[發明專利]基于BP-AdaBoost神經網絡的電子式電能表故障診斷方法

有效

• 申請號: 201210209182.4
• 申請日: 2012-06-20
• 公開（公告）號: CN102707256A
• 公開（公告）日: 2012-10-03
• 發明（設計）人: 胡薇薇;陳忱;孫宇鋒;趙廣燕;祁邦彥
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G01R35/04
• 分類號: G01R35/04
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種基于BP-AdaBoost神經網絡的電子式電能表故障診斷方法，其特征在于：該方法具體步驟如下：

步驟一：輸入樣本數據；樣本數據是由電子式電能表的典型電路，即單相橋式電路的斷路故障數據組成，從故障數據組成的樣本空間中選擇m組樣本數據，并確定神經網絡結構為由n個三層BP神經網絡組成的復合神經網絡；

步驟二：網絡初始化；初始化樣本數據的分布權值D_t(i)，令其中，i=1,2,…,m，D_t(i)表示第i個BP神經網絡的權值，t為迭代次數，t=1,2,…T，T為最大迭代次數；

步驟三：訓練BP神經網絡弱分類器；將單一BP神經網絡作為弱分類器進行訓練，共訓練n個弱分類器；弱分類器訓練過程的具體步驟如下所述：

（1）單一BP神經網絡參數設置；對三層BP神經網絡進行參數設置，參數包括隱層神經元數X、最大學習次數N，輸入（輸出）神經元數N1，以及學習速率α、β；

（2）網絡連接權值、閾值設定；用較小的隨機數初始化閾值{θ_j}、{r_k}，權值{w_ij}、{v_jk}；具體參數含義如下所示：

{θ_j}為隱層神經元閾值集合，其中j=1,2,…,X；

{r_k}為輸出層神經元閾值集合，其中k=1,2,…,N₁；

{w_ij}為輸入層第i個神經元到隱層第j個神經元的連接權值，其中i=1,2,…,N₁，j=1,2,…,X；

{v_jk}為隱層第j個神經元到輸出層第k個神經元的連接權值，其中j=1,2,…,X，k=1,2,…,N₁；

（3）取一組樣本數據，作為BP神經網絡輸入層神經元的輸入數據{I_i}，其中i=1,2,…,N₁；

（4）求隱層神經元向量，具體公式如下所示：

Uj=ΣiwijIi]]>

H_j=f(U_i)

U_j為隱層第j個神經元的輸入，其中j=1,2,…,X；

w_ij為輸入層第i個神經元到隱層第j個神經元的連接權值，其中i=1,2,…,N₁，j=1,2,…,X；

I_i為輸入層第i個神經元的輸入值，其中i=1,2,…,N₁；

H_j為隱層第j個神經元的輸出，其中j=1,2,…,X；

f(·)為Sigmoid函數，具體表達式為

（5）計算輸出層的各個相關量，計算公式如下所示：

Sk=ΣjvjkHj]]>

O_k=f(S_k)

S_k為輸出層第k個神經元的輸入，其中k=1,2,…,N₁；

v_jk為隱層第j個神經元到輸出層第k個神經元的連接權值，其中j=1,2,…,X，k=1,2,…,N₁；

H_j為隱層第j個神經元的輸出，其中j=1,2,…,X；

O_k為輸出層第j個神經元的輸出；

f(·)為Sigmoid函數，具體表達式為

（6）根據樣本數據的期望輸出t_k和輸出層的輸出O_k的差值，求出有關輸出層神經元的閾值及其連接權值的誤差信號δ_k，求解公式如下所示：

δ_k=(t_k-O_k)O_k(1-O_k)

