之后，訓(xùn) 練網(wǎng)絡(luò)時很可能會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)的技術(shù)問題，從而滿足電能質(zhì)量 檢測中的實際需求。
【附圖說明】
[0048] 圖1為本發(fā)明方法的流程圖；
[0049] 圖2為本發(fā)明實施例所提供的一個電能質(zhì)量檢測模型的示意圖；
[0050] 圖3為本發(fā)明裝置的結(jié)構(gòu)示意圖；
【具體實施方式】
[0051] 附圖僅用于示例性說明，不能理解為對本專利的限制；
[0052] 為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產(chǎn)品 的尺寸；
[0053] 對于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解 的。
[0054] 下面結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案做進一步的說明。
[0055] 實施例1
[0056] 如圖1所示，一種分布式電源諧波檢測方法，主要處理步驟包括：
[0057] 步驟S11 :基于學(xué)習(xí)向量量化LVQ神經(jīng)網(wǎng)絡(luò)構(gòu)建電能質(zhì)量檢測模型；
[0058] 步驟S12 :利用粒子群算法PS0優(yōu)化電能質(zhì)量檢測模型；
[0059] 步驟S13:利用優(yōu)化后的電能質(zhì)量檢測模型，依據(jù)輸入的電能質(zhì)量信號中的諧波 信息，對電能質(zhì)量信號的諧波及間諧波擾動進行檢測。
[0060] 本發(fā)明中，學(xué)習(xí)向量量化LVQ神經(jīng)網(wǎng)絡(luò)是一種由輸入層、競爭層和輸出層組成的 混合網(wǎng)絡(luò)，現(xiàn)有的LVQ神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)合了競爭學(xué)習(xí)和有監(jiān)督的學(xué)習(xí)來形成分類。學(xué)習(xí) 規(guī)則為：
[0061]
[0062] 式中，w_n為神經(jīng)元j對應(yīng)的參考向量，X丨為競爭層輸出，Aw_n(k)為第k步時參考 向量的修正值，η為學(xué)習(xí)速率或步長（〇<η< 1)。
[0063] 本發(fā)明中，電能質(zhì)量檢測模型包括分別由多個神經(jīng)元組成的輸入層、競爭層及輸 出層；輸入層中的每個神經(jīng)元分別與競爭層中的所有神經(jīng)元連接，其中輸入層的神經(jīng)元與 競爭層的神經(jīng)元的一次連接對應(yīng)一個連接權(quán)值；競爭層的每個神經(jīng)元所對應(yīng)的所有連接 權(quán)值構(gòu)成其自身的參考向量；競爭層中的神經(jīng)元與輸出層中的神經(jīng)元一一對應(yīng)連接；輸出 層，用于對外輸出電能質(zhì)量信號擾動類型的檢測結(jié)果。
[0064] 圖2是一個電能質(zhì)量檢測模型的示意圖，電能質(zhì)量檢測模型中包括輸入層，競爭 層和輸出層。輸入層包括神經(jīng)元al，神經(jīng)元a2和神經(jīng)元a3 ;競爭層包括神經(jīng)元bl，神經(jīng)元 b2,神經(jīng)元b3和神經(jīng)元b4 ;輸出層包括神經(jīng)元cl，神經(jīng)元c2,神經(jīng)元c3和神經(jīng)元c4。輸入 層的每個神經(jīng)元分別和競爭層的所有神經(jīng)元連接，且每一次連接對應(yīng)一個連接權(quán)值，例如 輸入層的神經(jīng)元al與競爭層神經(jīng)元bl的連接權(quán)值為albl，輸入層的神經(jīng)元al與競爭層 神經(jīng)元b2的連接權(quán)值為alb2,輸入層的神經(jīng)元a2與競爭層神經(jīng)元b2的連接權(quán)值為a2b2， 其它連接權(quán)值類似。競爭層的每個神經(jīng)元均對應(yīng)一個參考向量，其分量為對應(yīng)神經(jīng)元上的 各個連接權(quán)值。例如神經(jīng)元bl對應(yīng)一個參考向量，記為向量rbl;神經(jīng)元bl上的各個連接 權(quán)值，為向量rbl上的分量，S卩向量^^可表示為（albl，a2bl，a3bl)。其余競爭層的神經(jīng)元 的參考向量類似bl的表示。競爭層神經(jīng)元分別與輸出層神經(jīng)元一一對應(yīng)連接，即bl連接 cl，b2連接c2,其余類似。
[0065] 利用PS0優(yōu)化電能質(zhì)量檢測模型包括：建立粒子群，其中粒子群中粒子的位置的 分量與電能質(zhì)量檢測模型中的連接權(quán)值一一對應(yīng)；利用粒子群迭代算法，迭代更新粒子群 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，均計算每個粒子的最優(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 粒子群的適應(yīng)度位置更新電能質(zhì)量檢測模型的所有連接權(quán)值；當(dāng)粒子群迭代算法達到設(shè)定 的迭代次數(shù)，或，電能質(zhì)量檢測模型的實際輸出和預(yù)期輸出的差值滿足預(yù)設(shè)范圍時，停止對 粒子群中粒子位置和速度的更新。
