模拟电路实现的神经元自适应谐波电流检测方法

模拟电路实现的神经元自适应谐波电流检测方法

陈楠

江苏省南京市

210000

世强先进（深圳）科技股份有限公司南京分公司

摘要：在这篇论文中，我们提出了模拟电流在有源电源滤波器中进行检测的方法：计算机模拟提出的仿真电路、实验研究采用PSPICE电路仿真软件。这种方法的有效性已通过模拟和实验结果得到证实，这是一种有源电力滤波器仿真电路，其基础就是神经自适应谐波电流。PSPICE模拟和测试结果对电路的有效性也进行了确认。

关键词：人工神经元网络；模拟电路

1对人工神经元网络的介绍

人工神经网络（ANN）具有许多优点，其研究越来越广泛。然而，大多数人工神经网络研究现在都是用计算机软件模拟的。与人工神经网络软件建模相比，人工神经网络硬件实现仍然相对薄弱。Ann软件建模限制了Ann的范围，不能充分反映Ann的特性和实用价值。因此，通过使用连续运行的模拟（硬件）电路，神经网络接近生物系统，并且模拟电路易于构建，反应快速。从一定意义上说，价值在于实现对电路(硬件）的模拟。在模拟电路中，想要实现对于人工神经网络研究，都有一些重大的意义，譬如在理论和实践问题上。有源电源滤波器(APF）这种使用的方式是谐波电流侦测，而使用这种方式所拥有的好处是在谐波电流追踪的速度快慢以及他的准确度方面起了很大的作用，并且这些在APF谐波电流的补偿作用上也有一些重大影响。这些数据通过对于非线性负载电流的一些组成变换得到了一些有用的结果，应是有一种神经方法用来测试自适应谐波电流的数据。数值模拟显示，此演算法具有很高的侦测率和追踪效果，不仅适用于侦测电流谐波，同时也适用于测量APF谐波电流。为了反映人工神经网络的财产并将其应用于有源电力滤波器，有必要研究该方法建模协议的实现。

人工神经网络（ANN）具有许多优点，可以获得了越来越多的应用，但ANN特性的实现和应用取决于仿真电路的实现。事实上，生物系统不是离散的，与数字逻辑系统的状态非常不同。因此，可以使用ANN电路来操作连续操作的模拟电路，从而可以容易地构造模拟电路，并且有助于快速响应，并且VLSI技术的使用变得更容易。对于有源电源滤波器(APF)，关于他们通过使用谐波电流检测方法，从而影响APF谐波电流补偿效果，而这些效果对于谐波电流检测准确度甚至是跟踪率的确有一些作用。且是一种自适应神经谐波电流的测试方法，将自适应降噪与人工神经网络(ANN）相结合。

数值仿真表明，与传统的APF谐波电流检测方法相比，该方法适应性强，检测速度快，跟踪性能好。当然，神经自适应谐波电流检测方法可以通过计算机软件实现，但有必要研究这种检测方法在仿真电路中的实现，以反映人工神经网络的特性，并更好地应用APF提出的方法。

本文分析了基于自适应算法的APF神经元谐波电流检测仿真电路的设计原理。在本文中，我们使用更详细的PSPICE计算机建模来研究自适应谐波电流检测方法的有效性。首先，基于神经自适应谐波电流检测算法的公式，分析了仿真电路的原理。Pspice软件用于电路建模。最后，我们得到了一个具有无限可变神经元功率的仿真电路。

2神经元自适应谐波电流检测电路的仿真及实验研究

对神经谐波电流检测电路的计算机仿真中采用的新型有源电力滤波器的谐波电流检测方法进行了算法数值模拟。还需要使用专用道路建模软件来获得与模拟方案类似的模拟结果。本文采用性能优良的PSPICE电路建模软件。在该流程图中，有一些自适应谐波电流检测模拟电路、积分器、比例放大器还有加法器。并且造成模拟电路来完成神经自适应谐波电流检测系统。该方案中有更多的组件，并且PSPICE 5.0建模程序没有可乘法的乘法模块，因此有许多乘法模块，包括光电管和其他组件。当然，如果您直接使用PSPICE软件来模拟此路线，则包含的计算机文件类型太大，模拟速度非常慢，基本元素无法轻松配置，模拟无法顺利运行。因此，PSpice 5.0建模将电路中的乘法器替换为宏模型。

在仿真研究中，引入第一次神经元谐波电流的非线性充电电流是0.02s周期的平方电流，并且在电压通道的负零到正零之间变化30°。参考输入U*（T）=sin2xft，频率50Hz。仿真曲线的压力间隔为1ms。用于激活电路仿真程序的自适应谐波测量电路PSPICE提供了电路仿真结果，其中I和I分别由有源电流谐波电流表示。为了便于比较，显示了理论计算产生的I波和I波（实际波形）。在检测之后的大约一个周期中，通过调整自适应功率值，检测到的波形可以跟随实际波形的发展，并且可以看出，由谐波电流检测到的波可以在第一周期中与实际波形同步。PSPICE分析曲线对应于用于有源电力滤波器的新谐波电流检测方法的数值模拟曲线。若选用较合适的电路参数，则可确保探测到的波形基本符合第一循环初期的实际波形变动情况。由有功电流和负载变化周期的谐波电流在负载变化周期中表示自适应谐波电流仿真的仿真结果。回路参数和原参数是一样的。相位追踪效果不受电荷电流突变后的影响。波幅方面，谐波电流经过一周左右的时间，可以分辨出波形，跟随真正波形变化的幅度较高。比起其它的谐波电流检测方式，检测跟踪效果更快。适应能力较好。计算机模拟考试成绩与数值模拟考试成绩一致。