δ_k為輸出層第k個神經元的閾值、連接權值的誤差信號，其中k=1,2,…,N₁；

t_k為輸入樣本數據后的期望輸出信號，其中k=1,2,…,N₁；

O_k為輸入樣本數據后得到的實際輸出信號，其中k=1,2,…,N₁；

（7）根據（6）中求出的δ_k，從隱層到輸出層的連接權值v_jk以及隱層的輸出H_j，求出隱層神經元j的閾值、連接權值的誤差信號σ_j，公式如下：

σj=ΣkδkvjkHj(1-Hj)]]>

σ_j為隱層第j個神經元的閾值、連接權值的誤差信號，其中j=1,2,…,X；

δ_k為輸出層第k個神經元的閾值、連接權值的誤差信號，其中k=1,2,…,N₁；

v_jk為隱層第j個神經元到輸出層第k個神經元的連接權值，其中j=1,2,…,X，k=1,2,…,N₁；

H_j為隱層第j個神經元的輸出，其中j=1,2,…,X；

（8）隱層第j個神經元至輸出層第k個神經元的權值v_jk與輸出層神經元j的閾值r_k的修正公式如下所示：

vjk(t+1)=vjk(t)+αδkHj]]>

rk(t+1)=rk(t)+βδk]]>

v_jk^(t+1)為修正后的隱層第j個神經元至輸出層第k個神經元的權值；

v_jk^(t)為修正前的第j個神經元至輸出層第k個神經元的權值；

δ_k為輸出層第k個神經元的閾值、連接權值的誤差信號；

α與β為（1）中設置的學習速率，且有0＜α，β≤1；

r_k^(t+1)為修正后的輸出層第k個神經元的連接閾值；

r_k^(t)為修正前的輸出層第k個神經元的連接閾值；

（9）輸出層神經元i至隱層神經元j的連接權值w_ij和隱層神經元j的閾值θ_j的修正公式如下所示：

wij(t+1)=wij(t)+ασjIj]]>

θj(t+1)=θj(t)+βσj]]>

w_ij^(t+1)為修正后的輸出層第i個神經元至隱層層第j個神經元的權值；

w_ij^(t)為修正前的輸出層第i個神經元至隱層層第j個神經元的權值；

δ_k為輸出層第k個神經元的閾值、連接權值的誤差信號；

α與β為（1）中設置的學習速率，且有0＜α，β≤1；

θ_j^(t+1)為修正后的隱層第j個神經元的連接閾值；

θ_j^(t)為修正前的隱層第j個神經元的連接閾值；

（10）取下一組樣本數據；

（11）若有樣本數據則返回（4）順序執行；

（12）更新學習次數；

（13）進行循環判斷，若學習次數尚小于（1）中設定的最大學習次數N，則返回到（3）繼續執行；若學習次數達到最大學習次數N，則完成對該弱分類器的訓練，開始對下一弱分類器進行訓練，直至全部n個弱分類器都訓練完成；

步驟四：計算分類誤差e_t；e_t由下列公式確定，其中g_t為網絡實際輸出的分類結果，y_t為期望的分類結果：

et=ΣiDt(i),i=1,2,...m(gt≠yt)]]>

e_t為分類誤差，t為迭代次數，t＝1,2,…T；

D_t(i)表示第i個BP神經網絡的權值，其中t為迭代次數，t=1,2,…T；

步驟五：計算權值；根據步驟四中求得的誤差e_t，計算權重a_t，該值由下式確定：

at=12ln(1-eiet)]]>

a_t為權值，t為迭代次數，t＝1,2,…T；

e_t為分類誤差，t為迭代次數，t=1,2,…T；

步驟六：權值調整；根據步驟五所求的權值a_t調整下一輪訓練樣本的權重值，調整公式如下，其中B_t是歸一化因子，目的是在權值比例不變的情況下使分布權值歸一化：

Dt+1(i)=Dt(i)Bt*exp[-atyigt(xi)],i=1,2,...n]]>

D_t+1(i)表示調整后第i個BP神經網絡的權值，其中t為迭代次數，t=1,2,…T；

D_t(i)表示調整前第i個BP神經網絡的權值，其中t為迭代次數，t=1,2,…T；

B_t為歸一化因子，且B_t=||D_t(i)||，其中t為迭代次數，t=1,2,…T，||||表示求取范數，在后續運用MATLAB編程仿真過程中，可直接調用MATLAB自帶的歸一化函數premnmx()進行歸一化處理；

a_t為序列的權重，t為迭代次數，t=1,2,…T；

y_t(i)為期望的分類結果；

g_t(x_i)為網絡實際的分類結果；

步驟七：循環判斷；t=t+1，再進行判斷；若誤差e_t<0.5，且迭代次數t<T，則返回步驟三，繼續執行；否則，向下執行步驟八；

步驟八：合成強分類函數；訓練T輪后共得到n組弱分類函數f(g_t,a_t)，將這N組弱分類函數組合可得到強分類函數h(x)，組合公式如下所示：

(x)=signΣt=1Tat*f(gt,at)]]>

步驟九：分類結果統計與誤差率統計；根據上述強分類器對故障數據進行檢測，最后完成分類結果統計與誤差率統計。