粒子群優(yōu)化lvq神經(jīng)網(wǎng)絡(luò)的方法及擾動(dòng)、諧波檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息數(shù)據(jù)分析技術(shù)領(lǐng)域，具體而言，涉及一種粒子群優(yōu)化學(xué)習(xí)向量量 化LVQ神經(jīng)網(wǎng)絡(luò)的方法及電源擾動(dòng)、電源諧波在線檢測(cè)。
【背景技術(shù)】
[0002] 近年來，以電力為中心的新一輪能源革命的序幕已經(jīng)拉開，其目的是實(shí)現(xiàn)以智能 電網(wǎng)為核心的低碳能源。于2012年4月26日在京召開的第六屆電能質(zhì)量國(guó)際研討會(huì)，把電 能質(zhì)量與智能電網(wǎng)作為主題，并重點(diǎn)討論了模塊化新能源接入的電能質(zhì)量問題、分布式電 源相關(guān)的電能質(zhì)量測(cè)量與評(píng)估問題等。由此可以看出，分布式電源的有效利用得到了學(xué)術(shù) 界和科技界的大力關(guān)注。從分布式電源用多種小型連接電網(wǎng)的設(shè)備發(fā)電和儲(chǔ)能的特點(diǎn)看， 分布式電源具有不易出現(xiàn)規(guī)模性瓦解、可跟蹤電力負(fù)荷的變化及采用熱電聯(lián)產(chǎn)及能源梯級(jí) 式利用時(shí)可大大提高資源的利用率的特性。在我國(guó)大電網(wǎng)集中供電的背景下，分布式電源 作為重要的電源補(bǔ)充將發(fā)揮巨大的作用。但分布式電源由于自身不穩(wěn)定特性，使其在應(yīng)用 時(shí)電能質(zhì)量問題比較突出，其中包括諧波、電壓閃變等。另外在并網(wǎng)時(shí)，對(duì)電網(wǎng)造成很大的 沖擊。研宄解決分布式電源電能質(zhì)量問題具有重要的現(xiàn)實(shí)意義。
[0003] 要解決分布式電源電能質(zhì)量問題，先要對(duì)其電能質(zhì)量參數(shù)進(jìn)行檢測(cè)，目前國(guó)內(nèi)外 通常的電能質(zhì)量檢測(cè)有在線檢測(cè)、定期或不定期檢測(cè)和專門測(cè)量三種，而從電能質(zhì)量檢測(cè) 方法方面來看可大致分為時(shí)域仿真方法、頻域檢測(cè)方法、人工智能方法等幾大類。基于人 工智能的方法是目前研宄的熱點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)是人工智能方法當(dāng)中的一種，目前，它主要 應(yīng)用在電能質(zhì)量的諧波測(cè)量、間諧波測(cè)量和擾動(dòng)類型識(shí)別當(dāng)中。它雖然在實(shí)際應(yīng)用當(dāng)中顯 示了其優(yōu)越性，但也有一些不足之處。人工神經(jīng)網(wǎng)絡(luò)在投入運(yùn)用之前，需要訓(xùn)練樣本訓(xùn)練網(wǎng) 絡(luò)。而在某些應(yīng)用中，要尋找到一組具有代表性的樣本并不是一件容易的事情。當(dāng)擁有這 樣一組較為理想的樣本之后，訓(xùn)練網(wǎng)絡(luò)時(shí)很可能會(huì)遇到不收斂或者收斂速度慢的問題；假 若問題或者網(wǎng)絡(luò)結(jié)構(gòu)需要改變，那么網(wǎng)絡(luò)就需要重新訓(xùn)練；訓(xùn)練當(dāng)中還有可能出現(xiàn)過學(xué)習(xí) 的問題。
[0004] 綜上可以看出現(xiàn)有的LVQ神經(jīng)網(wǎng)絡(luò)不能滿足電能質(zhì)量檢測(cè)的實(shí)際需求。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種粒子群優(yōu)化LVQ神經(jīng)網(wǎng)絡(luò)的方法及擾動(dòng)、諧波檢測(cè)方 法，以滿足電能質(zhì)量檢測(cè)中的實(shí)際需求。
