出結果其中“ ” 代表要逼近的非線性函數曲線；“‥‥‥” 代表未經訓練的函數曲線；“―――” 代表經過訓練的函數曲線；2）頻率參數設為k=4，當隱層神經元數目分別取n=n=8時，得到了訓練后的網絡輸出結果如圖312，313所示。 圖312 當n=6時訓練后網絡的輸出結果 圖313 當n=8時訓練后網絡的輸出結果其中 “ ” 代表要逼近的非線性函數曲線；“‥‥‥ ” 代表未經訓練的函數曲線；“―――” 代表經過訓練的函數曲線；3）頻率參數設為k=8，當隱層神經元數目分別取n=n=15時，得到了訓練后的網絡輸出結果如圖314，315所示。 圖314 當n=10時訓練后網絡的輸出結果 圖315 當n=15時訓練后網絡的輸出結果其中 “ ” 代表要逼近的非線性函數曲線；“‥‥‥ ” 代表未經訓練的函數曲線；“―――” 代表經過訓練的函數曲線； 討論通過上述仿真結果可知，當 k=1，n=3時；k=2，n=6時； k=4，n=8時；k=8，n=15時，BP神經網絡分別對函數取得了較好的逼近效果。由此可見，n取不同的值對函數逼近的效果有很大的影響。改變BP網絡隱層神經元的數目，可以改變BP神經網絡對于函數的逼近效果。隱層神經元數目越多，則BP網絡逼近非線性函數的能力越強。4 結論本文首先根據當前電力參數測量領域中存在的主要算法，提出了這些算法的必要性和可行性。再介紹了國內外在電力參數計算發(fā)展情況的基礎上，簡要分析了目前電力參數計算方法各自的優(yōu)劣點以及幾種算法的仿真驗證。針對交流測量系統(tǒng)的實際情況，合理選擇采樣相關算法是提高通信電源監(jiān)控系統(tǒng)準確度的重要環(huán)節(jié)。交流采樣算法精度高、實時性好，隨著微機技術的飛速發(fā)展和采樣算法的深入研究，必將得到廣泛的應用，從而大大提高通信電源監(jiān)控系統(tǒng)的智能化和自動化水平。國內對電網質量研究起步較晚，目前使用的電網質量檢測設備與發(fā)達國家還有一定距離，因此，電網污染問題仍然有待于進一步解決，傳統(tǒng)的采樣裝置有待于進一步優(yōu)化提高。參考文獻[1] 楊存祥，宋鏡波，王發(fā)群，等．基于DSP 的電力參數檢測系統(tǒng)的研究．[J]廣東輸電與變電技術，2007(5)[2] 胡廣書．數字信號處理．[M]清華大學出版社，2003[3] 著孫洪等．譯．數字信號處理—基于計算機的方法．[M]電子工業(yè)出版社，2006[4] 徐科軍，張瀚，陳智淵．TMS320X281xDSP 原理與應用．[M]北京航天航空大學出版社，2006[5] 鄭紅，王鵬等．DSP 應用系統(tǒng)設計實踐．[M]北京航空航天大學出版社，枕善居．RS232 技術文摘．[J]串口通信技術，2001[6] .[M]北京水利電力出版社，1985[7] Liu WHE,WuFE, of parameter errors from measurement residuals in state estimation[J].IEEE Trans. On Power Systems,1992,7(1)[8] [D].成都 西南交通大學，2005[9] 張艷萍，[J].長沙電力學院學報，2000，PP39~41[10] Alsac O,Vempati N,Stott B,Monticelli stateestimation [J] .IEEE Trans on PowerSystems ,1998 ,13 (3) : 10691075[11] Nino C E , Velez2Reyes M. Dealing with Ill Condi2tioning in Recursive Parameter Estimation for a Syn2chronous Generator [A] . IEEE Indust rial Elect ron2ics [C] . IECON 2006232nd Annual Conference ,2006[12] 韓安太，劉峙飛．.DSP 控制器原理及應用．[M]清華大學出版社，1998[13] Monticelli A , Wu F F. Network Observability : Theory[J] . IEEE Trans . PAS , 1985 , 104 : 104221048[14] Jun Zhu , Ali A. Identification of Network Parameter Errors [J] . IEEE Trans. on Power Systems , 2006 ,21 (2) : 5862592[15] 竺煒，唐穎杰，周有慶，等．基于改進Prony 算法的電力系統(tǒng)低頻振蕩模式識別[J]．電網技術，2009，33(5)：4447．Zhu Wei，Tang Ying jie，Zhou You qing，et al．Identification of power system low frequency oscillation mode based on improved Prony algorithm[J]．Power System Technology，2009，33(5)：4447(in Chinese)[16] 鄭濤，劉萬順，吳春華，[J]. 電力系統(tǒng)自動化，2002，27（23）：5155[17] 鄭君里,楊行峻.《人工神經網絡》. 北京: 高等教育出版社,:1530[18] 郝中華.《B P神經網絡的非線性思想》. (4)[19] 巨軍讓，卓戎.《B P神經網絡在Matlab中的方便實現 》.(1)[20] Neural Network Tolbox User’s, The MathWorks. Inc,2003:1627[21] Matlab user’s Guide. The ,2003:2327[22] Neural Network Toolbox. Mathworks,2007:113[23] 王成山，王繼東．基于小波包分解的電能質量擾動分類方法[J]．電網技術，2004，28(15)：7882[24] 肖冰，梁軍，等．Hilbert變換在電壓閃變檢測中的應用[J]．繼電器，2005, 33(15):6265[25] 楊奕，沈申生．小波包變換在電能質量擾動檢測中的應用[J]．高電壓技術，2005,32(7):116119[26] 鄒其洪.《MATLAB教程》. 電子工業(yè)出版社，2005[27] 吳友宇.《數字信號處理》. 東南大學出版社，2008[28] 吳錫龍.《信號與系統(tǒng)》.高等教育出版社，2004[29] [J].電網技術，1997，PP64~66[30] [J].電測與儀表，2000，PP10~12[31] 張艷萍，[J].長沙電力學院學報，2000，PP39~41致謝在即將完成學業(yè)之際，我要衷心的感謝那些曾經關心過我和幫助過我的人，不論在學習過程中還是在生活當中，如果沒有他們?yōu)槲遗艖n解難，就不會有我今天的順利畢業(yè)。論文擱筆之際，首先我要把最誠摯的感謝獻給我的導師劉書剛教授，本論文是在導師的悉心指導和精心培養(yǎng)下完成的，論文的選題、研究和撰寫始終得到導師的指導和幫助。劉老師深厚的學術造詣、堅持不懈的探索精神以及對學術前沿的敏銳的洞察力，使學生終身受益。導師嚴謹的治學態(tài)度、侮人不倦的美德以及科學的工作方法永遠是學生學習的榜樣。在此，學生謹向導師表示最崇高的敬意和最衷心的感謝!其次，要感謝計算機科學與技術學院所有的領導和老師，他們?yōu)槲业膶W習和生活提供了很大的方便和有利條件，是我的學業(yè)能夠順利完成。同時也要感謝華北電力大學曾經教授過我的老師們，他們的教侮使我終身難忘。最后，我要特別感謝我的家人和同學。我的同窗好友對我的研究工作給予了熱情幫助，在此向他們表達我的感激之情。感謝我尊敬的父母，他們用博大的胸懷、勤勞的雙手和幾十年的心血養(yǎng)育了我，是他們樸實無私的奉獻和所傾注的愛與關懷使我能夠在學校專心完成學業(yè)。再次向所有曾幫助和關心過我的師長、親人、朋友表