一种基于BP神经网络的微能源器件能量识别方法与流程

本发明涉及智慧微能源系统领域，尤其涉及一种基于bp神经网络的微能源器件能量识别方法。

背景技术：

目前，具有自传感、自唤醒、自主学习、自主适应等特点的智慧微能源系统逐渐开始取代传统能量管理系统。其中，对于输入能量的准确识别是智慧微能源系统的关键所在。

由于微能源器件的电压信号受到材料本身以及工艺技术等外部因素的干扰，因此其电压信号中可能存在多种强弱不同或频率不同的噪声，如何提高噪声的适应性和去噪效果也是微能源器件能量识别中亟待解决的问题之一。

目前，机器学习的研究方向主要包括决策树、随机森林、人工神经网络、贝叶斯学习等方面的研究。与k近邻算法、贝叶斯分类器算法等传统的机器学习算法相比，bp神经网在以下几个方面有着明显的优势：

1)bp神经网络具有更强的自学习和自适应能力，在其训练学习时能自动提取输出数据特征，并自适应的将所学习内容记忆于网络权值中。

2)bp神经网络相比于传统机器学习算法具有更好的泛化能力。泛化能力通常指机器或者神经网络经过大量数据训练学习后，是否具备处理除训练数据以外的其他数据的能力。以智慧微能源系统为例，若用常见的机器学习算法如朴素贝页斯分类器算法对多种微能源器件的输出电学形式进行分类，则该算法只会对当前的训练集样本(即各个微能源器件开路时的动态电压)进行分类并提取特征，而对于其他数据样本的特征提取效果较差。相比之下，有监督的bp神经网络模型，将整个模型的训练过程分为信号的正向传播和误差的反向传播这两个过程，首先训练数据进入模型时进行正向传播，若输出层得到的结果和预期输出结果存在误差，第二步则进行误差的反向传播并更新隐藏层权重，直到误差减至最小，依此迭代训练学习完的模型权重达到最优值。此时模型具有较好的泛化能力，使其对于其它数据样本也可以进行较为准确地分类识别功能。

3)bp神经网络具有较好的容错能力，即当bp神经网络部分神经元受损时对整个模型的特征分类识别准确率影响不大。

4)bp神经网络具有较好的非线性映射能力。bp神经网络的实质是实现了一种输入到输出的映射功能，且数学理论证明三层bp神经网络结构其隐藏层神经元个数足够多时，该神经网络能够以任意精度逼近任何非线性连续函数。

技术实现要素：

本发明公布了一种基于bp神经网络的微能源器件能量识别方法，通过有监督的bp神经网络模型对微能源器件输出电学形式进行特征识别及分类，提高了对复合微能源器件能量快速识别的准确率。为解决上述技术问题，本发明具体采用如下技术方案：

一种基于bp神经网络的微能源器件能量识别方法，包括如下步骤：

s1、采集集成微能源器件开路状态下的动态电压，获得原始电压信号，并进对原始电压信号行通过自适应阈值小波变换以去躁；

s2、提取对去噪后的电压信号进行的r波峰值，从而得到模型输入数据；

s3、建立bp神经网络模型，输入数据对模型进行训练，训练误差小于预定值时停止训练，得到合格的bp神经网络模型；

s4、利用步骤s3中得到的bp神经网络模型对待识别电压信号进行识别。

优选的，所述步骤s1包括：

s101、对集成微能源器件开路时的动态电压进行持续采样获得原始的电压信号；

s102、选用自适应阈值小波变化算法对原始电压信号进行去噪处理，其公式为，其中2^-j为尺度因子，k·2^-j为平移因子，是的共轭；

s103、利用小波分解层数以及小波基函数，进行小波多层分解得到相应层次的小波分解系数wj,k，对小波分解系数wj,k进行阈值处理其中γ是阈值，wj,k是小波分解系数。

优选的，所述步骤s2包括：划分每一段动态电压的时间窗口，并在窗口内寻找极大值点，从而找到需要采集的r波波峰的位置，得到总数据集。

优选的，所述步骤s3包括：

s301、初始化bp神经网络的结构；

s302、将所述集成微能源器件开路时的动态电压、噪声特征及样本采样率归一化后作为模型的输入，集成微能源器件各自的特征中心为模型的输出；

s303、设定误差函数；

s304、将所述总数据集分为训练集和验证集，将训练集分为两次输入到bp神经网络模型中，第一次输入后得到更新网络权值和更新网络阈值；

s305、第二次输入后到训练误差为1％时停止训练，确定最终网络权值和最终网络阈值，得到合格的基于bp神经网络的微能源器件能量识别模型；

s306、若达不到步骤s305中所述训练误差，则增加新的数据样本以增加第一次输入训练的数据样本来更新网络权值和网络阈值，继续执行步骤s305。

优选的，所述步骤s301中的初始化bp神经网络的结构包括选定输入层结点数，隐藏层结点数，及输出层结点数,并在范围[-1，1]之间随机选取隐藏层权系数和输出层的权系数,确定学习速率和平滑因子，选择模型的激活函数。

优选的，所述训练误差包括第一次输入更新的网络权值平均值与所述最终网络权值平均值之间的差值以及第二次输入更新的所述网络阈值平均值与所述最终网络阈值平均值之间的差值。