[0006] 第一方面，本發(fā)明實(shí)施例提供了一種粒子群優(yōu)化學(xué)習(xí)向量量化LVQ神經(jīng)網(wǎng)絡(luò)的方 法，包括：建立粒子群，其中所述粒子群中粒子的位置的分量與LVQ神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值 一一對(duì)應(yīng)；利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度；其中，每 次更新粒子的位置和速度后，均計(jì)算每個(gè)粒子的最優(yōu)適應(yīng)度位置，并利用得到的粒子的最 優(yōu)適應(yīng)度位置獲取粒子群的最優(yōu)適應(yīng)度位置，以及，利用所述粒子群的最優(yōu)適應(yīng)度位置更 新所述LVQ神經(jīng)網(wǎng)絡(luò)的所述連接權(quán)值；當(dāng)所述粒子群迭代算法達(dá)到設(shè)定的迭代次數(shù)，或，所 述LVQ神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和預(yù)期輸出的差值滿足預(yù)設(shè)范圍時(shí)，停止對(duì)粒子群中粒子位置 和速度的更新。
[0007] 結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第一種可能的實(shí)施方式，其中，所 述LVQ神經(jīng)網(wǎng)絡(luò)包括分別由多個(gè)神經(jīng)元組成的輸入層、競(jìng)爭(zhēng)層及輸出層；所述輸入層中的 每個(gè)神經(jīng)元分別與所述競(jìng)爭(zhēng)層中的所有神經(jīng)元連接，其中所述輸入層的神經(jīng)元與所述競(jìng)爭(zhēng) 層的神經(jīng)元的一次連接對(duì)應(yīng)一個(gè)連接權(quán)值；所述競(jìng)爭(zhēng)層的每個(gè)神經(jīng)元所對(duì)應(yīng)的所有所述連 接權(quán)值構(gòu)成其自身的參考向量；所述競(jìng)爭(zhēng)層中的神經(jīng)元與所述輸出層中的神經(jīng)元--對(duì)應(yīng) 連接；所述輸出層，用于對(duì)外輸出檢測(cè)結(jié)果。
[0008] 結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第二種可能的實(shí)施方式，其中，所 述建立粒子群，包括：建立初始種群數(shù)目為n，以及迭代次數(shù)為T的粒子群，其中所述粒子群 中的粒子的維度為所述LVQ神經(jīng)網(wǎng)絡(luò)中所述連接權(quán)值的數(shù)目，并隨機(jī)產(chǎn)生所述粒子群中所 有粒子的初始位置和初始速度，以及確定每個(gè)粒子初始的最優(yōu)適應(yīng)度位置和所述粒子群初 始的最優(yōu)適應(yīng)度位置；建立所述粒子群中粒子的位置的分量與所述電能質(zhì)量檢測(cè)模型中的 連接權(quán)值的一一對(duì)應(yīng)關(guān)系。
[0009] 結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第三種可能的實(shí)施方式，其中，所 述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度，包括：依次判斷每 個(gè)粒子的當(dāng)前位置是否小于和其對(duì)應(yīng)的設(shè)定位置，且判斷每個(gè)粒子的當(dāng)前速度是否小于和 其對(duì)應(yīng)的設(shè)定速度，如果當(dāng)前粒子的判斷結(jié)果均為是，則重新初始化所述粒子群；如果當(dāng)前 粒子的判斷結(jié)果至少有一項(xiàng)為否，則更新當(dāng)前粒子的位置和速度。
