之后，训 练网络时很可能会遇到不收敛或者收敛速度慢的问题；假若问题或者网络结构需要改变， 那么网络就需要重新训练；训练当中还有可能出现过学习的技术问题，从而满足电能质量 检测中的实际需求。
【附图说明】
[0048] 图1为本发明方法的流程图；
[0049] 图2为本发明实施例所提供的一个电能质量检测模型的示意图；
[0050] 图3为本发明装置的结构示意图；
【具体实施方式】
[0051] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0052] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品 的尺寸；
[0053] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解 的。
[0054] 下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0055] 实施例1
[0056] 如图1所示，一种分布式电源谐波检测方法，主要处理步骤包括：
[0057] 步骤S11 :基于学习向量量化LVQ神经网络构建电能质量检测模型；
[0058] 步骤S12 :利用粒子群算法PS0优化电能质量检测模型；
[0059] 步骤S13:利用优化后的电能质量检测模型，依据输入的电能质量信号中的谐波 信息，对电能质量信号的谐波及间谐波扰动进行检测。
[0060] 本发明中，学习向量量化LVQ神经网络是一种由输入层、竞争层和输出层组成的 混合网络，现有的LVQ神经网络的学习结合了竞争学习和有监督的学习来形成分类。学习 规则为：
[0061]
[0062] 式中，w_n为神经元j对应的参考向量，X丨为竞争层输出，Aw_n(k)为第k步时参考 向量的修正值，η为学习速率或步长（〇<η< 1)。
[0063] 本发明中，电能质量检测模型包括分别由多个神经元组成的输入层、竞争层及输 出层；输入层中的每个神经元分别与竞争层中的所有神经元连接，其中输入层的神经元与 竞争层的神经元的一次连接对应一个连接权值；竞争层的每个神经元所对应的所有连接 权值构成其自身的参考向量；竞争层中的神经元与输出层中的神经元一一对应连接；输出 层，用于对外输出电能质量信号扰动类型的检测结果。
[0064] 图2是一个电能质量检测模型的示意图，电能质量检测模型中包括输入层，竞争 层和输出层。输入层包括神经元al，神经元a2和神经元a3 ;竞争层包括神经元bl，神经元 b2,神经元b3和神经元b4 ;输出层包括神经元cl，神经元c2,神经元c3和神经元c4。输入 层的每个神经元分别和竞争层的所有神经元连接，且每一次连接对应一个连接权值，例如 输入层的神经元al与竞争层神经元bl的连接权值为albl，输入层的神经元al与竞争层 神经元b2的连接权值为alb2,输入层的神经元a2与竞争层神经元b2的连接权值为a2b2， 其它连接权值类似。竞争层的每个神经元均对应一个参考向量，其分量为对应神经元上的 各个连接权值。例如神经元bl对应一个参考向量，记为向量rbl;神经元bl上的各个连接 权值，为向量rbl上的分量，S卩向量^^可表示为（albl，a2bl，a3bl)。其余竞争层的神经元 的参考向量类似bl的表示。竞争层神经元分别与输出层神经元一一对应连接，即bl连接 cl，b2连接c2,其余类似。
[0065] 利用PS0优化电能质量检测模型包括：建立粒子群，其中粒子群中粒子的位置的 分量与电能质量检测模型中的连接权值一一对应；利用粒子群迭代算法，迭代更新粒子群 中所有粒子的位置和速度；其中，每次更新粒子的位置和速度后，均计算每个粒子的最优适 应度位置，并利用得到的粒子的最优适应度位置获取粒子群的最优适应度位置，以及，利用 粒子群的适应度位置更新电能质量检测模型的所有连接权值；当粒子群迭代算法达到设定 的迭代次数，或，电能质量检测模型的实际输出和预期输出的差值满足预设范围时，停止对 粒子群中粒子位置和速度的更新。
