图3.10  MIV算法流程图
3.4  学习样本的收集
学习样本对BP网络的应用成败至关重要，学习样本如果差的话不但会导致网络的错误的映射关系，同时也会使神经网络的学习过程最终无法收敛，因此，应格外的注意去选择学习的样本。采集学习的样本的通常原则[46-47]：
(1)具有代表性的样本当：采集的样本应当尽可能起到“以点代面”作用，即，尽可能的体现网络的输入输出之间的关系。
(2)采集具有广泛性的样本：样本越为广泛性，那么训练出来的BP网络具有越好的适应能力，使它在多种场合适用。所以采集的样本最好能提供了BP网络在各种情况下的输入，并能给出相应的期望输出。
(3)采集具有紧凑性的样本：除了具有以上的条件外，学习的样本还应当具有紧凑性。若含有大量冗余成分，学习样本会产生以下的不利情况：
①训练出的神经网络会产生错误的映射，那么网络输出将出现过多偏向冗余学习的成分注入到所形成的输出。
②    导致神经网络的学习过程收敛困难甚者是不收敛。
3.5  谐波源辨识的实际案例分析
下面利用上面所介绍的BP网络算法和MIV的神经网络谐波源的识别方法对5#400V母线上的变频器进行辨识，通过数据来明确哪个变频器对母线造成的污染最严重，为以后的治理打下良好的基础。（5#400V母线上的变频器数据为查阅相关资料所得，如下表3.1所示）。
表3.1 各监测点瞬时检测数据
    THDI    谐波电流（A）
        5th    7th    11th    13th
5#400V母线    13.66%    16.5    10.84    2.63    0.78
BP1    105.27%    77.31    61.48    26.62    15.32
BP7    94.74%    62.56    52.41    37.63    27.81
BP8    92.63%    62.21    54.81    32.42    25.99
BP13    85.19%    68.99    46.52    11.88    7.81
由于常规测量的谐波电流为实际谐波电流大小，而谐波电流与谐波源的容量有关，因此以各个变频器监测点的5、7、11、13次谐波电流以及谐波电流总畸变率为神经网络输入特征参量；以400V母线监测点的5、7、11、13次谐波电流以及谐波电流总畸变率为神经网络输出特征参量。神经网络系统结构图如图3.11所示：
 
图3.11  BP神经网络系统结构图
将上述数据进行神经网络训练后，再对5#400V母线上的数据进行基于MIV的谐波源辨识，谐波源辨识采用的是4输入1输出的BP神经网络，训练数据300组，最大训练步数为5000。最后辨识的结果如下表3.2所示：
表3.2 谐波源辨识结果
MIV    BP1    BP7    BP8    BP13
THDI    2.6078    0.0.8864    0.8763    -0.9311
5th    7.0069    0.4083    -3.1546    -10.4012
7th    4.9786    -1.1838    -0.1474    -4.4011
11th    8.2058    -1.6829    -2.5359    0.4963
13th    2.6459    0.4642    1.2300    -3.5991
从谐波源辨识结果上可以看出，BP1是5#400V母线上污染最严重的谐波源；而从各次谐波的污染程度上来看5次谐波电流主要由BP1和BP13注入，7次谐波电流、11次谐波电流以及13次谐波电流主要由BP1注入。由此可以判定，BP1为该段母线上最主要的谐波污染源。 供电系统误动作机理分析+ETAP仿真(9):http://www.751com.cn/tongxin/lunwen_1565.html