一种改进BP神经网络的电能计量方法及系统与流程

本发明涉及电能计量，特别是一种改进bp神经网络的电能计量方法及系统。

背景技术：

1、近年来，随着高速发展的工业化进程，各种电力设备投入电力系统中使用，给电网增添了大量非线性负荷和冲击性负荷。正是这些非线性负荷和冲击性负荷使得电力系统中产生了大量的谐波及间谐波，严重地损害了电网的电能质量，谐波问题因为其在电力系统中广泛存在，并且对电能质量产生着很大的影响，而成为了电能质量问题中颇具有代表性的一个。

2、谐波影响各种电气设备的正常工作。谐波对电机的影响除引起附加损耗外，还会产生机械振动、噪声和过电压，使变压器局部严重过热。谐波使电容器、电缆等设备过热、绝缘老化、寿命缩短，以至损坏。为了满足人们正常生活的需求，保证电力系统的正常运行，减少因谐波的产生而造成的经济损失，对谐波的检测分析对电力系统有至关重要的影响。

3、目前神经网络算法在谐波分析中的应用仍然处于发展阶段，在大数据时代，庞大的数据量易导致各算法计算量过大、数据结构变得复杂及分析时间过长等问题，传统神经网络随机选取初始权值和阈值，容易出现局部收敛极小点，从而降低拟合效果。

技术实现思路

1、鉴于上述目前神经网络算法在谐波分析中存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提供一种计算简单，大大缩短了运行时间，提高了分析效率的电能计量方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种改进bp神经网络的电能计量方法，其包括，在实际运行场景根据输入的谐波数据确定神经网络结构并初始化谐波信号；对所述输入的谐波数据进行聚类处理，基于所述聚类处理的结果采用粒子群优化算法对所述神经网络结构的权值和阈值进行优化；将优化后神经网络结构的输出层偏差值与给定的期望误差做比较并调试优化后神经网络结构的输入层、隐含层、输出层间的权值；通过将测试谐波数据输入调试后的神经网络进行分析，得到到电能计量中的谐波数据分析结果。

5、作为本发明所述改进bp神经网络的电能计量方法的一种优选方案，其中：所述初始化谐波信号包括以下步骤：令谐波信号为：

6、

7、改写为：

8、

9、其中，n为谐波次数；ah、和fh分别为h次谐波的幅值、相位和频率。

10、作为本发明所述改进bp神经网络的电能计量方法的一种优选方案，其中：初始化所述神经网络结构包括以下步骤：bp神经网络的输入信号为：

11、x(i)＝[cos2πf1ti,sin2πf1ti,...,cos2πfhti,sin2πfhti]

12、选用logsig函数作为激活函数，得出信号数据之间的输入和输出关系，输出信号为：

13、y(i)＝ωtx(i)，i＝1,2,…

14、其中，权值向量为：

15、ω＝[b1,a1,…,bh,ah]，h＝1,2,…

16、其中，bh、ah分别为傅里叶变换后的h次谐波余弦、正弦值；ω为bh、ah的矩阵向量，即权值；e(i)为偏差值；d(i)为原始数据输出值；y(i)为计算值。

17、作为本发明所述改进bp神经网络的电能计量方法的一种优选方案，其中：所述对输入数据聚类处理包括以下步骤：计算每个样本与当前已有聚类中心之间的最短距离，用d(x)表示，计算每个样本被选为聚类中心的概率，公式如下：

18、

19、使用轮盘法选出下一个聚类中心，重复以上步骤直到选出共k个聚类中心；针对数据集中的每个样本xi，计算它到k个聚类中心的距离，并将其分到距离最小的聚类中心所对应的类中，针对每个类别ci，重新计算它的聚类中心，公示如下：

20、

21、重复以上对输入数据聚类处理的步骤直到聚类中心位置不再变化。

22、作为本发明所述改进bp神经网络的电能计量方法的一种优选方案，其中：所述将粒子群优化算法pso与神经网络训练相结合，优化神经网络权值和阈值包括，将bp神经网络中的权重和阈值设置为粒子的初始种群，初始化粒子群，设种群的规模为n，每个粒子的位置为xi、速度为vi，种群的维度为d以及粒子群中的权重最大值wmax和权重最小值wmin，粒子群的维度值是神经网络中的权值和阈值的数量，其公式如下所示：

23、d＝n×o+o×m+o+m

24、其中，总的权重数量为n×o+o×m，隐藏层的阈值数量为o，输出层的阈值数为m，总的阈值数为o+m；通过计算粒子的适应度值进行寻找神经网络结构中权重和阈值的最优解，选用均方差误差公式作为粒子群优化算法pso的适应度函数：

25、

26、其中，n表示为粒子数量，为输出信号，即神经网络的实际输出值，yi(k)为模型中的期望值。

27、作为本发明所述改进bp神经网络的电能计量方法的一种优选方案，其中：所述将粒子群优化算法pso与神经网络训练相结合，优化神经网络权值和阈值还包括，将fit与个体极值pbest进行比较，若fit＜pbest，则将fit代替pbest并将fit与全局极值gbest进行比较，若fit＜gbest则将fit代替gbest，通过以下公式计算权重：

28、

29、并更新粒子的速度vi和位置xi，根据公式：

30、

31、xij(t+1)＝xij(t)+vij(t+1)

32、其中，i表示当前迭代次数，tmax为最大迭代次数，vij为粒子速度，xij为粒子位置，c1和c2表示学习因子，r1和r2的值为0～1之间的随机数，pij(t)为个体极值，gij(t)为全局极值，w为惯性权重；在粒子群优化算法pso优化的过程中设置是否达到最大迭代次数为终止条件，若不满足，则返回到计算适应度函数；若满足，则循环结束并输出结果，若达到条件，则获得最佳的权重和阈值。

33、作为本发明所述改进bp神经网络的电能计量方法的一种优选方案，其中：所述计算输出层的结果与目标函数的偏差值公式如下：

34、e(i)＝d(i)-y(i),i＝1,2,…

35、当偏差值大于期望误差值时，选择最小均方差算法作为调试输入层、隐含层、输出层之间的权值：

36、ω(i+1)＝ω(i)+μe(i)x(i),i＝1,2,…

37、其中，μ为bp神经网络的学习率；直到输出结果偏差值小于期望误差，则训练结束。

38、第二方面，本发明为进一步解决目前神经网络算法在谐波分析中存在的问题，实施例提供了改进bp神经网络的电能计量方法，其包括：神经网络结构初始化模块，用于确定神经网络的结构；优化模块，用于将粒子群优化算法与神经网络训练相结合，优化网络权值和阈值；神经网络训练模块，用于计算网络输出与目标函数的偏差，调试网络权值，进行模型训练；测试模块，用于对测试数据进行预测，得到谐波分析结果。

39、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的改进bp神经网络的电能计量方法的任一步骤。

40、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的改进bp神经网络的电能计量方法的任一步骤。

41、本发明有益效果为，本发明利用k-means++算法对数据进行聚类处理以后，强化了学习中心，从而减少分析时间；其次利用结构最为简单的bp神经网络进行智能分析，此方法从数据进行分析挖掘，因此计算简单，大大缩短了运行时间，提高了分析效率；相比其他方法，此方法诊断精度更高；由于使用粒子群算法进行了神经网络的改进，优化了bp神经网络的初始权值阈值，解决了容易出现局部收敛极小点，从而降低拟合效果的问题，并且使用bp神经网络训练数据集，由于其强大的学习能力和泛化能力，提高了谐波的分析精度，且初始化、数据处理、网络优化、谐波分析各个模块相互独立，因此可模块化，可移植，可改变。