                                     有功电流

                                     谐波电流

                             负载变化时的有功电流

                                负载变化时的无功电流

实验表明，调整学习速度N个参数会影响检测链的稳定性和跟踪速度。模拟和实验研究表明，n的值与原始输入有关。如果在一些基于模拟平方电流的实验中检测到n值，则它们必须在120－200的范围内。如果n太小，则检测速度太慢，太小，系统不稳定，并且检测到波形失真。在实验中，必须选择具有高输入电阻、低漂移和高精度乘法器的运算放大器。由于功率值的连续调整，过度的连续漂移不利于功率值的稳定。

        上图为神经元自适应谐波电流检测模拟电路原理图

                 上图为神经元自适应谐波电流检测电路

模拟神经自适应谐波电流感测电路的发生器、比例放大器和加法器由诸如运算放大器、电阻器、电容器等设备组成，然后可以创建自适应谐波神经元电流感测系统的模拟电路以用于特定实验。由于PSPICE 50没有完整的乘法器模块，因此用乘法器替换宏模型，减少模拟电路组件，避免过多的计算机文件，并提高模拟速度。换句话说，乘数由一个等价的数学关系表示。用于检测神经自适应谐波电流的模拟电路之一是0.02的正电流，在30 US（T）内从负零过渡到平方零，并在-1A和1A之间变化。Us（T）=sin2tft V在5 Hz时给出。如果未指定，则模拟中的主要参数相同，曲线压力间隔为LMS。为了使模拟电路尽可能接近电路的实际情况，只有乘法器被模拟电路中的宏模型代替，而另一个元件总是被实际电路元件代替。在使用离散数值分析的神经网络研究中，我们找到了一个调整神经元功率和阈值WJ（K+1）=WJ（K）**e（K）XJ（K）和TS（K+2）=TS（K）**e（K）的公式。由于用于检测神经元自适应谐波电流的系统被合并到一个设备中，因此可以获得用于调节神经元的功率和阈值的方程。模拟电路学习系数KK（理论上，t→0，n>在实践中，n是通过比例放大器在模拟电路的神经自适应谐波电流检测中实现的，不能太大；过大的N是因为步伐过大造成的；体制不稳；过小的N对系统收敛的速度也有影响。这是由于门槛的高低影响了系统的表现，要有效的随机应变。所以STA部署的时候，N系统的作用一定要尽量大。这里我们采用TF150的造型。确定的值不是最好的值，而是接近最好值的值，以区分实际波形和检测波形。有效电流或波形流用控制电路中的波形I、Z表示。图中显示理论I浪和IC浪(实际波形)，以便于比较。很明显，检测到的波形在被检测后的一段时间内，通过调整适应性功率值，可以追踪到实际波形的变化情况。第一周期中探测到的谐波电流形态和实际波形的变化是相同的。若选用较恰当的电路参数，则可保证探测到的波形基本符合第一循环初期的实际波形变化。

                              电源频率漂移时的有功电流

                           电源频率漂移时的谐波电流

3实验结果

实验结果显示，调整与学习速度n有关的参数，对检测电路的稳定性、跟踪率都有影响。模拟与实验研究具有N值与初始输入的关系，模拟研究显示，通常在许多角电流实验中被检测到的N值应在120-200范围内。n太小则侦测过慢、过小，系统变得不稳定，侦测波形会变得畸变。实验中必须选用操作放大器，使输入电阻高，漂移低，乘法器精度高。由于功率值的不断调整，对于功率值的稳定性而言，过于连续的漂移是不利的。同时，更详细的实验研究和建模都要使用PSPICE软件。模拟与实验结果显示，神经元功率的自适应连续控制可以通过提出的神经自适应谐波电流检测系统的模拟电路来实现。该仿真电路具有结构简单、元件少、侦测快、循迹好等特点。

4结束语

实现模拟电路是研究人造神经网络的重要方面。目前，人工神经网络的建模方法复杂而薄弱，在国内尤其如此。如果这一问题能得到更好的解决办法，那么神经网络就能得到大范围的普及和发展。以有源电力滤波器中谐波神经电流的自适应检测方法为基础，实现神经能量的自适应连续自适应。同时利用PSPICE电路建模软件详细建模了谐波电流检测系统的仿真电路。模拟与实验结果显示，神经自适应谐波电流检测方法模拟电路拥有以下几种特点，分别是速度快、不敏感的频率变化、结构较为简单、跟踪效果较好、适应性强等。该模拟电路也可用来测试APF谐波电流。

参考文献

[1]刘仕科.谐波治理方法在建筑电气设计中的运用研究[J].低碳世界,2021,11(12):70-71. DOI:10.16844/j.cnki.cn10-1007/tk.2021.12.031.

[2]侯玉,黄令忠,戴斌.电力系统中的谐波原因与应对措施[J].集成电路应用,2021,38(12):166-167. DOI:10.19339/j.issn.1674-2583.2021.12.074.

[3]李水龙,陈以伦,于伟恒,周施文.基于人工神经网络的仪器地震烈度预测模型研究[J/OL].地震工程学报,2023(01):181-190.DOI:10.20000/j.1000-0844.20210805001.