优选的，所述步骤s3还包括：将合格的模型存入模型池，并对合格的模型进行计数，当其个数达到x时使用测试集对得到的x个合格模型进行测试并记录模型准确率，得效果最佳的模型所对应的参数。

优选的，所述集成微能源器件为微型燃料电池、振动能量收集器及微型光伏电池。

相对于现有技术，本发明具有如下有益效果：

通过本发明的方法能够进行较为准确快速的能量识别分类，分类结果可靠，对复合微能源器件能量的分类识别具有一定的指导意义；本发明的方法抗干扰能力强，选用了在微能源器件能量信号比较中影响比例较高的几个特征量，其中包括微能源器件开路时的动态电压、噪声特征以及样本的采样率。采用bp神经网络对复合微能源器件能量进行特征识别分类，bp神经网络模型较好的容错能力和非线性映射能力，使个别特征量的偏差不会对总体的分类结果产生较大影响，使得分类识别的结果具有较高的可靠性和准确性。

附图说明

图1为本发明流程示意图。

图2为本发明中所述bp神经网络分析流程示意图。

具体实施方式

下面结合附图和实施例来详细说明本发明的具体内容。

如附图1和2所示，本发明公布了一种基于bp神经网络的微能源器件能量识别方法，本实施例通过对三种微能源器件(微型燃料电池、振动能量收集器及微型光伏电池)开路时的动态电压进行持续采样获得原始的电压信号，并将含有噪声和复杂冗余信息的采样电压信号采用小波变化去除原始数据的噪声干扰，从而完成电压数据信号的预处理。

由于微能源器件的电压信号受到材料本身以及工艺技术等外部因素的干扰，因此其电压信号中可能存在多种强弱不同或频率不同的噪声，为了提高噪声的适应性和去噪效果，选用自适应阈值小波变化算法对原始电压信号进行去噪处理。

自适应阈值小波变化算法公式如下：

离散小波函数：

离散小波变换：

其中2^-j为尺度因子，k·2^-j为平移因子，是的共轭。选择较为合适的小波分解层数以及合适的小波基函数，进行小波多层分解得到相应层次的小波分解系数wj,k。对小波分解系数wj,k进行阈值处理：

其中γ是阈值，wj,k是小波分解系数。

通过小波阈值去噪处理能够一定程度减少原始电压信号数据中的低尺度高频率干扰信号，然后对去噪后的电压信号进行r波峰值提取，从而得到离散电压数据。因为电压信号的能量大多数聚集于r波波峰，因此把r波波峰视作为电压的能量峰值。通过划分每一段动态电压的时间窗口，并在窗口内寻找极大值点，从而找到需要采集的r波波峰的位置。

设总数据集的样本数为k，从总数据集中随机选取m个样本构成训练集作为bp神经网络的输入，每个样本中包含n个r波峰值，m个样本中包涵m*n个波峰值，按照t时间计算训练样本的采样率约为另测试集的样本数量为k-m。

建立bp神经网络模型，本发明模型采用包含输入层、隐藏层及输出层的三层网络结构。在整个训练过程中，首先将训练集样本数据输入到bp神经网络中，训练获取神经网络预测模型，建立bp神经网络模型的主要步骤为：

s301、初始化bp神经网络的结构，选定输入层结点数i，隐藏层结点数为j个，及输出层结点数n，并在范围在[-1,1]之间随机选取隐藏层权系数的v[i][j]和输出层的权系数w[j][n],确定学习速率a和平滑因子b，选择sigmoid函数为模型的激活函数。

s302、将各微能源器件开路时的动态电压、噪声特征及样本采样率归一化后作为模型的输入，模型的输出为三种微能源器件各自的特征中心。

s303、给各连接权值分别赋一个区间[-1，1]内的随机数，设定误差函数为

其中doi为对应数据的期望输出向量，yooi为对应数据的输出层输出向量。

具体训练步骤如图2所示，本发明中将训练集分为两次输入，第一次输入m个训练样本，第二次输入n个训练样本，其中m+n＝m。m为训练样本总数。(初次选定m＝n＝m/2,具体结合实际数据进行调整)

s304、第一次包含m个样本的训练集输入到bp神经网络分类预测模型中，得到更新的网络权值和更新的网络阈值。

s305、第二次将另外包含n个样本的训练集输入到bp神经网络分类预测模直至训练误差为1％时停止训练，确定最终网络权值和最终网络阈值，得到合适的微能源器件能量识别模型。

所述训练误差包括第一次输入更新的网络权值平均值与所述最终网络权值平均值之间的差值以及第二次输入更新的所述网络阈值平均值与所述最终网络阈值平均值之间的差值。

s306、若训练时达不到训练误差，则增加新的数据样本以增加第一次输入训练的数据样本来更新网络权值和网络阈值，继续执行步骤s305。

为了能得到效果最佳的模型，本发明所述的识别方法还可包括将合格的模型存入模型池，并对合格的模型进行计数，当其个数达到x时，使用测试集对得到的x个合格模型进行测试并记录模型准确率，得效果最佳的模型所对应的参数。

在利用本发明中所述的bp神经网络分类预测模型对微能源进行识别时，只需将待测试微能源数据输入模型中，从而可得到分类识别的结果。

最后说明的是，以上实施例仅用以说明本发明技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。