[0010] 結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第四種可能的實(shí)施方式，其中，所 述每次更新粒子的位置和速度后，均計(jì)算每個(gè)粒子的最優(yōu)適應(yīng)度位置，包括：每次更新粒子 的位置和速度后，計(jì)算粒子當(dāng)前的適應(yīng)度值；依次判斷每個(gè)粒子當(dāng)前的所述適應(yīng)度值是否 優(yōu)于其當(dāng)前的最優(yōu)適應(yīng)度位置對(duì)應(yīng)的適應(yīng)度值，如果是，則利用粒子的當(dāng)前位置替換所述 粒子的最優(yōu)適應(yīng)度位置。
[0011] 結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第五種可能的實(shí)施方式，其中，所 述利用得到的粒子的最優(yōu)適應(yīng)度位置獲取粒子群的最優(yōu)適應(yīng)度位置，包括：依次判斷每個(gè) 粒子當(dāng)前的最優(yōu)適應(yīng)度位置的適應(yīng)度值是否優(yōu)于所述粒子群的最優(yōu)適應(yīng)度位置的適應(yīng)度 值，如果當(dāng)前進(jìn)行判斷的粒子當(dāng)前的最優(yōu)適應(yīng)度位置的適應(yīng)度值優(yōu)于所述粒子群當(dāng)前的最 優(yōu)適應(yīng)度位置的適應(yīng)度值，則將所述粒子群的最優(yōu)適應(yīng)度位置更新為當(dāng)前進(jìn)行判斷的粒子 的最優(yōu)適應(yīng)度位置。
[0012] 結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第六種可能的實(shí)施方式，其中，所 述計(jì)算粒子當(dāng)前的適應(yīng)度值，包括：利用公式
'計(jì)算粒子當(dāng)前的適應(yīng)度 值；其中，N為訓(xùn)練樣本總數(shù)；yih和y ia分別為相應(yīng)于第i個(gè)訓(xùn)練樣本的輸出層的期望輸出 和實(shí)際輸出。
[0013] 結(jié)合第一方面，本發(fā)明實(shí)施例提供了第一方面的第七種可能的實(shí)施方式，其 中，所述利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度，包括： 采用公式
丨更新粒子的速度；利用公式
更新粒子的位置；其中為慣性權(quán)重；
[0014] <為第i個(gè)粒子第k次迭代時(shí)速度在維度d上的分量；
[0015] 為第i個(gè)粒子第k次迭代時(shí)位置4.在維度d上的分量；
[0016] 第i個(gè)粒子第k次迭代時(shí)粒子的最優(yōu)適應(yīng)度位置在維度d上的分量；
[0017] 為第k次次迭代時(shí)整個(gè)所述粒子群的最優(yōu)適應(yīng)度位置在維度d上的分量；
[0018] I和n為預(yù)設(shè)的介于〇與1之間的隨機(jī)數(shù)；
[0019] (^與(32為學(xué)習(xí)因子。
[0020] 第二方面，本發(fā)明實(shí)施例還提供了一種分布式電源擾動(dòng)類型的在線檢測(cè)的方法， 利用如第一方面所述方法優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)，依據(jù)輸入的電能質(zhì)量信號(hào)中的擾動(dòng)類型信 息，對(duì)所述電能質(zhì)量信號(hào)的擾動(dòng)類型進(jìn)行檢測(cè)。
[0021] 第三方面，本發(fā)明實(shí)施例還提供了一種分布式電源諧波的在線檢測(cè)的方法，其特 征在于，利用第一方面所述方法優(yōu)化的LVQ神經(jīng)網(wǎng)絡(luò)，依據(jù)輸入的電能質(zhì)量信號(hào)中的諧波 信息，對(duì)所述電能質(zhì)量信號(hào)的諧波及間諧波擾動(dòng)進(jìn)行檢測(cè)。
[0022] 本發(fā)明實(shí)施例提供的粒子群優(yōu)化LVQ神經(jīng)網(wǎng)絡(luò)的方法及擾動(dòng)、諧波檢測(cè)方法，利 用粒子群