[0066] 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，其中粒子 群中的粒子的維度為上述電能質(zhì)量檢測模型中連接權(quán)值的總數(shù)目，并隨機產(chǎn)生粒子群中所 有粒子的初始位置和初始速度，并確定每個粒子初始的最優(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；建立粒子群中粒子的位置的分量與電能質(zhì)量檢測模型中的連接權(quán)值的 --對應(yīng)關(guān)系。
[0067] 粒子群中的粒子的維度為電能質(zhì)量檢測模型中連接權(quán)值的數(shù)目。如圖2所示的電 能質(zhì)量檢測模型，優(yōu)化此電能質(zhì)量檢測模型的粒子群的粒子維度為連接權(quán)值的數(shù)目12,粒 子群中的每個粒子都可以為電能質(zhì)量檢測模型中所有的連接權(quán)值賦值。例如粒子群中的粒 子h，記為（hl，h2,h3,h4,h5,h6,h7,h8,h9,hlO,hll，hl2);其中hi對應(yīng)連接權(quán)值albl， h2對應(yīng)連接權(quán)值a2bl，h3對應(yīng)連接權(quán)值a3bl，h4對應(yīng)連接權(quán)值alb2,其余類似，粒子h的 分量分別依次記載競爭層中的神經(jīng)元bl，神經(jīng)元b2,神經(jīng)元b3和神經(jīng)元b4各個對應(yīng)的參 考向量的分量的值。粒子群中的粒子，其初始位置和初始速度都是隨機的。每個粒子初始 的最優(yōu)適應(yīng)度值為該粒子初始位置對應(yīng)的適應(yīng)度值，即粒子初始的最優(yōu)適應(yīng)度位置為粒子 的初始位置；粒子群初始的最優(yōu)適應(yīng)度值為粒子群中所有粒子初始的最優(yōu)適應(yīng)度值的最優(yōu) 值，即粒子群初始的最優(yōu)適應(yīng)度位置為粒子群中初始的最優(yōu)適應(yīng)度值最優(yōu)的粒子的位置。
[0068] 利用粒子群迭代算法，迭代更新粒子群中所有粒子的位置和速度，包括：依次判斷 每個粒子的當(dāng)前位置是否小于和其對應(yīng)的設(shè)定位置，且判斷每個粒子的當(dāng)前速度是否小于 和其對應(yīng)的設(shè)定速度，如果當(dāng)前粒子的判斷結(jié)果均為是，則重新初始化粒子群；如果當(dāng)前粒 子的判斷結(jié)果至少有一項為否，則更新當(dāng)前粒子的位置和速度。
[0069] 即每次迭代更新粒子群中所有粒子的位置和速度后，判斷粒子群是否需要重新初 始化。具體的判斷方式是，依次判斷每個粒子的當(dāng)前位置是否小于和其對應(yīng)的設(shè)定位置， 且判斷每個粒子的當(dāng)前速度是否小于和其對應(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，包括：重新設(shè)置粒子數(shù)目n，迭代次數(shù)T，并隨機產(chǎn)生粒子群 中所有粒子的初始位置和初始速度，并確定每個粒子初始的最優(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；如果當(dāng)前粒子的判斷結(jié)果至少有一項為否，則更新當(dāng)前粒子的位 置和速度。
[0070] 每次更新粒子的位置和速度后，均計算每個粒子的最優(yōu)適應(yīng)度位置，包括：每次更 新粒子的位置和速度后，計算粒子當(dāng)前的適應(yīng)度值；依次判斷每個粒子當(dāng)前的適應(yīng)度值是 否優(yōu)于和其對應(yīng)的當(dāng)前的最優(yōu)適應(yīng)度位置的適應(yīng)度值，如果是，則利用粒子的當(dāng)前位置替 換和其對應(yīng)的當(dāng)前的最優(yōu)適應(yīng)度位置。
[0071] 即記錄每個粒子的最優(yōu)適應(yīng)度位置，計算最優(yōu)適應(yīng)度位置的適應(yīng)度值。如果粒子 更新后的適應(yīng)度值優(yōu)于最優(yōu)適應(yīng)度位置的適應(yīng)度值，則將粒子對應(yīng)的當(dāng)前的最優(yōu)適應(yīng)度位 置更新為粒子當(dāng)前的位置。
[0072] 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)于粒子群當(dāng)前的最優(yōu)適應(yīng)度位置的 適應(yīng)度值，如果當(dāng)前進行判斷的粒子的當(dāng)前的最優(yōu)適應(yīng)度位置的適應(yīng)度值優(yōu)于粒子群當(dāng)前 的最優(yōu)適應(yīng)度位置的適應(yīng)度值，則將粒子群當(dāng)前的最優(yōu)適應(yīng)度位置更新為當(dāng)前進行判斷的 粒子的最優(yōu)適應(yīng)度位置。
[0073] 計算粒子當(dāng)前的適應(yīng)度值，包括：利用公式計算粒子當(dāng)前的適應(yīng)度值；其中，~為 訓(xùn)練樣本總數(shù)；yih和y^分別為相應(yīng)于第i個訓(xùn)練樣本的輸出層的期望輸出和實際輸出。
[0074] 計算粒子的適應(yīng)度值的方法包括：利用粒子的位置，給電能質(zhì)量檢測模型中所有 連接權(quán)值賦值；電能質(zhì)量檢測模型的競爭層的每個神經(jīng)元與多個輸入層的神經(jīng)元連接，