[發明專利]一種基于L-M算法改進的BP神經網絡電弧檢測模型

在審

• 申請號: 202011005911.5
• 申請日: 2020-09-23
• 公開（公告）號: CN112290887A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 林勇;李家偉
• 申請（專利權）人: 合肥工業大學
• 主分類號: H02S50/10
• 分類號: H02S50/10;G06N3/04;G06N3/08
• 代理公司: 連云港聯創專利代理事務所(特殊普通合伙) 32330
• 代理人: 劉剛

1.一種基于L-M算法改進的BP神經電弧檢測模型，其特征在于，包括基于L-M算法改進的BP神經網絡電弧檢測模型為：光伏串聯電弧的特征量為回路電流的時域標準差和頻域中特征頻段的譜積分；改進后的網絡參數迭代算法為x_k+1＝x_k-(J_k^TJ_k+μI)^-1g_k；其中，I為單位矩陣，μ為大于0的比例常數；

包括以下步驟：

步驟1、通過羅氏線圈電流傳感器采集回路電流信號并通過FFT變換后得到電流頻譜信號；

步驟2、計算并提取出樣本數據在時域和頻域的特征量：電流在固定時間內的標準差和電流在特征頻段的譜積分；

步驟3、搭建基于L-M算法改進的神經網絡電弧模型，并通過計算得到的測試樣本特征量對模型進行不斷優化，得到的最優網絡模型即為最終的電弧檢測網絡模型；

步驟4、將待檢測的電路電流經過特征提取后輸入到電弧檢測網絡模型，判斷電弧故障。

2.如權利要求1所述的基于L-M算法改進算法的BP神經網絡參數迭代算法，其特征在于，I為單位矩陣，μ為大于0的比例常數，所述J_k為雅克比矩陣，具體表達式如下,

。

3.如權利要求1所述的基于L-M算法改進的BP神經網絡電弧檢測模型，其特征在于，所述基于L-M算法改進的BP神經網絡電弧檢測模型中樣本數據集的劃分是按照K折交叉驗證劃分的。

4.如權利要求3所述的K折交叉驗證，其特征在于，K為樣本數據隨機劃分的數據集組數，在采用基于L-M算法改進的BP神經網絡電弧檢測模型進行電弧故障診斷前，設置一套初始超參數作標準，用訓練集對神經網絡模型進行訓練，對閾值和權值更新優化完畢后，得到K個由二次代價函數表示的誤差，計算K個誤差的平均值為網絡誤差e_avg，并作為評價此套超參數的依據，接著再重新設置第二套超參數，得到第二套超參數的網絡誤差，以此類推，最后n套超參數得到的網絡誤差中，選取值最小對應的那一套作為最終選定超參數，這樣參數和超參數的尋優完畢。

5.如權利要求4所述的K折交叉驗證的參數和超參數的尋優，其特征在于，所述參數包括網絡權值和網絡閾值，所述超參數包括隱藏層數、代價函數、最大迭代次數、激活函數和收斂系數。

6.如權利要求1所述的基于L-M算法改進的BP神經網絡電弧檢測模型，其特征在于，對網絡模型參數進行優化，具體包括以下步驟，初始化收斂系數μ＝μ₀，然后輸入樣本數據進行迭代訓練，判斷得到的網絡誤差ei是否較迭代前減小，若減小則令μ＝μ₀×0.1；若迭代后的網絡誤差增大，則令μ＝μ₀×10，使算法更偏向于梯度下降法，直到更新后的收斂系數使得網絡誤差減小。