[發(fā)明專利]一種基于L-M算法改進的BP神經(jīng)網(wǎng)絡(luò)電弧檢測模型

在審

• 申請?zhí)枺?/td>: 202011005911.5
• 申請日: 2020-09-23
• 公開（公告）號: CN112290887A
• 公開（公告）日: 2021-01-29
• 發(fā)明（設(shè)計）人: 林勇;李家偉
• 申請（專利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類號: H02S50/10
• 分類號: H02S50/10;G06N3/04;G06N3/08
• 代理公司: 連云港聯(lián)創(chuàng)專利代理事務(wù)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(jīng)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(jīng)網(wǎng)絡(luò)電弧檢測模型為：光伏串聯(lián)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(wǎng)絡(luò)參數(shù)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(shù)；

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(shù)據(jù)在時域和頻域的特征量：電流在固定時間內(nèi)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(jīng)網(wǎng)絡(luò)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(yōu)化，得到的最優(yōu)網(wǎng)絡(luò)模型即為最終的電弧檢測網(wǎng)絡(luò)模型；

步驟4、將待檢測的電路電流經(jīng)過特征提取后輸入到電弧檢測網(wǎng)絡(luò)模型，判斷電弧故障。

2.如權(quán)利要求1所述的基于L-M算法改進算法的BP神經(jīng)網(wǎng)絡(luò)參數(shù)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(shù)，所述J_k為雅克比矩陣，具體表達式如下,

。

3.如權(quán)利要求1所述的基于L-M算法改進的BP神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)電弧檢測模型中樣本數(shù)據(jù)集的劃分是按照K折交叉驗證劃分的。

4.如權(quán)利要求3所述的K折交叉驗證，其特征在于，K為樣本數(shù)據(jù)隨機劃分的數(shù)據(jù)集組數(shù)，在采用基于L-M算法改進的BP神經(jīng)網(wǎng)絡(luò)電弧檢測模型進行電弧故障診斷前，設(shè)置一套初始超參數(shù)作標準，用訓(xùn)練集對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，對閾值和權(quán)值更新優(yōu)化完畢后，得到K個由二次代價函數(shù)表示的誤差，計算K個誤差的平均值為網(wǎng)絡(luò)誤差e_avg，并作為評價此套超參數(shù)的依據(jù)，接著再重新設(shè)置第二套超參數(shù)，得到第二套超參數(shù)的網(wǎng)絡(luò)誤差，以此類推，最后n套超參數(shù)得到的網(wǎng)絡(luò)誤差中，選取值最小對應(yīng)的那一套作為最終選定超參數(shù)，這樣參數(shù)和超參數(shù)的尋優(yōu)完畢。

5.如權(quán)利要求4所述的K折交叉驗證的參數(shù)和超參數(shù)的尋優(yōu)，其特征在于，所述參數(shù)包括網(wǎng)絡(luò)權(quán)值和網(wǎng)絡(luò)閾值，所述超參數(shù)包括隱藏層數(shù)、代價函數(shù)、最大迭代次數(shù)、激活函數(shù)和收斂系數(shù)。

6.如權(quán)利要求1所述的基于L-M算法改進的BP神經(jīng)網(wǎng)絡(luò)電弧檢測模型，其特征在于，對網(wǎng)絡(luò)模型參數(shù)進行優(yōu)化，具體包括以下步驟，初始化收斂系數(shù)μ＝μ₀，然后輸入樣本數(shù)據(jù)進行迭代訓(xùn)練，判斷得到的網(wǎng)絡(luò)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(wǎng)絡(luò)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(shù)使得網(wǎng)絡(luò)誤差減小。