[0066] 建立粒子群，包括：建立初始种群数目为n，以及迭代次数为T的粒子群，其中粒子 群中的粒子的维度为上述电能质量检测模型中连接权值的总数目，并随机产生粒子群中所 有粒子的初始位置和初始速度，并确定每个粒子初始的最优适应度位置和所述粒子群初始 的最优适应度位置；建立粒子群中粒子的位置的分量与电能质量检测模型中的连接权值的 --对应关系。
[0067] 粒子群中的粒子的维度为电能质量检测模型中连接权值的数目。如图2所示的电 能质量检测模型，优化此电能质量检测模型的粒子群的粒子维度为连接权值的数目12,粒 子群中的每个粒子都可以为电能质量检测模型中所有的连接权值赋值。例如粒子群中的粒 子h，记为（hl，h2,h3,h4,h5,h6,h7,h8,h9,hlO,hll，hl2);其中hi对应连接权值albl， h2对应连接权值a2bl，h3对应连接权值a3bl，h4对应连接权值alb2,其余类似，粒子h的 分量分别依次记载竞争层中的神经元bl，神经元b2,神经元b3和神经元b4各个对应的参 考向量的分量的值。粒子群中的粒子，其初始位置和初始速度都是随机的。每个粒子初始 的最优适应度值为该粒子初始位置对应的适应度值，即粒子初始的最优适应度位置为粒子 的初始位置；粒子群初始的最优适应度值为粒子群中所有粒子初始的最优适应度值的最优 值，即粒子群初始的最优适应度位置为粒子群中初始的最优适应度值最优的粒子的位置。
[0068] 利用粒子群迭代算法，迭代更新粒子群中所有粒子的位置和速度，包括：依次判断 每个粒子的当前位置是否小于和其对应的设定位置，且判断每个粒子的当前速度是否小于 和其对应的设定速度，如果当前粒子的判断结果均为是，则重新初始化粒子群；如果当前粒 子的判断结果至少有一项为否，则更新当前粒子的位置和速度。
[0069] 即每次迭代更新粒子群中所有粒子的位置和速度后，判断粒子群是否需要重新初 始化。具体的判断方式是，依次判断每个粒子的当前位置是否小于和其对应的设定位置， 且判断每个粒子的当前速度是否小于和其对应的设定速度，如果当前粒子的判断结果均为 是，则重新初始化所述粒子群，包括：重新设置粒子数目n，迭代次数T，并随机产生粒子群 中所有粒子的初始位置和初始速度，并确定每个粒子初始的最优适应度位置和所述粒子群 初始的最优适应度位置；如果当前粒子的判断结果至少有一项为否，则更新当前粒子的位 置和速度。
[0070] 每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，包括：每次更 新粒子的位置和速度后，计算粒子当前的适应度值；依次判断每个粒子当前的适应度值是 否优于和其对应的当前的最优适应度位置的适应度值，如果是，则利用粒子的当前位置替 换和其对应的当前的最优适应度位置。
[0071] 即记录每个粒子的最优适应度位置，计算最优适应度位置的适应度值。如果粒子 更新后的适应度值优于最优适应度位置的适应度值，则将粒子对应的当前的最优适应度位 置更新为粒子当前的位置。
[0072] 利用得到的粒子的最优适应度位置获取粒子群的最优适应度位置，包括：依次判 断每个粒子当前的最优适应度位置的适应度值是否优于粒子群当前的最优适应度位置的 适应度值，如果当前进行判断的粒子的当前的最优适应度位置的适应度值优于粒子群当前 的最优适应度位置的适应度值，则将粒子群当前的最优适应度位置更新为当前进行判断的 粒子的最优适应度位置。
[0073] 计算粒子当前的适应度值，包括：利用公式计算粒子当前的适应度值；其中，~为 训练样本总数；yih和y^分别为相应于第i个训练样本的输出层的期望输出和实际输出。
[0074] 计算粒子的适应度值的方法包括：利用粒子的位置，给电能质量检测模型中所有 连接权值赋值；电能质量检测模型的竞争层的每个神经元与多个输入层的神经元连接，