遗传算法优化Prony电力系统谐波检测的研究

国网滁州供电公司、国网芜湖供电公司的研究人员葛江红、张昌丽，在2017年第12期《电气技术》杂志上撰文指出，实现对电力系统所含谐波的快速、准确检测是对其进行有效抑制以提高电能质量、增强电网稳定性的关键技术。

本文通过对现有电力系统谐波检测方法的比较，通过分析含噪声条件下传统Prony算法的相关参数优化选择方面存在的局限性，并根据Prony算法可以直接提取待检测信号的相关参数的特征，同时具有较强的自适应能力等特点，提出了遗传算法优化Prony电力系统谐波检测方法，以实现对Prony方法检测谐波相关参数的优化求取。

通过仿真实验，结果表明本文所提出的方法对于不同信噪比条件下的谐波检测信号在拟合误差精确度以及稳定性等方面均具有显著的优势。

随着电力电子技术的快速应用以及非线性负荷需求的不断增加，由此所导致的电力系统谐波对电能质量造成了严重的影响。近年来，由于谐波等相关原因所造成的大面积停电事故时有发生，这不仅对人民群众的正常生产生活带来了极大的不便，同时对国民经济的发展造成了巨大的损失。

在此背景下，为了减小甚至避免电力系统谐波对于电网正常运行的不利影响，准确而有效地对电力系统谐波进行检测并适时采取相应的抑制措施，业已成为电力系统安全稳定运行的一项决定性要素[1,2]。

目前对于电力系统谐波检测方面的方法主要有：模拟滤波器谐波检测方法，希尔伯特-黄变换检测方法、基于神经网络的检测方法、基于傅里叶变换的检测方法、基于小波变换的检测方法、基于Prony算法的谐波检测方法等[3]。

其中模拟滤波器检测方法硬件电路设计简单、易于实现，然而其中心频率带有参数敏感性，在实际中难以获得满意的特性参数，从而使得检测结果存在较大的误差。希尔伯特-黄变换检测方法对于非线性非平稳信号具有较强的适用性，具有计算量小的优势，然而其在谐波检测过程中易出现模态混叠等问题，导致对于多成分信号分解稳定性较差。

基于神经网络的检测方法对于训练样本具有较高的依赖性，同时缺乏标准化的神经网络模型构造方法与流程[4]。基于傅里叶变换的检测方法计算量较大，计算效率不高，此外当待检测信号的频率与采样频率不相匹配时，易产生频谱泄露效应(栅栏效应)，从而造成较大的检测误差。

作为一种信号时域分析中所广泛采用的工具，应用小波变换检测并分析电力系统谐波信号具有较强的普遍性，其可对待检测信号中的奇异值进行准确定位进而判断其相应的干扰类型。

然而在实际检测过程中，如何选择合适的小波基函数对信号进行分离目前尚无统一化的指导原则，此外小波变换无法准确检测谐波信号的频率与对应的幅值[5]。这些因素都限制了上述方法的广泛应用。

扩展Prony算法模型可以直接提取待检测信号的幅值、频率、初相以及衰减因子，具有较强的自适应能力，无需对特征方程进行求解，也不必进行样本自相关的估计验算，仅借助于对多项式与线性方程组的求解便可得到精确度高的模态信号[6,7]。然而，模型参数的选择制约着Prony算法信号检测的最终结果，在含噪声条件下这一问题将变得越发突出。

基于此，本文提出利用扩展的Prony 算法进行电力系统谐波检测过程，以启发式的智能优化算法-遗传算法对Prony的相关参数（包括幅值、相位、频率以及衰减因子）进行在线优化选择，以克服离线模型参数选择对谐波检测结果的不利影响，从而最终实现提升Prony算法谐波检测精度，减少系统误差的目的。

本文对含有不同噪声强度的谐波信号进行了基于Matlab平台的仿真实验研究，结果显示该方法相比于传统的Prony算法准确度有了显著的提升。

图1 遗传算法优化Prony谐波检测流程图